Lucas Machado Vieira; Eduardo Fernando Mendes

DOI: 10.22167/2675-6528-202601097

Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Resumo

No contexto da Engenharia de Software, onde a segurança da informação e a conformidade regulatória são crescentes desafios, a utilização de dados reais em ambientes de teste tornou-se problemática. O estudo analisou a viabilidade do uso de massas de dados sintéticos como alternativa para testes de software, considerando confiabilidade, segurança e aplicabilidade em ambientes corporativos. Para isso, desenvolveu-se uma prova de conceito baseada em uma aplicação simulada, utilizando scripts Python integrados a serviços como Redis e AWS, que permitiram a geração de dados sintéticos personalizáveis e a execução de testes funcionais, de integração e de estresse. Paralelamente, realizou-se um levantamento empírico com 30 profissionais da área de tecnologia para identificar práticas, desafios e percepções sobre dados sintéticos. Os resultados demonstraram que a abordagem possibilitou a simulação de cenários complexos, ampliou a cobertura de testes e reduziu a dependência de dados reais, evidenciando uma demanda prática por soluções que conciliam segurança e qualidade. Observou-se que os dados sintéticos foram eficazes para validar regras de negócio e simular fluxos completos, além de permitir a avaliação da robustez do sistema sob cargas elevadas. Concluiu-se que o uso de dados sintéticos representa uma solução viável e relevante para apoiar processos de desenvolvimento de software em contextos corporativos, contribuindo para a melhoria da qualidade dos testes e a adoção de práticas mais seguras.

Palavras-chave: Anonimização; Dados artificiais; Proteção de dados; Qualidade de sistemas; Validação de sistemas.

1. Introdução

A transformação digital e a crescente dependência de sistemas orientados a dados têm impulsionado uma complexidade sem precedentes no desenvolvimento de software. A garantia da qualidade e confiabilidade das aplicações por meio de testes rigorosos tornou-se um pilar fundamental. Contudo, a utilização de dados reais em ambientes de desenvolvimento e homologação apresenta desafios substanciais, principalmente em segurança da informação e conformidade regulatória. Legislações como a Lei Geral de Proteção de Dados (LGPD) no Brasil impõem restrições severas ao tratamento de dados pessoais, elevando o risco associado ao manuseio de informações sensíveis fora dos ambientes de produção (Brasil, 2018; Oliveira e Santos, 2023). A exposição acidental ou o uso indevido de dados reais em testes acarreta penalidades e compromete a reputação, tornando o acesso a dados produtivos para fins de teste cada vez mais restrito e complexo.

A complexidade dos sistemas modernos, frequentemente baseados em arquiteturas distribuídas, exige massas de dados de teste que representem múltiplos cenários de interação entre componentes. A ausência de dados consistentes e inter-relacionados pode inviabilizar a validação completa dos fluxos de negócio, resultando em falhas detectadas apenas em produção. A geração manual de dados, além de demorada e propensa a erros, é insustentável para a escalabilidade e reprodutibilidade dos testes em ciclos de desenvolvimento contínuos. É nesse contexto que o uso de dados sintéticos surge como uma abordagem promissora. Dados sintéticos consistem em informações geradas artificialmente que preservam as características estruturais e estatísticas dos dados reais, sem expor informações sensíveis (Patel e Huang, 2023). Essa técnica permite a criação de ambientes de teste seguros, onde a privacidade é garantida por design, e a disponibilidade de dados é controlada e escalável.

A literatura recente corrobora a relevância dos dados sintéticos. Patel e Huang (2023) destacam sua capacidade de ampliar a cobertura de testes automatizados em ambientes com restrições de privacidade, permitindo a simulação de diversas condições e a identificação precoce de falhas. Kim e Rodrigues (2024) reforçam que a adoção de dados sintéticos padroniza ambientes de teste e fortalece a governança de dados, reduzindo riscos de uso indevido de informações sensíveis. Essa padronização é vital para equipes distribuídas e para a reprodutibilidade dos testes. Contudo, é crucial reconhecer que, embora eficazes, os dados sintéticos não substituem integralmente a complexidade e a imprevisibilidade dos dados reais em todas as situações, como observado por Stoian et al. (2025). A geração de dados sintéticos de alta qualidade demanda a definição precisa das regras de negócio e a manutenção contínua dos mecanismos de geração, o que pode exigir esforço inicial considerável.

A necessidade prática de soluções como os dados sintéticos é evidenciada por um levantamento empírico com trinta profissionais da área de tecnologia. Aproximadamente noventa e sete por cento dos entrevistados relataram dificuldades para testar fluxos completos de aplicações devido à ausência de massas de dados realistas em ambientes de desenvolvimento e homologação. Esse dado sublinha uma lacuna crítica e a demanda por alternativas eficazes. Embora noventa por cento dos profissionais já tivessem algum contato com dados sintéticos ou mockados, a prevalência de testes manuais, utilizados por mais de noventa e três por cento dos respondentes, e a dependência de dados mockados, reforçam a urgência em otimizar o processo de teste. Esses achados empíricos indicam uma demanda clara por abordagens que conciliem segurança, privacidade e a capacidade de simular cenários complexos e volumosos, essenciais para a qualidade do software em ambientes corporativos.

