কেস স্টাডি: একটি বাস্তব অ্যাপের জন্য টেস্টিং স্ট্র্যাটেজি

# ShoppyBazaar চেকআউট ফ্লোর এরিয়াগুলো -- প্রতিটির সম্ভাবনা ও প্রভাব ১-৫ স্কেলে (দলের অভিজ্ঞতাভিত্তিক অনুমান)
CHECKOUT_AREAS = {
    "pricing_engine":           {"likelihood": 3, "impact": 5},
    "payment_gateway_contract": {"likelihood": 3, "impact": 5},
    "checkout_ui_flow":         {"likelihood": 4, "impact": 4},
    "coupon_engine":            {"likelihood": 4, "impact": 3},
    "black_friday_load":        {"likelihood": 2, "impact": 5},
    "payment_data_security":    {"likelihood": 2, "impact": 5},
    "order_confirmation_email": {"likelihood": 3, "impact": 2},
}

def risk_score(likelihood, impact):
    return likelihood * impact

scored = [
    (name, risk_score(data["likelihood"], data["impact"]))
    for name, data in CHECKOUT_AREAS.items()
]
ranked = sorted(scored, key=lambda pair: pair[1], reverse=True)

print(f"{'চেকআউট ফ্লো এরিয়া':28s} | ঝুঁকি স্কোর (সম্ভাবনা x প্রভাব)")
print("-" * 62)
for rank, (name, score) in enumerate(ranked, start=1):
    print(f"{rank}. {name:26s} | {score}")

total_risk = sum(score for _, score in scored)
top_n = 4

risk_based_covered = sum(score for _, score in ranked[:top_n])
risk_based_pct = round(100 * risk_based_covered / total_risk, 1)

naive_order = sorted(scored, key=lambda pair: pair[0])   # নামের বর্ণানুক্রমে -- ঝুঁকি বিবেচনা না করে
naive_covered = sum(score for _, score in naive_order[:top_n])
naive_pct = round(100 * naive_covered / total_risk, 1)

print(f"মোট চিহ্নিত ঝুঁকি স্কোরের যোগফল: {total_risk}")
print(f"রিস্ক-ভিত্তিক ক্রমে প্রথম {top_n}টি এরিয়া টেস্ট করলে কভার হয়: {risk_based_covered}/{total_risk} = {risk_based_pct}%")
print(f"শুধু বর্ণানুক্রমিক ক্রমে প্রথম {top_n}টি এরিয়া টেস্ট করলে কভার হতো: {naive_covered}/{total_risk} = {naive_pct}%")