{"id":102,"date":"2026-07-31T03:30:44","date_gmt":"2026-07-31T03:30:44","guid":{"rendered":"http:\/\/blockstudio-rapiddweller.local\/datamimic-2\/"},"modified":"2026-09-04T07:02:33","modified_gmt":"2026-09-04T07:02:33","slug":"datamimic","status":"publish","type":"page","link":"https:\/\/rapiddweller.com\/de\/datamimic\/","title":{"rendered":"DATAMIMIC: Deterministische Testdaten f\u00fcr Banken und Versicherer"},"content":{"rendered":"
\n\t
\n\t\t
\n\t\t\t
\n\t\t\t\t\"DATAMIMIC-Logo\"\n\t\t\t<\/div>\n\t\t\t
\n\t\t\t\t

Deterministische Testdaten f\u00fcr Banken und Versicherer<\/h1>\n\t\t\t\t

DATAMIMIC ist die Testdatenplattform f\u00fcr regulierte Banken und Versicherer. Sie erzeugt deterministische, reproduzierbare, CI\/CD-f\u00e4hige Testdaten, inklusive g\u00fcltiger ISO-20022- und SWIFT-Nachrichten, ohne dass Produktionsdaten Ihre Umgebung verlassen.<\/p>\n

Datenbank anbinden oder JSON importieren, Entit\u00e4ten und Beziehungen einmal modellieren, danach \u00fcber REST\/OpenAPI in jeder Pipeline ausf\u00fchren. Referenzielle Integrit\u00e4t bleibt \u00fcber Tabellen, Collections und verschachtelte Strukturen hinweg erhalten.<\/p>\n<\/div>\n\t\t\t\t

\n\t\t\t\t\tStarten Sie mit der Dokumentation<\/a>\n\t\t\t\t\tMit einem Experten sprechen<\/a>\n\t\t\t\t<\/div>\n\t\t\t<\/div>\n\t\t<\/div>\n\t<\/section>\n\n\t
\n\t\t
\n\t\t\t

Zentrale Vorteile<\/h2>\n\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t

Modellbasierte Steuerung<\/h3>\n\t\t\t\t\t\t

Definieren Sie Strukturen und Einschr\u00e4nkungen; erzwingen Sie referenzielle Integrit\u00e4t \u00fcber Datens\u00e4tze hinweg f\u00fcr ein konsistentes Testdatenmanagement in komplexen Anwendungen<\/p>\n\t\t\t\t\t<\/article>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t

\n\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t

Deterministische Generierung<\/h3>\n\t\t\t\t\t\t

Gleicher Seed, gleicher Hash. Auf jeder Maschine, Monate sp\u00e4ter. G\u00fcltige ISO-20022- und SWIFT-Nachrichten f\u00fcr QA und Staging, ohne dass Produktionsdaten Ihre Umgebung verlassen.<\/p>\n\t\t\t\t\t<\/article>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t

\n\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t

Beherrschung von JSON\/XML<\/h3>\n\t\t\t\t\t\t

Erweitertes Handling komplexer JSON- und XML-Strukturen, einschlie\u00dflich tief verschachtelter, API-\u00e4hnlicher Payloads in Microservices.<\/p>\n\t\t\t\t\t<\/article>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t

\n\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t

Auf Regulierung ausgelegt<\/h3>\n\t\t\t\t\t\t

De-Identifikationstechniken (Tokenisierung, Pseudonymisierung, Feldmaskierung) f\u00fcr Teams, die an DSGVO Art. 25, DORA und BCBS 239 gemessen werden. Jeder Lauf ist protokolliert und nachvollziehbar.<\/p>\n\t\t\t\t\t<\/article>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t

\n\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t

CI\/CD-freundliche API<\/h3>\n\t\t\t\t\t\t

Automatisieren Sie die Generierung in Pipelines per REST und f\u00fchren Sie sie in DevOps\/CI headless aus, um Testumgebungen bei jedem Build zu bef\u00fcllen.<\/p>\n\t\t\t\t\t<\/article>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t

\n\t\t\t\t\t\t<\/path><\/svg><\/span>\n\t\t\t\t\t\t

Visuelles Modellieren<\/h3>\n\t\t\t\t\t\t

Eine klare Ebene zur Pr\u00fcfung von Qualit\u00e4tspr\u00fcfungen und Beziehungen, damit Data Stewards Modelle in einem Datenqualit\u00e4ts-Framework validieren k\u00f6nnen.<\/p>\n\t\t\t\t\t<\/article>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t<\/section>\n\n\t