Diante da crescente complexidade dos sistemas de software, das rigorosas exigências regulatórias de proteção de dados e das limitações inerentes ao uso de dados reais em ambientes de teste, torna-se imperativo investigar alternativas que garantam a qualidade e a segurança do desenvolvimento. A lacuna entre a necessidade de dados de teste representativos e a dificuldade de obtê-los de forma segura e escalável justifica a busca por soluções inovadoras. Assim, este trabalho se propõe a analisar a viabilidade do uso de massas de dados sintéticos como alternativa para testes de software, considerando aspectos de confiabilidade, segurança e aplicabilidade prática em ambientes corporativos, por meio da implementação de uma prova de conceito e da análise da percepção de profissionais da área de tecnologia.

2. Material e Métodos

A presente pesquisa foi conduzida com uma abordagem aplicada, de natureza exploratória e descritiva, combinando um estudo experimental do tipo prova de conceito com um levantamento empírico por meio de questionário estruturado. Essa metodologia alinhou-se aos princípios descritos por Gil (2019), que enfatiza a relevância de métodos combinados em investigações aplicadas, especialmente em contextos que envolvem análise prática e coleta de dados empíricos. A investigação integrou abordagens qualitativas e quantitativas, focando na análise da utilização de massas de dados sintéticos em ambientes de teste de software, considerando aspectos de confiabilidade, segurança e aplicabilidade prática em contextos profissionais.

O estudo foi desenvolvido em um ambiente computacional controlado, com execução local e integração com serviços em nuvem, localizado no estado de São Paulo. Não houve identificação nominal de instituições ou organizações envolvidas. O levantamento empírico envolveu profissionais atuantes na área de engenharia de software, abrangendo desenvolvimento, testes e engenharia de dados, sem qualquer vinculação institucional explícita, garantindo a privacidade dos participantes e das entidades.

Para o levantamento empírico, a população de interesse consistiu em profissionais da área de tecnologia com experiência em desenvolvimento de software, testes e engenharia de dados. A amostragem ocorreu por conveniência, totalizando trinta participantes (n = 30), selecionados com base na acessibilidade e na relevância de sua experiência prática. Os critérios de seleção priorizaram indivíduos com atuação direta nas áreas mencionadas, assegurando que as percepções coletadas fossem representativas do cenário profissional investigado.

Inicialmente, configurou-se um ambiente de testes híbrido, que combinou a execução local com recursos em nuvem. A infraestrutura contemplou a utilização de serviços de computação em nuvem para o provisionamento de instâncias e o acesso a sistemas de armazenamento em memória. Adicionalmente, empregaram-se bibliotecas em linguagem Python para a integração com serviços de persistência e para a manipulação eficiente dos dados, estabelecendo uma base robusta para os experimentos.

As tecnologias empregadas na configuração do ambiente incluíram scripts automatizados, desenvolvidos para a geração de dados e para a integração com serviços externos. Recursos de computação em nuvem foram utilizados para suportar a execução dos testes, garantindo escalabilidade e flexibilidade. Mecanismos de armazenamento em memória foram implementados para simular respostas de baixa latência nos sistemas, e ferramentas de configuração permitiram a definição dinâmica de ambientes e parâmetros de execução, otimizando a adaptabilidade do sistema.

O ambiente de teste permitiu a simulação de componentes típicos de sistemas corporativos, incluindo a integração com Application Programming Interfaces (API), o armazenamento de dados em estruturas persistentes e o uso de mecanismos de cache. Foram definidos diferentes perfis de execução, possibilitando a alternância entre ambientes de desenvolvimento e homologação por meio de arquivos de configuração parametrizados, o que garantiu a flexibilidade necessária para testar diversos cenários.

A geração da massa de dados sintéticos foi realizada por meio de scripts automatizados, desenvolvidos em linguagem Python, utilizando bibliotecas específicas para a criação de dados fictícios. Definiram-se esquemas representativos de sistemas corporativos, contemplando entidades como cadastros de clientes, propostas e relacionamentos entre registros. A utilização de ferramentas e abordagens para a geração de dados sintéticos seguiu práticas amplamente difundidas na indústria, conforme guias técnicos especializados (Tonic.ai, 2023).

Os dados sintéticos foram gerados respeitando rigorosas restrições de integridade, incluindo chaves identificadoras, limites operacionais e consistência entre tabelas relacionadas, garantindo a fidelidade estrutural. A abordagem adotada permitiu a parametrização dos cenários de teste, possibilitando a variação de atributos como volume de registros, limites operacionais e características específicas dos dados, o que ampliou a capacidade de simulação de condições diversas.

Adicionalmente, definiram-se cenários de teste controlados, nos quais os parâmetros de geração de dados foram ajustados de forma sistemática. Essa estratégia permitiu a simulação de diferentes condições operacionais, incluindo cenários de limite e condições não usuais. Tal abordagem contribuiu para uma avaliação mais abrangente do comportamento da aplicação sob diversas cargas e situações, fortalecendo a robustez dos testes.

Os dados sintéticos gerados foram inseridos no ambiente de teste e utilizados na execução de testes funcionais, de integração e de estresse. Os testes simularam operações comuns do sistema, incluindo consultas, inserções e validações de regras de negócio. Essa simulação permitiu a análise do comportamento da aplicação em diferentes cenários, verificando a conformidade com os requisitos e a estabilidade sob diversas condições operacionais.

