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`)

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) — und Portfolio-Report öffnen rendert den Portfolio-Report und öffnet ihn 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.

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

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
├── scenario.py          Portfolio-Szenario (2 Solutions × 3 ARTs, alle Artefakte)
└── 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).