皆さん、こんにちは。
今週もソフトウェアテスト、テスト自動化に関するニュース記事をご紹介していきたいと思います。
今回は国内ニュース2記事、海外ニュース3記事をご紹介回したいと思います。
■記事内リンク
「国内ニュース」
・ウェブレッジ社とカスタメディア社がパートナー契約を締結
・グラファ―社Autify導入事例
「海外ニュース」
・採用活動を拡大するソフトウェアテスター
・テストの自動化の取り組みは簡単ではなく、それは不可欠である
・ビッグデータテストの台頭
■国内ニュース
□ウェブレッジ社とカスタメディア社がパートナー契約を締結
https://www.kbb-id.co.jp/u/information/webrage/
こちらのニュース記事は、第三検証会社のウェブレッジ社と、マッチングサイトサービス等提供されているカスタメディア社とのパートナー契約を締結したニュースとなります。
今回のパートナー契約により、ウェブレッジ社が脆弱性・セキュリティリスクを診断する「セキュリティ」診断サービスと、
カスタメディア社のマッチングサイト構築パッケージ「カスタメディアMASE」において、サービス支援体制が強化されたとのことです。
◇セキュリティ診断
https://webrage.jp/service/system/security_assessment/
ウェブレッジ社が提供する「セキュリティ診断」サービスは、最新の攻撃手法の調査、対策するセキュリティ専門家によるシステムの安全性や脆弱性、リスクを診断するサービスとなっています。
ウェブレッジ社は、第三社検証会社で、検証サービスをメインに行われているのは存じていましたが、セキュリティ診断サービスも行われていたのですね。
昨年から続くコロナ禍により、リモートワーク業務が増えてきており、そのようなシーンでのセキュリティ対策の重要性は上がってきていると思います。
「セキュリティ診断」サービス需要も増えていきそうですね。
◇カスタメディア MASE
https://www.kbb-id.co.jp/content/lp/customedia
カスタメディア社の「カスタメディア MASE」サービスは、会員サイト、ブログ、ポータルサイト、オンラインサロン等のオウンドメディア（自社で所有されているメディア）構築システムとなります。
ゼロベースからでなく、パッケージをベースにサイト構築となるため、低コスト・短納期での導入が可能とのことです。
今回のパートナー契約により、カスタメディア MASEのセキュリティ性が高いサービスになっていきそうですね。
昨今では、大手企業、大手サービスでの個人情報流失など起きておりますので、注目度は高いと思います。
ご興味のある方は、ウェブレッジ社、カスタメディア社のサイトをアクセスされては如何でしょうか。
□グラファ―社Autify導入事例
https://autify.com/ja/stories/graffer
こちらのニュース記事は、行政向けSaaS開発（software as a Service）をされているグラファ―社がAuttifyを導入された内容となります。
過去、AutifyではDeNA社、セールスフォース社など様々なカスタ―マー向けECサイトを運用されている企業が導入されていますが、今回は自治体・官公庁など行政向けサービス開発をされている企業の導入例は初めてと思われます。
Autify導入前と導入後の内容が明記されていました。
◇Autify導入前
・Autifyを導入する前は、メンテナンスコストが大きかった。
・開発側が実装後、E2Eテストでエラーが出た場合、エンジニア以外は問題が特定できない。
・手動でテストをされていた。
◇Autify導入後
・導入はスムーズだった。
・エンジニアが書いたテストと、Autifyのテストを半々で実行されてコスト削減につながった。
・右クリック⇒hoverイベント対応など、他サービスでは対応できない要素／箇所を当たり前のように動かせた。
・メンテナンスがほぼフリーに。
過去のAutify導入記事でもあったように、コスト削減、メンテナンスフリーとなったとの内容が記載されていました。
Autifyの需要は今後増えていきそうですね。
ご興味のある方は、Autifyのサイトにアクセスしてみてはいかがでしょうか。
https://autify.com/ja
■海外ニュース
□採用活動を拡大するソフトウェアテスター
