Egy piacvezető állásportál működése során a hirdetések feldolgozása nem csupán üzleti folyamat – ez a szolgáltatás alapköve. Ha a hirdetésfeldolgozási rendszerekben vagy a háttéralkalmazásokban hiba lép fel, az közvetlenül befolyásolja a felhasználói élményt és a vállalatok toborzási hatékonyságát.
Ebben az esettanulmányban bemutatjuk, hogyan elemeztük egy állásportál tesztelési folyamatait, milyen jelenlegi kihívások fedezhetők fel a működésben, és milyen szakmai tanácsokat, stratégiai javaslatokat fogalmaztunk meg a minőségbiztosítás fejlesztésére.
Háttér
A hozzánk forduló állásportál működésének hátterében összetett technológiai ökoszisztéma áll. A fejlesztési és tesztelési fókusz kiterjed a külső forrásokból érkező hirdetések feldolgozására, a PHP verziófrissítésekre, valamint a belső folyamatokat vezérlő back office rendszer működésére.
A tanácsadás során az állásportál szoftver teszteléssel foglalkozó csapata felvázolta számunkra a jelenlegi működési modellt és azokat a szűk keresztmetszeteket, amelyek nehezítik a mindennapi minőségbiztosítást. Tanácsadó projektünk célja az volt, hogy külső szakértőként auditáljuk a folyamatokat, és hatékony, hosszú távú megoldási javaslatokat tegyünk a minőség biztosítására.
A tesztelési csapat felépítése
Az állásportálnál egy tíz-húsz fős tesztelői csapat dolgozik, amely szoros együttműködésben működik a fejlesztéssel. A csapat struktúrája a következőképpen tagozódik:
- Tesztvezető – a stratégia és a folyamatok koordinálásáért felel.
- Manuális tesztelők – öt különböző csapatba integrálva dolgoznak, a feladatokat óraalapon és story pointban becslik.
- Automata tesztelők– az automata tesztek fejlesztéséért és a GitLab CI pipeline-okért felelnek.
Bár a struktúra adott, a manuális és automata ág közötti szorosabb integráció, valamint a strukturált módszertan hiánya jelenleg is nehézségeket okoz a napi munka során.
Jelenlegi problémák: követelmények szétszórtsága és lefedettségi hiányok
Az elemzésünk alapján a legfőbb, jelenleg is fennálló probléma a követelmények fragmentáltsága és a verziókövetés hiánya.
Az üzleti elvárások különféle helyeken – Confluence-ben, OneDrive-on és SharePointon – vannak szétszórva, így a dokumentációk nem naprakészek. A követelmények és a tesztesetek között nincs közvetlen, nyomon követhető kapcsolat, ami miatt a tesztlefedettség pontos mérése jelenleg nem megoldott.
További problémát jelent, hogy a regressziós tesztek éjszakai futtatása sorosan történik, ami jelentős torlódást okoz a pipeline-ban. Emellett a néhány évvel ezelőtti projektek követelményei hiányoznak, így a meglévő rendszer működése és a korábbi fejlesztések nem visszakövethetőek.
A javasolt stratégia: követelményalapú tesztelés
A jelenlegi problémák kiküszöbölésére egy követelményalapú tesztelési stratégia bevezetését javasoltuk. Ennek elengedhetetlen feltétele, hogy a hiányzó követelményeket utólagosan pótolni kell, az újakat pedig már az első pillanattól kezdve strukturált formában kell rögzíteni.
Ennek a megközelítésnek a szükségességét a következő kulcsfontosságú előnyök indokolják:
- Teljes visszakövethetőség (Traceability): Közvetlen, kétirányú kapcsolat jön létre az üzleti igények (Jira user story-k) és a tesztesetek között. Bármilyen hiba vagy változtatás esetén azonnal látható, hogy mely üzleti funkciók és tesztek érintettek, megkönnyítve a hatáselemzést és a hibajavítást.
