全面质量管理数智化实践

欢迎大家来到IT世界,在知识的湖畔探索吧!

来源：BanTech智库

作者：中国银行软件中心质量管理部 周晓颖

当前，新一轮科技革命和产业变革不断演进，数字经济蓬勃发展，金融环境加速变革，立足新发展阶段，我国“十四五”规划对数字化转型趋势下各行业的“质量提升”“质量变革”提出了更高要求。银行业信息系统作为国家关键基础设施，在不断推动金融产品和服务创新、提升客户体验和经营效益的同时，必须坚持“稳”的总基调，落实产品全面质量管理，有效管控软件研发和系统运行风险，确保业务价值的快速交付。

如何保障高质量的产品和服务，如何更好地融入全球化，是所有企业需要思考的问题。中国银行集团长期致力于软件研发质量管理体系建设和持续改进。在建立“全员化、全过程、全方位”的软件研发端到端全面质量管理的基础上，结合金融监管要求、金融科技应用和数字化治理手段，不断完善质量管理体系、优化质量管理机制、创新质量管理技术，有效支持瀑布研发和敏捷研发的“双模”过程，实现从需求研究到生产运行的“全流程”、涵盖功能、性能、安全的“全范围”以及满足集团业务“全球化”的软件研发质量保证。同时，积极运用数字化、智能化技术，提升管理质效，确保质量管理“可追溯、可扩展、可持续”，为业务稳定运营提供坚实保障。

一、固本强基，优化端到端全面质量管理体系

以“端到端、全流程、全员化、智能化”的管控方式和力度，全面夯实产品质量根基。围绕支持瀑布、敏捷开发的“双模”质量管理体系，通过DevOps开发流水线质量红线建设，将质量规范内建到产品的生产工艺过程中，实现质量管理软规范硬约束；通过建立集数据采集、数据处理、监控管理、预测预警和可视化为一体的质量智能管理平台，压实各实施环节主体责任，确保质量管理体系有效“落地”；围绕“沉淀质量数据、构建质量画像、赋能管理决策、促进价值创造”四大核心理念，实现质量管理的“有依据、有效果、可审计、可追溯”。

从传统到敏捷，开发模式不断革新，测试在软件生命周期中具有重要地位，是软件产品交付之前保证软件质量的重要手段，我们需要在各个阶段不断地执行测试活动，以达到产品质量持续改进。在整个测试过程中，我们经常会思考两个关键性问题：

一是如何提高测试质量？例如：

（1）基于黑盒测试，测试人员不了解系统内的处理情况如何？

（2）如何评价测试的充分性，并对测试用例进行有效的补充？

（3）测试覆盖率是多少，关键接口和路径是否都测试到？

（4）系统哪里容易出问题，从而需要进行更多的测试或者优化测试方法？

二是如何改进过程能力？例如：

（1）测试过程中产出的数据、信息分散在各处，没法进行统一的分析处理。

（2）各产品各迭代完成情况如何，效率和质量是否稳步提升？

（3）DevOps流水线各个过程执行情况如何，哪些过程有改进的空间？

可覆盖产品质量和测试两大领域。其中质量领域聚焦产品过程质量监控；测试领域聚焦内部及功能测试阶段，通过相关指标分析，可实现提高产品内测质量，减少测试遗漏，降低风险；通过监控测试过程，对测试质量进行客观评价,使测试管控精细化、可视化；结合大数据分析技术深入挖掘应用场景，与流水线深度融合，利用机器学习、深度学习等技术进行场景应用预测，提前规避潜在风险等，并从事后检查、检验走向事前预防，从检查发现到问题定位，通过产品个性化的质量控制和评价依据，对当前活动质量及最终交付质量风险进行评估。通过事前预测（如支持功能测试版本质量预测、功能测试任务风险预测、自主或外包产品正式版本质量预测等场景，来提前识别质量风险，便于及时采取应对措施）；事中监控（设计度量指标，以指标作为监控抓手、多维视图作为跟踪、实时洞悉质量情况）；事后评价（构建一个质量画像，涵盖内部质量和外部质量，助力识别质量薄弱环节、提供管理决策）三个阶段的循序渐进和相辅相成的质量闭环管理，实现质量全面评估、实施过程全程监控，并根据质量标准，对产品质量趋势进行智能分析、提示和预警，提高质量风险识别、控制能力。

二、匠心智造，优化质量管理数字化管理机制

质量既是产出来的，也是管出来的，质量管理不是一个独立的质量管理系统，质量管理需要全面的管理，只有全流程、全员化、数字化才能满足质量管理要求，做到质量管控精细化、严谨化和全面化，才能保证问题处理快速透明及时，质量分析准确实时，实现交付意义上的全生命周期质量管控。要通盘谋划，强化全流程质量协同管理，统筹业务、开发、测试、运维全流程质量管理，打通价值链上下游，加强精细化管理和内外部协同，不断提升质量管理水平，助力锻造精品工程、服务和产品。