A execução dos testes foi realizada de forma repetível, possibilitando a revalidação dos cenários sempre que alterações no sistema fossem introduzidas. Essa abordagem permitiu avaliar a robustez da aplicação frente a diferentes volumes de dados e combinações de parâmetros. A estrutura implementada favoreceu a reprodutibilidade dos experimentos, uma vez que os cenários de teste podiam ser recriados a partir das mesmas configurações e parâmetros utilizados anteriormente. Esse aspecto é fundamental em estudos aplicados, pois permite a validação contínua dos resultados e a replicação do método por outros pesquisadores ou equipes de desenvolvimento.

Paralelamente ao estudo experimental, conduziu-se um levantamento empírico por meio de um formulário eletrônico estruturado, composto por questões fechadas e semifechadas. O instrumento teve como objetivo coletar informações sobre as práticas adotadas em ambientes de teste, as dificuldades relacionadas ao uso de dados reais e a percepção dos profissionais quanto à utilização de dados sintéticos, fornecendo uma visão abrangente do cenário atual.

A pesquisa atendeu aos princípios éticos aplicáveis a estudos com participação de seres humanos, conforme as diretrizes das Resoluções n° 466/2012 e n° 510/2016 do Conselho Nacional de Saúde. Considerando que o levantamento foi realizado por meio de questionário anônimo, sem coleta de dados pessoais ou identificação dos participantes, o estudo enquadrou-se como pesquisa de opinião, sendo dispensado de submissão ao Comitê de Ética em Pesquisa, conforme previsto na Resolução nº 510/2016. Ainda assim, os participantes foram previamente informados sobre os objetivos da pesquisa e sobre o caráter voluntário da participação, tendo manifestado concordância por meio de aceite eletrônico antes do preenchimento do formulário.

Os dados provenientes do estudo experimental foram analisados por meio de abordagem descritiva, considerando aspectos como consistência estrutural, aplicabilidade dos dados sintéticos e comportamento do sistema durante a execução dos testes. As respostas do formulário foram analisadas por meio de estatística descritiva simples, incluindo cálculo de frequências e distribuição percentual das respostas. Adicionalmente, realizou-se uma categorização inicial das respostas abertas, permitindo identificar padrões relacionados às práticas de teste, desafios enfrentados e percepção sobre o uso de dados sintéticos.

A integração dos resultados obtidos no estudo experimental com as percepções coletadas no levantamento empírico permitiu uma análise complementar e robusta da viabilidade da abordagem proposta. Essa etapa final de tratamento de dados considerou tanto as evidências técnicas observadas na prova de conceito quanto as perspectivas e experiências dos profissionais da área, oferecendo uma compreensão abrangente do problema investigado.

Como limitação metodológica, destaca-se que o levantamento empírico foi realizado por meio de amostragem por conveniência, com trinta participantes, o que pode limitar a generalização dos resultados para outros contextos ou populações. Além disso, a análise dos dados baseou-se em estatísticas descritivas, não contemplando métodos inferenciais mais avançados. Ainda assim, a abordagem adotada mostrou-se adequada para os objetivos exploratórios da pesquisa, fornecendo insights valiosos.

3. Resultados e Discussão

Esta seção apresenta e discute os resultados obtidos a partir da aplicação da metodologia proposta, integrando os achados do estudo experimental com as evidências do levantamento empírico. A análise foi conduzida com base na observação do comportamento do sistema sob diferentes cenários de teste, bem como na percepção de profissionais da área de engenharia de software quanto ao uso de dados sintéticos em ambientes corporativos. A convergência entre as evidências técnicas e as perspectivas dos profissionais oferece uma compreensão multifacetada da viabilidade e aplicabilidade dos dados sintéticos no ciclo de desenvolvimento de software.

Os resultados da configuração do ambiente de teste demonstraram a criação de uma estrutura estável e reutilizável, essencial para a execução de testes em sistemas corporativos complexos. A capacidade de simular componentes típicos, como integrações com Application Programming Interfaces (API), armazenamento de dados persistentes e mecanismos de cache, valida a robustez do ambiente. Essa infraestrutura híbrida, combinando execução local com recursos em nuvem, reflete as tendências modernas de desenvolvimento e operações (DevOps), onde a flexibilidade e a escalabilidade são cruciais para a agilidade e a entrega contínua de software. A estabilidade observada, que permitiu a execução repetida dos testes sem perda de consistência, é um pilar fundamental para a garantia da confiabilidade dos experimentos, especialmente em contextos de desenvolvimento contínuo e integração contínua, onde a revalidação de cenários é uma prática constante.

A reprodutibilidade dos testes, uma característica intrínseca do ambiente configurado, é um achado de grande relevância prática. A possibilidade de recriar cenários de teste a partir das mesmas configurações e parâmetros, mesmo após a introdução de modificações no sistema, garante que as validações sejam consistentes e que as regressões possam ser identificadas de forma eficiente. Este aspecto é particularmente importante em equipes ágeis, onde as mudanças são frequentes e a necessidade de feedback rápido é constante. A literatura sobre engenharia de software, como discutido por Gil (2019), frequentemente enfatiza a importância da reprodutibilidade em estudos aplicados, e este trabalho demonstra como um ambiente bem configurado pode suportar essa necessidade, contribuindo para a qualidade geral do software.

