QA 团队基于 DataLeap 开放平台能力的数据测试实践

背景 &痛点

随着生态体系扩展和业务发展，数据在业务中承担的决策场景越来越多样化，一部分数据已应用在资损、高客诉等高风险场景，因此对数据质量的要求，尤其是高风险场景的质量要求非常之高。但在保障过程中往往面临以下痛点：

1. 无标准化流程，管控能力较弱

• 研发 QA 人力比高达 20:1，因此 QA 采用分级保障策略，QA 人力向高风险需求、资产变更倾斜，但是各业务对分级保障流程各有定义，且落地方式多为线下沟通人工约束，缺少标准化流程；

• 基于需求的研发测试在风险识别、提测内容、QA 测试等环节依赖人工判断和互相通知，有高风险需求遗漏出错的风险；资产的变更管控策略各有不同，复查人随意可选，且复查人判断的依据只有 CodeRview 信息，整体来看管控能力较弱。

• 2.?测试过程低效，测试管理杂乱

• 研发自测、QA 测试过程多为手动写 sql 模式，效率低下且测试过程分散，需要在等多个平台操作切换，缺乏一站式的测试工具；

• 测试用例设计多为个人经验，分散在各个测试报告中，无统一的用例管理；各业务测试报告各有不同，大多按照研发、QA 的个人经验输出，可读性不高，缺乏统一的测试管理。

解法

方案

流程标准化

整体设计

DataLeap 开放平台支持用户自定义扩展程序能力，扩展程序可以订阅 DataLeap 侧 OpenEvent 监听用户操作、通过 OpenAPI 与 DataLeap 开放平台进行丰富的交互实现用户行为管控；还提供将 N 个扩展程序以流水线的形式编排的能力。基于此，QA 测试环节以扩展程序「摩斯数据测试」落地，并且通过流水线的能力接入：

1. 研发测试流程

• 使用前：人工约束，需求和资产变更的研发测试流程靠人判断、登记、通知、协同；

  使用后：全自动化的分级保障，从开发、自测、QA 测试、发布过程全自动化模式。

• 2.?管控能力

• 使用前：人工判断管控粒度；

  使用后：拓展程序自动决策管控粒度，通过对项目管理平台（meego）需求、任务的风险识别，自动判断管控分级策略，分为 QA 测试的强管控和研发自测 QA 验收的弱管控。

风险识别

「摩斯数据测试」拓展程序接入流水线可实现研发测试流程自动化和管控分级，但是对强弱管控的判断依据，如何比人工判断精准度更高？这就是接下来要思考的如何做风险识别？我们围绕「新增风险」和「存量风险」，设计以下风险识别规则：

• 新增风险：基于 Dataops 中需求管理功能的设定，所有变更的风险都来源于项目管理平台，我们把项目管理平台信息抽象成代码可识别的规则项；

• 存量风险：围绕「资产」从质量角度对资产分级打标、风险盘点，并把任务标签、当前风险项、历史风险等作为代码可识别的规则项，作为风险识别的依据之一。

测试平台化

架构设计

从全流程测试管理能力要求出发，我们把测试过程总结为以下几个部分：

Step 1 ：测试准入，提测内容，冒烟测试

Step 2：测试过程，case 生成、单元测试，集成测试，回归测试

Step 3：测试准出，测试报告，影响面评估

Step 4：上线保障，case 转监控

基于这个过程，「摩斯数据测试平台」架构设计如下：

落地实现

「摩斯数据测试平台」1.0 版本已上线，基本实现了 QA 测试全过程的自动化能力，目前落地实现效果如下：

业务案例

背景

以 QA 团队在某直播业务中参与质量保障过程为例，QA 同学面临高风险需求多、高风险资产多、变更频次多的情况，以 2023 Q3 为例，高风险需求 55+个，高风险资产 296+个（占比 2.6%），变更次数 503+次；QA 同学面临如何保障高风险变更可管控无遗漏，同时又解决 QA 人力负载高测试成本高的问题？

应用

Step 1 ：基于项目管理平台、任务的高风险标签流程落地

高风险标签流程：

• 项目管理平台要求业务提需时明确高风险场景，规范项目管理平台标签

• 直播任务标签，由 QA 统一推进，落地「资损」「高客诉」标签

Step 2： 协同研发，共建流水线流程

直播数仓流水线采用分级管控的策略，QA 节点对变更任务全面覆盖：

• D1～D3 任务，调试管控，提交管控 codeCT/自测检查/ QA 测试

• D4 D5 任务快速发布，提交管控 codeCT/QA 测试

Step 3：明确高风险规则，明确 QA 触达规则

1. 高风险规则的自定义配置：

项目管理平台需求高风险标签

• 命中风险标签，均走流水线 QA 测试管控

• 未命中强管控规则，自动快速跳过

任务高风险标签

• 发布变更管控，使用发布复查能力，QA 参与变更复查

• QA 触达规则：明确 QA 接口人信息

同一需求任务变更过程，包括提测、修复信息全部集成流水线、机器人触达消息到指定 QA 同学

Step 4：研发团队宣讲流程，推进落地；QA 团队落地使用，助力测试提效

1. QA 同学在直播数仓方向多个小组宣讲，推进基于流水线能力的研发测试流程落地

2. 直播 QA 同学的测试过程由线下转向平台，节省了编写 case、case 执行、报告编写、监控配置的人工执行过程，对测试效率提升有一定帮助

收益和规划

基于扩展程序的「摩斯数据测试」1.0 版本在 7 月初上线以来，已初步具备流程标准化、测试平台化能力；截止 8 月底平台已覆盖了 DataLeap 8 个项目空间，1334 个任务管控，QA 强管控 470 例，自动转监控 380 例，粗略统计目前已经在测试过程节省 QA 同学约 30%的人力投入。

未来将围绕平台的稳定性建设，实时数据测试的支持能力，基于通用经验、语义分析和代码契约智能生成测试场景等能力等继续推进，未来向测试智能化发展。