Kontakt

Deterministische Testdaten für Banken und Versicherer

DATAMIMIC ist die Testdatenplattform für regulierte Banken und Versicherer. Sie erzeugt deterministische, reproduzierbare, CI/CD-fähige Testdaten, inklusive gültiger ISO-20022- und SWIFT-Nachrichten, ohne dass Produktionsdaten Ihre Umgebung verlassen.

Datenbank anbinden oder JSON importieren, Entitäten und Beziehungen einmal modellieren, danach über REST/OpenAPI in jeder Pipeline ausführen. Referenzielle Integrität bleibt über Tabellen, Collections und verschachtelte Strukturen hinweg erhalten.

Starten Sie mit der Dokumentation
Mit einem Experten sprechen

Zentrale Vorteile

Modellbasierte Steuerung

Definieren Sie Strukturen und Einschränkungen; erzwingen Sie referenzielle Integrität über Datensätze hinweg für ein konsistentes Testdatenmanagement in komplexen Anwendungen

Deterministische Generierung

Gleicher Seed, gleicher Hash. Auf jeder Maschine, Monate später. Gültige ISO-20022- und SWIFT-Nachrichten für QA und Staging, ohne dass Produktionsdaten Ihre Umgebung verlassen.

Beherrschung von JSON/XML

Erweitertes Handling komplexer JSON- und XML-Strukturen, einschließlich tief verschachtelter, API-ähnlicher Payloads in Microservices.

Auf Regulierung ausgelegt

De-Identifikationstechniken (Tokenisierung, Pseudonymisierung, Feldmaskierung) für Teams, die an DSGVO Art. 25, DORA und BCBS 239 gemessen werden. Jeder Lauf ist protokolliert und nachvollziehbar.

CI/CD-freundliche API

Automatisieren Sie die Generierung in Pipelines per REST und führen Sie sie in DevOps/CI headless aus, um Testumgebungen bei jedem Build zu befüllen.

Visuelles Modellieren

Eine klare Ebene zur Prüfung von Qualitätsprüfungen und Beziehungen, damit Data Stewards Modelle in einem Datenqualitäts-Framework validieren können.

So funktioniert es

DATAMIMIC verbindet sich direkt mit Ihren Datenbanken oder importiert Dateien wie JSON, um automatisch ein Modell Ihrer Daten zu erstellen. Anschließend können Sie Entitäten und Beziehungen verfeinern, damit generierte Datensätze über Tabellen, NoSQL-Collections und tief verschachtelte JSON/XML-Strukturen hinweg konsistent bleiben. Die referenzielle Integrität entsteht aus dem Modell und aus wertbasierter Schlüsselbildung: derselbe Eingabewert erzeugt dasselbe Token, über Tabellen, Collections und Topics hinweg. Sie ist keine Eigenschaft eines Modells, das Muster lernt, sondern eine Konstruktionseigenschaft. Über dokumentierte REST/OpenAPI-Endpunkte lässt es sich headless in CI/CD ausführen, um Testumgebungen konsistent zu befüllen – ganz ohne Kopieren von Produktionsdaten.

Anwendungsfälle

Teams nutzen DATAMIMIC, um realistische, datenschutzkonforme Datensätze für QA und Staging zu erstellen, ohne Produktionsdaten offenzulegen, um Integrations- und End-to-End-Tests durchzuführen, die auf stabilen Cross-Entity-Verknüpfungen basieren (Kunden ↔ Bestellungen, Zahlungen ↔ Konten), und um API-fähige JSON/XML-Payloads für Microservice- sowie Banking-/Fintech-Szenarien zu erzeugen – alles innerhalb eines DSGVO-konformen, synthetischen Daten-Workflows.

Liefern Sie schneller mit datenschutzsicheren Testdaten, die Ihre Systeme realistisch abbilden.

DATAMIMIC generiert realistische, synthetische Datensätze aus einem Modell Ihrer Strukturen, sodass Beziehungen über Tabellen hinweg und sogar in tief verschachtelten JSON/XML-Daten erhalten bleiben. Da es für regulierte Teams und GDPR-konforme Workflows entwickelt wurde, können Sie testen, ohne Produktionsdaten offenzulegen – und die Generierung über REST/OpenAPI in CI/CD headless auslösen, um Staging-Umgebungen kontinuierlich zu befüllen.