Do ponto de vista prático, o esforço inicial necessário para a configuração do ambiente foi significativo, principalmente devido à complexidade de alinhar as regras de negócio com a integração de múltiplos componentes. No entanto, após a estabilização, o ambiente demonstrou ser altamente eficiente, suportando diversos tipos de testes e reduzindo a dependência de ambientes produtivos. Essa redução da dependência é um benefício substancial, pois minimiza os riscos de exposição de dados sensíveis e evita interrupções em sistemas em produção, um desafio amplamente reconhecido em ambientes corporativos (Oliveira & Santos, 2023). A capacidade de isolar os testes de ambientes de produção é um ganho em segurança e eficiência operacional.

A geração da massa de dados sintéticos foi um dos pilares centrais deste estudo, permitindo a criação de estruturas representativas de sistemas reais. Entidades como cadastros de clientes, propostas e relacionamentos entre registros foram contempladas, garantindo que os dados sintéticos espelhassem a complexidade e a interconexão dos dados reais. A aderência a rigorosas restrições de integridade, incluindo chaves identificadoras, limites operacionais e consistência entre tabelas relacionadas, assegurou a fidelidade estrutural dos dados durante os testes. Este achado é crucial, pois a validade dos testes depende diretamente da qualidade e da representatividade dos dados utilizados.

Um dos principais resultados observados na geração de dados sintéticos foi a alta flexibilidade na criação de cenários. A capacidade de variar parâmetros como volume de registros, limites operacionais e características específicas dos dados possibilitou a simulação de uma vasta gama de condições de uso, incluindo cenários de limite e situações não usuais que seriam difíceis ou impossíveis de replicar com dados reais. Essa flexibilidade é um diferencial competitivo, pois permite que as equipes de teste explorem o comportamento do sistema sob condições extremas e identifiquem falhas que poderiam passar despercebidas em testes com dados menos variados. Patel e Huang (2023) corroboram essa visão, destacando que dados sintéticos podem ampliar a cobertura de testes em cenários complexos.

Adicionalmente, a consistência da estrutura dos dados gerados entre diferentes execuções reforçou a reprodutibilidade da abordagem. Essa característica é particularmente relevante em ambientes de teste, onde a repetição controlada de cenários é essencial para a validação contínua de funcionalidades e a identificação precoce de falhas. A padronização dos dados de teste, facilitada pela geração sintética, contribui para a uniformização dos cenários de teste, promovendo maior consistência e facilitando a colaboração entre equipes, conforme apontado por Kim e Rodrigues (2024). A capacidade de gerar dados que simulam interações complexas entre componentes, como em arquiteturas de microserviços, é um elemento essencial para garantir a confiabilidade dos testes realizados.

A utilização dos dados sintéticos viabilizou a execução de testes funcionais, de integração e de estresse, permitindo uma análise abrangente do comportamento do sistema em diferentes condições operacionais. Nos testes funcionais, os dados sintéticos mostraram-se plenamente adequados para a validação das regras de negócio, confirmando o correto funcionamento das operações implementadas. Isso demonstra que, mesmo sem dados reais, é possível verificar a conformidade do sistema com seus requisitos, um aspecto fundamental para a qualidade do software.

Nos testes de integração, a capacidade de simular o fluxo completo da aplicação, incluindo a interação entre múltiplos componentes e serviços, foi crucial. Em sistemas modernos, frequentemente baseados em arquiteturas distribuídas, a validação das interações entre diferentes módulos é um desafio complexo. Os dados sintéticos permitiram criar cenários que representavam essas interações de forma consistente, garantindo que a aplicação se comportasse conforme o esperado em um ambiente que mimetizava a produção. Essa capacidade de simulação de cenários complexos é um dos maiores benefícios dos dados sintéticos, conforme discutido por Stoian et al. (2025), que reconhecem a eficácia desses dados para ampliar a cobertura de testes.

Já nos testes de estresse, a possibilidade de gerar grandes volumes de dados sintéticos permitiu avaliar a robustez do sistema frente a cargas elevadas. Essa análise foi fundamental para identificar limitações relacionadas ao desempenho e à capacidade de processamento, aspectos críticos para a escalabilidade de aplicações corporativas. A capacidade de simular condições de pico e cenários de sobrecarga com dados sintéticos evita a necessidade de utilizar dados reais em ambientes de teste de estresse, o que poderia comprometer a segurança e a privacidade. Os resultados demonstram que os dados sintéticos foram eficazes para ampliar a cobertura dos testes, especialmente em cenários que seriam difíceis de reproduzir com dados reais, reforçando sua aplicabilidade em ambientes de desenvolvimento e homologação.

Esses achados evidenciam que a utilização de dados sintéticos contribui diretamente para mitigar limitações relacionadas à indisponibilidade de dados reais em ambientes de teste, reduzindo lacunas entre desenvolvimento e produção e ampliando a confiabilidade das validações realizadas. A redução da dependência de dados reais é um benefício multifacetado, que abrange desde a conformidade com a Lei Geral de Proteção de Dados (LGPD) até a agilidade no desenvolvimento, pois as equipes não precisam mais aguardar a disponibilização ou anonimização de dados produtivos.

Os principais achados técnicos do estudo experimental destacam a redução da dependência de dados reais, a possibilidade de criação de cenários complexos de forma controlada e a melhoria na capacidade de reprodução dos testes. A utilização de dados sintéticos contribuiu para a identificação antecipada de falhas, especialmente em cenários de maior complexidade ou volume de dados, reforçando o potencial da abordagem como ferramenta de apoio à qualidade de software. Este é um avanço significativo, pois a detecção precoce de falhas reduz custos e tempo de correção no ciclo de vida do software.