- Mérhetőség és lefedettség (Test Coverage): Lehetővé válik a tesztlefedettség pontos és objektív mérése. A tesztcsapat és a vezetőség valós időben követheti nyomon, hogy a követelmények hány százaléka van lefedve tesztekkel, és hol találhatóak kritikus vakfoltok.
- Strukturált hibaelemzés (Bug-Requirement mapping): Pontos statisztikákat kapunk arról, hogy mely követelmények vagy modulok mentén fordul elő a legtöbb hiba. Ez segít azonosítani a szoftver leginkább instabil részeit, így a fejlesztési és tesztelési erőforrások célzottabban csoportosíthatók.
- Kockázat alapú priorizálás: A követelmények üzleti fontossága alapján rangsoroljuk a regressziós és manuális tesztelési feladatokat, ad-hoc tesztelés helyett.
Javasoltuk, hogy egy követelmény-lefedettségi mátrix segítségével minden üzleti követelmény közvetlenül legyen összekapcsolva a hozzá tartozó tesztesetekkel.
Például:
| Követelmény ID | Funkció / Feltétel | Teszteset | Várható eredmény |
| REQ-DISC-01 | Kedvezménykód érvényesítése | Valid kupon megadása fizetéskor | Kedvezmény sikeresen levonva |
| REQ-DISC-01 | Kedvezménykód érvényesítése | Lejárt kupon megadása fizetéskor | Hibaüzenet megjelenítése |
Ez a megközelítés biztosítja, hogy a tesztelés a specifikált üzleti követelmények verifikálható igazolása legyen.
Eszköz-, módszertani és automatizálási javaslatok: Testomat, Postman és GitLab
A tesztelő csapat már megkezdte a Testomat integrációt, ezt szakmailag megerősítettük, mivel az eszköz kiválóan alkalmas a követelmények és a tesztesetek összekapcsolására. A Testomat dedikált Requirements modulja natív támogatást nyújt a követelmények kezelésére és lehetővé teszi a Jira user story-k, Confluence oldalak vagy akár importált dokumentumok (pl. PDF, Markdown, Word, stb.) közvetlen társítását a tesztesetekhez.
Szakmai tanácsadásunk során kiemelt fókuszt helyeztünk a tesztelési piramis (Testing Pyramid) elveinek megfelelő struktúra kialakítására, megerősítve a tesztelő csapatot a hatékony erőforrás-elosztásban:
- Integrációs és API-szintű tesztelés hangsúlyozása: Javasoltuk, hogy a tesztelési erőfeszítések jelentős része az integrációs (API) rétegben összpontosuljon. Itt szükséges elvégezni a robusztus API-teszteket – beleértve a nagyszámú negatív tesztesetet és a komplex végpontok közötti (E2E API) folyamatokat. Az API tesztelés gyorsabb visszajelzést ad és könnyebben karbantartható, mint a felületi tesztek.
- A meglévő Postman gyakorlat megerősítése és automatizálása: Az egyik projekten már jelenleg is komoly értékkel bír az a gyakorlat, hogy a csapat sok API tesztet készít Postman segítségével. Szakmai javaslatunk az volt, hogy ezeket a teszteket ne manuálisan futtassák, hanem teljesen automatizált módon építsék be a CI/CD folyamatba (például GitLab CI pipeline-okba), így minden kódmódosításnál azonnali regressziós visszajelzést adva.
- UI automatizálás racionalizálása: A piramis tetején lévő, költségesebb és lassabb grafikus felületi (UI) automatizációt javasoltuk alacsonyabb szinten tartani. A UI tesztek fókusza elsősorban a kritikus, pozitív üzleti utak (happy path) lefedésére terjedjen ki a regressziós ellenőrzések során, míg a ritkább vagy negatív esetek ellenőrzése tolódjon le az API rétegre vagy maradjon a manuális tesztelők kezében.
