672 人が閲覧(直近 30 日) テスト

バグ密度・テスト密度の目安|IPA基準値・品質指標値と計算式、ゾーン分析

バグ密度・テスト密度の目安|IPA基準値・品質指標値と計算式、ゾーン分析

バグ密度もテスト密度も、計算式は割り算ひとつです。実務で詰まるのは「いくつなら妥当か」の一点で、この記事はその目安をIPA「ソフトウェア開発分析データ集2022」の実績値で示します。結合・総合テストの基準値、レビュー指摘密度まで含めたIPAの品質指標値の一覧、単体テストの指標値が無い理由、組込みソフトウェアの基準値、P25/P75の求め方とIPAの9ゾーン分析、そして基準値をそのまま自社に当てはめると外す条件までを扱います。

まとめ

目安はIPAの公開実績値をたたき台にし、最終的には自社実績に置き換えます。IPA分析データ集2022(全開発種別・SLOC規模)の中央値は、結合テストでテストケース密度51.7件/KSLOC・検出バグ密度1.111件/KSLOC、総合テストで16.0件/KSLOC・0.197件/KSLOCです。IPA自身の言葉では「1000行あたり50個の結合テスト、15個の総合テスト」「1万行あたり結合テストで12個のバグを検出し、総合テストで2個検出する」相場観になります。

この基準値には5つの前提があります。対象は結合テストと総合テストの2工程だけで、単体テストの指標値は存在しないこと。分布が右に大きく裾を引くため、平均値は代表値に向かないこと(結合テストの検出バグ密度は中央値1.111に対し平均22.866)。業務システム(エンタプライズ分野)のデータで、組込みソフトウェアは別資料の値を使うこと(組込み白書2019の改良〈派生〉開発・C/C++の集計では、結合テストのテストケース密度が中央値181.104件/KSLOC)。定量的管理が進んだ組織のデータが多く、IPA自身が「世間相場観よりも良い値を示している可能性がある」と注意していること。そして2022年版で発行が終わり、今後は更新されないことです。

バグ密度とテスト密度の計算式と単位

どちらも「規模あたりの件数」を出す指標です。規模には行数(SLOC)かファンクションポイント(FP)を使い、件/KSLOC(1,000行あたり)か件/KFP(1,000FPあたり)で表します。工程の切り方がぶれていると密度も揃わないので、システム開発のテスト工程の区分とV字モデルの対応を先に固定してから測り始めてください。

密度の計算式とSLOC・FPによる規模測定

指標 計算式 単位
バグ密度(検出バグ密度) 検出バグ数 ÷ 規模 件/KSLOC、件/KFP
テスト密度(テストケース密度) テストケース数 ÷ 規模 件/KSLOC、件/KFP
リリース後の発生不具合密度 稼働後6か月の不具合数 ÷ 規模 件/KSLOC、件/KFP

2万行(20KSLOC)の結合テストで1,000ケースを実施し24件のバグを検出したなら、テスト密度は50.0件/KSLOC、バグ密度は1.2件/KSLOCです。IPAと比べるなら規模の定義も合わせます。IPAのデータ白書Q&Aによると、改良開発のSLOC規模は母体を含まず、「新規に追加した部分、変更した部分及び削除した部分を合計した規模」(実効SLOC実績値)です。改修案件で既存システム全体の行数を分母にすると、密度は桁違いに小さく出ます。

SLOCとFPの基準値は桁から違い、IPAによると両方を記録しているプロジェクトは全体の約10%にとどまります。自社がどちらで規模を測るかを先に決めないと、基準値を引き写しても比べられません。FPの数え方が固まっていないなら、ファンクションポイント法の計算方法と重み表を先に押さえてください。

欠陥密度・不良密度・試験密度という呼び方と、現象数・原因数の違い

バグ密度は現場によって欠陥密度・不良密度・不具合密度・障害密度と呼ばれ、テスト密度は試験密度・テストケース密度と呼ばれます。割る対象(規模)と割られる対象(件数)の定義が揃っていれば、呼び方は問いません。

揃えるべきは件数の数え方です。IPAは検出バグを「現象数」と「原因数」に分けて集計しています。1つの原因が10画面で再現すれば、現象数では10件、原因数では1件です。IPAは「現象数と原因数のデータを提出しているそれぞれのプロジェクト群は重なりが少ないため、数だけのデータでは比較できない」と注記しており、2つの表を混ぜて使うことはできません。どちらで数えるか迷うなら、IPAは同じQ&Aで「不具合は、本来は『原因別』で管理されるべきである」としています。テストケースの単位も同じで、1シナリオを1件と数える現場と期待値の確認項目ごとに1件と数える現場では、同じテストで密度が数倍変わります。粒度の議論には、工程名ではなく実行範囲でテストを分けるGoogle流のテストサイズによる分類が参考になります。

