大数据测试的范围可不简单，大致总结为四点
小伙伴们对传统测试已经非常熟悉了，从测试手段来区分：功能测试、性能测试、自动化测试、安全测试、接口测试就有多种。那么大数据测试到底测啥以及如何测，非常遗憾的告诉伙伴们，目前业界没有通用的方法定义大数据测试，本篇借鉴传统测试的思想跟大伙一起探讨下大数据测试的范围。
目录如下
1、传统测试范围的定义
2、大数据的功能性与易用性
3、大数据的可靠性与效率
4、大数据的可维护性与可移植性
1 传统测试范畴的定义
ISO9126软件质量模型标准定义了软件评估的6大特性分别是：功能性、易用性、可靠性、效率性、可维护性、可移植性，也就意味着软件测试基本上围绕着这6个特性展开。
2 大数据的功能性与易用性
我们借鉴ISO9126软件质量模型，看看大数据的功能性、易用性需考虑方面。
2.1 功能性
说明：ISO9126 里面指满足需求文档和相关标准能力，分别从适合性、准确性、互操作性、保密安全性、功能的依从性去定义，好比测试一台手机：确保它功能完整（能打电话、发短信、运行app、拍照..），满足用户日常的需求，并且符合互操作性(确保打电话的时能运行手机上的app)，发出去的短信传输过程是通过加密、安全的，并且该手机的功能在国际上具备一定的规范一致性。
2.2 数据全面性
质疑下拿到的爬虫数据对应的友商是否全面，除了友商A的数据应该获取，友商B、C、D的数据是否有考虑；每个友商选取的对标门店是否具有代表性，需考虑；通常在需求评审阶段提出。
2.3 数据完整性
质疑拿到的数据是否完整，这里完整指：
数据确保指定时间范围内每天有数据，排除被风控了的情况；
数据是否重复，例：同1条URL对应2条结果数据；
数据预期与结果总条数一致；
通常在etl测试阶段考虑。
2.4 数据合理性
质疑拿到的数据是否符合数据库规定类型、以及是否出现出现异常值；
字段类型check，如对重要字段类型check，例：int型下出现其他字符类型情况；
字段异常值check，例：null、空、或者另外一些约定异常值；
字段默认值一致性验证check，例: 从A表同步到B表后，某字段枚举值含义相同；
在etl测试阶段 或者 数据应用层测试考虑。
2.5 数据准确性
质疑拿到数据的结果表与数据源头表是否一致，可能源表经过A -> B -> C处理后得到结果表，所以需要验证整个过程数据是否失真，确保数据的准确与一致。
基于总数的验证，即 A -> B -> C后总数一致，可能到C后有聚合的数据，视情况而定，即在A时有10万条数据，到C阶段理论也有10万。
基于总数额的验证，即 A -> B -> C后总额一致，这里的总额可能是：金额、销量等。
在etl测试阶段 或者 数据应用层测试考虑。
2.6 安全性验证
对于某些敏感的数据往往需要考虑其安全性，可以是从获取数据的方式，也可以是数据本身安全性上。
账号的隔离，测评是否有必要采用账号隔离访问数据。
基于对某些数据字段，测评是否有必要对某些字段进行加密考虑，例：身份证、家庭住址、金钱等方面的加密。
在需求评审阶段考虑。
2.7 易用性验证
确保数据获取的过程顺畅，如果数据需要通过很多命令执行并且连接多个环境才能获取到，这样的数据易用性则不强，以及每个指定的一定能被人所理解。
数据获取的交互是否过于复杂。
数据对应的指标能被人所理解，例：MAU-月活人数、DAU-日活人数。
在需求评审阶段 或 研发设计阶段考虑。
3 大数据的可靠性与效率
同样的当处理大数据的平台出现不可预知的错误时，或者数据处理变慢时，我们得有一些处理方案让其能短时间内恢复，或者即便恢复不了也有一些应急的方案，让其不影响到整个链路的上下游，这里其实就是对处理大数据的平台可靠性与效率性的保证。
数据恢复性，当平台出现异常时，可以有一些重试机制进行重试，确保系统短时间内能恢复。
数据容错性，即便通过重试机制不能恢复时，需保证上游数据不能影响到下游的数据，可以有一些默认数据的预置，确保下游总能获取到数据。
时间与资源，当平台运算资源紧张任务繁重的时候，可能会出现长时间的等待，这时候除了需要跟研发一起优化SQL线程，还需要设计一些交互展示一些页面给用户，减少等待带来的用户体检差的问题。
4 大数据的可维护性与可移植性
可维护性指：数据可用且及时被维护，可移植性指：无论数据的迁入与迁出都不会影响到数据的使用。
维护库表之间关系，由于通常大数据随着时间的推移数据库表会越来越多，需要确保有地方能维护数据库表之间的关系。
维护单表字段含义，例：某天业务上新定义销售类型，那么需要在对应的表内注解出及时维护。
页:
[1]
