Cada vez que ejecutamos una suite de tests estamos generando información valiosa: qué tests fallan, cuánto duran, si hay patrones, si cambian con el tiempo… Sin embargo, esta valiosa información suele perderse entre los logs o simplemente no se recolecta.

En general, no tenemos una visión clara del comportamiento histórico de nuestros tests. Esto impide detectar flaky tests, cuellos de botella, degradaciones en la duración o áreas del código que no se prueban. Sin visibilidad, se pierde capacidad de diagnóstico y mejora.

En esta charla usaremos Python para construir un sistema sencillo que recolecte los resultados de cada ejecución de Pytest, los almacene en una base de datos y nos permita visualizarlos. A partir de ahí, veremos cómo:
- Visualizar tendencias de fallos en los tests, así como cambios en su duración.

• Detectar flaky tests de forma pasiva, observando variabilidad entre ejecuciones.

• Identificar nuevos tests que comienzan a fallar y patrones de inestabilidad.

• Priorizar mejoras en la calidad a partir de datos reales.

Todo usando herramientas in-house, sin depender de SaaS externos, y con ejemplos prácticos para replicar fácilmente.

Muchas veces los problemas de calidad están delante nuestro, pero el árbol no nos deja ver el bosque. Con una infraestructura mínima y bien enfocada se pueden detectar y resolver patrones que de otra forma pasarían desapercibidos.