##  Pfadnavigation

1. [ Startseite ](/)
2. [ Software Testing & Qualität - Testautomatisierung, KI & Agilität ](/podcast/software-testing-qualitaet-testautomatisierung-ki-agilitaet)
3. Datengestützte Teststrategien: Von der Fußballanalyse zur QA-Optimierung

# Datengestützte Teststrategien: Von der Fußballanalyse zur QA-Optimierung

            **Podcast:**

   [Software Testing & Qualität - Testautomatisierung, KI & Agilität](/podcast/software-testing-qualitaet-testautomatisierung-ki-agilitaet)

              **Erscheinungsdatum:**

   17. Februar 2026

            **Länge:**

   00:21:39

    [         Link zur Episode (extern)   ](https://www.richard-seidl.com/de/podcast/testabdeckung-verbessern)

 ![Fußballanalyse trifft Softwaretest - Sven Braxein, Athanasios Kallinikidis](https://www.botcaster.de/sites/default/files/styles/podcast_n_episode_metadata_image_1x/public/2026-08/65c27e69-0824-4d69-b95a-fc736baaa558.jpg.webp?itok=8DjJdWFf)

###   Fußballanalyse trifft Softwaretest - Sven Braxein, Athanasios Kallinikidis

   17. Februar 2026 · [Software Testing & Qualität - Testautomatisierung, KI & Agilität](/podcast/software-testing-qualitaet-testautomatisierung-ki-agilitaet)

Wie kann die Analyse eines Amateur-Fußballspiels dabei helfen, die Testabdeckung in einem millionenschweren IT-Projekt zu revolutionieren? In einer neuen Folge seines Podcasts *Software Testing & Qualität* geht Host Richard Seidl dieser ungewöhnlichen Frage nach. Seine Gäste, Sven Braxain und Athanasios Kalinikidis, erzählen eine inspirierende Geschichte darüber, wie eine zufällige Begegnung im Büro zu einem datengestützten Ansatz führte, um die Qualitätssicherung in einem komplexen Software-Migrationsprojekt neu zu denken. Die Episode beleuchtet, wie man dem vagen Vorwurf einer zu geringen Testabdeckung mit harten Fakten begegnet und wie sich Prinzipien aus der Sportanalyse direkt auf das risikobasierte Testen übertragen lassen. Diese Folge ist eine Pflichtlektüre für alle Testmanager, QA-Verantwortlichen und agilen Teams, die nach Wegen suchen, ihre Teststrategie auf Basis realer Nutzungsdaten zu optimieren, statt sich auf Vermutungen zu verlassen.

## Das Wichtigste auf einen Blick

- **Die Fußball-Analogie als Leitidee:** Lerne aus dem realen Spiel (Produktionsdaten), um das Training (Teststrategie) zu verbessern. Statt auf Meinungen zu setzen, liefert dieser Ansatz datengestützte Fakten, um Testaktivitäten gezielt zu steuern.
- **Process Mining als Schlüsseltechnologie:** Durch die Analyse digitaler Spuren aus den Produktionssystemen visualisiert Process Mining, welche Prozesse und Workflows von den Nutzern tatsächlich wie oft durchlaufen werden. Dies schafft eine objektive Datengrundlage.
- **Das Zähler-Nenner-Problem lösen:** Die Frage nach der Testabdeckung scheitert oft an einem unklaren Nenner. Sven und Athanasios definierten die 160 Kern-Workflows ihrer neuen Software als Nenner und konnten so erstmals präzise messen, welche davon im Test abgedeckt sind.
- **Fokus auf das Wesentliche durch risikobasiertes Testen:** Die Analyse zeigte, dass die Top-10-Workflow-Varianten bereits 80 % der gesamten Nutzung ausmachen. Anstatt Hunderte von denkbaren Pfaden zu testen, konzentriert sich das Team nun auf die, die in der Praxis am relevantesten sind.
- **Überraschende Erkenntnisse aufdecken:** Die Daten brachten ans Licht, dass einige der am häufigsten genutzten Workflows im Test kaum oder gar nicht vorkamen. Diese blinden Flecken konnten gezielt identifiziert und geschlossen werden.
- **Nachhaltigkeit durch Automatisierung:** Der Prozess ist aktuell noch manuell. Der nächste entscheidende Schritt ist die Automatisierung der Datensammlung und -analyse, um einen kontinuierlichen Verbesserungsprozess zu etablieren und den manuellen Aufwand zu minimieren.

