Автоматизация сквозного тестирования критичных бизнес-процессов

Заказчик:
ПАО Московская Биржа
Руководитель проекта со стороны заказчика
Год завершения проекта
2026
Сроки выполнения проекта
август, 2024 - июнь, 2026
Масштаб проекта
45000 человеко-часов
Цели

Цель проекта — повысить качество критичных интеграционных бизнес-процессов Московской биржи, сократить время их проверки перед релизами и снизить риск попадания ошибок в промышленную среду.

До проекта ручное регрессионное тестирование занимало одну–две недели, требовало участия бизнес-пользователей нескольких подразделений и проводилось один–два раза за релиз. Ограниченный объем проверок приводил к позднему выявлению дефектов, в том числе на этапе пользовательской приемки и промышленной эксплуатации.

Проект предусматривает автоматизацию сквозного тестирования 241 критичного
бизнес-процесса — от инициации до завершения с учетом всех интеграций. Задачи
включают регулярные ночные проверки, сокращение ручного регресса и создание
общей тестовой инфраструктуры для ИТ-команд. Это позволяет бизнес-пользователям
сосредоточиться на проверке новой функциональности, а разработчикам — раньше
получать информацию об интеграционных ошибках.
Результаты

  • 241 БП автоматизирован (рост с 42 — +473%)
  • 5 891 автоматический прогон тестов выполнен
  • 936 дефектов обнаружено (922 закрыты): QA — 378, UAT — 545, PROD — 13 (1,3%)
  • 98,7% дефектов ловится до промышленной среды
  • 35 чел/дней высвобождено у бизнеса за один прогон
  • Релизный цикл по тестированию этих БП сокращён в 5-10 раз (с 1–2 недель до 1–2 дней)
  • 45 000 человеко-часов инвестировано в проект
  • AI Code Review: экономия 15–30 мин на MR, 5–7,5 ч/мес на разработчика
  • Zero-touch дежурства: экономия 40 чел-ч/мес
  • FondTest: тестирование инструмента сокращено с 20 до 7 мин (экономия ~100 мин/день)
  • 72 модуля заменили сотни дублирующих решений
  • Бэклог артефактов — не более 4,5% в среднем за год (высокая релевантность находок)

Уникальность проекта

Платформа создана с учетом специфики биржевого ландшафта и проверяет полные цепочки бизнес-процессов — от листинга ценных бумаг до торгов. Сценарии охватывают взаимодействие десятков микросервисов разных ИТ-команд. 

В единую инфраструктуру объединены разработка тестов, автоматическая проверка готовности сервисов, запуск через CI/CD и анализ результатов. Проверки выполняются в средах QA и UAT, а ограниченный набор критичных сценариев — в промышленной среде в релизные субботы. 

Для масштабирования созданы 72 переиспользуемых Python-модуля и унифицированные базовые образы. Несколько команд используют общую инфраструктуру вместо поддержки собственных стендов и развития разрозненных решений. 

Платформу дополняют сервис FondTest для сотрудников фондового рынка и ИИ-инструменты проверки кода, диагностики падений тестов и поиска по базе знаний. Проект охватывает выполнение проверок, подготовку, сопровождение и повторное использование тестовых решений.

Использованное ПО

  • Язык и фреймворк: Python 3.11, pytest, Allure Report, Flask
  • CI/CD и инфраструктура: GitLab CI, Kubernetes, Helm, Vault, Nexus
  • Базы данных: PostgreSQL, MongoDB (Oracle — миграция на PG в 2026)
  • Интеграции: Atlassian Jira, Atlassian Confluence
  • Тестовая инфраструктура: MailHog (SMTP-mock), WireMock (HTTP-mock)
  • Мониторинг: Zabbix, Kibana, Grafana
  • Веб-сервисы: FondTest (тестирование инструментов фондового рынка)
  • AI-компоненты: AI Code Review, AI-диагностика падений в Allure, семантический поиск по базе знаний Jira
  • Импортозамещение: Red OS (перевод тестовых ресурсов)
  • Внутренняя библиотека: 72 переиспользуемых Python-модуля для ИТ-команд биржи

Сложность реализации

Основная техническая сложность — проверка сквозных процессов, охватывающих десятки микросервисов разных команд. Тесты должны сохранять корректность при постоянных изменениях сервисов, зависимостей и интеграций.

Требовалось согласовать сценарии с бизнес-заказчиками нескольких подразделений и организовать работу команды из 18 человек, разделенной на три доменные группы. Формирование команды заняло 10 месяцев.

Отдельной задачей стало выполнение ограниченного набора проверок в промышленной среде в релизные субботы: необходимо синхронизировать тестовые сущности и время обновления сервисов.

Одновременно
проводились обновление Python с версии 3.8 до 3.11 и перевод ресурсов на Red
OS. При внедрении ИИ-инструментов требовалось учитывать специфику биржевых
процессов и обеспечивать релевантность диагностики ошибок.
Описание проекта

До проекта регрессионное тестирование интеграционных бизнес-процессов Московской биржи выполнялось вручную. Проверки проводились один–два раза за релиз, занимали одну–две недели и требовали участия представителей нескольких подразделений. Исходное покрытие составляло 42 бизнес-процесса. Направление развивалось без отдельного проектного бюджета и формально выделенной команды.

Сотрудники тратили значительное время на повторяющиеся операции, а дефекты межсистемного взаимодействия могли обнаруживаться при пользовательской приемке или после выхода изменений в прод.

Для реализации проекта сформирована команда из 18 специалистов: девяти разработчиков автотестов, двух разработчиков инструментов, двух тест-аналитиков, двух DevOps, руководителя, E2E-лидера и менеджера проекта.

Команда создала платформу сквозной автоматизации на Python, охватывающую весь цикл: анализ требований, подготовку сценариев, разработку тестов, запуск через CI/CD и анализ результатов.

Автоматизирован 241 интеграционный бизнес-процесс. На UAT-полигоне тесты запускаются пять ночей в неделю без ручного инициирования. В релизные субботы ограниченный набор критичных сценариев выполняется в промышленной среде.

Перед запуском проводится автоматическая проверка работоспособности микросервисов. Для воспроизведения внешних взаимодействий созданы сервисы имитации электронной почты и HTTP-интерфейсов. Отдельный веб-сервис FondTest автоматизирует проверки финансовых инструментов сотрудниками фондового рынка.

Для повторного использования разработаны 72 Python-модуля и унифицированные базовые образы. Их применяют команды IRA, PMH, ОС ФР и ВР, что сокращает дублирование работ и упрощает сопровождение тестовой инфраструктуры.

Дополнительное направление — применение ИИ для проверки изменений кода, диагностики падений тестов в Allure и семантического поиска по базе знаний Jira. Также автоматизирована координация дежурств.

После внедрения продолжительность тестирования охваченных процессов сократилась с одной–двух недель до одного–двух дней. Регулярные прогоны позволяют выявлять дефекты между релизными проверками, а бизнес-пользователям — уделять больше времени приемке новой функциональности.

Платформа стала общей технологической основой для расширения сквозного тестирования и подключения новых бизнес-процессов.
География проекта
РФ

Комментировать могут только авторизованные пользователи.
Предлагаем Вам в систему или зарегистрироваться.

Год
Предметная область
Отрасль
Управление
Мы используем файлы cookie в аналитических целях и для того, чтобы обеспечить вам наилучшие впечатления от работы с нашим сайтом. Заходя на сайт, вы соглашаетесь с Политикой использования файлов cookie.