基于大数据的用户触点回归用例设计模式.docx

基于大数据的用户触点回归用例设计模式一、背景? ? ?? 为了确保每次移动业务上线修改的代码没有引入新的错误，除了要对新功能进行针对性的功能测试外，也需要对系统原有的功能进行回归测试。回归测试可以有效保障上线后原有业务功能正常、系统运行稳定，降低系统维护成本。? ? ? ? 虽然通过回归测试环节，有效降低了了上线次日出现业务故障的频率，但是仍有一部分故障成了漏网之鱼。经过分析，主要原因现有回归测试用例与用户实际操作习惯不一致，回归测试用例未有效覆盖生产上的大部分操作场景。测试人员在设计用例时，依靠的是业务的操作手册以及自己对业务功能理解，这就造成了用例与生产实际的拟合度难以保证的情况。二、解决方案? ? ?? 为了设计更贴近用户的用例，需要对用户偏好、行为模式进行深入的分析。具体来说就是从用户触点出发，梳理业务关联的功能点，并在此基础上对生产实际的用户查询受理记录、接口报文日志等内容进行分析，还原用户的操作轨迹，再通过大数据统计的方式得出用户偏好，从而设计出更精准的回归测试用例。1、业务的功能拓扑分析对业务分析的第一步，要了解这个业务面向的用户是哪些、有哪些受理入口、具体业务逻辑是怎样的等，接着进一步通过对功能点、测试因子的分析，形成业务的功能拓扑图。受理渠道+菜单名：确定业务可以从哪些系统、哪些菜单入口进行查询受理，这是后续每一个用例操作步骤的基础。功能点：业务包含哪些功能点，每一个功能点可以通过哪些“受理渠道+菜单名“实现。测试因子：要实现功能点的测试，需要有哪些输入数据，该输入数据称之为测试因子。2、测试因子提取与统计在对业务功能点测试过程中，不同的测试因子可能会出现不同的测试结果，确定了不同测试因子的取值即形成了用例的输入数据集合。??? 测试因子可以分为必选因子和可选因子。必选因子指的是必须填写的信息，如果不填写，业务无法正常受提交受理；可选因子指的是可以选填的信息，为空或者填写，业务均可以正常受理提交；?? 因子按照因子值类型的不同分为枚举值、文本、编号（如手机号、工号、营销案编号等）、数字（金额等）、时间；?? 文本、编号、数字、时间，需要进行相应的等价类转换分析。在因子分析的时候需要明确每个因子在后台数据库的取数方式，确保每个因子值都可被统计。例如，GMS开户业务中开户功能的因子如下：3、测试因子值的数据统计? 单因子值统计根据业务受理记录表等后台表数据统计生产上因子的取值，有两类数据需要经过转换。1）经过等价类分析的因子值需根据等价类进行归类统计；2）非必选的因子除了正常的取值统计外，需增加一个为空的因子值的统计。开户业务的关键因子因子值分布如下：注：增值策划有多个组成，上面表格暂时未列? 全量因子占比统计对所有测试因子的整体占比进行数据统计，开户业务所有测试因子的因子值占比统计如下：? 因子关联性分析关联性又可以称为提升度，是指如果两个事物之间存在一定的关联，那么其中一个事物就能通过其它事物进行预测。它的目的是为了挖掘隐藏在数据间的相互关系。就测试因子分析来说，当因子A在取值为X的条件下，因子B取值为Y的可能性与没有这个条件下，因子B取值为Y的可能性之比，当比值为1的时候说明两者相互独立，当比值越大（>1），说明取值Y对取值X的依赖程度越大。因子值的关联性表现了移动用户使用习惯上的偏好关系。对两两因子的取值进行关联数据的分析，开户业务的几类典型因子提升度统计如下。1)?开户时选择新建账户，并且订购了标准彩铃的用户占整体用户量的68%，但是两者的提升度为1，说明两者是互相独立的；2)?开户时选择4G飞享套餐作为基础套餐，并且订购手机上网自选30元包（500M）的用户占整体用户量的35%，且两的提升度为1.9，说明选择了4G飞享套餐的用户更喜欢订购手机上网自选30元包（500M）；3)?在新营业厅开户，且账户的支付方式为统一支付的用户占整体用户量的2%，虽然提升度有4.22，两者关系依赖强烈，但是整体占比过低。根据上述三类两两关系分析结果，只有第二种情况具有进一步测试覆盖的必要。4、用例的设计编写原则对业务的每个功能点进行测试因子的提取与分析，就单个功能点来说，需要从以下几个方面进行逐层覆盖：1）覆盖80%的实际用户场景：根据“全量因子占比统计”的结果，选取前N个用户使用场景，使得前N个场景的占比之和不小于80%。2）对关联性强的因子值进行用例补充覆盖：根据“因子关联性分析”的结果，对占比不小于0.2且提升度不小于1.5的因子（占比大于0.2是说明该场景至少有20%的用户群，提升度不小于1.5说明两个因子值之间的依赖关系明显）进行用例的补充覆盖。3）对单因子值进行例补充覆盖：根据“单因子值统计”的结果，对单因子值占比不小于1%的因子值进行用例补充覆盖。4）实现受理入口的100%覆盖：根据业务的功能拓扑分析梳理的