Las tendencias actuales y prospectiva futura en el QA software

Los últimos informes en torno al QA software incluyen conceptos habituales como la automatización, el Testing, Agile y Devops, pero también hacen referencia a conceptos menos extendidos, como el Right y el Left Shift, Low code, Self Healing, Industria inteligente, Data Analytics, Inteligencia artificial y Machine Learning.

El QA comienza a verse como una actividad esencial y no como una actividad de apoyo por lo que es un buen momento para buscar empleo en QA. La tendencia general arroja que el objetivo a medio y largo plazo es hacer del QA un concepto holístico y repartido entre todo el equipo, no centralizado únicamente en algunas personas .

Las prioridades de inversión en QA software

Entre las prioridades de inversión de las empresas está la de dotar de herramientas y capacidades específicas a los equipos, comenzar las pruebas en fases más tempranas y mejorar la comunicación durante todo el ciclo de vida del producto.

En el ámbito de los recursos humanos, una de las prioridades actuales es disponer de perfiles con los conocimientos y la experiencia adecuadas, mencionando la automatización entre las habilidades más demandadas. La capacidad de diseñar tests, datos para test y generar estrategias de testing también aparecen como capacidades difíciles de encontrar entre los profesionales.

La prospectiva de la automatización

En el mencionado campo de la automatización, las organizaciones saben que no están obteniendo todos los potenciales beneficios. Las líneas futuras se dibujan en torno a la automatización inteligente mediante low code o no code, por la que no sería tan necesario disponer de conocimientos en programación. La tendencia es ir hacia la automatización de lo que realmente aporte valor, potenciando lo cualitativo antes que lo cuantitativo. Comienza a extenderse sobre todo al testing de aceptación de usuario, generación de sets de datos y, en menor medida, test de regresión.

En el área de gestión de proyecto y los procesos, cada vez están más implantadas las metodologías DevOps y Agile aunque sigue habiendo más foco en el Continuos Deployment que en el Continuous Integration. Se mencionan los conceptos Left y Right Shift, referidos al momento en el que se aplican las pruebas y a su extensión hacia un sentido u otro en el ciclo de vida del proyecto.

El enfoque de ‘shift left’ asegura que las pruebas se realicen desde una etapa temprana del desarrollo del software, como propone uno de los principios del testing de ISTQB. El ‘shift right’ garantiza que las pruebas continúen una vez que el desarrollo ha sido entregado, ya que el producto está vivo y sigue evolucionando.

QA Data Analytics, Inteligencia artificial y Machine learning

Comienzan a aparecer universos de conocimientos hibridados, por lo que existe cierto interés en aplicar al QA Data Analytics, Inteligencia artificial y Machine learning, sobre todo en pruebas de Rendimiento, Mobile y Funcionales. Se menciona incluso el concepto de Self-Healing o autocuración de código mediante la inteligencia artificial.

En cuanto a la granularidad y especialización del testing, cada vez se segregan en mayor medida a las pruebas de Funcionalidad, Fiabilidad, Usabilidad, Eficiencia, Mantenibilidad, Rendimiento y Portabilidad. También comienza a ponerse mayor foco en el ámbito de la Seguridad por la reciente transición al trabajo en remoto.

Quality Monitoring vs Testing

Comienzan a verse mayores niveles de madurez y un cambio de mentalidad respecto al QA, por la que se prioriza la prevención de errores (Quality Monitoring) antes que la detección (Testing). Para ello se implementan gradualmente cuadros de mando y smart dashboards con indicadores para la gestión integral del QA. Entre los más habituales: cobertura de requisitos por test, velocidad de ejecución de test, densidad de defectos o volcado de defectos en producción.

El hecho de que se mida más significa que el testing en entornos agiles está madurando y que está calando en la cultura empresarial a niveles de estrategia más allá de los niveles operacionales de equipo. Además, se comienza a poner en valor la creación de entornos en la nube, entornos específicos de test y diversas buenas prácticas en la generación de colecciones de datos para test. La creación de datos sintéticos cada vez se sustituye más por el uso de datos reales de producción.

Áreas de potencial crecimiento QA software

Como posibles áreas de potencial crecimiento, se menciona la ‘Intelligent Industry’, en la que se hacen necesarias las validaciones basadas en simulaciones y escenarios. ‘La industria inteligente’ permite a las empresas convertir datos en información y realizar una transformación digital basada en ‘IOT, ‘5G’ ‘Automatización’ e ‘Inteligencia artificial’.

Si ponemos el foco en la situación actual, vemos diferentes tendencias y perspectivas futuras de cada sector. Los más maduros respecto al QA son los de banca, hight tech, telecomunicaciones y entretenimiento. Entre los de mayor potencial de crecimiento se encuentran los del automóvil y el retail. Los que se han visto acelerados de forma exponencial debido a la reciente situación sanitaria han sido sobre todo ecommerce y sector sanitario. Los que están transformando su posición respecto al QA son sector público, industria y energía química.

Estudios de mercado para QA

Este artículo se basa fundamentalmente en la metodología ISTQB y en los resultados del World Quality Report de Sogeti, Capgemini y Micro Focus. Este estudio de mercado se realiza anualmente desde el año 2009 para evaluar el estado del QA en las organizaciones a nivel global. Para la última edición se evaluó a 1750 ejecutivos senior IT de 32 países, durante abril de 2021. Los sponsors Sogeti, Capgemini y Micro Focus contaron con Coleman Parkes Research para su investigación. Se utilizó un cuestionario de 37 preguntas y una entrevista individual con cada perfil para recoger una batería de datos cualitativos. Se incluyeron grandes corporaciones y start ups de diversos sectores, para incluir la visión más amplia posible.