Por outro lado, verificou-se que a manutenção dos scripts de geração de dados é necessária sempre que há alterações nas regras de negócio, o que implica um esforço adicional. Além disso, embora os dados sintéticos permitam simular diversos cenários, eles não representam integralmente a complexidade e a imprevisibilidade dos dados reais. Essa limitação é um ponto crucial a ser considerado, pois a fidelidade dos dados sintéticos aos dados reais é um fator determinante para a validade dos testes. A literatura, como Stoian et al. (2025), já aponta que dados sintéticos não substituem integralmente a complexidade dos dados reais, e este estudo corrobora essa perspectiva, sugerindo que a abordagem deve ser vista como um complemento, e não uma substituição total.

O levantamento empírico, que contou com 30 participantes atuantes majoritariamente em desenvolvimento de software, testes e áreas correlatas, com diferentes níveis de experiência profissional, forneceu uma visão valiosa sobre as práticas e percepções do mercado. Os dados foram estruturados em categorias para uma análise mais organizada, contemplando o perfil dos respondentes, as práticas de teste, os desafios enfrentados e a percepção sobre o uso de dados sintéticos.

Figura 1. Gráfico que coleta as principais áreas de atuação dos respondentes

Fonte: Resultados originais da pesquisa

Conforme apresentado na Figura 1, observou-se que a maioria dos respondentes atua diretamente em funções de desenvolvimento de software, correspondendo a aproximadamente 80% da amostra. As áreas de testes e qualidade representam cerca de 13,3%, enquanto as demais áreas técnicas apresentaram participação pouco representativa na composição da amostra. Este perfil da amostra é relevante, pois indica que a pesquisa capturou a perspectiva de profissionais que estão na linha de frente da criação e validação de software, e que, portanto, vivenciam diretamente os desafios relacionados à gestão de dados em ambientes de teste. A predominância de desenvolvedores e testadores na amostra confere credibilidade aos achados sobre as dificuldades e a percepção da solução proposta, dado que são os principais usuários e beneficiários de dados sintéticos.

Figura 2. Gráfico que coleta o tempo de experiência na área de tecnologia dos respondentes

Fonte: Resultados originais da pesquisa

A Figura 2 indica que a amostra é composta majoritariamente por profissionais com experiência intermediária e avançada na área de tecnologia. Aproximadamente 46,6% dos respondentes possuem mais de 6 anos de atuação, enquanto 53,3% encontram-se na faixa de até 5 anos de experiência. Essa distribuição etária de experiência confere maturidade técnica aos dados coletados, pois os participantes têm contato com diferentes etapas do ciclo de vida de aplicações e com ambientes de desenvolvimento, homologação e testes integrados. Profissionais com maior tempo de experiência tendem a ter uma visão mais abrangente dos desafios e das soluções, enquanto os mais jovens podem trazer perspectivas sobre as tecnologias emergentes e as práticas mais recentes. A combinação dessas perspectivas enriquece a análise e a validade dos resultados empíricos.

Figura 3. Gráfico que coleta os principais ambientes de teste e a quantidade dos respondentes

Fonte: Resultados originais da pesquisa

Em relação às práticas atuais de teste e uso de dados, observou-se que a maior parte dos participantes realiza testes em múltiplos ambientes antes da disponibilização em produção, conforme demonstrado na Figura 3. A maioria dos respondentes afirmou realizar testes em ambientes locais (86,7%) e de desenvolvimento e homologação (70%), sendo comum a combinação de múltiplos ambientes antes da disponibilização em produção. Essa prática é associada, em parte, às limitações no acesso a dados reais. A necessidade de testar em múltiplos ambientes reflete a complexidade dos sistemas modernos e a busca por maior segurança e qualidade antes do deploy em produção. No entanto, a dependência de dados reais nesses ambientes pode gerar gargalos e riscos, o que reforça a demanda por alternativas como os dados sintéticos.

Figura 4. Gráfico que coleta a maneira de efetuar testes pré-produção dos respondentes

Fonte: Resultados originais da pesquisa

A Figura 4 evidencia que 93,3% dos profissionais utilizam testes manuais, frequentemente combinados com dados mockados ou parcialmente artificiais, enquanto 66,7% adotam testes automatizados. Uma parcela menor (50%) relatou realizar testes parciais e pontuais, o que reforça as limitações já observadas nos ambientes pré-produção. A alta prevalência de testes manuais indica uma oportunidade significativa para a automação, e os dados sintéticos podem ser um facilitador crucial nesse processo. A combinação de testes manuais com dados mockados ou artificiais já existentes demonstra uma tentativa de contornar a escassez de dados reais, mas também aponta para a falta de uma solução sistemática e robusta, que os dados sintéticos podem oferecer. A transição para testes mais automatizados e abrangentes é um objetivo comum na engenharia de software, e a disponibilidade de dados sintéticos de alta qualidade pode acelerar essa transição.

Em relação às dificuldades enfrentadas, uma parcela significativa dos participantes relatou limitações na execução de testes completos devido à ausência de massas de dados realistas em ambientes de desenvolvimento e homologação. Este é um ponto crítico que o estudo buscou abordar.