依托数字化质量管理体系，以功能和业务范围双重驱动，可以利用数字化技术进行质量的量化管理，通过质量数字化信息系统辅助质量管理全流程、多维度、和智能化，实现和其他部门信息化沟通，打破跨部门组织结构间的壁垒，解决因信息不对称、不完整等导致的沟通协作效率低。通过采集开发、测试、运维等阶段的质量控制和过程数据，结合人工智能、大数据技术对事前预测、事中监控和事后评价三个方面的产品质量数据进行多视点、多维度的综合评价，进一步识别质量薄弱环节和执行不到位的流程，改进流程规范，优化测试分层结构，通过建立过程能力基线，进行缺陷量化管理，进而提高质量风险识别、控制能力，并及时采取质量改进措施，实现高效有序产出高质量产品。

首先将技术评审、测试、缺陷跟踪、配置管理、变更控制、审计等质量活动作为质量管控的落脚点，将质量活动的过程数据、质量数据进行采集、整合与分析，结合数据沙箱理念，沉淀质量数据，建立基础质量大数据池，为数字化转型奠定数据基础；其次依据不断完善的质量管理体系，设计各工程阶段的质量控制活动、质量度量指标，构建质量画像，提供质量数据的可视化及良好的交互体验，可进行过程性能分析，找出问题和瓶颈，提升整个产品交付过程的工艺水平；最后以画像为基础，结合日常工作应用场景和运营管理，采用业界主流人工智能技术，如算法框架、模型工厂等，进行业务分析建模，有效识别质量控制薄弱环节，利用机器学习、深度学习技术进行AI质量预测，将质量控制事中和事后的工作提到事前，提升产品质量提前识别与趋势预警质量风险等，进一步降低质量成本。通过用“数据说话、用数据管理、用数据预测”，最终实现产品研发质量全面监控、评估，产品研发过程的全效协作，达到提质、增效的目标。

三、科技驱动，锻造质量管理智能化价值

科技创新是赢得未来的关键，坚持三步走战略：先具备如同熟练从业人员的经验技术，运用数据进行数字化革新，使业务的效率和自动化程度全面提高；再通过收集、分析各工程活动阶段的运转数据，检测掌控问题征兆，有效进行完善；最后针对逐年增加的风险事件，对多种数据进行关联智能分析，规避质量风险，将损失最小化，要持续在质量管理数字化、智能化领域深耕细作，实现质量管理全链路提质增效。

通过人工智能助力业务提前开展，推动质量、效率和速度全方面改进。应用大数据分析、人工智能等技术对采集的不同业务领域的质量过程数据进行模型训练、预测，打造成开放、轻量的人工智能共享中心，提供灵活的智能服务与智能应用，实现快速适配全业务领域。其中智能服务涵盖模型服务、监控服务和决策服务三大方面，模型服务主要是提供了一整套关于智能模型建模、训练和管理的流程；监控服务提供各个工程活动阶段运行状况与质量状态；决策服务实现了对风险的实时监控与管理，做到事中实时监控告警，事后分析评价（如图1所示）。

图1 通过人工智能助力业务提前开展示意

基于上述三大服务，可依据业务需求灵活扩展智能应用场景，如：根据Bug信息自动生成缺陷分布报告、缺陷趋势报告、缺陷滞留报告等，分析产生问题的原因，结合当前应用情况与经验值的偏离情况，实时掌握产品质量，辅助进行缺陷分析与预防、帮助团队及时调整工作方向；根据用例执行情况，系统自动生成执行记录与结果分析报告，观察测试过程的可靠性；根据记录测试过程中发现的Bug，自动生成Bug在各个模块的分布报告、严重等级等，智能分析缺陷规律，事前识别质量控制薄弱环节，进行实时的风险预警；管理层还能及时了解开发人员、测试人员对Bug的处理情况，测试进度偏离情况等，从而预测项目进度，便于及时发现问题，分析是否存在超期风险，防患于未然。

产品质量是企业的生命线，质量管理将坚持以数字化为主轴，围绕“更稳、更快、更新”的金融科技规划目标，持续聚焦全面质量管理体系的建设和优化，提升质量管理的数字化、智能化水平，为高质量发展提供坚实保障。

-END-

这是科技创新最好的时代，这是属于我们每个人最好的时代，关注“BanTech智库”，专注银行科技发展，探索无界金融生态！