Test Data Management (Subsetting en anonimisering)

Transcriptie

1 Volg ons op Test Data Management (Subsetting en anonimisering) - Valori, 31 maart Harald Kikkers Hilbrand Kikkers Tim Bakker

2 ITCG / DATPROF TEST DATA MANAGEMENT SUBSET GENERATIE ANONIMISERING DEMO Harald Kikkers Hilbrand Kikkers Tim Bakker

3 ITCG / DATPROF Opgericht in medewerkers 2 vestigingen ITCG Diensten ITCG Holding DATPROF Producten Gespecialiseerd in data integratie Methoden, Technieken & Producten

4 Data warehousing Data conversie Data kwaliteit Testdata management

5 Ontwikkel data warehouse, data migratie & data kwaliteit oplossingen Creëer representatieve subsets van productie databases Anonimiseer vertrouwelijke en privacy gevoelige data Identificeer, los op & voorkom dubbele registratie Extraheer extreem snel data uit Oracle databases

6 Test Data Management Test systemen Productie systemen Outsourcing Representatieve data Training

7 Test Data Management Consequenties: Test systemen Werken met volledige kopieën: Productie systemen Outsourcing Werken met persoonsgegevens: Representieve data Training

8 Creëer representatieve subsets van productie databases

9 Waarom subsetten? Gebruik representatieve subsets van productiedata Bespaar op hardware & infrastructuur Breng doorlooptijden terug Beheer testdata efficiënter Creëer representatieve subsets van productie databases

10 Zelfde structuur Classificatie % Start punt Relatief: t.o.v startpunt Volledig: stamtabellen Productie data Leeg: log tabellen Test data Overslaan: temp tabellen Selectie criterium Creëer representatieve subsets van productie databases

11 Voorbeeld Alle Alle klanten contracten uit productie, uit productie, die wonenmet in Amersfoort een waarde groter dan euro Productie omgeving Test omgeving Regressietest: Gebruik zelfde regels als vorige keer Ketentest: Gebruik zelfde regels als op systeem B Creëer representatieve subsets van productie databases

12 Workflow 1. Create application 2. Import Data model 3. Configure subset 4. Deployment Deploy subset Subset Creëer representatieve subsets van productie databases

13 Anonimiseer vertrouwelijke en privacy gevoelige data

14 Waarom anonimiseren Bescherm relaties Voldoe aan wetgeving Voorkom imago schade Beveilig concurrentie gevoelige data

15 Elk gegeven over een geïdentificeerde of identificeerbare natuurlijke persoon Bron: Wet Bescherming Persoonsgegevens Anonimiseer vertrouwelijke en privacy gevoelige data

16 Voorbeeld Verwissel bestaande achternamen (shuffle) Genereer fictieve banknummers (expression) Maak adressen onleesbaar (scramble) Wijzig geboortedatum met maximaal 1 maand (first day in same month) Regressietest: Gebruik zelfde regels als vorige keer Ketentest: Gebruik zelfde regels als op systeem B Anonimiseer vertrouwelijke en privacy gevoelige data

17 Workflow Audit report 1. Create application 2. Import Data model 3. Configure anonymization 4. Deployment Deploy anonymization Anonimiseer vertrouwelijke en privacy gevoelige data

18 Onderscheidend vermogen Uitstekende prijs/prestatie, laagdrempelige instap Korte implementatietijd (snelle installatie, korte leercurve) Op zichzelf staande oplossing Configureerbaar (meta-data, templates) Lage onderhoudskosten (o.a. database synchronisatie) Sterk in complexe omgevingen (ketentest ondersteuning) Continuїteit (sinds 1998; gepatenteerde algoritmen)

19 Extra informatie Website: Publicatie (linkedin Hilbrand Kikkers) Probeer de volledige functionaliteit: > Download gratis trials via > Ervaar via Proof of Concept (2 dagen)

20 DEMO

21 Creëer representatieve subsets van productie databases

22

23

24

25

26

27 Anonimiseer vertrouwelijke en privacy gevoelige data

28

29

30

31

32 Volg ons op Test Data Management (Subsetting en anonimisering) - Valori, 31 maart Harald Kikkers Hilbrand Kikkers Tim Bakker