Ir para o conteúdo

Estratégia de Qualidade (QA)

A garantia de qualidade do CarFlow baseia-se em três pilares: Análise Estática, Testes Automatizados com alta cobertura e Integração Contínua (CI). O objetivo é garantir que as regras de negócio e o processamento de dados (ETL) permaneçam estáveis a cada evolução.

1. Ferramentas Utilizadas

Ferramenta Tipo Função
Ruff Linter / Formatter Analisa o código estaticamente em busca de erros de sintaxe e violações de estilo (PEP 8).
Pytest Framework de Teste Execução de testes unitários e de integração.
Coverage.py Análise de Cobertura Mede qual porcentagem do código fonte foi executada durante os testes.
GitHub Actions CI Server Orquestrador que executa o pipeline a cada Push ou Pull Request.

2. Pipeline de Integração Contínua (CI)

O fluxo de CI está definido no arquivo .github/workflows/ci.yml.

Estágios do Pipeline:

  1. Trigger: Acionado em qualquer push ou pull_request para a main.
  2. Setup: Provisiona uma máquina virtual Ubuntu e instala Python 3.11.
  3. Dependências: Instala as bibliotecas do requirements.txt.
  4. Linting (Gatekeeper): Executa o ruff check .. Se houver código fora do padrão, o pipeline falha.
  5. Testes & Cobertura: Executa o pytest validando a lógica e garantindo a integridade dos dados.

Teste3

3. Métricas de Cobertura (Code Coverage)

O projeto mantém um padrão rigoroso de qualidade, atingindo atualmente 96% de cobertura de código.

Isso significa que quase a totalidade das linhas de código lógicas (Services, ETL, Repositories e Utils) são validadas a cada deploy.

Foi monitorado cobertura de código para garantir que caminhos críticos não fiquem desprotegidos.

Componente Meta de Cobertura Crítico?
Services (Lógica) > 90% Sim
Repositories (SQL) > 80% Sim
Models (ORM) > 95% Não (declarativo)
UI (Streamlit) > 50% Não (Smoke test)

Teste1 Teste2

4. Cenários de Teste Principais

A suíte de testes automatizados foca nas áreas críticas do sistema:

  1. Cálculo de Médias (ETL):
    • Verificar se o agrupamento de preços ignora corretamente dados nulos.
    • Garantir que a média ponderada considera os volumes corretos.
  2. Resiliência de Dados:
    • Idempotência: Rodar o Batch duas vezes seguidas não deve duplicar registros na tabela monthly_averages.
  3. Conectividade e Falhas:
    • Simular queda de banco de dados (Mock) para garantir que o sistema exibe mensagens de erro amigáveis em vez de travar (Crash).