DATAMIMIC

DATAMIMIC: KI-gesteuerte, modellbasierte Datengenerierung und Datenschutz mit fortgeschrittenem JSON/XML-Handling für effiziente, und datenschutzkonforme Entwicklung.

Dokumentation: https://docs.datamimic.io

Community-Projekt: https://github.com/rapiddweller/datamimic

Enterprise Edition: https://datamimic.io

DATAMIMIC ist das KI-gesteuerte, modellbasierte Toolkit für effiziente und konforme Testdatengenerierung mit fortgeschrittenen Möglichkeiten im Umgang mit JSON/XML.

Die Schlüsselfunktionen von DATAMIMIC sind:

Modellbasierter Ansatz: Ein strukturiertes, modellbasiertes Framework für Präzision in der Testdatengenerierung.
Vielseitige Datentransformation: Im DATAMIMIC-Modell werden alle Eingabedaten in abstrakte Entitäten transformiert, die eine flexible Bereitstellung in verschiedenen Formaten wie SQL-Datenbanken, XML, JSON, CSV, EDIFACT und vielen mehr ermöglichen.
Abstrakte Datentransformation: DATAMIMIC transformiert verschiedene Eingaben in flexible Entitäten für vielfältige Ausgaben wie SQL, XML, JSON, CSV und mehr.
Fortgeschrittenes JSON/XML-Handling: Müheloses erzeugen und verarbeiten komplexer Datenstrukturen.
Datenanonymisierung und Pseudonymisierung: Mühelose Konfiguration der Feld-Ebene-Obfuskation, die einfache Wartung und Anpassungsfähigkeit gewährleistet.
DSGVO-Konformität: Eingebaute Funktionen, die Datenschutz und -sicherheit sicherstellen.
KI-verbesserte Datengenerierung: Fortgeschrittene Algorithmen und Datenanalysefunktionen zur Erstellung realistischer und vielfältiger Datensätze.
Hohe Leistung: Optimiert für die effiziente Handhabung großer Datenvolumen.
Intuitive Benutzererfahrung: Benutzerfreundliche Schnittstelle und klare Dokumentation.
Flexibel und skalierbar: Geeignet für verschiedene Projektgrößen und -komplexitäten.
Umfangreiche Funktionsbibliothek: Breite Palette an integrierten Generatoren und Funktionen für die Erstellung realistischer Daten.
Nahtlose Integration: Einfache Integration mit bestehenden Entwicklungs-, Testumgebungen und CI/CD.

Meinungen¶

"Wir nutzen DATAMIMIC für unsere Testdatenbedürfnisse und es hat unsere Erwartungen übertroffen. Der modellbasierte Ansatz erleichtert die Anpassung an verschiedene Datenstrukturen. Seine fortgeschrittenen Fähigkeiten im Umgang mit JSON und XML waren für unsere NoSQL-Projekte von unschätzbarem Wert. Zudem gewährleistet die benutzerfreundliche Oberfläche, dass unser Team sofort loslegen kann."

Tim Lafferenz - All4Labels

Voraussetzungen¶

CE: Python 3.11
EE: Moderner Webbrowser - DATAMIMIC UI ist als SaaS verfügbar oder kann On-Premise eingesetzt werden (Docker, Podman, Kubernetes, OpenShift)

Beispiel UI Testdatengenerierung (EE)¶

Klicke auf Klonen im Kachel des 'Basic Script', um dein erstes Projekt zu erstellen.

Generieren¶

Starte deine erste DATAMIMIC-Aufgabe, indem du auf den Button 'GENERIEREN' klickst.
Das Statusfenster informiert dich über den Fortschritt der Verarbeitung.

Prüfen¶

Klicke auf 'Previews', um eine Vorschau der erstellten Daten zu sehen.
Oder klicke auf 'Logs', um detaillierte Einblicke in die Aufgabe, die Verarbeitungsgeschwindigkeit, Durchsätze und mehr zu erhalten.
Oder navigiere zu 'Tasks', um einen Überblick über alle Aufgabenausführungen und deren Status deines Projekts zu bekommen.

Wechsle einfach zwischen den Hauptansichten (Editor, Jobs, Tasks, Settings) in der Projektbar.

Artefakte laden¶

Navigiere zu 'Tasks'.
Klicke auf das 'Artefakt'-Symbol und wähle die generierte(n) Datei(en) zum Herunterladen aus.

Beispiel eines DATAMIMIC-Modells¶

In DATAMIMIC beginnt jedes Projekt mit einem XML-basierten Hauptmodell. Diese Modelle können aus verbundenen Datenbanken, JSON, XML oder anderen Dateitypen automatisch generiert werden. In diesem Beispiel beginnen wir mit einem einfachen Skriptbeispiel, um zu veranschaulichen, wie das DATAMIMIC-Modell funktioniert.