IPA分析データ集2022が示すバグ密度・テスト密度の基準値

国内で公開されている代表的なベンチマークが、IPA(情報処理推進機構)のソフトウェア開発分析データ集2022です。2004年から蓄積した5,546プロジェクトのうち、基本的な統計値は直近6年間(2016〜2021年度)の1,479件から算出されています。本編PDF(264ページ)の第5章「テスト検出バグ」に、結合テストと総合テスト(ベンダ確認)の規模あたりテストケース数・検出バグ数が四分位で載っています。公開は2022年9月26日、ページの最終更新は2025年8月28日です(2026年10月時点で確認)。

各表のN(集計対象プロジェクト数)はさらに少なく、SLOC規模・結合テストのテストケース密度でN=665、検出バグ密度(現象数)でN=507です。集計対象は「開発5工程のフェーズ有無がすべて○」、つまり基本設計・詳細設計・製作・結合テスト・総合テスト(ベンダ確認)がそろったプロジェクトに限られます。

SLOC規模の基準値(全開発種別)

表5-1-1の値です。P25〜P75は分布の中央のおよそ半分を示す範囲です。

工程・指標 N P25 中央値 P75
結合/テストケース密度 665 22.2 51.7 120.1
結合/バグ密度(現象) 507 0.468 1.111 2.402
結合/バグ密度(原因) 389 0.373 1.042 1.957
総合/テストケース密度 620 6.4 16.0 40.7
総合/バグ密度(現象) 475 0.051 0.197 0.639
総合/バグ密度(原因) 376 0.063 0.246 0.675

単位は件/KSLOCです。総合テストでは原因(0.246)のほうが現象(0.197)より高く出ています。同じ母集団を数え方だけ変えた結果ではなく、提出プロジェクト群が別だからです。自社の数え方に対応する行だけを見てください。

新規開発・改良開発・再開発で変わる基準値

開発種別ごとの中央値です(カッコ内はP25/P75、単位は件/KSLOC)。

開発種別・工程 テストケース密度 バグ密度(現象)
新規/結合テスト 37.63(17.84/79.84) 1.565(0.650/2.613)
新規/総合テスト 9.41(4.69/21.57) 0.282(0.092/0.829)
改良/結合テスト 67.91(29.52/159.51) 0.976(0.382/2.133)
改良/総合テスト 24.84(8.54/56.75) 0.164(0.034/0.624)
再開発/結合テスト 39.30(18.53/71.22) 1.091(0.540/2.180)
再開発/総合テスト 13.45(4.13/27.29) 0.228(0.054/0.368)

改良開発はテストケースが多く、バグが少ない側に寄っています。結合テストの中央値は、改良開発67.91件に対し新規開発37.63件です。改修案件に新規開発の基準値をあてると、テストケース密度は「多すぎ」、バグ密度は「少なすぎ」の側に振れて見えます。回帰テストの積み増しと既存コードの成熟が要因の候補ですが、IPAの集計だけで原因までは特定できません。改良開発のケースをどう積むかはリグレッションテストの範囲選定と自動化の判断と直結します。再開発(既存システムの作り直し)は、テストケース密度が新規と改良の中間、バグ密度は新規より低い位置です。

FP規模の基準値と小さい集計件数

FP規模・全開発種別(表5-2-1)の結合テストは、テストケース密度がP25 668.8・中央値1,782.3・P75 3,450.8件/KFP、検出バグ密度(現象)が41.0・91.2・164.1件/KFPです。総合テストはテストケース密度252.4・556.9・1,500.0、検出バグ密度(現象)10.5・30.1・80.0です。原因数ベースの中央値は結合94.0、総合34.0です。

結合テストのテストケース密度はN=42しかありません(SLOC規模は665)。IPA自身もFP規模の章で「データ件数Nが小さいので、変動したとは言えない」と書いています。FPの基準値は幅の広い参考値として扱い、判定の閾値に使うなら自社の過去案件で補正してください。

リリース後6か月の発生不具合密度(10万行に1個の相場観)

「バグ密度の目安」を探す人のうち、出荷品質を知りたい人もいます。IPAは稼働後6か月の発生不具合密度も集計しており、新規開発(SLOC規模・全体、N=171)でP25 0.000・中央値0.000・P75 0.077・平均0.100件/KSLOCでした。本編6.2は「不具合は10万行で1個(中央値)、1万行で1個(平均値)の相場観」とまとめています。

