Wat zijn testdata: betekenis, toepassingen en uitdagingen

Branches in de gezondheidszorg, verzekeringen, financiën, overheid en andere sectoren vertrouwen zwaar op een schat aan data om de kwaliteit van hun softwareoplossingen te waarborgen. Het gebruik van productiedata voor testen, wat misschien de meest voor de hand liggende keuze lijkt, brengt echter enorme uitdagingen met zich mee vanwege de gevoelige aard en de grote volumes van dergelijke data. Dit is waar testdata naar voren komt als een game-changer, die efficiënt en veilig testen mogelijk maakt. Hoewel de betekenis van testdata in softwaretesten diepgaand is, is het navigeren door het hele proces - van testdatavoorbereiding tot opslag en beheer - geen fluitje van een cent. Het is dan ook geen verrassing dat volgens Capgemini's onderzoek, testers besteden maar liefst 44% van hun tijd om databeheer te testen. Dit artikel verduidelijkt alle aspecten van het testdataconcept en ontvouwt up-to-date benaderingen voor testdatabeheer. Aan het einde van het artikel hebt u geleerd hoe u het leven voor uw softwareteam gemakkelijker kunt maken en het softwareleveringsproces kunt stroomlijnen, allemaal met een nieuwe helderheid.

Wat zijn testdata bij het testen van software?

Simpel gezegd ziet de definitie van testdata er als volgt uit: Testdata zijn de geselecteerde datasets die worden gebruikt om fouten te vinden en ervoor te zorgen dat software werkt zoals het hoort. 

Testers en engineers vertrouwen op testdatasets, die handmatig of met behulp van gespecialiseerde tools voor het genereren van testdata zijn samengesteld, om de functionaliteit van software te verifiëren, de prestaties te beoordelen en de beveiliging te verbeteren.

Uitbreidend op dit concept, wat zijn testdata bij testen? Naast louter datasets, omvatten testdata een reeks invoerwaarden, scenario's en voorwaarden. Deze elementen worden zorgvuldig geselecteerd om te valideren of de deliverables voldoen aan de strenge criteria van kwaliteit en functionaliteit die van software worden verwacht.

Om een ​​beter begrip te krijgen van de definitie van testdata, bekijken we de verschillende typen testdata.

Wat zijn de soorten testdata?

Hoewel het primaire doel van het testen van data is om te verzekeren dat de software zich gedraagt ​​zoals verwacht, variëren de factoren die de softwareprestaties beïnvloeden enorm. Deze variabiliteit betekent dat testers verschillende soorten data moeten gebruiken om het gedrag van het systeem in verschillende omstandigheden te beoordelen.

Laten we deze vraag — wat zijn testdata bij het testen van software? — beantwoorden met voorbeelden.

• Positieve testdata wordt gebruikt om de software onder normale bedrijfsomstandigheden te testen, bijvoorbeeld om te controleren of een auto soepel en zonder obstakels op een vlakke weg rijdt.
• Negatieve testdata is als het testen van de prestaties van de auto met bepaalde defecte reserveonderdelen. Het helpt identificeren hoe de software reageert op ongeldige data-invoer of overbelasting van het systeem.
• Equivalentieklasse testdata helpt het gedrag van een specifieke groep of categorie binnen de software weer te geven om met name te testen hoe de software omgaat met verschillende soorten gebruikers of input.
• Willekeurige testdata wordt gegenereerd zonder enig specifiek patroon. Het zorgt ervoor dat de software onverwachte scenario’s soepel kan verwerken.
• Op regels gebaseerde testdata wordt gegenereerd volgens vooraf gedefinieerde regels of criteria. In een bankapp kunnen transactiedata worden gegenereerd om ervoor te zorgen dat alle transacties aan bepaalde wettelijke vereisten voldoen of dat rekeningsaldi binnen bepaalde limieten blijven.
• Grenstestdata controleert hoe de software waarden aan de uiterste uiteinden van acceptabele bereiken beheert. Het is vergelijkbaar met het tot het uiterste drijven van een bepaald apparaat.
• Regressietestdata wordt gebruikt om te controleren of recente wijzigingen in de software nieuwe defecten of problemen hebben veroorzaakt.

