Wähle nach deiner Aufgabe. Vergleiche dokumentierte Fähigkeiten, Betrieb und Grenzen — mit nachvollziehbaren Quellen.
Wähle zuerst die Aufgabe. Öffne die Kandidaten und vergleiche dokumentierte Abläufe und Quellen.
Einzelwerte oder einfache Datensätze erzeugen.
Fähigkeiten unterscheiden sich nach Edition und Ablauf; Quelle und Profil zeigen den Umfang.
Regeln, Beziehungen und Szenarien pflegen.
Fähigkeiten unterscheiden sich nach Edition und Ablauf; Quelle und Profil zeigen den Umfang.
Verbundene Datensätze auswählen oder sensible Werte maskieren.
Fähigkeiten unterscheiden sich nach Edition und Ablauf; Quelle und Profil zeigen den Umfang.
Virtuelle Datenkopien bereitstellen, aktualisieren oder zurücksetzen.
Fähigkeiten unterscheiden sich nach Edition und Ablauf; Quelle und Profil zeigen den Umfang.
Datensätze für Datenbanktests erzeugen.
Fähigkeiten unterscheiden sich nach Edition und Ablauf; Quelle und Profil zeigen den Umfang.
Modelle mit Beispieldaten trainieren und Ergebnisse prüfen.
Fähigkeiten unterscheiden sich nach Edition und Ablauf; Quelle und Profil zeigen den Umfang.
Produktfamilien alphabetisch, ohne Rangliste. Editionen haben eigene Profile. Nicht aufgeführt bedeutet nicht, dass eine Fähigkeit fehlt. Zum vollständigen Verzeichnis
Alphabetisch statt nach Rang. Wähle 2–4 Tools für einen direkten Vergleich.
ApexSQL Generate erzeugt SQL-Server-Testdaten mit Zufalls-, Regex- und inkrementellen Spaltengeneratoren. Quest führt es im SQL-DevOps-Toolkit; neueste gefundene Release-Notes: Version 2022.02.x.
Broadcom führt CA Test Data Manager weiterhin in Dokumentation und Supportmaterial zu Version 4.11. Dokumentierte Abläufe umfassen Profiling, Maskierung, Teilmengenextraktion und Testdatenbereitstellung; synthetische Generierung wird in Herstellerunterlagen beschrieben.
CloudTDMS ist eine gehostete No-Code-Fabrik für synthetische Testdaten. Sie profiliert Strukturen und Muster, definiert Datenmodelle, generiert Datensätze und verbindet Datenbanken, Dateien und SaaS-Werkzeuge.
DATAMIMIC CE ist eine lokale Python-Laufzeit für modellbasierte Testdaten. XML-Modelle beschreiben Regeln, Beziehungen und Ausgabeziele. Python- und CLI-Schnittstellen unterstützen Entwickler- und CI-Abläufe.
DATAMIMIC Enterprise Platform verbindet Testdaten-Engineering in der IDE mit zentraler Governance und Ausführung. XML-Modelle steuern Generierung oder Transformation. Die Plattform verwaltet Projekte, Zugriffe und Laufnachweise. Module hängen von der Lizenz ab.
Datanamic Data Generator erstellt schema-bewusste Zeilen für neun Plattformen, schreibt direkte Inserts oder SQL und unterstützt anpassbare Generatoren sowie Fremdschlüsselintegrität. Laut Anbieter kein Kernprodukt mehr.
DATPROF Privacy ist ein proprietäres Werkzeug zur Datenbankmaskierung und -generierung. Es maskiert bestehende Werte oder erzeugt neue Zeilen unter Beachtung von Constraints; DATPROF Subset ist ein separates Produkt zur Teilmengenbildung.
Perforce Delphix verbindet Enterprise-Datenvirtualisierung, Maskierung und zentrale Bereitstellungskontrollen. Das separate Produkt Synthetic Data ist laut Perforce-Release-Informationen seit Version 2026.2 im September 2026 allgemein verfügbar.
DTM Data Generator erstellt Datenbanktestdaten und verschleierte Werte mit schema-bewussten Beziehungen, Wiederholungsmodus und SQL-/Dateiausgabe. Funktionen variieren nach Edition; Scrambling und enthaltene Masking-Tool-Lizenz gibt es nur in Enterprise.