## Der unerwartete Anstoß: Vom Fußballplatz ins IT-Projekt

Alles begann mit einem klassischen Problem in großen IT-Projekten: Einem Vorwurf. Sven Braxain, der in einem Team von 150 Personen an der Ablösung einer komplexen Alt-Software arbeitet, wurde mit der Kritik konfrontiert, die Abdeckung der Regressionstests sei unzureichend. Als erfahrener Berater konterte Sven mit einer gezielten Gegenfrage: Was genau ist der Nenner, also die Gesamtmenge aller zu testenden Fälle, an dem die Abdeckung gemessen wird? Diese Frage brachte die Diskussion zunächst zum Schweigen, ließ Sven aber nicht mehr los. Wenige Tage später wurde er zufällig Zeuge eines Gesprächs seines Kollegen Athanasios Kalinikidis. Athanasios, in seiner Freizeit passionierter Fußballtrainer in der Kreisliga, zeigte, wie er mit einer speziellen Software die Spiele seiner Mannschaft aufzeichnet und analysiert. Heatmaps, Laufstatistiken, Schuss-Positionen - Daten, die man aus der Bundesliga kennt, nutzte er, um sein Team gezielt zu trainieren. Pikantes Detail: Er bereitete gerade das Spitzenspiel gegen Svens Heimmannschaft vor. Für Sven war dies der Heureka-Moment: Wenn eine solche datenbasierte Analyse im Amateursport möglich ist, um aus dem Spiel für das Training zu lernen, warum dann nicht im eigenen IT-Projekt, um aus den Produktionsdaten für die Tests zu lernen?

## Process Mining: Das Spielfeld aus der Datenperspektive

Die Brücke zwischen Fußballanalyse und Softwaretest schlug die Technologie, mit der sich Athanasios bereits beruflich beschäftigte: Process Mining. Diese Methode nutzt die digitalen Spuren, die jede Nutzeraktion in einem Softwaresystem hinterlässt - jeder Klick, jede Dateneingabe, jeder Statuswechsel. Ein Process-Mining-Tool kann diese Spuren aus den Log-Dateien zusammensetzen und so ein exaktes, visuelles Abbild der realen Prozesse erstellen. Statt eines theoretischen Prozessdiagramms, wie es vielleicht in der Konzeption gezeichnet wurde, zeigt Process Mining, welche Wege die Nutzer in der Realität tatsächlich nehmen, wie oft sie dies tun und wo es Engpässe oder Abweichungen gibt. Athanasios erklärt, dass diese Technik die klassische Prozessanalyse mit modernem Data Mining verbindet. Für das Projekt von Sven war dies der perfekte Ansatz, um endlich Transparenz darüber zu erlangen, welche der 160 Workflows der neuen Software in der Produktion wirklich relevant sind.

## Von der Theorie zur Praxis: Testabdeckung neu definiert

Mit der Idee und der passenden Technologie machten sich die beiden an die Umsetzung. Die neue Software ist im Kern eine große Workflow-Maschine, vergleichbar mit den Status-Workflows in Jira. Es gibt rund 160 definierte Workflows für Geschäftsvorfälle wie Kunde anlegen oder Vertrag kündigen. Diese 160 Workflows wurden als der klare Nenner für die Berechnung der Testabdeckung festgelegt. Anschließend nutzten sie Process Mining, um die Nutzungsdaten aus der Produktionsumgebung zu analysieren. Das Ergebnis war erhellend: Ein einziger Workflow hatte über 600 verschiedene Durchlaufvarianten. Eine vollständige Abdeckung wäre hier illusorisch und ineffizient. Die Daten zeigten jedoch auch, dass die zehn häufigsten Varianten dieses Workflows bereits 80 % aller Fälle abdeckten. Anstatt sich also im Detail zu verlieren, konnte das Team nun seine Regressionstests gezielt auf diese Top-10-Pfade konzentrieren. Die Teststrategie wurde somit von einer vagen Vermutung zu einem datengestützten, risikobasierten Vorgehen, das sich auf die real wichtigsten Anwendungsfälle fokussiert.

## Überraschende Erkenntnisse und blinde Flecken

Die Analyse der Produktionsdaten förderte einige unerwartete Wahrheiten zutage. Sven berichtet, dass unter den am häufigsten genutzten Workflows einige waren, die das Testteam bisher kaum auf dem Schirm hatte. Ein besonders kritischer Workflow, der eine Schnittstelle zu einem externen System für Kreditprüfungen anspricht, lief in der Produktion extrem häufig, verursachte aber auch im Testbetrieb regelmäßig Probleme. Die Daten bestätigten objektiv dessen hohe Relevanz. In anderen Fällen war die Diskrepanz noch größer: Einzelne Top-10-Workflows aus der Produktion wurden im Testumfeld kein einziges Mal ausgeführt. Solche blinden Flecken wurden nun klar sichtbar und konnten gezielt adressiert werden. Das Team konnte nun fundiert entscheiden, ob ein nicht getesteter Workflow trivial ist und vernachlässigt werden kann oder ob hier eine kritische Lücke im Testnetz klafft, die dringend geschlossen werden muss. Die Diskussion verlagerte sich von pauschaler Kritik hin zu einer konstruktiven, faktenbasierten Optimierung der Testsuite.