Door gebruik te maken van deze verschillende soorten testdata kunnen QA-specialisten effectief beoordelen of de software werkt zoals bedoeld, eventuele zwakke punten of bugs opsporen en uiteindelijk de prestaties van het systeem verbeteren. 

Maar waar kunnen softwareteams deze data verkrijgen? Laten we dat hierna bespreken.

Hoe worden testdata gemaakt?

U hebt de volgende drie opties om testdata voor uw project te maken:

• Kies de data uit de bestaande database en maskeer klantinformatie zoals persoonlijk identificeerbare informatie (PII).
• Creëer handmatig realistische testdata met op regels gebaseerde data-applicaties.
• Genereer synthetische data. 

Veel data engineering teams vertrouwen op slechts één van de benaderingen, en kiezen te vaak de meest tijdrovende en arbeidsintensieve methode van testdatageneratie. Bijvoorbeeld, bij het selecteren van sample data uit bestaande databases, moeten engineering teams deze eerst uit meerdere bronnen halen, en deze vervolgens formatteren, opschonen en maskeren, zodat deze geschikt zijn voor ontwikkel- of testomgevingen.

Een andere uitdaging is ervoor te zorgen dat data voldoen aan specifieke testcriteria: nauwkeurigheid, diversiteit, specificiteit voor een bepaalde oplossing, hoge kwaliteit en naleving van regelgeving inzake de bescherming van persoonsdata. Deze uitdagingen worden echter effectief aangepakt door moderne testdatamanagementbenaderingen, zoals geautomatiseerde testdatageneratie. 

Het Syntho-platform biedt een scala aan mogelijkheden om deze uitdagingen aan te gaan, waaronder:

• Slimme de-identificatie wanneer een tool automatisch alle PII identificeert, waardoor experts tijd en moeite besparen.
• Gevoelige informatie omzeilen door PII en andere identificatiedata te vervangen door synthetische informatie nepdata dat aansluit bij de bedrijfslogica en patronen.
• Behoud van referentiële integriteit door consistente data mapping in databases en systemen.

We zullen deze mogelijkheden in meer detail onderzoeken. Maar laten we eerst eens ingaan op de problemen die gerelateerd zijn aan het maken van testdata, zodat u zich hiervan bewust bent en weet hoe u ze kunt aanpakken.

Testdata-uitdagingen bij het testen van software

Het verkrijgen van geldige testdata is een hoeksteen van effectief testen. Engineeringteams worden echter geconfronteerd met behoorlijk wat uitdagingen op weg naar betrouwbare software.

Verspreide databronnen

Gegevens, met name bedrijfsdata, bevinden zich in een veelvoud aan bronnen, waaronder legacy mainframes, SAP, relationele databases, NoSQL en diverse cloudomgevingen. Deze verspreiding, in combinatie met een breed scala aan formaten, bemoeilijkt de toegang tot productiedata voor softwareteams. Het vertraagt ​​ook het proces om de juiste data voor testen te verkrijgen en resulteert in ongeldige testdata.

Subinstelling voor focus

Engineeringteams worstelen vaak met het segmenteren van grote en diverse testdatasets in kleinere, gerichte subsets. Maar het is een must-do, omdat deze opsplitsing hen helpt zich te concentreren op specifieke testcases, waardoor het makkelijker wordt om problemen te reproduceren en op te lossen, terwijl het volume van testdata en de bijbehorende kosten laag blijven.

Maximaliseren van de testdekking

Engineers zijn ook verantwoordelijk voor het verzekeren dat testdata uitgebreid genoeg is om gedefinieerde testcases grondig te testen, defectdichtheid te minimaliseren en de betrouwbaarheid van software te versterken. Ze worden echter geconfronteerd met uitdagingen in deze inspanning vanwege verschillende factoren, zoals systeemcomplexiteit, beperkte bronnen, veranderingen in software, zorgen over dataprivacy en -beveiliging en schaalbaarheidsproblemen.

