一、自动化实践方案
缺陷管理的自动化实践可以分为四个步骤：设计数据指标、规范数据源、数据处理自动化和程序部署。
1. 设计数据指标
首先，我们需要设计缺陷相关的数据指标。这里，我们主要关注的指标有缺陷数量，缺陷处理进度和项目缺陷的多维度统计结果。同时，我们还可以设计缺陷相关指标的监控阈值。
2. 规范数据源
其次，按照我们的数据指标，我们需要规范数据源，以保证我们能收到到我们想要的基础数据。我们要定义好缺陷的状态、缺陷的流转逻辑和缺陷相关节点的负责人。
3. 数据处理自动化
数据的自动化处理逻辑可以归纳为三个步骤：首先通过程序自动获取基础数据，然后对数据进行逻辑处理，最后将处理后的数据转化为对应的消息数据。
以Python为开发语言，如果缺陷平台允许通过后端接口直接获取缺陷数据，则可以引用Requests模块实现数据的获取，如果缺陷平台是服务端渲染且返回xml文档，那可以结合Selenium库采用UI自动化技术获取缺陷的基础数据。
缺陷数据的统计逻辑也可以大致分为三种：一种是求和，例如统计缺陷的总数；一种是求差，例如统计今日缺陷的变化数；另一种是求商，例如求各状态的缺陷占比。
对于消息的推送，其消息的形式可以是多样的，以钉钉App为例，我们可以在团队群新建Webhook自定义机器人，将缺陷数据转化为json格式的消息体，具体接入方式可查看钉钉开放平台的说明文档。
4. 程序部署
最后，我们部署程序并设置程序的执行周期。程序的部署环境可以是Windows系统，也可以是Linux系统。如果是Windows系统环境，可以设置Windows计划任务程序来控制程序的执行频率。如果是Linux系统环境，可以通过设置Crontab来控制程序的执行频率。以Python脚本实现为例，对于日常提醒的数据，我们可以设置每天某个时间执行，每次执行程序时就执行消息的推送。对于监控类任务，我们可以设置程序每分钟执行一次，在程序内增加推送消息的逻辑限制或者是时间点限制。
二、总结
相对于传统的人工整理统计和邮件汇报缺陷相关内容，结合IM即时通讯工具的自动化实践方案不仅解放了测试工程师的双手，也让项目的缺陷过程数据和项目质量数据更加透明化，并有效减少测试工程师莫名背“锅”的情况。当然，避免背锅不是我们的唯一目的，更重要的是通过缺陷数据及早暴露项目风险，从而按时按质完成项目的交付。
本文内容不用于商业目的，如涉及知识产权问题，请权利人联系51Testing小编(021-64471599-8017)，我们将立即处理