Figura 5. Gráfico que coleta a confirmação de dificuldades dos respondentes ao realizar testes sem massas reais

Fonte: Resultados originais da pesquisa

De acordo com a Figura 5, aproximadamente 96,6% dos respondentes afirmaram já ter enfrentado dificuldades para testar fluxos completos de aplicações devido à ausência de massas de dados realistas em ambientes de desenvolvimento e homologação, enquanto apenas 3,7% relataram não enfrentar esse tipo de limitação. Este resultado é um dos mais impactantes do levantamento empírico, pois valida a premissa central da pesquisa: a indisponibilidade de dados reais adequados é um desafio generalizado e significativo para os profissionais de tecnologia. Essa limitação prática está frequentemente associada a restrições de privacidade, conformidade com legislações de proteção de dados como a LGPD (Brasil, 2018), e à complexidade de anonimizar ou gerar dados reais para ambientes de teste. Tais achados reforçam a relevância da utilização de abordagens alternativas, como o uso de dados sintéticos, para mitigar essas limitações e ampliar a cobertura dos testes, garantindo que os sistemas sejam validados de forma completa e segura antes de serem implantados em produção.

No que se refere ao conhecimento e percepção sobre dados sintéticos, verificou-se que parte dos respondentes já possui familiaridade com o conceito, enquanto outros utilizam práticas semelhantes sem necessariamente reconhecer a terminologia.

Figura 6. Gráfico que coleta a experiência dos respondentes ao falar de dados sintéticos

Fonte: Resultados originais da pesquisa

Conforme apresentado na Figura 6, observou-se que 90% dos respondentes já tiveram contato direto com o uso de dados sintéticos ou dados mockados em contextos profissionais ou acadêmicos. Por outro lado, 10% afirmaram não conhecer formalmente o conceito, apesar de utilizarem práticas semelhantes no cotidiano de desenvolvimento. Os resultados indicam uma percepção positiva em relação ao uso de dados sintéticos, especialmente quando associados à fidelidade estrutural e à capacidade de cobrir cenários críticos, alinhando-se aos objetivos propostos nesta pesquisa. A alta taxa de familiaridade com o conceito, mesmo que informal, sugere que a necessidade de dados alternativos já é amplamente reconhecida e que há um terreno fértil para a adoção de soluções mais formais e robustas de geração de dados sintéticos.

No que se refere à confiança no uso de dados sintéticos em ambientes de teste, destacaram-se como critérios mais relevantes a similaridade estatística em relação aos dados reais, a cobertura de casos de borda e a capacidade de simular diferentes volumes e comportamentos do sistema. Essa percepção positiva reforça a pertinência da solução técnica proposta neste trabalho, especialmente no que se refere à viabilidade do uso de dados sintéticos em ambientes corporativos de teste. A confiança dos profissionais é um fator-chave para a adoção de novas tecnologias, e o fato de que eles valorizam a similaridade estatística e a cobertura de cenários demonstra uma compreensão da importância da qualidade dos dados de teste.

Considerando os resultados obtidos junto aos 30 respondentes, observou-se uma convergência clara entre os achados técnicos do estudo experimental e as percepções empíricas coletadas por meio do formulário. De forma geral, os resultados do levantamento empírico indicam que há uma demanda prática por soluções que facilitem a geração de massas de dados para testes, preservando requisitos de segurança e privacidade, ao mesmo tempo em que ampliam a cobertura de cenários e a confiabilidade dos testes. Os dados obtidos por meio do formulário complementam os resultados técnicos do estudo experimental, fornecendo uma visão empírica sobre as necessidades e expectativas de profissionais da área. Esses resultados reforçam a relevância da abordagem proposta, indicando que a utilização de dados sintéticos pode contribuir para a melhoria da qualidade dos testes e para a adoção de práticas mais seguras e eficientes no desenvolvimento de software.

A discussão dos resultados à luz da literatura revela um forte alinhamento com as tendências e desafios atuais da engenharia de software. Os resultados obtidos corroboram os achados de Patel e Huang (2023), que destacam o uso de dados sintéticos como alternativa viável para testes em contextos nos quais o uso de dados reais é limitado por requisitos de segurança e conformidade. Neste estudo, observou-se que a abordagem permitiu ampliar a cobertura dos testes e reduzir a dependência de ambientes produtivos, o que é um benefício direto da aplicação prática dos dados sintéticos. A capacidade de gerar dados que simulam cenários complexos e de alto volume, sem comprometer a privacidade, é um avanço significativo que responde às demandas regulatórias e de segurança.

De forma semelhante, os resultados estão alinhados com Kim e Rodrigues (2024), que apontam que a utilização de dados sintéticos contribui para a padronização dos ambientes de teste e para o fortalecimento das práticas de governança de dados. A redução da exposição de dados sensíveis observada neste trabalho reforça essa perspectiva, demonstrando que a governança de dados não se limita apenas à produção, mas se estende aos ambientes de desenvolvimento e teste, onde a proteção de informações é igualmente crítica. A padronização dos dados de teste, por sua vez, facilita a colaboração entre equipes e garante a consistência dos resultados, aspectos essenciais para a eficiência do ciclo de desenvolvimento.

Esse aspecto também é discutido por Oliveira e Santos (2023), que destacam os desafios da aplicação da Lei Geral de Proteção de Dados (LGPD) em ambientes de teste, reforçando a necessidade de soluções que preservem a privacidade sem comprometer a qualidade das validações. A presente pesquisa oferece uma solução prática para esse dilema, mostrando como os dados sintéticos podem ser uma ferramenta eficaz para atender aos requisitos da LGPD, permitindo testes abrangentes sem a necessidade de expor dados pessoais ou sensíveis. A conformidade regulatória é um driver cada vez mais importante na engenharia de software, e a abordagem de dados sintéticos se posiciona como uma resposta robusta a essa exigência.

