技术门槛高

首先它的技术复杂、多样，比如我们之前看到的，包括实时数据、离线数据它们处理数据的架构、框架都是不一样的，技术也都是不一样的。再者，对SQL编写能力的要求会比业务测试会高很多，不仅仅要求能够写一些复杂的业务逻辑，还要有一定的问题定位的能力。第三点是它的自动化、性能测试场景比较复杂。

测试效率低

第二个难点是测试效率低。测试效率低体现在大数据技术手段的多样复杂；任务运行时间比较长，以我们的数据仓库为例，为一个任务修复一个问题，跑完可能需要一个小时，任务运行时间比较长。再一个就是缺少测试工具，我们这边也正在规划准备开发一个大数据测试平台。再一个就是回归测试难，主要因为数据链路太长，改一个东西可能会影响到整个数据链路。
环境问题多

第三个难点是环境问题比较多，首先测试和生产的环境之间的差异还是很大的。因为大数据这边的集群比较大，所以测试环境没有办法做到像正常环境那样完善，所以它的测试环境也比较难以管理，测试环境的资源也比较有限。
数据验收难

数据的验收难主要体现在验收标准比较模糊，场景缺乏一些统一的标准，主要是数据不像一些业务功能或者展示功能可以有直接的感知，我们无法感知到数据是不是准确。
数据复杂多样

最后一个是数据复杂多样，数据类型的话我们刚才也讲过了，不仅仅有结构化、半结构化的数据，还有一些视频、图片的数据，所以处理起来的技术难度还是很大的。
以上是我总结的几个我认为的难点，接下来的文章将会带大家一起了解一下数据应用测试。

（本系列文章根据《优品软件培育计划》公益直播内容整理，观看直播回放可以评论区留言获取观看链接。）