Es ist selten genug Zeit da, um so gründlich zu testen, wie wir gerne würden. Verantwortung für Tests umfasst daher auch immer die Verantwortung für Test-Lücken. Das ist oft schmerzhaft. Gibt es Ansätze, die uns helfen können, intelligenter zu testen?

Big Data und Machine Learning versprechen Erkentnisgewinn durch die intelligente Auswertung von großen Datenmengen. In der Forschung gibt es auch tatsächlich Ansätze, die versuchen, relevante Erkenntnisse aus den Daten zu extrahieren, die bei Entwicklung und Test anfallen (z.B. Versionshistorien, Issues, Review-Kommentare, Coverage, Stack-Traces). Doch was bringen Defect Prediction, Failure Clustering, Test Impact Analysis usw. in der Praxis?

Wir selbst haben in den letzten Jahren viele der wichtigsten Ansätze implementiert und in unserer eigenen Entwicklung und bei Kunden evaluiert. In dieser Keynote stelle ich zentrale Ansätze, Forschungsergebnisse und Anekdoten, Erfolgsgeschichten und Fehlschläge vor.

Folien

Weiterführende Links

• Paper zu Test-Gap-Analyse und Ticket Coverage
• Einführung Test-Gap-Analyse
• Einführung Ticket Coverage
• Nachlese zur Test-Gap-Analyse inkl. Video
• Best Practices bei der Einführung der Test-Gap-Analyse
• Test-Gap-Analyse mit Teamscale
• Test-Gap-Analyse für SAP BW Systeme