Realisme in testdata

De zoektocht naar realisme in testdata laat zien hoe cruciaal het is om originele datawaarden zo nauwkeurig mogelijk te spiegelen. Testdata moeten nauwgezet lijken op de productieomgeving om vals-positieve of -negatieve resultaten te voorkomen. Als dit realisme niet wordt bereikt, kan dit de kwaliteit en betrouwbaarheid van de software schaden. Gezien het feit dat specialisten nauwlettend op details moeten letten bij het voorbereiden van testdata.

Verversen en onderhouden van data

Testdata moeten regelmatig worden bijgewerkt om veranderingen in de productieomgeving en applicatievereisten weer te geven. Deze taak brengt echter aanzienlijke uitdagingen met zich mee, vooral in omgevingen waar de toegang tot data beperkt is vanwege naleving van de regelgeving. Het coördineren van datavernieuwingscycli en het garanderen van dataconsistentie in testomgevingen worden complexe inspanningen die zorgvuldige coördinatie en strikte nalevingsmaatregelen vereisen.

Uitdagingen met echte testdata

Volgens de enquête van Syntho op LinkedIn: 50% van de bedrijven maakt gebruik van productiedata, en 22% gebruikt gemaskeerde data om hun software te testen. Ze kiezen voor echte data omdat het een makkelijke beslissing lijkt: kopieer bestaande data uit de productieomgeving, plak het in de testomgeving en gebruik het indien nodig. 

Het gebruik van echte data voor testen brengt echter een aantal uitdagingen met zich mee, waaronder:

• Gegevens maskeren om te voldoen aan de regelgeving inzake databescherming, inbreuken op de databeveiliging te voorkomen en zich te houden aan wetten die het gebruik van echte data voor testdoeleinden verbieden.
• Het inpassen van data in de testomgeving, die doorgaans afwijkt van de productieomgeving.
• Databases regelmatig genoeg bijwerken.

Naast deze uitdagingen worstelen bedrijven met drie cruciale kwesties bij het selecteren van echte data voor testen.

Gelimiteerde beschikbaarheid

Beperkte, schaarse of gemiste data komt vaak voor wanneer ontwikkelaars productiedata als geschikte testdata beschouwen. Toegang tot hoogwaardige testdata, met name voor complexe systemen of scenario's, wordt steeds moeilijker. Deze schaarste aan data belemmert uitgebreide test- en validatieprocessen, waardoor softwaretestinspanningen minder effectief worden. 

Nalevingskwesties

Strikte wetten op het gebied van dataprivacy, zoals CPRA en GDPR, vereisen de bescherming van PII in testomgevingen en leggen strenge nalevingsnormen op voor het opschonen van data. In deze context worden echte namen, adressen, telefoonnummers en SSN's die in productiedata worden aangetroffen, beschouwd als illegale dataformaten.

Privacybezorgdheden

De compliance-uitdaging is duidelijk: het is verboden om originele persoonlijke data als testdata te gebruiken. Om dit probleem aan te pakken en ervoor te zorgen dat er geen PII wordt gebruikt om testcases te construeren, moeten testers dubbel controleren of gevoelige data zijn opgeschoond of geanonimiseerd voordat ze in testomgevingen worden gebruikt. Hoewel deze taak cruciaal is voor de beveiliging van data, kost het veel tijd en voegt het een extra laag complexiteit toe voor testteams.

Belang van kwaliteitstestdata

Goede testdata vormen de ruggengraat van het gehele QA-proces. Het is een garantie dat software functioneert zoals het hoort, goed presteert onder verschillende omstandigheden en veilig blijft voor datalekken en kwaadaardige aanvallen. Er is echter nog een belangrijk voordeel.

Bent u bekend met shift-left-testen? Deze aanpak duwt het testen naar de vroege stadia van de ontwikkelingslevenscyclus, zodat het agile proces niet wordt vertraagd. Shift-left-testen verminderen de tijd en kosten die gepaard gaan met testen en debuggen later in de cyclus, door problemen vroegtijdig op te sporen en op te lossen.