https://www.northernontariobusiness.com/industry-news/aboriginal-businesses/software-tester-expanding-recruitment-efforts-3902829
こちらの記事は、「northernontariobusiness.com」に掲載されていた内容となります。
カナダの「PLATO」社が第三期のソフトウェアテスタートレーニングプログラムを募集しているとのことです。
過去のNews記事でPLATO社のソフトウェアテスターの育成に関する記事をご紹介させて頂きました。
https://susakiworks.com/news_20210207_0214/
【News】1/3週のニュース（JSTQB「Specialist」認定試験,ADOC Testing Service 他）
カナダの「PLATO」社はソフトウェアテスターの育成、及び就職支援を取り組まれており、今回は第三期生の募集とのことです。
コチラでは、5か月のクラス内学習、3ヵ月のインターンシップ後は、クライアント先でのフルタイム雇用となるとのことです。
日本での第三検証会社に就職、または企業のテスト部門への配属されるイメージでしょうか。
昨年から今年にかけては、コロナ禍により、対面での学習の他、オンライン学習とのハイブリッド方式となっているようです。
日本では、ソフトウェアテストのスクール、またはそれを支援する企業等はほとんど聞きません。
カナダの「PLATO」社のような企業が日本国内にもあれば、ソフトウェアテストの早期学習、地位向上にもつながるかもしれませんね。
PLATO社のような取り組みを日本可国内で取り組む機関があるといいですね。
□テストの自動化の取り組みは簡単ではなく、それは不可欠である
https://www.cmswire.com/information-management/test-automation-isnt-easy-but-its-essential/
こちらの記事は、「cmswire.com」に掲載されていた内容となります。
テスト自動化の始め方、取り組み方についてまとめてられていましたので、ご紹介したいと思います。
◇自動テストの取り組み
初心者が自動化を取り組むには、いくつかあります。
・開発者とコミュニケーションを取り協力してもらう
・オンラインコースまたは本で学習する。
・自動化用のツールを操作してみる。
3つ目についてもう少し情報があります。
このシナリオに必要なテストツールを見つけるのは非常に簡単です。
基本的に、AIを備えたツール（特に記録と再生）が必要です。
コーディングはもちろん機能しますが、AI主導の製品は、両方の長所を提供します。
テクノロジーを使用してコーディングを学び、始めるのに役立ちます。
◇自動化を開始するためのヒントとテクニック
コーディングを学ぶには、まず言語を選択します。
PythonまたはJavaScriptをお勧めします。
どちらも比較的簡単に開始でき、ほとんどのソフトウェアベンダーはそれらを強力にサポートしています。
グループやビジネスの自動化を約束する前に、利用できるコミュニティがたくさんあり、学ぶ方法もたくさんあります。
選択した言語とスクリプトの作成方法を学ぶ場所ができたら、技術スタックを整理します。
それは簡単な作業ではありません。
自動化がどのように機能するかを理解する必要があります。
すでに自動化を行っている組織内の誰かを見つけて、彼らが何をしているかを確認します。
学習してダウンロード、統合、サポートするために必要な製品を見つけてください。
繰り返しになりますが、これは多くの技術知識要件ですが、心配する必要はありません。
すでに活動している多くのオープンソースコミュニティが役立ちます。
◇コミュニティ、チームへの参加
自動化の学習について、すべて自分でやろうとしないでください。
自動化を取り組んでいる多くの人は、あなたと同じ状況にあり、オンラインコミュニティを使用したりしています。
自動化について学習する際、開発についても視野に入れてみてください。
たとえば、ビヘイビア駆動開発（BDD）は、どのタイプの自動化に取り組むかを組み立てるのに役立ちます。
BDDを選択した場合、Cucumber Open、Cucumber School、CucumberStudioはすべて、学習とサポートに非常に役立つ場所です。
・Cucumber Open
