Définir ce que le jumeau représente
Un modèle représente une tranche déclarée de comportement. Commencez par des interfaces prises en charge, des objets d’entreprise pertinents et des invariants explicites.
Précisez les objets métier et les transitions nécessaires à la décision. Un modèle de paiement peut représenter l'initiation, le traitement et le règlement selon des règles conçues, tout en excluant un chemin d'exception non pris en charge. Ces exclusions font partie de la définition du modèle. Sans elles, un lecteur peut supposer une couverture qui n'a jamais été évaluée.
- Enregistrer les chemins modélisés et non modélisés.
- Distingué les valeurs dérivées de la source des hypothèses écrites.
- Gardez les ancres de version et de source avec chaque modèle.
Protéger les preuves indépendantes
Une lecture déterministe ne prouve pas une correction générale. Définissez des affirmations indépendantes et gardez les cas exclus séparés de l’entraînement et du raffinement.
Faites en sorte que la répartition reflète la dépendance entre les cas. Des scénarios très proches, des mondes sources répétés ou des événements sous-jacents partagés peuvent rendre des cas nominalement distincts moins indépendants que leur nombre ne le laisse croire. Consignez la base d'échantillonnage et les hypothèses de regroupement, et protégez les résultats attendus du processus qui propose le candidat.
Séparer l'affinement du modèle de la vérification indépendante
Définissez les cas, conditions et exclusions que le modèle représente.
- Diviser les cas à l'aide de critères déclarés.
- Conserver les preuves protégées et les résultats attendus.
- Ne réajustez pas contre le même groupe caché jusqu'à ce qu'il passe.
Interpréter les erreurs comme des informations
Inspectez les écarts, les cas non pris en charge et la sensibilité du modèle. Une défaillance liée à la source est plus utile qu'un score de confiance non qualifié.
Qualifiez un écart avant de modifier le modèle. Il peut révéler une erreur de correspondance, une règle métier incomplète, un cas non pris en charge ou un résultat attendu incorrect. Conservez les preuves d'origine et expliquez toute correction. Ajuster à répétition sur un jeu de vérification dévoilé change le sens de ces preuves.
Un jumeau de règlement synthétique préserve-t-il le résultat comptable attendu ?
Figez le modèle et la population de paiements déclarée. Utilisez des résultats attendus indépendants pour le règlement, les exceptions et l'ordre, en tenant les cas protégés à l'écart de l'affinement des paramètres.
Analysez une assertion comptable en échec avant d'accepter un candidat plus rapide. Conservez l'échec même si une révision ultérieure du modèle le résout.
- Conservez les exceptions et les détails de la réconciliation.
- Examiner les améliorations proposées avec un expert du domaine.
- Énoncez les conditions dans lesquelles le résultat est valide.
Utiliser des assertions qui éprouvent le modèle
Une assertion doit exprimer une propriété métier ou opérationnelle indépendamment de l'implémentation testée. Par exemple : des transitions d'état valides, une identité préservée, des totaux réconciliés et un traitement explicite des exceptions attendues.
Une exécution déterministe peut reproduire la même erreur à chaque fois. Associez la reproductibilité à des assertions qui peuvent échouer, et vérifiez si elles couvrent la décision envisagée. Un grand nombre de cas ne suffit pas à établir une couverture représentative.
Trois types de preuves différents
| Preuves | Ce qu'elle peut vous apprendre | Ce qu'elle n'établit pas |
|---|---|---|
| Relecture reproductible | La même configuration déclarée reproduit son comportement. | L'exactitude métier en général. |
| Vérification indépendante | Le modèle figé satisfait les assertions spécifiées sur les cas déclarés. | La couverture des conditions client non testées. |
| Revue métier | Le résultat est pertinent pour une décision énoncée. | Une approbation automatique en production ou professionnelle. |
- Déclarez le résultat attendu avant l'exécution du candidat.
- Incluez les exceptions et les cas sensibles à l'ordre.
- Séparez le responsable des assertions de la génération automatique de propositions.
Lire ensemble couverture et incertitude
Décrivez ce qui a été testé, ce qui a échoué et quelles conditions restent non observées. Séparez les résultats d'entraînement des résultats de vérification protégés, et conservez les identités exactes du modèle et des sources associées aux deux.
L'analyse de sensibilité peut révéler la dépendance à un paramètre conçu, mais elle ne transforme pas cette hypothèse en fait observé. Expliquez quels changements modifient la conclusion et quelles nouvelles preuves sources réduiraient l'incertitude.
Gardez les preuves et leurs conditions ensemble. Un succès ultérieur n'efface pas un échec antérieur et n'élargit pas le périmètre d'origine.
- Conservez chaque résultat de qualification.
- Consignez les limites de dépendance et d'échantillonnage.
- Examinez séparément les résultats chiffrés et l'utilité métier.
Préparer une revue de validation
Une revue de validation doit aboutir à une conclusion sur une version de modèle déclarée et un usage prévu. Elle peut accepter une conclusion délimitée, rejeter un candidat ou demander des preuves supplémentaires.
Apportez à la revue la définition du modèle, les assertions indépendantes, l'ensemble complet des résultats et les exclusions. L'acceptation du modèle propre au client et l'autorité en production restent distinctes des tests de référence synthétiques internes.
Préparation de la revue
0 / 6 préparé- Figez le candidat et les preuves exacts.
- Documentez les cas en échec et non pris en charge.
- Désignez le relecteur et l'usage autorisé de la conclusion.