一個健康的測試平台體系，對測試人員的職責分工、協作模式會有不同的要求。
測試平台核心的職責是完成高質量的交付已滿足業務需求。測試活動包括單元測試、集成測試、接口測試、性能測試等，都是通過這些測試手段，協同整個測試平台來完成高質量交付的管理工作。
測試平台的核心目的是提升測試效率，從而提升產品質量，其設計關鍵就是自動化。傳統的測試方式是測試人員手工執行測試用例，測試效率低，重復的工作多。通過測試平台提供的自動化能力，測試用例能夠重復執行，無須人工參與，大大提升了測試效率。
為了達到“自動化”的目標，測試平台的基本架構如下圖所示。
通過對象庫的封裝-業務的封裝-驅動的封裝，這些封裝體系的協作，我們可以搭建一系列的自動化測試平台。當然，這只是一小部分，因為整個測試平台的搭建，絕對不是單純的自動化測試就可以完成，需要業務人員、開發人員和測試人員共同合作來完成整個測試平台。
1. 用例管理
測試自動化的主要手段就是通過腳本或者代碼來進行測試，例如單元測試用例是代碼、接口測試用例可以用Python來寫、可靠性測試用例可以用Shell來寫。為了能夠重復執行這些測試用例，測試平台需要將用例管理起來，管理的維度包括業務、系統、測試類型、用例代碼。例如，網購業務的訂單系統的接口測試用例。
2. 資源管理
測試用例要放到具體的運行環境中才能真正執行，運行環境包括硬件（服務器、手機、平板電腦等）、軟件（操作系統、數據庫、Java虛擬機等）、業務系統（被測試的系統）。
除了性能測試，一般的自動化測試對性能要求不高，所以為了提升資源利用率，大部分的測試平台都會使用虛擬技術來充分利用硬件資源，如虛擬機、Docker等技術。
3. 任務管理
任務管理的主要職責是將測試用例分配到具體的資源上執行，跟蹤任務的執行情況。任務管理是測試平台設計的核心，它將測試平台的各個部分串聯起來從而完成自動化測試。
4. 數據管理
測試任務執行完成后，需要記錄各種相關的數據（例如，執行時間、執行結果、用例執行期間的CPU、內存占用情況等），這些數據具備下面這些作用：
展現當前用例的執行情況。
作為歷史數據，方便后續的測試與歷史數據進行對比，從而發現明顯的變化趨勢。例如，某個版本后單元測試覆蓋率從90%下降到70%。
作為大數據的一部分，可以基於測試的任務數據進行一些數據挖掘。例如，某個業務一年執行了10000個用例測試，另外一個業務只執行了1000個用例測試，兩個業務規模和復雜度差不多，為何差異這么大？
數據平台
數據平台的核心職責主要包括三部分：數據管理、數據分析和數據應用。每一部分又包含更多的細分領域，詳細的數據平台架構如下圖所示。
1. 數據管理
數據管理包含數據采集、數據存儲、數據訪問和數據安全四個核心職責，是數據平台的基礎功能。
- 數據采集：從業務系統搜集各類數據。例如，日志、用戶行為、業務數據等，將這些數據傳送到數據平台。
- 數據存儲：將從業務系統采集的數據存儲到數據平台，用於后續數據分析。
- 數據訪問：負責對外提供各種協議用於讀寫數據。例如，SQL、Hive、Key-Value等讀寫協議。
- 數據安全：通常情況下數據平台都是多個業務共享的，部分業務敏感數據需要加以保護，防止被其他業務讀取甚至修改，因此需要設計數據安全策略來保護數據。
2. 數據分析
數據分析包括數據統計、數據挖掘、機器學習、深度學習等幾個細分領域。
- 數據統計：根據原始數據統計出相關的總覽數據。例如，PV、UV、交易額等。
- 數據挖掘：數據挖掘這個概念本身含義可以很廣，為了與機器學習和深度學習區分開，這里的數據挖掘主要是指傳統的數據挖掘方式。例如，有經驗的數據分析人員基於數據倉庫構建一系列規則來對數據進行分析從而發現一些隱含的規律、現象、問題等，經典的數據挖掘案例就是沃爾瑪的啤酒與尿布的關聯關系的發現。
- 機器學習、深度學習：機器學習和深度學習屬於數據挖掘的一種具體實現方式，由於其實現方式與傳統的數據挖掘方式差異較大，因此數據平台在實現機器學習和深度學習時，需要針對機器學習和深度學習獨立進行設
3. 數據應用 數據應用很廣泛，既包括在線業務，也包括離線業務。例如，推薦、廣告等屬於在線應用，報表、欺詐檢測、異常檢測等屬於離線應用。
數據應用能夠發揮價值的前提是需要有“大數據”，只有當數據的規模達到一定程度，基於數據的分析、挖掘才能發現有價值的規律、現象、問題等。如果數據沒有達到一定規模，通常情況下做好數據統計就足夠了，尤其是很多初創企業，無須一開始就參考BAT來構建自己的數據平台。
