testdata_generator¶

Erzeugt synthetische Jira-Issue-JSON-Dateien im Jira-REST-API-Format. Die generierten Dateien sind direkt mit transform_data verarbeitbar und eignen sich für Entwicklung, Tests und Demonstrationen ohne echte Jira-Daten.

Status: verfügbar (Beta)

Handbücher¶

Sprache	Download
Deutsch (DE)	Benutzerhandbuch
English (EN)	User Manual
Română (RO)	Manual de Utilizator
Português (PT)	Manual do Utilizador
Français (FR)	Manuel d'utilisation

Oberfläche¶

Screenshot des Testdata Generator

Start¶

GUI¶

python -m testdata_generator

Oder über die Startdatei im portablen Paket:

Windows: TestdataGenerator.bat
macOS: TestdataGenerator.command
Linux: TestdataGenerator.sh

Kommandozeile¶

python -m testdata_generator \
    --workflow workflow_ART_A.txt \
    --project ART_A_GEN \
    --issues 200 \
    --seed 42 \
    --output ART_A_generated.json

Parameter¶

Parameter	Standard	Beschreibung
`--scenario portfolio`	(keiner)	Erzeugt das komplette Demo-Portfolio statt einer einzelnen JSON (siehe unten)
`--workflow FILE`	(Pflicht ohne `--scenario`)	Workflow-Definitionsdatei
`--output FILE.json`	`<project>_generated.json`	Ausgabedatei
`--project KEY`	`TEST`	Jira-Projekt-Key
`--issues N`	`100`	Anzahl zu generierender Issues
`--from-date YYYY-MM-DD`	`2025-01-01`	Frühestes Erstellungsdatum
`--to-date YYYY-MM-DD`	`2025-12-31`	Spätestes Übergangsdatum
`--issue-types TYPE:W …`	`Feature:0.6 Bug:0.3 Enabler:0.1`	Issue-Typen mit Gewichtung
`--completion-rate FLOAT`	`0.7`	Anteil abgeschlossener Issues (0–1)
`--todo-rate FLOAT`	`0.15`	Anteil offener Issues in To-Do-Stages (0–1)
`--backflow-prob FLOAT`	`0.1`	Wahrscheinlichkeit für Rückschritte (0–1)
`--seed INT`	(zufällig)	Seed für reproduzierbare Ausgabe
`--mean-cycle-days FLOAT`	(keiner)	Mittlere Cycle-Time in Tagen (lognormal)
`--std-cycle-days FLOAT`	(30 % des Mittelwerts)	Standardabweichung der Cycle-Time
`--pattern MUSTER`	`none`	Flow-Antipattern: `none` / `triangle` / `flat_triangle` / `cluster` / `batch`
`--pi-duration-weeks INT`	`12`	PI-Zyklus-Länge in Wochen (für `cluster`/`batch`)
`--realism 0–100`	`0`	Unordnung der Statuswege (Sprünge, Abbrüche, Parken, Schleifen, Wiedereröffnung); ca. 70 wie ein echter ART
`--continue OLD.json`	(keiner)	Früheren Abzug fortschreiben bis `--to-date` (seit 0.39.0); `--issues` = Zahl NEUER Vorgänge, `--rate-per-day` Alternative
`--rate-per-day FLOAT`	(Rate des ersten Fensters)	Mit `--continue`: neue Vorgänge je Tag
`--learn-from DATEI.xlsx`	(keiner)	Übergangsprofil aus einer echten Transitions-Datei lernen und beenden (seit 0.41.0); schreibt `<name>_profile.json`
`--transition-profile PROFIL.json`	(keiner)	Mit gelerntem Profil erzeugen oder fortschreiben: Pfad und Verweildauern aus den Daten

Flow-Muster¶

Mit --mean-cycle-days und --pattern lassen sich typische Flow-Antipatterns simulieren:

Muster	Beschreibung
`none`	Zufällige Cycle-Time ohne Muster (Standard)
`triangle`	Cycle-Time steigt linear über die Zeit — Dreieck im Scatterplot
`flat_triangle`	Wie `triangle`, aber der Anstieg flacht am Ende ab (tanh)
`cluster`	Lieferungen häufen sich in den letzten 2 Wochen jedes PI (Beta-Verteilung)
`batch`	PI-Clustering mit stark variierender Cycle-Time (0,1× bis 3× Mittelwert)

# Triangle-Muster mit mittlerer Cycle-Time von 30 Tagen
python -m testdata_generator \
    --workflow workflow.txt \
    --pattern triangle \
    --mean-cycle-days 30 \
    --std-cycle-days 10 \
    --output triangle.json

Portfolio-Szenario¶

GUI: Der Bereich Demo-Portfolio unten im Fenster erzeugt das komplette Szenario in einen Ordner deiner Wahl (das Seed-Feld wird übernommen, Standard 42) — Portfolio-Report öffnen rendert den Portfolio-Report, Delta- Briefing öffnen macht aus dem mitgelieferten Paar snapshot_prev/now.json das „Was hat sich geändert?"-Briefing, Konferenzmappe öffnen den VSC-Pre-Read; alles öffnet im Browser. Zwei Klicks vom leeren Ordner zur vollständigen Portfolio-Evaluation, ganz ohne Kommandozeile.

