换个姿势看问题。今天我们从问题域的角度来聊一聊。
什么是问题域？
指的是问题的范文，问题之间存在的关系和可能逻辑空间。
比如，在测试过程中我们面临的“xx接口是否正常？”这样的问题，我们可以将它归纳到某个与之有关的问题域中（比如功能测试）。
举例说明
现在，让我们逆向思维：开始脑洞
——提出问题——然后规划问题域。
01
开始脑洞
在开始本文的主要内容之前，我们先看一个，下图1是百度搜索主页面，我们先来脑洞一些问题吧。
图1 百度搜索主页
02
提出问题
1、“我搜索‘周杰伦’会是什么结果？能不能帮我找到周杰伦的电话号码？”
2、“我想什么都不输入，能不能点击搜索按钮？”
3、“我点击相机图标会是什么结果？如果我拍一朵不认识的野花，能帮我找到它的名字吗？”
4、“这个推荐是我想喜欢的吗？”
5、“热搜是实时的吗？”
6、“怎么看上海的天气？”
7、“语音播报正不正常？”
8、“我要是输入一大堆乱码或无意义的文字，是什么结果？”
......
还有没有其他问题？我想答案是肯定的。那么，我们来分分类，找找所属的问题域。
03
规划问题域
明显，如果我们从传统的测试分类来看，1-8都可以归纳到功能性测试与验证上。但是，从大数据平台和应用的角度出发（百度搜索能算的上一款大数据应用，我想大家应该认同吧），还有其他的问题域划分。
比如：
1、数据提取验证；
2、数据更新的实时性测试；
3、算法效果验证；
4、响应及时性；
5、算法稳定性；
6、数据转换和传输验证；
7、数据加载和显示验证；
以及其他问题域。
为什么要如此划分？因为有两个方面原因：
一是从平台和应用的角度出发；
二是从大数据本身特点出发。
大数据应用（比如淘宝）除了我们认知的基础大数据平台之外，还涉及一定的算法推荐（比如猜你喜欢）。所以我们不仅要考虑平台，还要考虑应用本身。
那么，我们再进一步划分下大数据平台和应用测试的问题域。大数据平台主要是为上层应用提供支撑，例如：数据采集、数据提取、数据转换等功能。因此，我们可以将：
1、6、7归到平台问题域；
将2、3、4、5、归类到大数据应用域。
我们主要简单讲讲，对于这些问题域，我们需要关注的一些重点问题。
大数据平台问题域
01
数据提取验证
大数据平台的数据来源可以有、音频、文字等等，所以在各个渠道入口，我们需要验证数据提取的正确性和高效性。
举个例子：淘宝平台的搜索框功能测试，我们需要验证文字检索、检索等等方式。
02
数据转换和传输验证
因为数据来源的多样性，我们还需要关注数据在转换和传输过程中的正确性。
举个例子：试想一下，淘宝软件是如何将转换成数据进行搜索的？
03
数据加载和显示验证
所有的系统或软件，最终都要以一种“合适”的方式展示给用户。这是一项基本能力，也是一项基本测试项。
举个例子：浏览淘宝页面时，页面布局和大小，是否与你的手机尺寸相适应？是否清晰？
大数据应用问题域
01
数据更新的实时性测试
对于大数据应用来说，数据的实时性更新非常重要，是一个测试的要点。因为数据是不断产生的，而应用需要及时地将数据经过处理呈现出来。
举个例子：当你在淘宝搜索你想要的物品时，替换关键字搜索，结果是否实时更新？或者，你在头条等平台发表文章，成功后是否能够被及时搜索到？
02
算法效果验证
这个问题，相比应该很好理解。所谓算法效果验证，值得就是针对大数据应用的一些检索算法、计算模型等方法的验证。
举个例子：如何验证头条的限流算法？从应用层来说，发表一篇包含违禁关键词的文章，看看是否被限流或者不能公开发表？
03
响应及时性
响应及时性在常规系统或软件中也是一个常测试的功能。通俗来讲，可以理解为效率性测试。对于大数据应用来说，响应及时性尤为重要。因为大数据应用本身的数据量特定，及时响应成为了一个业务难题和重要的命题。
举个例子：在双11大促活动中，试试搜索某个商品，是否及时显示？抢单是否成功？
04
算法稳定性
算法稳定性其实可以和算法效果验证并站一排。一个是功能验证，一个算是性能验证。稳定性测试需要长久的时间积累和验证，或者在不同环境下测试。
举个例子：双11大促活动时，商品推荐算法是否稳定？广告推荐算法受众是否符合规则？
总结
我们经常是从测试问题分类然后细分测试问题，但是有时候，我们不妨换个角度，先列举出许多问题，然后划分问题域，最后再从问题域拓展出相关领域。
也许，这可能会成为一个启发点，你说呢？
版权声明：本文出自51Testing会员投稿，51Testing软件测试网及相关内容提供者拥有内容的全部版权，未经明确的书面许可，任何人或单位不得对本网站内容复制、转载或进行镜像，否则将追究法律责任。
