IT-Trends-Blog

IT-Trends-Blog

Opinions expressed on this blog reflect the writer’s views and not the position of the Capgemini Group

Predictive Analytics: Unter Zeitdruck das Richtige testen

Eine schnelle Markteinführung ist das A und O bei der Entwicklung digitaler Plattformen. Für das Testing bedeutet der Zeitdruck aber, dass es sich auf einen bestimmten Aspekt der Plattform und ein annehmbares Qualitätslevel konzentrieren muss. Denn dauert die Testphase zu lange drohen sehr unangenehme wirtschaftliche Konsequenzen wie der Verlust von Marktanteilen, unzufriedene Kunden, die zu lange auf Services warten, oder höhere Abbruchquoten zum Beispiel im Bestellprozess. Woher weiß ich also auf welchen Aspekt des Testings ich den Fokus legen soll, um Zeitdruck und Qualitätsanspruch miteinander in Einklang zu bringen? Laut dem neuen World Quality Report stehen vor genau diesem Problem derzeit viele Unternehmen. Viele von ihnen haben zum Beispiel noch keine digitale Teststrategie für das Internet der Dinge entwickelt, und das obgleich IoT-fähige Geräte einen integralen Bestandteil ihrer Geschäftsprozesse ausmachen.

Meiner Einschätzung nach setzen viel zu wenig Unternehmen im Testing auf Predictive Analytics. Das sollte sich ändern, denn: Predictive Analytics umfasst eine ganze Reihe von Techniken, von der Statistik bis zum Data Mining, die aktuelle und historische Daten analysieren und auf dieser Basis Vorhersagen über zukünftige Ereignisse treffen. Und genau damit ebnen Sie den Weg zur strategischen Optimierung. Was soll in welcher Qualität getestet werden, wie ist die Testmatrix aufzubauen und an welcher Stelle beginnt die Prüfung?

Zur Veranschaulichung habe ich im Folgenden sieben Anwendungsfälle zusammengestellt, in denen sich Predictive Analytics zum Testen digitaler Systeme eignet:

Fall 1) Multi-Kanal (hauptsächlich Mobile- und Web Predictive Analytics): Mit Analytics-Werkzeugen können Metriken in Form von Heatmaps bereitgestellt werden. Diese zeigen die meistgenutzten Geschäftsprozesse und geben Auskunft über die Funktionalitäten und Statistiken der Betriebssysteme, die über verschiedene Kanäle und Regionen hinweg genutzt werden. Dieses Wissen ist essentiell, um die Testabdeckung für funktionale, Benutzerfreundlichkeits-, Zuverlässigkeits- und Volumentests festzulegen.

Fall 2) Defect Prediction Analytics: Dies steht für das intelligente Data Mining von Fehlerdaten aus der Vergangenheit, die aus dem Application Lifecycle Management (ALM) stammen. Anhand dieser können Entwickler Vorhersagen über die wahrscheinliche Fehlerquote und Lösungsansätze machen. Außerdem können sie so jene Fehler identifizieren, die mit großer Wahrscheinlichkeit zu schwerwiegenden Problemen in der Produktion führen.

Fall 3) Test Estimation Predictive Analytics: Um die Zukunft besser einschätzen zu können, kombiniert diese Technik Predictive Analytics mit Produktivitätsdaten, die aus verschiedenen Application Lifecycle Management Tools stammen. Dies hilft dabei, einzuschätzen, ob Release Deadlines eingehalten werden können und wie es um die Produktivität von Teams bestellt ist.

Fall 4) Test Coverage Predictive Analytics: Hier korrelieren Entwickler die Daten aus ALM-Tools mit den Testfällen, die bei den letzten Releases die meisten Fehler produzierten. Auf dieser Basis können Sie eine risikobasierte Test-Matrix entwickeln.

Fall 5) Service Level Agreement (SLA): Analyseverfahren lassen sich auch gut zur kontinuierlichen Überwachung einsetzen, um SLAs zu konzipieren: Hierbei wird Predictive Analytics für Produktionsdaten genutzt, um geschäftsbezogene SLAs für kritische Unternehmensprozesse aufzusetzen. Dies ist ein wichtiger Baustein für die Leistungsmodellierung.

Fall 6) Security Testing: Security Testing ist insbesondere mit seinen Penetrationstests ein wichtiger Bestandteil jeder digitalen Strategie. Predictive Analytics kann helfen, bereits bekannte Bedrohungen zu evaluieren und neue Schwachstellen im Netzwerkbetrieb an Firewalls, Load Balancern, Server-Hardware und Applikationen zu identifizieren. Mit diesen Erkenntnissen können Entwickler eine Hochrisiko-Testmatrix für Schwachstellen entwerfen.

Fall 7) Data Warehouse Testing: Hier werden statistische und OLAP-Tools genutzt, um wesentliche Trends zu identifizieren. So kann ein Tester zum Beispiel Spalten mit bestimmten unverwechselbaren Werten ermitteln, die höchstwahrscheinlich einen großen Einfluss auf den Testfall und die Datenabdeckung haben. Analysiert ein Entwickler diese mittels statistischer Verfahren wie etwa orthogonalen Feldern, kann er den Testaufbau optimieren und die Testgeschwindigkeit steigern.

Neuartige Testmethoden sind im Kontext der Digitalisierung notwendig, um mit den Anforderungen des Marktes Schritt halten zu können und vorhandene Ressourcen bestmöglich – also effizient und effektiv – einsetzen zu können. Im Buch „Predictive Analytics: The Power to Predict who will click, buy, lie or die“ schreibt Eric Siegel: „Ein Unternehmen, das seine vorhandenen Datensätze nicht auf diesem Weg gewinnbringend analysiert, gleicht einem Menschen mit fotographischem Gedächtnis, der niemals denkt.“ Der mitdenkende Tester nutzt also Predictive Analytics, um seine digitale Teststrategie zu entwickeln und insbesondere in Zeiten von agiler Entwicklung und DevOps zu perfektionieren.

Wie entscheiden Sie, was Sie in kurzer Zeit testen und was nicht? Ich freue mich auf Ihre Antworten!

Über den Autor

Veit Siegenheim
Veit Siegenheim
Vice President / Head of CIO Advisory Services

Kommentar hinterlassen

Ihre E-Mail-Adresse wird nicht veröffentlicht. Pflichtfelder sind mit einem * gekennzeichnet.