Faker ist eine Programmbibliothek zur Erzeugung lokalisierter künstlicher Werte wie Personen, Adressen, Datumsangaben und Kennungen. Python Faker und JavaScript Faker sind getrennte Implementierungen mit eigener Dokumentation und eigenen Versionen.
generatedata.com ist ein browserbasierter konfigurierbarer Generator und eine herunterladbare Open-Source-Anwendung. Das aktuelle Repository nennt rund 30 Datentypen und 12 Exporttypen; Konten der Website bieten gespeicherte Datensätze und größere Generierungsmengen.
GenRocket ist eine Enterprise-Plattform zur Automatisierung synthetischer Testdaten: Engineers entwerfen wiederverwendbare Testdatenfälle im Cloud-Portal, verteilte Laufzeitumgebungen generieren sie bei Bedarf.
Greenmask erstellt transformierte PostgreSQL-Dumps und zusammenhängende Teilmengen und spielt sie in eine Zieldatenbank zurück. Euer Team pflegt die YAML-Konfiguration und eigene Transformationen.
NVIDIA übernahm Gretel 2025 und positioniert synthetische Datengenerierung für agentische KI inzwischen über NeMo. Die Verfügbarkeit der früheren eigenständigen Gretel-Plattform ist nicht bestätigt.
IBM InfoSphere Optim 11.7 extrahiert zusammenhängende Teilmengen aus vorhandenen Datenbanken und bereitet sie für Entwicklung und Tests auf. Prüfe Edition und Produktkennung: Die angekündigten Vertriebsenden unterscheiden sich. Das neue IBM Optim TDM ist eine separate Produktlinie.
Informaticas dokumentiertes TDM-Produkt bietet eine webbasierte Oberfläche für Datenermittlung, Teilmengenbildung, Maskierung und Datengenerierung. Die 10.5.x-Dokumentation beschreibt Abläufe und Generierungsregeln; diese Produktlinie ist von separaten Cloud-Diensten zu unterscheiden.
IRI RowGen erzeugt und lädt strukturell korrekte Testdaten für relationale Datenbanken, Dateien, Berichte und semistrukturierte Ziele. Jobs nutzen Metadaten, Generierungsregeln und die CoSort-Engine; synthetische und ausgewählte reale Werte lassen sich mischen.
Jailer exportiert kleine zusammenhängende Ausschnitte relationaler Datenbanken. Ein lokales Extraktionsmodell steuert die Zeilen und verbundenen Datensätze. Export- und Importfilter unterstützen Transformationen und Schlüsselzuordnungen.
K2view stellt Testdaten rund um fachliche Einheiten wie Kunden und Bestellungen bereit. Es wählt zusammengehörige Daten aus, maskiert Felder und liefert Datensätze an Testumgebungen. Regelbasierte Generierung und ein separater KI-Pfad sind dokumentiert.
Mockaroo ist ein gehosteter Testdatengenerator mit konfigurierbaren Schemas, Browser-Downloads, APIs, Mock-API-Routen, Datensätzen und De-Identifizierung. Ausgabeformate sowie Zeilen- und Anfragegrenzen hängen vom Ablauf und Tarif ab.
Das Python-SDK von MOSTLY AI trainiert mit Tabellen- oder Sprachdaten und erzeugt Datensätze lokal oder über einen entfernten SDK-Endpunkt. Syntho übernahm die Markenwerte am 9. Juni 2026. Die Verfügbarkeit der früheren kommerziellen Plattform ist separat zu klären.
Redgate SQL Data Generator erzeugt schema-bewusste synthetische Zeilen für SQL Server und unterstützte gehostete Umgebungen, mit Fremdschlüsselkonsistenz, eigenen Generatoren, CLI-Automatisierung und festem Seed.
Redgate Test Data Manager bereitet mit Anonymize und Subsetter maskierte Datenbank-Teilmengen auf. Es ist ein separates Produkt neben Redgate SQL Data Generator.
RNDGen bietet webbasierte Generatoren für zufällige, synthetische und simulierte Daten. Fähigkeiten, Grenzen und Lizenzierung sind im zugänglichen offiziellen Material nur begrenzt beschrieben.
SB Data Generator war Softbuilders GUI-Werkzeug zur Erzeugung und Befüllung ausgewählter Datenbanktabellen oder ganzer Datenbanken. Der Anbieter hat das eigenständige Produkt eingestellt und die Datenerzeugung in ERBuilder integriert.
SDV lernt Muster aus vorhandenen Tabellen und erzeugt synthetische Daten über Python. Community umfasst Einzel-, Mehrtabellen- und sequenzielle Abläufe. Enterprise-Funktionen und Lizenzbedingungen sind separat.