\n\t\t
\n\t\t\t

So funktioniert es<\/h2>\n\t\t\t

DATAMIMIC verbindet sich direkt mit Ihren Datenbanken oder importiert Dateien wie JSON, um automatisch ein Modell Ihrer Daten zu erstellen. Anschlie\u00dfend k\u00f6nnen Sie Entit\u00e4ten und Beziehungen verfeinern, damit generierte Datens\u00e4tze \u00fcber Tabellen, NoSQL-Collections und tief verschachtelte JSON\/XML-Strukturen hinweg konsistent bleiben. Die referenzielle Integrit\u00e4t entsteht aus dem Modell und aus wertbasierter Schl\u00fcsselbildung: derselbe Eingabewert erzeugt dasselbe Token, \u00fcber Tabellen, Collections und Topics hinweg. Sie ist keine Eigenschaft eines Modells, das Muster lernt, sondern eine Konstruktionseigenschaft. \u00dcber dokumentierte REST\/OpenAPI-Endpunkte l\u00e4sst es sich headless in CI\/CD ausf\u00fchren, um Testumgebungen konsistent zu bef\u00fcllen \u2013 ganz ohne Kopieren von Produktionsdaten.<\/p>\n\t\t\t

\n\t\t\t\t\"Deterministische\n\t\t\t<\/div>\n\t\t<\/div>\n\t<\/section>\n\n\t
\n\t\t
\n\t\t\t

Anwendungsf\u00e4lle<\/h2>\n\t\t\t

Teams nutzen DATAMIMIC, um realistische, datenschutzkonforme Datens\u00e4tze f\u00fcr QA und Staging zu erstellen, ohne Produktionsdaten offenzulegen, um Integrations- und End-to-End-Tests durchzuf\u00fchren, die auf stabilen Cross-Entity-Verkn\u00fcpfungen basieren (Kunden \u2194 Bestellungen, Zahlungen \u2194 Konten), und um API-f\u00e4hige JSON\/XML-Payloads f\u00fcr Microservice- sowie Banking-\/Fintech-Szenarien zu erzeugen \u2013 alles innerhalb eines DSGVO-konformen, synthetischen Daten-Workflows.<\/p>\n\t\t\t

\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\t

Liefern Sie schneller mit datenschutzsicheren Testdaten, die Ihre Systeme realistisch abbilden.<\/h3>\n\t\t\t\t\t\t

DATAMIMIC<\/strong> generiert realistische, synthetische Datens\u00e4tze aus einem Modell Ihrer Strukturen, sodass Beziehungen \u00fcber Tabellen hinweg und sogar in tief verschachtelten JSON\/XML-Daten erhalten bleiben. Da es f\u00fcr regulierte Teams und GDPR-konforme Workflows entwickelt wurde, k\u00f6nnen Sie testen, ohne Produktionsdaten offenzulegen \u2013 und die Generierung \u00fcber REST\/OpenAPI in CI\/CD headless ausl\u00f6sen, um Staging-Umgebungen kontinuierlich zu bef\u00fcllen.<\/p>\n

Setzen Sie DATAMIMIC<\/strong> als SaaS oder On-Premise ein \u2013 \u00fcber Docker\/Podman oder Helm auf Kubernetes\/OpenShift \u2013 und nutzen Sie die visuelle Modellierungs-UI, um Entit\u00e4ten zu \u00fcberpr\u00fcfen, Datenqualit\u00e4tspr\u00fcfungen zu definieren und die referenzielle Integrit\u00e4t durchzusetzen. Automatisieren Sie anschlie\u00dfend die Generierung \u00fcber die REST-API mithilfe von Projektzugangstokens oder versionieren Sie Projekte, indem Sie ein DATAMIMIC<\/strong>-Projekt mit einem bestimmten Git-Branch synchronisieren, sodass Testdatendefinitionen stets im Einklang mit Ihrem Code bleiben.<\/p>\n<\/div>\n\t\t\t\t\t\t\t\t\t\t\t<\/article>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t

\n\t\t\t\t\t\t

Erleben Sie DATAMIMIC in Aktion<\/h3>\n\t\t\t\t\t\t

Entdecken Sie echte Projekte, in denen Teams mit modellbasierten synthetischen Daten schneller arbeiten und gleichzeitig compliant bleiben konnten \u2013 von einer europ\u00e4ischen Tier-1-Bank, die die Testdatenbereitstellung \u00fcber Oracle, MongoDB und Kafka von 20 Tagen auf etwa 12 Stunden pro Zyklus gebracht hat, bis zu einer Bildungsplattform des \u00f6ffentlichen Sektors, die 10.000 Zeilen individuellen Python-Code durch 1.200 Zeilen DATAMIMIC-Modelle ersetzt hat, \u00fcber rund 30 Schemata, ohne echte Sch\u00fclerdaten in Nicht-Produktivumgebungen. Erfahren Sie, wie DATAMIMIC handgeschriebene Maskierungsskripte durch versionierte Modelle ersetzt hat, ohne die Realit\u00e4tsn\u00e4he f\u00fcr E2E- und API-Tests zu verlieren.<\/p>\n<\/div>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\tCase Studies ansehen\u2192<\/span>\n\t\t\t\t\t\t\t<\/a>\n\t\t\t\t\t\t\t\t\t\t\t<\/article>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t