https://cucumber.io/tools/cucumber-open/
・Cucumber School
https://cucumber.io/school/
全体として、ハイブリッド、ブレンド、バランスの取れたアプローチが最適です。
◇手動テストについて
手動テストまたは探索的テストは、BDDまたはアジャイル開発ライフサイクルの構造に品質を導入しようとしている組織では引き続き不可欠です。
結局のところ、最も成功しているチームと組織は、最も多様な一連のテストと自動化の実践をサポートしています。
これらのハイブリッド組織は、ビジネスの変化するニーズだけでなく、私たちが構築、設計、および想像している製品やアプリケーションの変化する要件にも適応できます。
そのため、真にアジャイルな組織は、最大量の自動化と最高の探索的テストを組み合わせて、製品の生産前の品質ビューをチームに提供すると同時に、生産後の製品のパフォーマンスを監視するシステムを実装しようと努めています。
◇要約
簡単に要約すると、開始するために従うことができる基本的な式は次のとおりです。
・UI / API / EDA /テストするオブジェクト、アプリケーションを定義します。
・適切なテストフレームワークを選択します。
・自動化スクリプトとスイートを構築するための適切な言語を選択します。
・これらのコーディングを学びます（記録と再生が役立つ場合があります）。
・自動化プラットフォームを選択します（Selenium / SoapUI / Cucumber Open / Apache Kafkaが人気です）。
・テストを実行するサービスまたは場所を選択します。
・楽しむことです。
自動化についての始め方、取り組み方についてまとめられており、興味深い内容でしたので、ご紹介させていただきました。
□ビッグデータテストの台頭
https://www.softwaretestingnews.co.uk/the-rise-of-big-data-testing/
こちらは、「softwaretestingnews.co.uk」に掲載されていた内容となります。
「ビッグデータテスト」についてまとめられており、興味深い内容ですので、ご紹介したいと思います。
◇ビッグデータテストとは何ですか？
ビッグデータテストは、データのデータをテストし、整合性を処理するプロセスです。
ビッグデータの品質を検証し、データに問題がないことを確認して、ビジネスが適切な洞察を引き出すのに役立てることができます。
従来のソフトウェアテスト手法はビッグデータテストには適していません。
実際、リアルタイムデータ処理テストでは、テストプロセスを実行するために、ビッグデータアプリケーションをリアルタイムモードで実行する必要があります。
アプリケーションは、「Spark」や「Spark Structured Streaming」などのリアルタイム処理ツールを使用して実行されます。
・Spark
https://spark.apache.org/docs/latest/index.html
これにより、データのストリームをリアルタイムで管理できます。
したがって、さまざまなソースからのデータがエラーなしで処理されることを保証するには、機能テストと非機能テストなどのさまざまなテストタイプが必要です。
このようにして、データ処理パイプラインの次のステップで分析を実行するための高品質のデータを実現するのに役立ちます。
・機能テスト
最初の機能テストは データ取り込みテストです。
入力データは、CSVファイル、センサーログ、ソーシャルメディアなどのさまざまなソースから収集され、HDFSに保存されます。
この種のテストの主な目的は、データが正しく抽出され、HDFSに正確にロードされているかどうかを確認することです。
・データ処理テスト
もう1つの重要なテストは、データ処理テストです。
これは、集約されたデータに主な焦点が移されるため、非常に重要です。
取り込んだデータが処理されると、ビジネスロジックの正確性のチェックが実行され、データ処理パイプラインによって出力として生成された集約データと期待されるデータが比較されます。
最終的に、パイプラインがこれらの集約データを外部シンクに格納することで終了する場合は、最初に選択したシンクからデータを取得してから、期待されるデータと比較することをお勧めします。
・パフォーマンステスト
パフォーマンステストの目的は、アプリケーションのパフォーマンススコアを確認するだけでなく、そのパフォーマンスを向上させることを目的としています。