## Praktische Schritte: So wendest du den Ansatz in deinem Projekt an

Möchtest du einen ähnlichen datengestützten Ansatz zur Verbesserung deiner Testabdeckung verfolgen? Die Erfahrungen von Sven und Athanasios lassen sich in folgende Schritte übersetzen:

1. **Problem identifizieren und hinterfragen:** Beginne bei einer unklaren Anforderung oder einem vagen Vorwurf wie die Testabdeckung ist zu gering. Stelle die entscheidende Frage: Was genau messen wir und woran?
2. **Den Nenner definieren:** Lege eine klare, messbare Basis für deine Testabdeckung fest. Das können, wie im Beispiel, technische Workflows, aber auch Geschäftsprozesse oder eine Liste von Kern-Features sein. Wichtig ist, dass eine Einigkeit im Team darüber besteht.
3. **Produktionsdaten zugänglich machen:** Sorge dafür, dass du Zugriff auf die Log-Daten oder andere digitale Spuren aus dem Live-System hast. Kläre dabei auch Datenschutz- und Sicherheitsaspekte.
4. **Nutzungsverhalten analysieren:** Setze ein Werkzeug wie Process Mining ein, um die Daten zu visualisieren. Identifiziere die am häufigsten genutzten Prozesse und ihre Varianten (die sogenannten Happy Paths und wichtigen Alternativszenarien).
5. **Produktion und Test vergleichen:** Gleiche die Erkenntnisse aus der Produktionsanalyse mit deinen bestehenden Testfällen ab. Wo gibt es Übereinstimmungen und wo klaffen Lücken? Welche hochfrequenten Pfade sind unter- oder gar nicht getestet?
6. **Teststrategie anpassen und Lücken schließen:** Priorisiere deine Testaktivitäten basierend auf den Daten. Erstelle neue Testfälle für unentdeckte, aber relevante Nutzungspfade und überlege, ob du selten genutzte, aufwendige Tests zurückstufen kannst.
7. **Prozess automatisieren:** Um nachhaltige Verbesserungen zu erzielen, solltest du den Prozess der Datensammlung, Analyse und des Reportings automatisieren. Nur so wird aus einer einmaligen Analyse ein kontinuierlicher Feedback-Zyklus, der die Qualität dauerhaft sichert.

---

 version="1.0" encoding="UTF-8"?
      .st0 {
        fill: #010101;
      }

      .st1 {
        fill: #b0c0b3;
      }

      .st2 {
        fill: #3b3a3b;
      }

      .st3 {
        fill: #3a3a3a;
      }

      .st4 {
        fill: #5e7185;
      }

      .st5 {
        fill: #f9eddd;
      }

      .st6 {
        fill: #000100;
      }

      .st7 {
        fill: #aebeb3;
      }

      .st8 {
        fill: #fefefe;
      }

      .st9 {
        fill: #7f93a8;
      }

      .st10 {
        fill: #f8f0df;
      }

      .st11 {
        fill: #fbf0df;
      }

      .st12 {
        fill: #afbfb2;
      }

      .st13 {
        fill: #f7eedd;
      }

      .st14 {
        fill: #fdfdfd;
      }
                                                                                   Botcaster

  **Zusammengefasst von Anja Schirwinski**

Ich beschäftige mich beruflich wie privat mit Künstlicher Intelligenz - von konkreten Tools im Arbeitsalltag bis zu den größeren Fragen, die dabei aufkommen. Viele der Themen, die in Podcasts besprochen werden, begegnen mir in Projekten immer wieder. Deshalb fasse ich hier die für mich interessantesten Podcastfolgen zusammen und ordne sie aus der Praxis ein.

[Mehr über das Projekt Botcaster](/ueber-uns)

##  Themen

 - [  Testen und Qualität  ](/podcasts/themen/testen-qualitaet)
- [  Softwareentwicklung mit KI  ](/podcasts/themen/softwareentwicklung-mit-ki)

**Hinweis:** *Diese Zusammenfassung wurde mit Hilfe von KI aus dem Transkript der Podcast-Episode generiert.*

Alle Inhalte auf Botcaster beruhen auf öffentlich zugänglichen Podcasts rund um Künstliche Intelligenz. Wir fassen die Episoden nach bestem Wissen zusammen, übernehmen jedoch keine Gewähr für Vollständigkeit, Aktualität oder Richtigkeit der Inhalte. Die Rechte an den Original-Podcasts und -Inhalten liegen ausschließlich bei den jeweiligen Urheber:innen.

         ## Shownotes

   In dieser Folge spreche ich mit Sven Braxein und Athanasios Kallinikidis darüber, wie sie Fußballanalysen nutzen, um die Testabdeckung in einem Softwareprojekt zu verbessern. Die Idee entstand spontan, als Thanos im Büro Clips für sein Fußballteam schnitt. Daraus wurde ein spannender Dialog: Können wir aus echten Produktionsdaten so lernen wie aus Sportstatistiken? Wir sprechen über Process Mining, Zähler und Nenner beim Thema Testabdeckung, überraschende Erkenntnisse und den Unterschied zwischen Meinung und Wissen.