<setup>
    <generate name="datamimic_user_list" count="100" target="CSV,JSON,XML">
        <variable name="person" entity="Person(min_age=18, max_age=90, female_quota=0.5)"/>
        <key name="id" generator="IncrementGenerator"/>
        <key name="first_name" script="person.given_name"/>
        <key name="last_name" script="person.family_name"/>
        <key name="gender" script="person.gender"/>
        <key name="birthDate" script="person.birthdate" converter="DateFormat('%d.%m.%Y')"/>
        <key name="email" script="person.family_name + '@' + person.given_name + '.de'"/>
        <key name="ce_user" values="True, False"/>
        <key name="ee_user" values="True, False"/>
        <key name="datamimic_lover" constant="DEFINITIV"/>
    </generate>
</setup>

Oben steht ein DATAMIMIC-Modell zur Generierung eines Datensatzes namens "datamimic_user_list". Dieser Datensatz wird 100 Elemente enthalten, und seine Zielformate umfassen CSV, JSON und XML. Werfen wir einen Blick auf Schlüsselkomponenten dieses Skripts:

<setup>: Dieser Knoten umschließt jedes DATAMIMIC-Modell und kann für fortgeschrittenere Konfigurationen verwendet werden.
<generate>: Dieser Knoten definiert den zu generierenden Datensatz, indem er dessen Namen, Datensatzanzahl und Zielformate angibt.
<variable>: Hier definieren wir eine Variable namens "person" und verknüpfen sie mit der Entität "Person". Diese Entität ist so konfiguriert, dass sie Daten für Personen mit einem Alter zwischen 18 und 90 Jahren generiert, mit einer 50%igen Frauenquote.
<key>: Mehrere Schlüsselelemente repräsentieren die Attribute jedes Datensatzes. Zum Beispiel:
"id" wird mit dem "IncrementGenerator" generiert.
"first_name" wird mit dem Wert given_name aus dem Person-Objekt, das im <variable> gespeichert ist, generiert.
"last_name" wird mit dem Wert family_name aus dem Person-Objekt, das im <variable> gespeichert ist, generiert.
"gender" wird mit dem Wert gender aus dem Person-Objekt, das im <variable> gespeichert ist, generiert.
"birthDate" wird mit dem Wert birthdate aus dem Person-Objekt, das im <variable> gespeichert ist, generiert und mit dem "DateFormat"-Konverter formatiert.
"email" wird mit einem Skript generiert, das "family_name" und "given_name" kombiniert, um eine E-Mail-Adresse zu erstellen.
"ce_user" und "ee_user" werden mit den vordefinierten Werten "True" und "False" generiert, die zufällig verteilt sind.
"datamimic_lover" wird als konstanter Wert "DEFINITIV" gesetzt.

Dieses sehr einfache Beispiel zeigt, wie DATAMIMIC es ermöglicht, Datengenerierungsmodelle mit Präzision und Flexibilität zu definieren und anzupassen, was es zu einem leistungsstarken Werkzeug für die Generierung von Testdaten für verschiedene Zwecke macht.

Für ein vollständigeres Beispiel einschließlich weiterer <nodes> und Funktionen wie Datenbankanbindung, komplexe JSON-Modellierung und Obfuskationsszenarien, siehe das Tutorial - User Guide.

Weiterer Support¶

Bereit für den nächsten Schritt?

Wenn du bis hierher gekommen bist, bist du offensichtlich ernsthaft an deinem Datenmanagement interessiert. Es ist an der Zeit zu sehen, was DATAMIMIC für deine Organisation tun kann.

Für ein tieferes Verständnis, wie DATAMIMIC deine Entwicklung, Tests und Schulungsprozesse transformieren kann, warum nicht eine Demo buchen? Unser Team zeigt dir aus erster Hand, wie die Funktionen von DATAMIMIC auf deine einzigartigen Bedürfnisse zugeschnitten werden können.

Demo Buchen

Wenn du dich für zusätzlichen Support und unsere Premium-Funktionen interessierst, empfehlen wir dir, die Website

www.datamimic.io zu besuchen.

Wir bieten zusätzliche Dienstleistungen an, um dein Datengenerierungsprojekt zum Erfolg zu führen und stellen detaillierte Anwendungsfälle bereit, um dir den Einstieg in komplexere Szenarien zu erleichtern.

Wenn du Fragen hast oder weitere Klarstellungen zu irgendeinem Aspekt von DATAMIMIC benötigst, zögere nicht, unser Team zu kontaktieren. Wir sind hier, um sicherzustellen, dass deine Erfahrung mit DATAMIMIC so reibungslos wie möglich verläuft.

Kontaktiere das rapiddweller-Team

Denk daran, die Reise zu einem robusten, effizienten und konformen Datenmanagement beginnt mit einem einzigen Schritt. Lass diesen Schritt DATAMIMIC sein - dein Partner in der Datengenerierung, Obfuskation und Migration.