Setzen Sie DATAMIMIC als SaaS oder On-Premise ein – über Docker/Podman oder Helm auf Kubernetes/OpenShift – und nutzen Sie die visuelle Modellierungs-UI, um Entitäten zu überprüfen, Datenqualitätsprüfungen zu definieren und die referenzielle Integrität durchzusetzen. Automatisieren Sie anschließend die Generierung über die REST-API mithilfe von Projektzugangstokens oder versionieren Sie Projekte, indem Sie ein DATAMIMIC-Projekt mit einem bestimmten Git-Branch synchronisieren, sodass Testdatendefinitionen stets im Einklang mit Ihrem Code bleiben.

Erleben Sie DATAMIMIC in Aktion

Entdecken Sie echte Projekte, in denen Teams mit modellbasierten synthetischen Daten schneller arbeiten und gleichzeitig compliant bleiben konnten – von einer europäischen Tier-1-Bank, die die Testdatenbereitstellung über Oracle, MongoDB und Kafka von 20 Tagen auf etwa 12 Stunden pro Zyklus gebracht hat, bis zu einer Bildungsplattform des öffentlichen Sektors, die 10.000 Zeilen individuellen Python-Code durch 1.200 Zeilen DATAMIMIC-Modelle ersetzt hat, über rund 30 Schemata, ohne echte Schülerdaten in Nicht-Produktivumgebungen. Erfahren Sie, wie DATAMIMIC handgeschriebene Maskierungsskripte durch versionierte Modelle ersetzt hat, ohne die Realitätsnähe für E2E- und API-Tests zu verlieren.

Case Studies ansehen

Automatisieren Sie in Ihrer Pipeline

Integrieren Sie DATAMIMIC in Ihren Delivery-Prozess über die dokumentierten REST/OpenAPI-Endpunkte, führen Sie es headless aus, um bei jedem Build synthetische Daten bereitzustellen, und synchronisieren Sie Projekte sogar mit einem Git-Branch, sodass Testdatendefinitionen stets im Gleichschritt mit Ihrem Code bleiben. So können DevOps-Teams wiederholbare, DSGVO-konforme Testdaten durchsetzen und unter regulatorischem Druck mit vertrauenswürdigen Datenlösungen ausliefern. Für Testzugänge oder Support kontaktieren Sie unser Team.

datamimic.io
F.A.Q

Häufig gestellte Fragen.

Häufig gestellte Fragen zur Zusammenarbeit mit uns
Wie lassen sich komplexe Testdaten erstellen?
DATAMIMIC arbeitet modellgetrieben. Die Plattform liest Ihr Schema oder Ihre Quelldaten und erzeugt daraus ein Modell: Entitäten, Beziehungen, Feldtypen und einen Vorschlag, welches Feld welche De-Identifikationstechnik erhält. Diesen Vorschlag prüfen und überschreiben Sie, bevor etwas läuft. Die Ausführung ist dann regelbasiert und deterministisch. Wo Verteilungen zählen, etwa Transaktionsbeträge oder Schadenshäufigkeiten, kommen zusätzlich auto-regressive ML-Generatoren zum Einsatz, versioniert und qualitätsbewertet. Komplex heißt in der Praxis dreierlei: tief verschachteltes JSON, Fremdschlüssel, die über Tabellen und Collections hinweg zusammenpassen müssen, und Nachrichtenformate, die gegen ihr Schema gültig sein müssen. Das Modell deckt alle drei in einem Durchlauf ab.
Der Unterschied ist unter der DSGVO entscheidend. Anonymisierung verändert Daten so, dass Personen auch in Kombination mit anderen Informationen nicht mehr erkennbar sind. Solche Daten sind keine personenbezogenen Daten mehr. Pseudonymisierung ersetzt direkte Identifikatoren durch ein Pseudonym, lässt die Zuordnung über getrennt aufbewahrte Zusatzinformationen aber zu. Pseudonymisierte Daten bleiben deshalb personenbezogene Daten (Art. 4 Abs. 5, Erwägungsgrund 26). DATAMIMIC unterstützt beide Techniken, und der Modus ist eine bewusste Entscheidung, kein Nebeneffekt. Mit gesetztem Seed ist die Ausgabe deterministisch und reproduzierbar, das Ergebnis ist Pseudonymisierung. Ohne Seed ist die Ausgabe nicht reproduzierbar und die transformierten Felder sind irreversibel. Für Anonymität auf Satzebene reicht das allein nicht: Quasi-Identifikatoren wie Alter, Postleitzahl, Zeitstempel oder Betragsmuster müssen zusätzlich generalisiert oder unterdrückt werden. DATAMIMIC weist diese Felder in der Risikoprüfung aus und stellt die Konverter bereit, um sie zu vergröbern.
In mehreren Punkten besser, in einem schlechter, und der Unterschied ist vorhersehbar. Besser: Eine Produktionskopie ist ein perfekter Schnappschuss der Normalfälle und bildet genau die Randfälle nicht ab, die im Test gebraucht werden. Seltene Konstellationen bleiben auch im Auszug selten. Aus einem Modell erzeugen Sie sie gezielt und in beliebiger Menge, dazu Zustände, die in der Produktion noch gar nicht existieren, etwa ein Nachrichtenformat vor der Umstellung oder ein Mengengerüst für den Lasttest. Schlechter: Ein Modell kennt nur, was modelliert wurde. Unregelmäßigkeiten, die in Ihren Produktionsdaten stecken und nie beschrieben wurden, tauchen im synthetischen Bestand nicht auf. Deshalb beginnt DATAMIMIC mit einem Modell Ihrer echten Strukturen und nicht mit einer generischen Vorlage, und deshalb bleibt das Modell ein Artefakt, das gepflegt wird.