Kommandozeile:

python -m testdata_generator --scenario portfolio --output demo/ --seed 42

Erzeugt in einem Schritt ein vollständiges, konsistentes Demo-Portfolio: zwei Solutions mit je drei ARTs, inklusive aller Artefakte der Verarbeitungskette — Workflow-Dateien, Roh-Jira-JSON, IssueTimes/CFD/Transitions-Arbeitsmappen, zwei Solution-Configs (Solution Beta mit eigener stage_map, Schema 2), je Solution ein ROAM-Risiko-Register (risks_alpha.json/risks_beta.json), ein NFR-/Runway-Register (nfr_alpha.json/nfr_beta.json) und eine Capability-Map (capabilities_alpha.json/capabilities_beta.json) und ein Dependency-Register (dependencies_alpha.json/dependencies_beta.json) und ein Decision-/Assumption-Log (decisions_alpha.json/decisions_beta.json), eine Portfolio-Config, eine PI-Config und ein README mit den eingebauten Geschichten. Das Datenfenster liegt relativ zum Erzeugungsdatum, damit die Qualitäts-Ampel des Portfolio-Reports die Quellen als aktuell einstuft.

Eingebaute Geschichten (deterministisch je Seed):

ART Alpha-3 ist der Ausreißer (ca. 3× Cycle Time) — im Comparison-Report der Solution Alpha rot hervorgehoben.
ART Beta-3 liefert schwache Daten (kein CFD, kaum begonnene Issues, Datenstand 60 Tage alt) — Konfidenz low in der Qualitätstabelle, Abdeckung unter 100 %.
Solution Beta poolt über eine eigene stage_map; Solution Alpha nutzt den Default-Klassifikationspfad.
ROAM-Board: beide Register zusammen enthalten neun Risiken; zwei Owned-Risiken sind bewusst alt (45/50 Tage) — die Aging-Hervorhebung springt an.
NFR & Runway: sechs NFRs und vier Runway-Elemente; Betas API-NFR ist verletzt und ein Runway-Element eine überfällige Lücke — das Dashboard zeigt Rot.
Capability-Map: sechs Capabilities; Betas Data-Insights-Capability ist kritisch (schwache Quelle) und eine Alpha-Capability hat keinen beitragenden ART — als uncovered markiert.
Dependency-Heatmap: fünf Abhängigkeiten; Alpha-1 → Alpha-3 ist blockiert und überfällig (der Ausreißer liefert nicht), Beta-1 → Alpha-1 ist eine Cross-Solution-Integration — im Portfolio-Report sichtbar.
Decision-Log: drei Entscheidungen und zwei Annahmen; Alphas Stage-Map-Entscheidung ersetzt eine ältere (supersedes), Betas offene Annahme hat ihr Prüfdatum überschritten — rot als „review due" markiert.
Flussproblem-Backlog (B6, VSC): flow_problems_alpha/beta.json — FP-A1 und FP-B1 haben 3 bzw. 4 Konferenzen überlebt (das Workshop-Muster „geloggt, nie mitigiert" — rot markiert), FP-B1 ist Cross-VS; --conference mappe.html rendert die Konferenzmappe.
Strategic Themes & Roadmap (B7, VSC): themes_alpha/beta.json — Alphas Theme „Green operations" ist verwaist (declared & forgotten), EP-A9 ist eine Zombie-Initiative; die Matrix zeigt Trains × P1·P2·Y1·Y2·Y3. Im Delta-Briefing: EP-A9 verlor sein Theme, EP-B2 wurde von P2 nach P1 gezogen (updated roadmaps).
SLO & Error-Budgets: slo_alpha.json/slo_beta.json — Betas „Order Sync API" reißt ihr SLO, Alphas „Checkout" hat sein Budget fast aufgebraucht (at risk).
DORA & Code-Qualität: dora_alpha.json/dora_beta.json — ART Beta-3 ist auch im Delivery-Bild low (CFR 38 %, MTTR 30 h, Coverage 31 %, Rating D); erzeugbar/austauschbar via python -m sources fetch (Provider: file, prometheus, github, gitlab, sonarqube — kombinierbar).
Delta-Briefing: snapshot_prev.json (dieselbe Welt zwei Wochen früher) und snapshot_now.json liegen dem Szenario bei — python -m portfolio --delta snapshot_prev.json snapshot_now.json zeigt den Durchsatz seither, Beta-3s Konfidenz-Verfall medium → low, AD-1s Eskalation at_risk → blocked, das neue Risiko BR-2 sowie Runway-Lücke und Annahme AS-B1 als frisch überfällig.