\n\t\t\t\t\t\t

Automatisieren Sie in Ihrer Pipeline<\/h3>\n\t\t\t\t\t\t

Integrieren Sie DATAMIMIC<\/strong> in Ihren Delivery-Prozess \u00fcber die dokumentierten REST\/OpenAPI-Endpunkte, f\u00fchren 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 k\u00f6nnen DevOps-Teams wiederholbare, DSGVO-konforme Testdaten durchsetzen und unter regulatorischem Druck mit vertrauensw\u00fcrdigen Datenl\u00f6sungen ausliefern. F\u00fcr Testzug\u00e4nge oder Support kontaktieren Sie unser Team.<\/p>\n<\/div>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\tdatamimic.io\u2192<\/span>\n\t\t\t\t\t\t\t<\/a>\n\t\t\t\t\t\t\t\t\t\t\t<\/article>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t<\/section>\n\n\t

\n\t
\n\t\t
\n\t\t\t\t\t\t\t

F.A.Q<\/p>\n\t\t\t\t\t\t

H\u00e4ufig gestellte Fragen.<\/h2>\n\t\t\t\t\t\t\t

H\u00e4ufig gestellte Fragen zur Zusammenarbeit mit uns<\/p>\n\t\t\t\t\t<\/div>\n\n\t\t

\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t\t\t\t\tWie lassen sich komplexe Testdaten erstellen?<\/span>\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/summary>\n\t\t\t\t\t

DATAMIMIC arbeitet modellgetrieben.<\/strong> Die Plattform liest Ihr Schema oder Ihre Quelldaten und erzeugt daraus ein Modell: Entit\u00e4ten, Beziehungen, Feldtypen und einen Vorschlag, welches Feld welche De-Identifikationstechnik erh\u00e4lt. Diesen Vorschlag pr\u00fcfen und \u00fcberschreiben Sie, bevor etwas l\u00e4uft. Die Ausf\u00fchrung ist dann regelbasiert und deterministisch. Wo Verteilungen z\u00e4hlen, etwa Transaktionsbetr\u00e4ge oder Schadensh\u00e4ufigkeiten, kommen zus\u00e4tzlich auto-regressive ML-Generatoren zum Einsatz, versioniert und qualit\u00e4tsbewertet.<\/p>\n

Komplex hei\u00dft in der Praxis dreierlei: tief verschachteltes JSON, Fremdschl\u00fcssel, die \u00fcber Tabellen und Collections hinweg zusammenpassen m\u00fcssen, und Nachrichtenformate, die gegen ihr Schema g\u00fcltig sein m\u00fcssen. Das Modell deckt alle drei in einem Durchlauf ab.<\/p>\n<\/div><\/div>\n\t\t\t\t<\/details>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t

\n\t\t\t\t\t\n\t\t\t\t\t\tWas ist der Unterschied zwischen Datenanonymisierung und Pseudonymisierung?<\/span>\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/summary>\n\t\t\t\t\t

Der Unterschied ist unter der DSGVO entscheidend. Anonymisierung ver\u00e4ndert 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, l\u00e4sst die Zuordnung \u00fcber getrennt aufbewahrte Zusatzinformationen aber zu. Pseudonymisierte Daten bleiben deshalb personenbezogene Daten (Art. 4 Abs. 5, Erw\u00e4gungsgrund 26).<\/p>\n

DATAMIMIC unterst\u00fctzt 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. F\u00fcr Anonymit\u00e4t auf Satzebene reicht das allein nicht: Quasi-Identifikatoren wie Alter, Postleitzahl, Zeitstempel oder Betragsmuster m\u00fcssen zus\u00e4tzlich generalisiert oder unterdr\u00fcckt werden. DATAMIMIC weist diese Felder in der Risikopr\u00fcfung aus und stellt die Konverter bereit, um sie zu vergr\u00f6bern.<\/p>\n<\/div><\/div>\n\t\t\t\t<\/details>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t

\n\t\t\t\t\t\n\t\t\t\t\t\tSind synthetische Daten genauso gut wie echte Daten f\u00fcr Tests?<\/span>\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/summary>\n\t\t\t\t\t

