Азиатско-Тихоокеанский Банк · Цифровые банковские продукты
Трансформация качества цифрового банка
От разрозненных процессов и экспертных оценок к измеримой системе качества: тестовое покрытие, регресс, автоматизация, дефекты, инженерные среды и развитие команды.
Масштаб
Масштаб трансформации
Ключевые изменения в системе управления качеством дистанционного банковского обслуживания.
30% → 86%
покрытие функционала тестированием
Единая модель измерения до и после изменений.
7–8 → 3–4 дня
полный регресс мобильного приложения
Сокращение примерно вдвое при пересмотре состава и точечной автоматизации.
600+ → около 70
активных проблемных обращений
Снижение примерно за 3 месяца при продолжающемся входящем потоке.
4 000+
тест-кейсов в актуальной тестовой базе
Основа для расчёта покрытия и планирования регресса.
до 25
человек в двух отделах управления качеством
Функциональное и автоматизированное тестирование.
Контекст
От отдельных процессов к единой системе качества
Исходная ситуация
Качество существовало в нескольких связанных, но не полностью объединённых контурах: обращения поддержки, тест-кейсы, регресс, автоматизация, дефекты и тестовые среды имели собственные процессы и показатели. Для управленческих решений требовалась единая измеримая модель.
Управленческая задача
Связать процессы в один управляемый контур, сделать качество измеримым и сократить время обратной связи от проблемы до решения.
Моя роль
Руководитель управления контроля качества
В зоне ответственности — стратегия качества, работа двух отделов, метрики, регресс, управление дефектами и развитие инженерных практик.
Стратегия качества
Целевая модель, KPI, приоритеты и roadmap изменений.
Команды и управление
Два отдела, руководители направлений, развитие людей и управление результатом.
Процессы и управление качеством
Тестовое покрытие, регресс, управление дефектами, обработка обращений и метрики качества.
Инженерное развитие
Автоматизация, тестовые среды, CI, внутренние инструменты и AI в работе с качеством.
Управленческие направления
Как перестраивалась система качества
01
Поддержка и маршрутизация
600+ → около 70 активных проблемных обращений
Переработал модель сервисов и подсервисов, связал обращения с продуктовыми и инженерными командами, выстроил правила маршрутизации и сделал поток обращений регулярным объектом управленческого контроля.
- Многотысячный входящий поток обращений за полгода
- Интеграция поддержки и инженерного тракта
- Возврат результата обработки в поддержку
02
Измеримое тестовое покрытие
30% → 86% · 4 000+ тест-кейсов
Построил цепочку «функциональность → сценарные области → тест-кейсы → прогон → дефекты → решение». Историческая база очищена и систематизирована, а покрытие стало рассчитываемым показателем готовности. AI стал дополнительным уровнем ревью: анализирует требования, спецификации и тест-кейсы, ищет пробелы и дубли, указывает на слабые проверки. Итоговые изменения подтверждаются инженером.
- Реестр функциональности
- AI-ревью всей актуальной базы
- Значительная часть прироста связана с AI-ревью и доработкой тест-кейсов
03
Регресс и автоматизация
7–8 → 3–4 дня · полный регресс мобильного приложения
Автоматизация используется как инструмент сокращения времени обратной связи и ускорения регресса. Я сформировал стратегию, KPI и приоритеты направления; техническую реализацию развивает руководитель отдела автоматизации с командой.
- Точечная автоматизация критичного UI мобильного приложения
- Приоритет — критичный функционал мобильного и интернет-банка
- Покрытие, приоритеты и контроль результата
04
Управление качеством и PROD-дефектами
Данные → ответственность → контроль
Дефекты перестали быть только QA-отчётом: данные классифицируются, получают ответственную команду и срок, проходят регулярный контроль и ретроспективу. Метрики качества включены в квартальный цикл оценки команд.
- Критичность, повторное открытие и переносы
- Анализ по командам и средам
- High/medium PROD-дефекты регулярно разбираются
05
Инженерная функция и развитие команды
Матрица компетенций · ИПР · one-to-one · обучение
Развитие команды стало воспроизводимым процессом: уровень фиксируется матрицей компетенций, дальнейшие шаги — индивидуальным планом развития и регулярными one-to-one.
- Функциональное и автоматизированное тестирование
- ИПР, обучение, митапы и наставничество
- Адаптация новых сотрудников
06
Прозрачность тестовой инфраструктуры
Единый контроль сервисов
Внедрён единый способ контролировать версии и доступность сервисов по средам тестирования и промышленной эксплуатации: быстрее проверять состояние перед тестированием и разбирать проблемы.
- Мониторинг версий и доступности
- Все рабочие среды
- Используемый инженерный контур
Подробнее о систематизации исторической тестовой базы: Перестройка регресса цифрового банка.
AI в работе с качеством
AI как дополнительный слой контроля качества
Не генерация текста, а дополнительный слой проверки больших объёмов требований, тестов и релизных изменений.
Тестовая модель
Требования, спецификации и тест-кейсы сопоставляются для поиска пропусков и слабых сценариев.
Ревью тест-кейсов
Проверяются полнота, дубли, качество шагов, ожидаемые результаты, позитивные и негативные сценарии.
Готовность релиза
Перед релизом AI сопоставляет изменения с требованиями и тестовой моделью, выделяя зоны дополнительной проверки.
Мобильное приложение
AI-анализ мобильного приложения помогает сопоставить функциональность с тестовой моделью и найти зоны дополнительной проверки.
AI-анализ мобильного приложения
AI-анализ мобильного приложения использовался как дополнительный источник сверки функциональности с тестовой моделью и давал ещё один взгляд на покрытие; выводы проходили инженерную проверку.
AI не принимает финальных решений о качестве. Он выступает дополнительным слоем проверки, а выводы подтверждаются инженерами и фактическими результатами тестирования.
Рабочий AI-контур развивается внутри инженерной среды, а финальные решения остаются за инженерами. Следующий шаг — частичная интеграция AI-ревью в CI-процесс.
Трансформация
Как изменилась система качества
Было
Экспертная оценка
Стало
Измеримая модель покрытия
Было
Тяжёлый полный регресс
Стало
Управляемая регрессионная модель
Было
Реактивная обработка обращений
Стало
Управляемый поток с контролем причин
Было
Разрозненные показатели
Стало
Управление качеством на основе регулярных метрик
Следующий этап
Спроектированный сервис отзывов
Спроектирован внутренний сервис работы с отзывами магазинов приложений — от модели данных до критериев приёмки.
Статус: готово к разработке; внедрение не заявляется.
Результаты
Ключевые результаты
30% → 86%
Покрытие функционала
Функциональная модель вместо экспертной оценки.
7–8 → 3–4 дня
Регресс мобильного приложения
Сокращение полного регресса примерно вдвое.
600+ → около 70
Активные проблемные обращения
Снижение примерно за 3 месяца при продолжающемся входящем потоке.
Единый контур
Контроль версий и доступности сервисов
Состояние сервисов видно по всем рабочим средам.
Ключевой результат: качество перестало быть финальной проверкой релиза и стало измеримой инженерной системой, встроенной в процесс поставки цифрового банка. AI используется в ней как дополнительный слой анализа и контроля, а финальные решения остаются за командой.
Технологический и управленческий контекст
Инструменты и практики
- Управление качеством
- Автоматизация
- AI-assisted review
- Метрики
- Регресс