Der Ordner ist direkt verwendbar: python -m portfolio demo/portfolio.json erzeugt den Portfolio-Report; die Solution-Configs funktionieren auch einzeln.

Realistische Statuswege (seit 0.38.0)¶

Ein echter ART läuft nicht brav durch alle Stufen. Gemessen am echten ART_A (458 Vorgänge, 9 Stages): 40 verschiedene Übergangspaare, 12 % rückwärts, 7,5 % Selbstschleifen, 358 Sprünge über mindestens eine Stufe, 149 Eintritte in die Endstufe ohne Abschluss, Median 4 Übergänge je Vorgang. Der Generator vor 0.38.0 lieferte 11 Paare, 0 % Schleifen, Median 7.

--realism (0–100) skaliert acht Störungen des Pfads: Sprünge über Stufen, Abbrüche direkt in die Endstufe, Parken in einer Nebenstage (erkannt am Namen: Blocker, Blocked, On Hold, Waiting …), Selbstschleifen, Rückschritte über mehrere Stufen, Wiedereröffnung, Start nicht in der ersten Arbeitsstufe und der Weg vom Abschluss in die Endstufe (Releasing → Done). 0 ist das bisherige Verhalten (nur --backflow-prob), ca. 70 trifft den echten ART_A — die Kalibrierung ist per Test festgehalten. Pfad und Zeit sind getrennt: Die Störungen wirken in jedem Modus, auch unter den Flow-Mustern, bei denen die Cycle-Time auf den längeren oder kürzeren Pfad verteilt wird.

Das Portfolio-Szenario erzeugt seine sechs ARTs seit 0.38.0 mit Realismus 60 (Profilfeld realism, je ART übersteuerbar). Seeds erzeugen seit 0.38.0 andere Daten als vorher — die Würfelreihenfolge hat sich geändert.

Fortschreibung — der zweite Abzug (seit 0.39.0)¶

Ein erzeugter Rohdatensatz ist ein Abzug zum Stichtag T1. --continue erzeugt den Abzug, den man an T2 gezogen hätte — ganz so, wie wenn man zweimal manuell Daten abgezogen hätte:

python -m testdata_generator --workflow workflow.txt --continue ART_A.json --to-date 2026-03-01

Vergangenheit unantastbar: Schlüssel, Anlagedatum und alle Übergänge bis T1 bleiben byteidentisch; geschlossene und abgebrochene Vorgänge werden gar nicht angefasst.
Offene Vorgänge laufen weiter: ab T1 neue Übergänge nach demselben Pfad- und Zeitmodell (Realismus, Backflow, Cycle-Time), bis sie fertig sind oder T2 erreicht ist — was nach T2 läge, bleibt offen.
Neue Vorgänge kommen in (T1, T2] dazu, Schlüssel laufen weiter; Anzahl aus der Rate des ersten Fensters, oder --issues N bzw. --rate-per-day X.
Reproduzierbar: derselbe Seed und dasselbe T2 ergeben denselben Abzug; eine Kette T1 → T2 → T3 behält jeden früheren Stand vollständig.

Dafür schreibt der Generator seit 0.39.0 einen Eintrag generator in den JSON-Envelope (Stichtage, Seed, Regler, Stages); transform_data liest nur issues und bleibt unberührt. Ein Datensatz ohne den Eintrag (älter oder ein echter Export) lässt sich fortschreiben, wenn die Regler mitgegeben werden — T1 ist dann der jüngste Zeitstempel. Ausgabe: <name>_<T2>.json neben der Quelle, oder --output. GUI: Knopf Fortschreiben… neben Generieren (Bis-Datum und Realismus aus dem Formular).