Das aktuelle Solix-Datenblatt stellt konfigurierbare, wiederverwendbare Datenbank-Teilmengen und Klone mit relationaler Integrität in den Mittelpunkt. Solix vermarktet Datenmaskierung separat; die geprüften aktuellen TDM-Unterlagen belegen synthetische Generierung nicht als Kernfunktion.
Spawner ist ein aufgegebener Desktop-Testdatengenerator, dessen letzte Version 2016 erschien. Die Projektseite dokumentiert Trenntext- und SQL-Ausgabe, konfigurierbare Zufallswerte und Sequenzen sowie direktes Einfügen in MySQL 5.x.
Die aktuelle Synthesized-TDK-Plattform transformiert, generiert und reduziert Produktionsdaten über konfigurierbare Workflows und bewahrt in unterstützten Pipelines statistische Verteilungen und referenzielle Integrität.
Syntho bereitet Datenbank-Testdaten mit gelernter Generierung, Mock-Werten und Maskierung vor. Teams konfigurieren Spalten im Workspace und schreiben Ergebnisse in eine Zieldatenbank. Dieses Profil betrachtet die Syntho-Plattform getrennt vom MOSTLY AI SDK.
TCS MasterCraft DataPlus ist das DataPlus-Produkt innerhalb der MasterCraft-Suite. TCS beschreibt unternehmensweites Testdatenmanagement mit Sampling, Erkennung, Maskierung, synthetischer Erzeugung, Versionierung, Reservierung und Wiederverwendung.
Tonic Fabricate generiert Testdatensätze aus Beschreibungen über den Data Agent und exportiert verschiedene Formate. Hochgeladene Beispiele können die Generierung ergänzen; getrennt von Structurals quellenbasiertem Ablauf prüfen.
Tonic Structural transformiert produktionsbasierte relationale und semi-strukturierte Daten für Entwicklung und Tests und verbindet konfigurierbare De-Identifizierung mit referenzieller Integrität und Daten-Subsetting.
Upscene Advanced Data Generator erstellt wiederverwendbare lokalisierte Beispieldaten über verknüpfte Tabellen. Pro nutzt ADO/ODBC; Editionen zielen auf InterBase, Firebird, MySQL oder Access. Version 4.2.0 erschien im März 2025.
Keine Treffer. Versuche einen breiteren Suchbegriff oder eine andere Kategorie.
Der Unterschied, der die Entscheidung verändert.
Kleine Fixtures: Werte im Code oder gehostete Schemas
GegenüberstellungTestumgebungen bereitstellen: Geschäftsobjekt-Teilmengen oder virtuelle Datenbankkopien
GegenüberstellungLokal gelernte Datensätze: Modelltraining, Nutzen und Lizenzgrenzen
GegenüberstellungTestdatenbanken: ohne Produktionskopie generieren oder Quellzeilen transformieren
Prüfe die Quellen, vergleiche konkrete Editionen und verwende dieselben fachlichen Abnahmekriterien. Ein Produktname allein sagt nicht, welcher Ablauf enthalten ist.
Quellen und VergleichskriterienPrimärquellenOffizielle Dokumentation und aktuelle Produktangaben sind verlinkt.
Klare GrenzenEdition, Version und Vorschau-Status bleiben an der Aussage.
Keine erfundenen GewinnerKeine Expert-Scores, erfundenen Sterne oder ungetesteten Leistungsranglisten.
Die passende Wahl hängt vom benötigten Ablauf ab. Prüfe eine Wertebibliothek für kleine Fixtures, einen Modellgenerator für explizite Fachfälle oder ein verwaltetes Produkt für gemeinsame Bereitstellung. Verlange Belege für deine konkrete Datenbank, Edition und dein Deployment.
Zur EntscheidungshilfeSie können die Generierungsaufgabe abdecken, wenn dein Team Ausführung, Zugriff und Bereinigung bereits verwaltet. Python Faker und DATAMIMIC CE bieten unterschiedliche Einstiege. Vergleiche den verbleibenden Betriebsaufwand, bevor du eine Plattform wählst oder deren Dienste selbst baust.
Zur EntscheidungshilfeEin Seed kontrolliert eine Eingabe. Laufzeitversionen, Quelldaten, Referenzzeit, Ausführungsreihenfolge und Serialisierung können ebenfalls relevant sein. Lege fest, ob du dieselben Fälle, Werte oder Bytes brauchst, und prüfe diese Eigenschaft zusätzlich zur fachlichen Korrektheit.
Zur Entscheidungshilfe