Contexto
Como QA Lead de um app de fidelidade de hotelaria (fidelidade, resgate de recompensas, reservas e engajamento no app, com uma camada BFF e várias integrações de terceiros), eu era responsável pela estratégia de testes, planejamento de regressão, reports para stakeholders e aprovação de releases. A suíte de regressão completa tinha cerca de 1.000 casos manuais, enquanto o calendário de releases do cliente dava ao QA cerca de dois dias por release, e o time estava diminuindo de quatro para duas pessoas.
A primeira regressão completa que liderei levou 7 dias úteis com 4 QAs. Mais pessoas ou janelas maiores não eram opção, então a diferença tinha que ser fechada mudando o que testávamos e como. O desenvolvimento continuava durante as semanas de release, os dados de teste dependiam do cliente e uma integração de terceiros mudou no meio da execução.
O que eu fiz
Conduzi a primeira regressão tanto como um exercício de medição quanto como um gate de qualidade: reports diários de acompanhamento gerados a partir de exports da ferramenta de gestão de testes, cada caso bloqueado classificado por causa, e decisões de escopo durante a execução. Dos 979 casos executáveis, 962 passaram (98,3%), com 17 defeitos registrados e o release aprovado com 2 issues menores conhecidas.
Os dados mostraram que 10 de 19 seções não tiveram nenhum defeito, enquanto quatro seções concentraram 12 das 17 falhas. A partir disso, escrevi uma estratégia de release em quatro camadas (aceitação de build, impactados pela mudança, core crítico para o negócio e regressão rotativa) com um modelo de capacidade de cerca de 36 casos por QA por dia e dois perfis de equipe acordados. Quando a versão major seguinte acionou uma regressão completa, a automação de UI ampliada e o tratamento antecipado de dados de teste permitiram que 2 QAs concluíssem 1.002 casos em 4 dias: 968 aprovados, 1 defeito e 33 bloqueados, cada um com causa declarada.
Ferramentas usadas:
- TestRail
- Jira
- Maestro
- Charles Proxy
- Firebase/GA4
- Slack/Teams