Om shift-left-testen goed te laten werken, zijn compliant testdatasets nodig. Deze helpen ontwikkelings- en QA-teams om specifieke scenario's grondig te testen. Automatisering en stroomlijning van handmatige processen zijn hierbij essentieel. U kunt provisioning versnellen en de meeste uitdagingen die we hebben besproken aanpakken door geschikte testdatageneratietools met synthetische data te gebruiken.

Synthetische data als oplossing

Een op synthetische data gebaseerd datamanagementbenadering testen is een relatief nieuwe maar efficiënte strategie om de kwaliteit te behouden en tegelijkertijd uitdagingen aan te gaan. Bedrijven kunnen vertrouwen op het genereren van synthetische data om snel testdata van hoge kwaliteit te creëren. 

Definitie en kenmerken

Synthetische testdata zijn kunstmatig gegenereerde data die zijn ontworpen om datatestomgevingen voor softwareontwikkeling te simuleren. Door de PII te vervangen door nepdata zonder enige gevoelige informatie, maken synthetische data het beheer van testdata sneller en eenvoudiger. 

Synthetische testdata verlagen de privacyrisico's en stellen ontwikkelaars ook in staat de prestaties, beveiliging en functionaliteit van de app rigoureus te beoordelen in een reeks potentiële scenario's zonder het echte systeem te beïnvloeden. Laten we nu eens kijken wat synthetische datatools nog meer kunnen doen.

Ga uitdagingen op het gebied van compliance en privacy aan

Laten we Syntho's oplossing als voorbeeld nemen. Om compliance- en privacyuitdagingen aan te pakken, gebruiken we geavanceerde data masking-technieken samen met state-of-the-art PII-scantechnologie. Syntho's AI-aangedreven PII-scanner identificeert en markeert automatisch alle kolommen in gebruikersdatabases die directe PII's bevatten. Dit vermindert het handmatige werk en zorgt voor een nauwkeurige detectie van gevoelige data, waardoor het risico op datalekken en het niet naleven van privacyregelgeving wordt verkleind.

Zodra kolommen met PII zijn geïdentificeerd, biedt het platform van Syntho in dit geval nepdata aan als de beste de-identificatiemethode. Deze functie beschermt gevoelige originele PII door deze te vervangen door representatieve nepdata die nog steeds de referentiële integriteit behouden voor testdoeleinden in databases en systemen. Dit wordt bereikt door consistente kaartfunctionaliteit, wat ervoor zorgt dat de vervangen data overeenkomen met de bedrijfslogica en -patronen en tegelijkertijd voldoen aan regelgeving zoals GDPR en HIPAA.

Bied veelzijdigheid bij het testen

Veelzijdige testdata kunnen bedrijven helpen de uitdaging van de beperkte beschikbaarheid van data te overwinnen en de testdekking te maximaliseren. Het Syntho-platform ondersteunt veelzijdigheid met zijn op regels gebaseerde generatie van synthetische data. 

Dit concept omvat het maken van testdata door vooraf gedefinieerde regels en beperkingen te volgen om echte data na te bootsen of specifieke scenario's te simuleren. Regelgebaseerde synthetische datageneratie biedt veelzijdigheid in testen via verschillende strategieën:

• Gegevens vanaf nul genereren: Op regels gebaseerde synthetische data maken het mogelijk om data te genereren wanneer er weinig of geen echte data beschikbaar zijn. Hierdoor beschikken testers en ontwikkelaars over de benodigde data.
• Gegevens verrijken: Het verrijkt data door meer rijen en kolommen toe te voegen, waardoor het gemakkelijker wordt om grotere datasets te maken.
• Flexibiliteit en maatwerk: Met de op regels gebaseerde aanpak kunnen we flexibel blijven en ons aanpassen aan verschillende dataformaten en -structuren, waardoor synthetische data worden gegenereerd die zijn afgestemd op specifieke behoeften en scenario's.
• Data-opschoning: Dit houdt in dat vooraf gedefinieerde regels worden gevolgd bij het genereren van data om inconsistenties te corrigeren, ontbrekende waarden in te vullen en corrupte testdata te verwijderen. Het zorgt voor datakwaliteit en integriteit, wat vooral belangrijk is wanneer de oorspronkelijke dataset onnauwkeurigheden bevat die de testresultaten kunnen beïnvloeden.