テストの実行と結果の分析を通じて、パフォーマンスのボトルネックを見つけてさらに分析することができます。
・フェイルオーバーテスト
Sparkアプリケーションでは「ワーカー」と呼ばれるクラスター内の単一ノードに障害が発生した場合を再現すると便利です。次に、フェイルオーバーテストのパフォーマンステスト手法であるため、システムが障害が発生したワーカーのリソースをクラスター全体に再割り当ておよび再配布できるかどうか、およびその方法を検査するのに役立ちます。
さらに、パフォーマンステストにより、システムが予期しないピーク需要を処理して、クラスターに新しいノードを動的に追加し、高レベルのパフォーマンスを維持できることが保証されます。
◇なぜビッグデータテストが必要なのですか？
ビッグデータは企業の意思決定戦略に不可欠であるため、ビッグデータシステムの不適切なテストはビジネスに悪影響を与える
からです。
ビッグデータは、消費者の行動を分析するのに役立ち、組織が市場の傾向と需要を理解できるようにして、期待に応えるために製品、サービス、および製品を変更できるようにします。
データの正しい処理と評価を確実にする唯一の賢い方法は、ビッグデータテストの実装によるものです。
ビッグデータテストの適切な戦略を使用すると、複雑なビッグデータアプリケーションのデータ処理パイプライン全体をテストし、各ステップを監視し、簡単にスケーリングして迅速に本番環境に移行できるため、市場投入までの時間が短縮されることに気付くのは簡単です 。
もう1つの重要なことは、AIは学習して進化するためにデータを必要とし、データは真の価値を提供する可能性を持つためにAI主導の分析を必要とすることです。
そのため、AIとビッグデータは相互に依存していると言っても過言ではありません。
ビッグデータテストの厳密なパイプラインを実行することにより、企業は収集および処理されたデータの正確性と信頼性を確保し、ビジネスの意思決定プロセスに統合することができます。
◇ビッグデータ戦略の実装
ビッグデータ分析は意思決定プロセスを改善し、さらには意思決定プロセス全体を自動化することができます。
これが、ビッグデータの使用が多くの大手企業が競合他社をしのぐために重要である理由です。
実際、多くの業界では、データ主導の戦略を使用して他の企業と競争し、自らを革新しています。
データを使用している企業は、意思決定プロセスを改善または自動化するためにデータを使用していない競合他社に比べて、生産性に多くのメリットがあります。
ビッグデータ戦略の採用は、さまざまなメリットをもたらします。
企業はビッグデータ戦略を実装する必要があると付け加え、明確で詳細なビッグデータ戦略は、組織がデータ関連またはデータ依存の機能を展開するための基盤を設定します。
実際、「データ駆動型エンタープライズ」になるために組織がたどる道筋を示すことは役に立ちます。
効果的なデータ戦略は、組織の戦略目標、つまり堅実なビッグデータ戦略を開発する際に考慮すべき事項にリンクする必要があります。
・データ要件：必要なデータの種類、ソースとターゲットなど。
・データガバナンス：データの品質、所有権、アクセス、およびセキュリティ。
・テクノロジースタック：データを収集、保存、処理し、洞察を生成するための適切なレベルのインフラストラクチャ。
・スキル：適切なスキルを持つリソース、多様で補完的なスキルセットと複数レベルの経験を持つチームを構築します。
・コラボレーション：同じ目標に向かって取り組んでいるビジネスチームとITチーム。
◇ビッグデータテストのメリット
ビッグデータテストの重要性は、主に、データの品質と整合性の検証を通じてデータの複雑さを軽減するのに役立つことです。結果として、ビッグデータテストの最初の大きな利点は、データ品質への脅威が軽減されることです。
より厳密なテスト方法を使用すると、データが劣化して冗長になるのを防ぐことができます。
ビッグデータテストでは、データセットをすばやくスケーリングすることもできます。
すべてのアプリケーションは小さなデータセットから始まり、徐々に大きなデータセットに移行することが知られています。
もう1つの関連するメリットは、ダウンタイムが削減されるという事実に関連しています。
ビッグデータアプリケーションは、高品質の結果を得るために基盤となるデータに厳密に依存しているため、不良データはアプリケーションのパフォーマンスと機能を妨げる可能性があります。
