Qualität entlang des SDLC verbessern

Während einer der Beiträge früh im Lebenszyklus ansetzt, greift der andere dort an, wo komplexe Systemlandschaften operative Skalierbarkeit und Automatisierung einverlangen.

From Business Relevance to Test Data Intelligence – AI as a Strategic Enabler (Marianne Charaf & Immanuel Luhn)

Fachliche Relevanz entsteht in Geschäftsstrategie, Customer Journeys und Personas, noch bevor diese in die technischen Systeme wiedergespiegelt wird. In Industrien, wie Banking und Insurance repräsentieren Personas die fachliche Komplexität - über zahlreiche Produkte, Kanäle und Services hinweg. Doch die Verbindung zwischen diesen Business-Erwartungen und der technischen Umsetzung auf Daten- und Systemebene ist häufig schwierig.

Unser Ansatz setzt genau hier an:

• Personas, Capabilities und funktionsrelevante Attribute werden gezielt als Business-Assets gesteuert.
• Diese werden in ein domänenspezifisches Modell überführt.
• KI dient als Übersetzer, um natürlichsprachliche Testdatenanforderungen in strukturierte, synthetische Testdaten zu transformieren. 

Damit entsteht eine gemeinsame, business-konsistente Grundlage für Entwicklung und Testing.

Das Ergebnis:

• Frühere Validierung
• Konsistente Daten
• Weniger Interpretationsspielraum

Ein echtes „Shift Left“ bedeutet, Testing näher an die Spezifikation zu rücken und auf einem gemeinsamen Business-Verständnis zu verankern. So wird Qualität bereits früh im SDLC gestärkt – noch bevor die Implementierung beginnt.

Plattformübergreifende Bereitstellung synthetischer Testdaten (Michael Sprecher, LGT & Sebastian Köhler)

Wo der erste Vortrag die semantische Grundlage schafft, setzt dieser Beitrag in der operativen Realität hybrider IT-Landschaften an.  In modernen Bank- und Versicherungsarchitekturen sind Cloud- und On-Premises-Systeme eng verzahnt.

Testdaten müssen konsistent, reproduzierbar, datenschutzkonform und systemübergreifend kompatibel bereitgestellt werden.

Der Vortrag zeigt, wie ein zentral definiertes, fachlich orientiertes Datenmodell als Basis für die plattformübergreifende Generierung und Provisionierung synthetischer Testdaten dient – beispielsweise in Avaloq-Umgebungen.

Durch die Anbindung verschiedener Testwerkzeuge und -frameworks (z. B. Tosca, UiPath, JUnit) ist gewährleistet, dass sämtliche Tools auf identische synthetische Testdaten zugreifen und diese flexibel bestellen können. Dies ermöglicht eine einheitliche und effiziente Testdatennutzung im gesamten Testprozess, unabhängig vom eingesetzten Automatisierungswerkzeug und unabhängig davon, ob in der Cloud oder On-Premise.

Teilnehmende erfahren, wie sich ein zentrales, systemunabhängiges und fachlich geprägtes Datenmodell aufbauen lässt, welche architektonischen Elemente eine flexible Provisionierung per API-, Pipeline- oder Self-Service-Mechanismen ermöglichen, und wie sich Anforderungen an Datenschutz, Effizienz und Reproduzierbarkeit in Einklang bringen lassen.

Das Ergebnis:

• Skalierbarkeit
• Systemunabhängigkeit
• Wiederverwendbarkeit
• Effizienz im gesamten Testprozess

Hier verbessern wir Qualität später im SDLC, dort, wo Integration, Delivery und Automatisierung stattfinden.

Eine durchgängige Story entlang des SDLC

Zusammengenommen zeigen beide Beiträge zwei zentrale Hebel für mehr Qualität:

• Früh im SDLC: Business-Relevanz in eine strukturierte, testbare Semantik überführen.
• Spät im SDLC: Konsistente, plattformübergreifende Testdaten zuverlässig bereitstellen.

Beide Ansätze verfolgen dasselbe Ziel: Konsistenz zwischen Business-Intent, Datenmodell und Systemverhalten – und damit Testing nicht nur schneller, sondern auch strategisch relevanter zu machen.

Wir freuen uns auf den Austausch zu diesen spannenden Themen – sowohl am Swiss Testing Day als auch mit unseren Kunden.