Por outro lado, conforme discutido por Stoian et al. (2025), os dados sintéticos não substituem integralmente a complexidade dos dados reais. Essa limitação também foi identificada neste estudo, indicando que a abordagem deve ser utilizada como complemento às estratégias tradicionais de teste, especialmente em fases finais de validação. A complexidade inerente aos dados reais, com suas anomalias e padrões imprevisíveis, pode não ser totalmente replicada por dados sintéticos, que são gerados com base em regras e modelos predefinidos. Portanto, uma estratégia híbrida, que combine dados sintéticos para a maioria dos cenários e dados reais (anonimizados ou minimizados) para casos específicos e críticos, pode ser a abordagem mais eficaz.

Adicionalmente, os resultados do levantamento empírico reforçam as evidências da literatura ao indicar que a ausência de dados realistas é um desafio recorrente em ambientes corporativos, evidenciando a relevância prática da solução proposta. A experiência dos profissionais, conforme capturada no formulário, valida a necessidade de ferramentas e abordagens que mitiguem essa lacuna. A percepção positiva em relação aos dados sintéticos, especialmente quando associada à segurança e à capacidade de simular cenários complexos, demonstra que a comunidade de engenharia de software está receptiva a essa inovação.

De forma geral, observou-se que os achados deste estudo não apenas corroboram a literatura existente, mas também contribuem ao evidenciar, em um contexto aplicado, como a utilização de dados sintéticos pode ser operacionalizada na prática, aproximando conceitos teóricos das necessidades reais enfrentadas por equipes de desenvolvimento de software. A prova de conceito desenvolvida neste trabalho serve como um modelo tangível de como os dados sintéticos podem ser integrados em pipelines de teste existentes, oferecendo um caminho claro para a implementação em ambientes corporativos.

Adicionalmente, estudos abrangentes como o de Bauer et al. (2024) reforçam que a geração de dados sintéticos vem se consolidando como uma abordagem estratégica em diferentes domínios, destacando sua aplicabilidade em cenários que exigem escalabilidade, privacidade e flexibilidade. Os resultados observados neste trabalho convergem com essa visão, ao evidenciar que a utilização de dados sintéticos pode ser incorporada de forma prática aos processos de teste, contribuindo para a melhoria da qualidade e da segurança das aplicações. A capacidade de escalar a geração de dados para atender a grandes volumes de testes e a flexibilidade para adaptar os dados a diferentes requisitos de negócio são atributos que tornam os dados sintéticos uma ferramenta poderosa no arsenal da engenharia de software moderna.

Apesar dos resultados positivos, algumas limitações devem ser consideradas na análise crítica. A geração de dados sintéticos depende diretamente da definição adequada das regras de negócio, o que pode impactar a qualidade e a representatividade dos cenários gerados. Se as regras de negócio não forem compreendidas e traduzidas corretamente para os scripts de geração de dados, os dados sintéticos resultantes podem não refletir fielmente o comportamento esperado do sistema, levando a testes incompletos ou inválidos. Isso exige um esforço inicial significativo na modelagem dos dados e um conhecimento aprofundado do domínio da aplicação.

Além disso, a abordagem não contempla toda a complexidade e imprevisibilidade dos dados reais, podendo não capturar situações específicas que ocorrem apenas em ambientes produtivos. Dados reais frequentemente contêm anomalias, erros e padrões emergentes que são difíceis de prever e replicar artificialmente. A ausência dessas características nos dados sintéticos pode levar a uma falsa sensação de segurança, onde o sistema parece robusto em testes, mas falha em produção devido a cenários não previstos. Portanto, é crucial que os dados sintéticos sejam utilizados com a consciência de suas limitações e, idealmente, complementados por outras estratégias de teste.

No que se refere ao levantamento empírico, destaca-se o tamanho reduzido da amostra (n = 30) e o uso de amostragem por conveniência, o que limita a generalização dos resultados para outros contextos ou populações. Embora a amostra tenha sido cuidadosamente selecionada para incluir profissionais relevantes, a pequena escala impede que as conclusões sejam universalmente aplicáveis. Estudos futuros com amostras maiores e mais diversificadas poderiam fornecer uma visão mais abrangente e generalizável. Além disso, a análise dos dados baseou-se em estatísticas descritivas, não contemplando métodos inferenciais mais avançados. Embora adequada para os objetivos exploratórios da pesquisa, essa limitação significa que não foi possível estabelecer relações de causa e efeito ou fazer inferências estatísticas robustas sobre a população.

Adicionalmente, deve-se considerar que os resultados obtidos estão inseridos em um contexto específico de aplicação, o que pode influenciar sua replicabilidade em diferentes cenários organizacionais. Fatores como a maturidade das equipes de desenvolvimento e teste, a arquitetura dos sistemas (monolítica vs. microserviços) e a disponibilidade de infraestrutura (on-premise vs. nuvem) podem impactar diretamente a efetividade da abordagem proposta. Uma organização com uma cultura de automação e uma infraestrutura robusta pode adotar dados sintéticos com mais facilidade do que uma com processos manuais e infraestrutura legada.