Bij het kiezen van de juiste tools voor datageneratie is het van essentieel belang om rekening te houden met bepaalde factoren. Zo weet u zeker dat ze de werklast voor uw teams daadwerkelijk verlichten.

Overwegingen bij het kiezen van synthetische datatools

De keuze van synthetische datatools hangt af van uw zakelijke behoeften, integratiemogelijkheden en vereisten voor dataprivacy. Hoewel elke organisatie uniek is, hebben we de belangrijkste criteria voor het selecteren van synthetische datageneratietools uiteengezet.

Datarealisme

Zorg ervoor dat de tool die u overweegt testdata genereert die nauw verwant zijn aan echte data. Alleen dan simuleert het effectief verschillende testscenario's en detecteert het potentiële problemen. De tool moet ook aanpassingsopties bieden om verschillende datadistributies, patronen en anomalieën in productieomgevingen na te bootsen.

Data diversiteit

Zoek naar tools die voorbeelddata kunnen genereren die een breed scala aan use cases bestrijken, waaronder verschillende datatypen, formaten en structuren die relevant zijn voor de software die wordt getest. Deze diversiteit helpt valideren of het systeem robuust is en zorgt voor een uitgebreide testdekking.

Schaalbaarheid en prestaties

Controleer hoe goed de tool grote hoeveelheden synthetische data kan genereren, vooral voor het testen van complexe systemen of systemen met grote volumes. U wilt een tool die kan worden opgeschaald om te voldoen aan de datavereisten van applicaties op ondernemingsniveau, zonder dat dit ten koste gaat van de prestaties of betrouwbaarheid.

Gegevensprivacy en -beveiliging

Geef prioriteit aan tools met ingebouwde functies om gevoelige of vertrouwelijke informatie te beschermen bij het genereren van data. Zoek naar functies zoals dataanonimisering en naleving van de regelgeving inzake databescherming om privacyrisico's te minimaliseren en aan de wet te voldoen.

Integratie en compatibiliteit

Kies software die naadloos aansluit bij uw bestaande testopstelling om eenvoudige adoptie en integratie in de softwareontwikkelingsworkflow te vergemakkelijken. Een tool die compatibel is met verschillende dataopslagsystemen, databases en testplatforms zal veelzijdiger en gemakkelijker te gebruiken zijn.

Bijvoorbeeld Syntho ondersteunt diverse databaseconnectoren en bestandssysteemconnectoren, waaronder populaire opties zoals Microsoft SQL Server, Amazon S3 en Oracle, die de veiligheid van data en eenvoudige datageneratie garanderen.

Maatwerk en flexibiliteit

Zoek naar tools die flexibele aanpassingsopties bieden om het genereren van synthetische data af te stemmen op specifieke testvereisten en scenario's. Met aanpasbare parameters, zoals regels voor het genereren van data, relaties en beperkingen, kunt u de gegenereerde data afstemmen op de testcriteria en -doelstellingen.

Samenvattend

De betekenis van testdata in softwareontwikkeling kan niet genoeg worden benadrukt: het helpt ons om fouten in softwarefunctionaliteit te identificeren en te corrigeren. Maar het beheren van testdata is niet alleen een kwestie van gemak; het is cruciaal voor het naleven van regelgeving en privacyregels. Als u het goed doet, kan dit de werklast voor uw ontwikkelteams verlichten, geld besparen en producten sneller op de markt brengen. 

Dat is waar synthetische data van pas komen. Het biedt realistische en veelzijdige data zonder al te veel tijdrovend werk, waardoor bedrijven compliant en veilig blijven. Met tools voor het genereren van synthetische data wordt het beheer van testdata sneller en efficiënter. 

Het mooiste is dat synthetische testdata van hoge kwaliteit binnen handbereik zijn voor elk bedrijf, ongeacht de doeleinden ervan. Het enige dat u hoeft te doen, is een betrouwbare leverancier van tools voor het genereren van synthetische data vinden. Neem vandaag nog contact op met Syntho en boek een gratis demo om te zien hoe synthetische data uw softwaretests ten goede kunnen komen.