A tesztadat kezelés (test data managament, azaz TDM) olyan funkcionális diszciplína, amely a tesztelési követelményekkel és az információkezelési irányelvekkel és iránymutatásokkal összhangban segít a tesztadatok megfelelő kezelésében minden tesztelési fázisban. Az előrejelzések szerint TDM egyre fontosabb funkcióvá válik a közeljövőben sok olyan szervezet számára, amely csökkenteni szeretné a tesztadatok azonosítására és létrehozására fordított időt. A Deloitte prognózisa szerint a globális TDM-piac 2027-re várhatóan 1,6 milliárd dollárra nő, a 2020-as 721 millió dollár után.
A hatékony TDM segít maximalizálni a tesztelés megtérülését, segíthet jelentősen csökkenteni a tesztelési és fejlesztési folyamat késedelmeit és egyre népszerűbbé válik annak köszönhetően, hogy strukturált mérnöki módszertant alkalmaz az összes lehetséges üzleti forgatókönyvre vonatkozó adatspecifikációk értékelésére. Elsődleges műveletei közé tartozik az adatmaszkolás, az adatfrissítés, a részhalmazok beállítása, a kinyerés/átalakítás/betöltés (ETL) és a szintetikus fejlesztés. A TDM segít biztosítani, hogy a tesztadatokkal kapcsolatos problémák és sebezhetőségek még a gyártás előtt felismerhetők és kezelhetők legyenek, lehetővé téve a minőségi alkalmazások időben történő bevezetését.
A könyvvizsgáló vállalat felmérte, hogy miként látják a szervezetek a TDM-hez kapcsolódó kihívásokat (1. ábra). Az adatok következetlensége (53 százalék) volt a leggyakrabban említett kihívás, a második helyen a tesztadatok automatizálásának hiánya (49 százalék) állt. Az adatok maszkolása (38 százalék), a tesztadatok mennyisége (35 százalék) és az adatok teljesítési ideje (35 százalék) voltak a további legfőbb súrlódási pontok.
Az élvonalbeli TDM-folyamatok alkalmazása segíthet csökkenteni e kihívások hatásait, növelheti a tesztek lefedettségét és csökkentheti a piacra kerülési időt, a hatékony TDM-stratégia alapvető fontosságú
– emelte ki Bakó Béla, a Deloitte Magyarország Technológiai tanácsadás üzletágának menedzsere.
A TDM funkció az önkiszolgáló korszak felé halad, ahol a tesztadatok végfelhasználója egy portálon keresztül kér majd konkrétumokat, és miközben kitölti a tesztelési igényekkel kapcsolatos részleteket, a háttérben automatizálási szkriptek segítségével jönnek létre az adatok. Az automatizálási szkriptek úgy lesznek konfigurálva, hogy minimális emberi beavatkozást igényeljen a szükséges tesztadatok beszerzése. Amennyiben az automatizálási szkriptek bármelyike sikertelen, a tesztadatokkal foglalkozó csapat értesítést kap a szükséges korrekciók elvégzése érdekében. Ez az önkiszolgáló módszertan minimalizálja a dedikált TDM-csapat szükségességét az év során, helyette az önkiszolgáló portál beállítása után csak egy minimális támogató csapatra lesz szükség a karbantartáshoz vagy az új tesztadat-igényekhez.
Miközben a mesterséges intelligencia (AI) és a gépi tanulás (ML) a TDM funkció szerves részévé válik, és a jövőben nagymértékben javítani fogja a tesztelés módját. A tesztadatok létrehozására szolgáló öngyógyító szkriptek nagymértékben csökkenteni fogják a karbantartási időt azáltal, hogy emberi beavatkozás nélkül, automatikusan azonosítják és javítják a szkripteket.
Az elemzések szerint a következő nagy ugrás a tesztadat-igények automatikus azonosítása a megírt tesztesetek alapján úgy épülhet fel, hogy az algoritmus azonosítja a tesztadat-szükségleteket, ellenőrzi, hogy az adatok már rendelkezésre állnak-e, és – amennyiben szükséges – létrehozza vagy beszerzi az adatokat a termelésből, az összes szükséges anonimizálási eljárás után. Ennek köszönhetően a tesztadatok fejlesztése a lehető legérintésmentesebbé válik, támogatva az iparág-specifikus tesztadat-igények sokaságát.
