Découvrez GoogleTest certifié TÜV avec Agentic AI pour les tests C/C++ !
Plus de détails »
Blog Parasoft
Évitez les problèmes de qualité logicielle en testant plus tôt dans le SDLC et en automatisant. Voici un guide détaillé sur la façon dont les organisations peuvent mesurer l'impact de l'automatisation des tests sur la qualité des logiciels.
Aller à la section
Se décrivant lui-même comme un « technologue par accident », Justyn Trenner est directeur du développement d'entreprise chez QA Financial, une entreprise spécialisée dans les technologies DevOps, l'automatisation et l'IA. Fondée en 2015, l'entreprise vise à améliorer la façon dont les entreprises de commerce électronique et financières surveillent, découvrent et gèrent le développement, les tests et la livraison de logiciels.
Avec un tel objectif, il n'est pas étonnant que certains de leurs partenaires incluent des entreprises du monde entier, notamment Eggplant, IBM et Parasoft. Leur partenariat avec la Banque d'Angleterre se concentre sur la résilience numérique et le rôle des références inspectables dans DevOps.
QA Financial reconnaît que l'automatisation et les tests automatisés sont des outils essentiels pour atténuer les risques liés au processus de développement. En effet, détecter les problèmes au plus tôt permet de mieux prévenir les incidents de déploiement et les fuites de données.
Les leçons d'ING et de Bank of America
Les défauts de qualité peuvent entraîner des correctifs coûteux et également la perte de choses non quantifiables comme la confiance dans les produits ou les services. Bien qu'il s'agisse d'une partie importante du développement logiciel, comment pouvez-vous démontrer l'efficacité d'une approche d'ingénierie de la qualité ?
Plus important encore, comment établir un retour sur investissement (ROI) pour discerner quels sont les bons investissements en termes de budget et d'efforts pour promettre des performances de qualité constante ?
Les tests et la correction des API peuvent représenter deux fois plus de dépenses liées à la qualité par défaut que les autres défauts. L'approvisionnement en données est également une source importante de gaspillage (développement inefficace) et de dépenses redondantes.
—Justyn Trenner, assurance qualité financière
L'utilisation de QA Vector® Analytics a permis aux entreprises de déterminer la répartition optimale de leurs dépenses, le fournisseur le plus adapté et le modèle opérationnel le mieux approprié. Bien que l'IA joue un rôle clé, la méthodologie repose essentiellement sur la prédiction des risques, la résilience et le respect des délais.
Lorsque l'on pose les questions liées à la résilience opérationnelle, la question des normes abrégées est essentielle. Il s'articule autour de plusieurs questions clés.
L'analyse vectorielle QA de QA Financial fournit les moyens de répondre à ces questions, améliorant ainsi la résilience numérique avec des références inspectables.
Découvrez comment votre équipe peut mettre en œuvre ces indicateurs de performance pour mieux démontrer le retour sur investissement en matière de qualité. Visionnez la présentation de Justyn , « Évaluation comparative de la valeur de l'ingénierie de la qualité », lors du Sommet 2021 sur les tests logiciels automatisés et la qualité . Voyez pourquoi le vieil adage « Vitesse. Coût. Qualité. Choisissez-en deux, car on ne peut pas tout avoir » n'est plus d'actualité dans le domaine du logiciel.
Quantifier combien vous devriez dépenser pour des efforts de qualité peut sembler difficile à faire. Les données montrent que les tests et la correction des API peuvent représenter le double du coût par défaut que d'autres types de défauts. Cela entraîne une perte de temps, d'efforts et de budget sur des procédures inefficaces et des problèmes facilement résolus qui auraient pu être traités à l'avance.
Bien qu'il puisse sembler judicieux de faire des économies ou de s'en tenir à ses habitudes, cela risque de vous coûter cher à terme, en argent, en talents, en clientèle, voire les trois. QA Vector Analytics permet aux entreprises et institutions financières de mesurer leurs performances en matière de qualité par rapport à leurs concurrents et pairs, tous projets et approches de développement confondus.
Les leçons d'ING et de Bank of America
En essayant de créer des normes analysables pour des mesures de retour sur investissement de qualité, le plus grand obstacle était de voir comment la méthodologie d'une équipe affectait le développement. Après tout, ce qui fonctionne bien pour une équipe peut être totalement impossible pour une autre.
Cette méthodologie traditionnelle de développement de logiciels est souvent utilisée par les entreprises au niveau de l'entreprise pour son flux linéaire qui a des objectifs définis.
Avant que la phase suivante puisse commencer, la précédente doit être totalement achevée. Il n'y a pas non plus d'option pour revenir en arrière et modifier le projet. Cette rigidité peut entraîner un développement coûteux et lent.
La méthodologie Agile est une option courante qui permet aux équipes de développement de minimiser les risques tels que les dépassements de coûts, les bogues et les changements d'exigences à mesure qu'ils ajoutent de nouvelles fonctionnalités. Cela signifie que les équipes poussent les changements par petits incréments et itérations. Les exemples incluent Crystal, Scrum, le développement piloté par les fonctionnalités (FDD), etc.
Ce processus condensé entraîne généralement de faibles coûts d'investissement tout en produisant un produit de haute qualité. RAD ne contient que quatre phases. Bien que rapide et idéal pour les projets avec des objectifs bien définis, RAD nécessite une équipe très stable de développeurs experts.
Une telle exigence de connaissances approfondies et la capacité de travailler et de pivoter rapidement en cas de besoin peuvent ne pas convenir à toutes les équipes.
DevOps est à la fois un ensemble de pratiques pour soutenir la culture organisationnelle et une méthodologie de développement. À la base, cette approche se concentre sur la collaboration, l'amélioration des délais de mise sur le marché et la réduction des taux d'échec des nouvelles versions.
Automatiser la livraison continue signifie souvent automatiser les tests continus, ce qui aide les équipes à détecter les bogues et les menaces potentielles plus tôt dans le processus. Cependant, les tests manuels sont toujours une partie cruciale du processus en tandem avec les tests automatisés.
Passer à DevOps en pensant que vous pouvez licencier des experts de qualité ou en pensant que vous pouvez simplement les transformer en développeurs conduit à un manque d'expertise en test et à un coût de réparation élevé puisque vos ingénieurs les plus chers font tout ce travail de réparation.
—Justyn Trenner, assurance qualité financière
QA Vector Analytics fournit les informations que les entreprises peuvent utiliser pour rationaliser leurs flux de travail et leurs méthodologies.
L'image ci-dessus montre les performances des entreprises avec différents modèles. Par exemple, vous verrez que les FinTechs utilisant le modèle hybride ont obtenu de très bons résultats pour l'évasion des défauts dans l'ensemble, les défauts triviaux étant leur meilleur domaine de performance. Cependant, lorsque vous examinez les défauts critiques, les FinTech du modèle hybride ont obtenu de mauvais résultats.
La raison en est la rapidité de la correction, avec une date de sortie, puis une deuxième date de sortie quelques jours plus tard. Les utilisateurs sont alors considérés comme des testeurs. Une option risquée si vous êtes préoccupé par les risques de sécurité, les violations de données, etc.
À l'instar des études de cas telles que Caesars Entertainment de Parasoft et la mesure du retour sur investissement de l'automatisation des tests , l'accent est mis sur la démonstration du retour sur investissement auprès de la direction grâce à QA Vector Analytics. Cette nouvelle approche permet d'atteindre les trois objectifs clés. Investissez dans votre démarche qualité grâce aux tests d'API, à la virtualisation des services et bien plus encore.