In mehreren Punkten besser, in einem schlechter, und der Unterschied ist vorhersehbar. Besser: Eine Produktionskopie ist ein perfekter Schnappschuss der Normalf\u00e4lle und bildet genau die Randf\u00e4lle 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 Zust\u00e4nde, die in der Produktion noch gar nicht existieren, etwa ein Nachrichtenformat vor der Umstellung oder ein Mengenger\u00fcst f\u00fcr den Lasttest.<\/p>\n

Schlechter: Ein Modell kennt nur, was modelliert wurde. Unregelm\u00e4\u00dfigkeiten, 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.<\/p>\n<\/div><\/div>\n\t\t\t\t<\/details>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t

\n\t\t\t\t\t\n\t\t\t\t\t\tWie unterst\u00fctzt DATAMIMIC bei der Einhaltung der DSGVO und anderer Datenschutzvorschriften?<\/span>\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/summary>\n\t\t\t\t\t

Produktionskopien in Test- und Entwicklungsumgebungen sind der Standardfall unn\u00f6tiger Offenlegung: mehr Zugriffsberechtigte als in der Produktion, l\u00e4ngere Aufbewahrung, schw\u00e4chere Kontrollen. DATAMIMIC setzt an der Ursache an. Testdaten entstehen aus einem Modell, f\u00fcr die Generierung werden keine Produktionsdatens\u00e4tze ben\u00f6tigt. 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<\/strong> und Privacy by Design nach Art. 25<\/strong> direkt.<\/p>\n

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 sp\u00e4ter identisch rekonstruierbar. Fehlt der Nachweis, blockiert das System den Vorgang, statt still auf einen Ersatzweg auszuweichen.<\/p>\n<\/div><\/div>\n\t\t\t\t<\/details>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t

\n\t\t\t\t\t\n\t\t\t\t\t\tKann DATAMIMIC mit unseren bestehenden Datenbanken und CI\/CD-Tools arbeiten?<\/span>\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/summary>\n\t\t\t\t\t

Ja. Native Konnektoren f\u00fcr 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 \u00fcber Docker\/Podman oder per Helm auf Kubernetes und OpenShift, auch vollst\u00e4ndig offline, ohne Telemetrie und ohne Call-home.<\/p>\n<\/div><\/div>\n\t\t\t\t<\/details>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t

\n\t\t\t\t\t\n\t\t\t\t\t\tErzeugt DATAMIMIC g\u00fcltige ISO-20022-Nachrichten?<\/span>\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/summary>\n\t\t\t\t\t

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 g\u00fcltig gegen das jeweilige Schema, nicht nachtr\u00e4glich validiert. F\u00fcr camt-Nachrichten steht heute die Validierung gegen die hinterlegten Schemata zur Verf\u00fcgung, die Generierung noch nicht. Eigene oder abweichende Spezifikationsst\u00e4nde k\u00f6nnen Sie herunterladen, anpassen und wieder einspielen, ohne auf ein Release zu warten.<\/p>\n<\/div><\/div>\n\t\t\t\t<\/details>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t

\n\t\t\t\t\t\n\t\t\t\t\t\tWie f\u00fcgt sich DATAMIMIC in unseren Entwicklungsprozess ein?<\/span>\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/summary>\n\t\t\t\t\t

\u00dcber die Plattform, nicht daran vorbei. Ein DATAMIMIC-Projekt b\u00fcndelt Modelle, Umgebungen und Rechte und l\u00e4sst sich mit einem Git-Branch synchronisieren, sodass Testdatendefinitionen denselben Stand tragen wie der Code. Die DATAMIMIC-Erweiterung holt diesen Projektkontext in den Editor. Schemavalidierung, Autovervollst\u00e4ndigung und Fehlerdiagnose kommen aus einem Sprachserver, den die Plattform projektbezogen und authentifiziert betreibt. Es liegt also kein Schema und kein Umgebungswissen als lokale Kopie au\u00dferhalb Ihrer Plattform. Dieselbe Oberfl\u00e4che steht einem Coding-Agenten zur Verf\u00fcgung, der im Editor arbeitet. Ausgef\u00fchrt wird weiterhin \u00fcber die Plattform: dieselben Rechte, dieselbe Freigabe, dasselbe Protokoll wie bei einem Lauf aus der Oberfl\u00e4che. Der Editor verk\u00fcrzt den Weg, er \u00f6ffnet keinen zweiten.<\/p>\n<\/div><\/div>\n\t\t\t\t<\/details>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t<\/div>\n<\/section>\n\n\t