Ganzer Datenraum (seit 0.40.0): --scenario portfolio --continue demo/ --to-date T2 schreibt das Demo-Portfolio an Ort und Stelle fort: jeder Roh-Abzug unter raw/ läuft weiter (eine veraltete Quelle wie Beta-3 bleibt genau so veraltet), transform_data schreibt IssueTimes/Transitions/CFD neu, Solution-, Portfolio- und PI-Config wandern mit gleicher Fensterlänge auf T2, und die Snapshots rotieren: das bisherige snapshot_now.json wird snapshot_prev.json, ein neues snapshot_now.json wird eingefroren — das Delta-Briefing zeigt dann echte vergangene Zeit statt der gestellten Zwei-Wochen-Story. Register bleiben unverändert. GUI: Szenario fortschreiben… (Bis-Datum aus dem Formular).

Lernen aus echten Daten (seit 0.41.0)¶

Die Regler nähern einen echten ART an; wer einen hat, nimmt ihn als Vorlage. --learn-from liest eine Transitions-Datei aus transform_data (XLSX oder CSV: Key, Transition, Timestamp) und schätzt daraus ein Übergangsprofil: Verteilung der ersten Stufe, Übergangsmatrix erster Ordnung mit einem Endzustand (wo Vorgänge stehen bleiben) und Verweildauern je Ausgangsstufe. Das Profil enthält nur Stufennamen, Zählungen und Stunden — keine Schlüssel, keine Texte, keine Zeitpunkte. Was damit erzeugt wird, teilt mit der Quelle nur die Struktur.

python -m testdata_generator --learn-from ART_A_Transitions.xlsx --workflow workflow.txt
python -m testdata_generator --workflow workflow.txt --transition-profile ART_A_Transitions_profile.json --issues 500

Mit --transition-profile kommen Stage-Pfad und Verweildauern aus dem Profil; Realismus, Backflow, Fertig- und To-Do-Quote wirken dann nicht auf den Pfad (die Fertig-Quote ergibt sich aus den Daten). --mean-cycle-days und die Flow-Muster bleiben wirksam: Sie verteilen die Cycle-Time auf den gelernten Pfad. Auch die Fortschreibung nutzt das Profil, wenn es in den Reglern des Abzugs steht oder mitgegeben wird. GUI: Feld Übergangsprofil und Knopf Aus Transitions lernen…. Mit --workflow beim Lernen wird das Profil auf die Stages des Workflows beschränkt; ein Profil mit fremden Stufennamen wird beim Erzeugen abgewiesen.

Workflow-Datei¶

Dasselbe Format wie in transform_data:

CanonicalStageName:Alias1:Alias2
<First>StageName
<Closed>StageName

Ausgabe und Weiterverarbeitung¶

# Generieren
python -m testdata_generator --workflow workflow.txt --project ART_TEST --seed 1

# Direkt mit transform_data verarbeiten
python -m transform_data ART_TEST_generated.json workflow.txt

Die generierte JSON-Datei enthält Jira-Changelog-Historien mit Status-Übergängen entlang des definierten Workflows. transform_data verarbeitet sie zu IssueTimes.xlsx, CFD.xlsx und Transitions.xlsx.

Direkt-Report (GUI)¶

Nach erfolgreicher Generierung wird in der GUI der Button „Report erstellen" aktiv. Ein Klick führt transform_data und build_reports direkt aus und öffnet einen kombinierten Report (eine HTML-Seite mit allen Metriken) im Browser. Der Report deckt den gesamten generierten Zeitraum ab — ohne Datumsfilter.

Architektur¶

testdata_generator/
├── __main__.py          Dispatcher: GUI ohne Argumente, CLI mit Argumenten
├── cli.py               run_generate() + argparse CLI
├── generator.py         # Kernlogik: Issue-Simulation (Zeit auf den Pfad)
├── paths.py             # Stage-Pfade: Realismus-Störungen, Parkstufe (0.38.0)
├── continuation.py      # Fortschreibung: zweiter Abzug, Envelope-Metadaten (0.39.0)
├── scenario_continue.py # Szenario-Fortschreibung mit Snapshot-Rotation (0.40.0)
├── learn.py             # Übergangsprofil aus echten Transitions (0.41.0)
└── workflow_parser.py   Re-Export von transform_data.workflow

Tests¶

python -m pytest tests/testdata_generator/

Hinweis: Zufällige Cycle-Time-Verteilung¶

Der Generator stellt sicher, dass abgeschlossene Issues vor dem konfigurierten to-date abschließen. Das Erstellungsdatum wird dazu aus einem eingeschränkten Fenster [from-date, latest_start] gesampelt, wobei latest_start genug Puffer für die maximale Cycle-Time lässt. Dadurch entsteht im Flow Time Scatter-Plot eine gleichmäßig verteilte, zufällige Punktwolke statt einer absteigenden Geraden (Right-Censoring-Artefakt).