Produktionskopien in Test- und Entwicklungsumgebungen sind der Standardfall unnötiger Offenlegung: mehr Zugriffsberechtigte als in der Produktion, längere Aufbewahrung, schwächere Kontrollen.

DATAMIMIC setzt an der Ursache an. Testdaten entstehen aus einem Modell, für die Generierung werden keine Produktionsdatensätze benötigt. Wo mit echten Daten gearbeitet werden muss, laufen die De-Identifikationstechniken innerhalb Ihrer Umgebung. Das adressiert die Datenminimierung nach DSGVO Art. 5 Abs. 1 lit. c und Privacy by Design nach Art. 25 direkt.

Compliance bleibt eine Eigenschaft Ihrer Gesamtverarbeitung, nicht eines einzelnen Werkzeugs. Was DATAMIMIC beisteuert, ist der Nachweis: jeder Lauf wird mit Task-ID, Zeitstempel, Modellversion und Content-Hash protokolliert und ist Monate später identisch rekonstruierbar. Fehlt der Nachweis, blockiert das System den Vorgang, statt still auf einen Ersatzweg auszuweichen.

Ja. Native Konnektoren für PostgreSQL, Oracle, MongoDB und Apache Kafka, dazu SWIFT MT, HL7 und EDIFACT. Die REST/OpenAPI-Endpunkte sind dokumentiert und binden Jenkins, GitLab CI oder Azure DevOps an. Betrieb als SaaS, on-premise über Docker/Podman oder per Helm auf Kubernetes und OpenShift, auch vollständig offline, ohne Telemetrie und ohne Call-home.
Ja. pacs.008 und pain.001 im ISO-20022-Raum, MT103 und MT202 COV im SWIFT-MT-Raum, dazu EDIFACT und HL7. Die Nachrichten sind per Konstruktion gültig gegen das jeweilige Schema, nicht nachträglich validiert. Für camt-Nachrichten steht heute die Validierung gegen die hinterlegten Schemata zur Verfügung, die Generierung noch nicht. Eigene oder abweichende Spezifikationsstände können Sie herunterladen, anpassen und wieder einspielen, ohne auf ein Release zu warten.
Über die Plattform, nicht daran vorbei. Ein DATAMIMIC-Projekt bündelt Modelle, Umgebungen und Rechte und lässt sich mit einem Git-Branch synchronisieren, sodass Testdatendefinitionen denselben Stand tragen wie der Code. Die DATAMIMIC-Erweiterung holt diesen Projektkontext in den Editor. Schemavalidierung, Autovervollständigung und Fehlerdiagnose kommen aus einem Sprachserver, den die Plattform projektbezogen und authentifiziert betreibt. Es liegt also kein Schema und kein Umgebungswissen als lokale Kopie außerhalb Ihrer Plattform. Dieselbe Oberfläche steht einem Coding-Agenten zur Verfügung, der im Editor arbeitet. Ausgeführt wird weiterhin über die Plattform: dieselben Rechte, dieselbe Freigabe, dasselbe Protokoll wie bei einem Lauf aus der Oberfläche. Der Editor verkürzt den Weg, er öffnet keinen zweiten.

Bereit, sichere und realistische Testdaten zu generieren?

Klare nächste Schritte – lesen Sie die Kurzanleitung oder vereinbaren Sie ein kurzes Gespräch; gemeinsam definieren wir Entitäten, Beziehungen und CI/CD-Trigger.
Mit einem Experten sprechen
Jetzt kontaktieren
Jetzt kontaktieren