Em suma, este trabalho analisou a viabilidade do uso de massas de dados sintéticos em ambientes de teste de software, considerando aspectos de confiabilidade, segurança e aplicabilidade prática. A partir da implementação da prova de conceito e da análise do levantamento empírico, foi possível verificar que a utilização de dados sintéticos representa uma alternativa consistente e promissora ao uso de dados reais em contextos de desenvolvimento e homologação. Os resultados indicaram que a abordagem contribui significativamente para a ampliação da cobertura dos testes, permitindo a criação de cenários variados e controlados, além de favorecer a reprodutibilidade dos experimentos. Observou-se também que o uso de dados sintéticos auxilia na redução da dependência de dados produtivos, mitigando riscos associados à exposição de informações sensíveis e atendendo a requisitos de segurança e conformidade, como a LGPD.

Do ponto de vista prático, a solução demonstrou potencial para apoiar equipes de desenvolvimento na execução de testes mais estruturados e eficientes, especialmente em ambientes nos quais há restrições no acesso a dados reais. A possibilidade de simular diferentes volumes e condições operacionais contribui para a identificação antecipada de falhas e para o aumento da confiabilidade das aplicações. No entanto, verificou-se que a efetividade da abordagem depende da adequada definição das regras de negócio e da manutenção contínua dos mecanismos de geração de dados, o que pode demandar esforço adicional. Além disso, os dados sintéticos não substituem integralmente a complexidade dos dados reais, sendo mais adequados como complemento às estratégias tradicionais de teste. Dessa forma, conclui-se que o uso de dados sintéticos se apresenta como uma solução viável e relevante para o contexto atual da engenharia de software, podendo contribuir para a melhoria da qualidade dos testes e para a adoção de práticas mais seguras no desenvolvimento de sistemas. Adicionalmente, o estudo abre espaço para futuras investigações relacionadas à evolução de técnicas de geração de dados sintéticos e sua integração com pipelines automatizados de teste, explorando, por exemplo, o uso de inteligência artificial para aprimorar a fidelidade e a diversidade dos dados gerados, bem como a automação da manutenção dos scripts de geração frente a mudanças nas regras de negócio.

4. Conclusão

Conclui-se que o objetivo foi atingido, ao analisar a viabilidade do uso de massas de dados sintéticos como alternativa para testes de software, considerando aspectos de confiabilidade, segurança e aplicabilidade prática em ambientes corporativos. A implementação de uma prova de conceito e a análise da percepção de profissionais da área de tecnologia confirmaram que os dados sintéticos representam uma solução consistente e promissora. Os resultados demonstraram que a abordagem ampliou significativamente a cobertura dos testes, permitindo a criação de cenários variados e controlados, além de favorecer a reprodutibilidade dos experimentos. O uso de dados sintéticos também reduziu a dependência de dados produtivos, mitigando riscos de exposição de informações sensíveis e atendendo a requisitos de segurança e conformidade, como a LGPD. Profissionais da área validaram a necessidade e a eficácia dessa abordagem para testes mais estruturados e eficientes.

Contudo, algumas limitações foram identificadas. A efetividade da geração de dados sintéticos depende da adequada definição das regras de negócio e da manutenção contínua dos mecanismos de geração, o que pode demandar esforço adicional. Além disso, os dados sintéticos não substituem integralmente a complexidade e a imprevisibilidade dos dados reais, sendo mais adequados como complemento às estratégias tradicionais. O levantamento empírico, com sua amostra reduzida e amostragem por conveniência, limita a generalização dos resultados. Para estudos futuros, sugere-se investigar a evolução de técnicas de geração de dados sintéticos, explorando o uso de inteligência artificial para aprimorar a fidelidade e diversidade dos dados, bem como a automação da manutenção dos scripts de geração frente a mudanças nas regras de negócio.

Referências Bibliográficas

Bauer, J.; Hämmerli, B.; Ebert, N.; Fischer, M.; Scherzinger, S.; Böhm, K. 2024. Synthetic Data Generation: A Comprehensive Survey. arXiv preprint arXiv:2401.02524. Disponível em: https://arxiv.org/abs/2401.02524. Acesso em: 18 mar. 2026.

Brasil. 2018. Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD). Diário Oficial da União, Brasília, 15 ago. 2018. Seção 1. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/L13709.htm. Acesso em: 16 ago. 2025.

Gil, A. C. 2019. Métodos e técnicas de pesquisa social. São Paulo, SP, Brasil. Atlas. E-book.

Kim, S.; Rodrigues, L. 2024. Data governance strategies for synthetic data generation in enterprise systems. Journal of Data and Information Management 5(2): 87–103.

Oliveira, R. P. de; Santos, A. R. dos. 2023. Privacidade e Proteção de Dados em Testes de Software: Um Estudo sobre a Aplicação da LGPD. Revista de Engenharia de Software 12(3).

Patel, R.; Huang, Y. 2023. Synthetic test data in automated QA pipelines: balancing accuracy and compliance. International Journal of Software Testing and Verification 29(4): 212–228.

Stoian, A.; Popescu, D.; Ionescu, M. 2025. Evaluating synthetic data quality for software testing environments. arXiv preprint arXiv:2501.06784. Disponível em: https://arxiv.org/abs/2501.06784. Acesso em: 18 mar. 2026.

Tonic.ai. 2023. The Complete Guide to Synthetic Test Data Generation. Tonic.ai. Disponível em: https://www.tonic.ai/guides/guide-to-synthetic-test-data-generation. Acesso em: 18 mar. 2026.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Engenharia de Software do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy