3. 测试数据需求分析：如何识别测试场景、确定数据需求、制定数据获取策略

做测试这么多年，我见过太多团队在数据准备上栽跟头。有的测到一半发现数据不对，有的上线后才发现场景没覆盖到。说白了，测试数据需求分析这一步没做好，后面全是坑。

今天我就把压箱底的经验拿出来，聊聊怎么把这件事做扎实。

3.1 识别测试场景：从业务出发，别拍脑袋

识别测试场景，不是让你对着需求文档瞎猜。我个人习惯是，先搞清楚业务到底在干什么。

第一步：梳理业务流程

拿电商下单来说，别光想着「用户点击购买」。你得把整个链路走一遍：

• 用户浏览商品 → 加入购物车 → 填写地址 → 选择支付方式 → 提交订单 → 支付成功 → 订单状态变更
• 中间还有优惠券计算、库存扣减、物流分配这些环节

我在项目中遇到过，有个团队只测了正常下单流程，结果上线后用户用优惠券时系统直接崩溃。为什么？因为优惠券叠加逻辑根本没测到。

第二步：找边界和异常

你想想看，用户不会按你的剧本走。他们可能会：

• 同时打开10个页面下单同一件商品
• 在支付页面停留半小时才付款
• 用一张已经过期的优惠券

这些场景，你都得列出来。

3.2 确定数据需求：场景定了，数据怎么配？

场景识别完了，接下来就是数据需求。这一步很多人会忽略，觉得「随便造点数据就行」。嗯，这里要注意，数据不对，测试结果就是废的。

数据需求分析清单：

维度	说明	示例
数据量	需要多少条数据	订单表至少1000条，包含不同状态
数据范围	数据的取值范围	金额从0.01到999999.99
数据关系	表与表之间的关联	订单必须关联有效用户和商品
数据状态	数据所处的生命周期	订单状态：待支付、已支付、已发货、已完成
数据时效	数据是否有时效性	优惠券有效期、活动开始结束时间

我曾经接手过一个项目，测试环境的数据全是开发随手造的。结果呢？订单金额有负数，用户ID重复，商品库存是负数。这种数据能测出什么来？

3.3 制定数据获取策略：数据从哪来？怎么造？

数据需求明确了，接下来就是怎么拿到这些数据。我一般分三种情况处理：

策略一：生产数据脱敏

最真实的数据当然来自生产环境。但直接拿来用肯定不行，得脱敏。

-- 脱敏示例：手机号中间四位用*代替
UPDATE user SET phone = CONCAT(
  LEFT(phone, 3),
  '****',
  RIGHT(phone, 4)
);

策略二：自动化造数

对于边界测试、压力测试，生产数据往往不够用。这时候就得自己造。

# Python 造数脚本示例
import random
import datetime

def generate_orders(count=100):
    orders = []
    for i in range(count):
        order = {
            'order_id': f'ORD{datetime.now().strftime("%Y%m%d")}{i:05d}',
            'user_id': random.randint(1000, 9999),
            'amount': round(random.uniform(0.01, 9999.99), 2),
            'status': random.choice(['pending', 'paid', 'shipped', 'completed']),
            'create_time': datetime.now() - datetime.timedelta(days=random.randint(0, 30))
        }
        orders.append(order)
    return orders

策略三：手工构造特殊数据

有些场景自动化搞不定，比如：

• 刚好卡在优惠券门槛上的订单金额
• 跨年、跨月的结算数据
• 特定时间点的并发数据

这些就得手工构造，或者写专门的脚本。

3.4 知识体系总览

下面这张图，是我梳理的测试数据需求分析整体流程。你照着这个思路走，基本不会漏掉关键环节。

3.5 实战中的几个坑

最后分享几个我踩过的坑，你遇到了能少走弯路：

• 别信「开发说数据没问题」——我吃过这个亏，开发说数据都准备好了，结果一查全是空值。
• 造数脚本要版本管理——有一次改需求，造数脚本没更新，跑出来的数据全是错的，排查了两天。
• 数据量别太少——测分页功能，你只造10条数据，能测出什么来？至少造个几百条。
• 别忘了清理数据——测试环境的数据越积越多，最后跑个查询都要半分钟。定期清理是必须的。

---

公众号:蓝海资料掘金营，微信deep3321