Szakmai javaslataink a technológiai megvalósításra:
- Testomat és Jira kétirányú integráció – az on-premise Jira környezetben a Testomat plugin bevezetése biztosítja, hogy a Jira felületeken közvetlenül látszódjanak a kapcsolódó tesztek és azok futási eredményei. (Forrás: Testomat.io Jira Integration Docs)
- Követelmény-lefedettség nyomon követése és Traceability – a Testomat beépített riportjainak használata segít a tesztlefedettségi rések (coverage gaps) azonosításában és a nyomonkövethetőségi mátrix vizualizálásánál. (Forrás: RTM Guide – Requirements Traceability Matrix)
- Pipeline optimalizálás – a GitLab pipeline-okban a Postman API tesztek éjszakai, soros futásának párhuzamosítása segít csökkenteni az átfutási időket és elkerülni a pipeline torlódásokat.
Környezetek és adatbiztonság
A tesztkörnyezetek hitelességének biztosítására javasoltuk a jelenleg használt anonimizált adatbázis-másolatok (napi, heti, éves verziók) megőrzését, mivel ezek garantálják a GDPR-konform működést úgy, hogy közben az éles környezethez leginkább hasonlító adatokat biztosítják.
A biztonsági területen a jelenlegi manuális megközelítés mellett a dedikált IT security szakértő szerepkörének megerősítését tanácsoltuk, kifejezetten a folyamatos biztonsági ellenőrzések fejlesztésére. A performancia tesztelés során javasoltuk a kiemelt fókusz megtartását a kritikus területeken (pl. hirdetéskereső listaoldal).
Innovációs javaslatok: AI és videóalapú tudásmegosztás
A minőségbiztosítás hatékonyságának növelésére két innovatív megoldás pilotálását javasoltuk a csapatnak:
- AI-alapú támogatás és AI-Requirements – a Testomat beépített mesterséges intelligencia funkcióinak vizsgálata, amelyek képesek a feltöltött követelményspecifikációkat vagy Jira ticketeket elemezve automatikusan teszteseteket generálni, a lefedettségi hiányokat azonosítani, valamint a regressziós teszteket kódváltozások alapján priorizálni. (Forrás: Testomat.io AI-Requirements Docs)
- Videóalapú tudásmegosztás – a manuális tesztelők képernyő- és hangfelvételeinek felhasználása a hiányzó követelmények és user guide-ok automatikus előállítására.
Szakmai javaslatok és akciópontok
A tesztelő csapat számára az alábbi konkrét lépések megtételét javasoltuk a minőségbiztosítási folyamat fejlesztésére:
- Folyamat bevezetése: Annak biztosítása, hogy az új követelmények már a megfelelő struktúrában szülessenek meg a projektregisztrációs alkalmazásban.
- Pilot projekt indítása: A Testomat eszköz és az új követelményalapú folyamat tesztelése a kedvezményrendszer modulban.
- Integrációs teszt: A Testomat on-premise Jira plugin működésének ellenőrzése.
- Hiányzó követelmények pótlása: A régi projektek követelményeinek visszamenőleges pótlása és migrációja.
- Mérőszámok bevezetése: A követelmény-teszteset kapcsolatok és az automatizáltsági arány nyomon követésének elindítása.
Hivatalos Testomat.io Termékforrások
Az esettanulmányban hivatkozott Testomat.io képességek hivatalos leírásai és dokumentációi:
- Jira Kétirányú Integráció: Testomat.io Jira Docs
- Követelmény-lefedettség és Traceability: Requirements Traceability Matrix (RTM) Guide
- AI-Requirements Támogatás: Testomat.io AI-Requirements Setup
Összegzés
Az állásportál projekt minőségbiztosítási auditja rávilágít arra, hogy a stabil működés kulcsa a követelményalapú tesztelési stratégia kialakítása. A csapat által választott Testomat eszköz kiváló alapot nyújt a nyomon követhetőség biztosítására, a hiányzó dokumentációk pótlása és a folyamatok strukturálása pedig hosszú távon garantálja a rendszer megbízhatóságát és az üzleti értékek védelmét.