場合によっては、組織はダウンタイムにつながるデータの正確性と正常性を分析する方法がありません。
（ビッグデータテストの利点）
・意思決定の改善：
適切な種類のデータが手元にあれば、組織が適切な意思決定を行い、リスクを分析し、意思決定プロセスに寄与するデータのみを利用するのに役立ちます。
・データの正確性の向上：
適切な種類のデータを使用することで、組織は自分の弱点に集中し、競争に打ち勝つ準備を整えることができます。
・より良い戦略：
ビッグデータテストは、組織が情報を見ることによってビジネス戦略を最適化するのに役立ちます。
・収益の増加：
データが正しく分析されていれば、顧客との取引に間違いはなく、組織が市場シェアを拡大するのに役立ちます。
ビッグデータテストは、構造化データと非構造化データのヒープから貴重なデータを区別することにより、損失を最小限に抑えるのに役立ちます。
企業が彼らの顧客サービスを改善し、より良いビジネス上の意思決定をし、そして彼らの収入を増やすのを助けるでしょう。
◇ビッグデータテストの欠点
ビッグデータには多くの利点がありますが、独自の問題もあります。
一般的な問題として、テクノロジーに関する知識の不足と企業の不十分な分析能力に関連しています。
多くの企業が、ビッグデータテクノロジーを扱うスキルの不足に取り組んでいます。
実際にビッグデータ技術を扱うのに十分なスキルを持っている人は多くないため、それはより大きな問題になります。
また、大量のデータをテストすることも非常に困難です。
自動化はすべてのビッグデータテスト戦略に不可欠です。
考えられる解決策の1つはビッグデータテストの自動化にあります。
実際、データ自動化ツールは、この大量のデータの有効性を確認するように設計されています。
ただし、自動化テストを行うには、強力な技術的専門知識を持つチームが必要です。
自動化されたツールは、テストの実行中に発生する可能性のある予期しない問題を処理できません。
これまでのところビッグデータテストの標準的な方法論が不足しているため、プロジェクトの時間はチームの専門知識に深く関係しています。
他にも、ビッグデータのテストを妨げる課題として、以下が挙げられています。
〇ビッグデータのテストを妨げる可能性のある課題のリスト
・データの完全性：
さまざまなソースから取得されたデータにより、完全なデータが確実に供給されるようにすることは困難です。
・データ品質：
データ品質の確保は課題になる可能性があります。
・テスト環境：
効果的なテスト環境を作成することは困難です。
・テストデータの管理：
テストチームが理解していない場合、テストデータを管理するのは簡単ではありません。
・スキルセット：
高度なスキルと経験を積んだリソースが必要ですが、見つけるのが難しい場合があります。
◇ビッグデータテストの未来
モバイルデバイス、ソーシャルメディア、IoTの採用が増え続ける中で、ビッグデータテストの重要性と必要性は今後数年間で何倍にも増えると考えられます。
より良い意思決定を行い、社会を改善し、経済を前進させるためには、大量のデータを処理し、パターンを見つけ、正しい結論を導き出すことができる必要があります。
企業が正しい情報を収集して保存する準備ができている場合、ほとんどの場合、さまざまな危険を分析するのに役立ちます。
その情報が意思決定プロセスに組み込まれると、品質を選択するための素晴らしいガイドになります。
ビッグデータのテストは、企業が利用可能な高品質のデータに基づいて戦略的かつ正確な意思決定を行うために非常に重要であると断言できます。
すべての企業にとって必要なのは、ビッグデータテストの最大のメリットを享受するための適切で思慮深いテスト戦略を持つことです。
「ビッグデータテスト」について、まとめられており、興味深い内容でしたので、ご紹介させていただきました。
■最後に
今回は、国内ニュース2記事、海外ニュース3記事を取り上げてみました。
次週も、ソフトウェアテスト、テスト自動化に関するニュースをご紹介したいと思います。
最後まで見て頂き、ありがとうございました。
サイトトップへ
https://susakiworks.com/
ソフトウェアテスト自動化の教科書 〜現場の失敗から学ぶ設計プロセス
［増補改訂］ビッグデータを支える技術 ——ラップトップ1台で学ぶデータ基盤のしくみ WEB+DB PRESS plus