小数第3位までの表示で中央値が0.000という、ごく小さい水準です。丸めた密度なので、不具合ゼロの案件の割合までは読み取れません。規模別では、40KSLOC未満が中央値0.000のままなのに対し、40〜100KSLOCで0.008、100〜300KSLOCで0.007、300KSLOC以上で0.010と、大規模側はゼロを離れます。テスト工程の検出バグ密度(結合1.111)と比べると、相場観の10万行に1個(0.01件/KSLOC)とは100倍以上、平均0.100とも約11倍の開きがあります。観測期間も統計量も違うので、同じ「バグ密度」として並べないでください。

IPAが公開している品質指標値の一覧(レビュー指摘密度を含む)

「IPAの品質指標値」として探されるものは、本編では第2〜5章に分かれて載っています。テスト工程の密度だけでなく、設計レビューの指摘密度も同じ四分位で公開されています。規模・工数・設計書ページ数を分母にした指標の中央値をまとめると次のとおりです。開発種別は全開発種別で、発生不具合密度の行だけ新規開発です。

指標(本編の表番号) N 中央値 単位
基本設計レビュー指摘(4-1-1) 405 2.500 件/KSLOC
基本設計レビュー指摘(4-1-2) 17 175.0 件/KFP
基本設計レビュー指摘(4-1-3) 244 625.0 件/1,000レビュー人時
基本設計レビュー指摘(4-1-4) 353 0.216 件/ページ
製作工程レビュー指摘(4-2-1) 240 496.9 件/1,000レビュー人時
結合テストケース密度(5-1-1) 665 51.7 件/KSLOC
結合テスト検出バグ密度(5-1-1) 507 1.111 件/KSLOC
総合テストケース密度(5-1-1) 620 16.0 件/KSLOC
総合テスト検出バグ密度(5-1-1) 475 0.197 件/KSLOC
発生不具合密度・新規(2-1-1) 171 0.000 件/KSLOC

本編6.2はこれを「基本設計レビューでは100ページあたり25個指摘の相場観」と要約しています。レビュー指摘密度は、テストでバグ密度が跳ねたときに上流を疑う材料になります。テスト工程のバグ密度がP75を超えているのに、基本設計のレビュー指摘密度が中央値2.500件/KSLOCを大きく下回っているなら、レビューの形骸化を先に疑ってください。指摘が出るレビューの組み立て方はコードレビューの観点設計と運用で扱っています。

ただしレビュー指摘密度は扱いに注意が要る指標です。IPAのマンガでわかるソフトウェア開発データ分析は、テスト検出バグ密度がほぼプロダクトの品質に依存するのに対し、レビュー指摘密度はレビューアのスキルや経験にも依存するため「分析しにくいデータのひとつ」と書いています。基準値との差は、プロダクトとレビューアのどちらの問題かを切り分けてから読みます。

単体テストの指標値がIPAに無い理由と、代わりに見る指標

「IPA 単体テスト 指標値」で探しても、密度の基準値は見つかりません。本編264ページを全文検索すると「単体」という語は一度も出てこず、業種別編3冊も同じです。IPAの開発5工程は基本設計・詳細設計・製作・結合テスト・総合テスト(ベンダ確認)で、単体テストは独立した工程として集計されていません。プログラミングと一体の「製作」の中に入っています。

理由はIPA自身が説明しています。マンガ解説版のp27「単体テストはひとりでこっそりと」は、単体テストはバグが見つかればそのままデバッグまで一続きで進むためインシデントレポートが書かれないことが多く、「単体テストではテストケース数はあまりデータ収集されず、それよりもカバレッジなどの指標が重要視され、カバレッジ率だけで管理されるようになっています」と書いています。

単体テストの目安が必要なら、IPAの数字を探すよりテストカバレッジのC0・C1・C2という網羅率で管理し、ケース数の目標を置くなら自社の過去案件から中央値を出してください。製作工程の品質関連でIPAが公開している値にはレビュー指摘密度(496.9件/1,000レビュー人時、中央値)がありますが、これは単体テストのバグ密度を代わりに表す値ではありません。単体テストはケース数より観点の質で決まる面が強く、JUnitによる単体テストの書き方のようにパラメータ化テストで件数が簡単に増えるため、ケース数の密度とは相性がよくありません。

IPAの9ゾーン分析によるテスト密度・バグ密度の評価

密度は単独では解釈できません。バグ密度が低いのは品質が良いからなのか、テストしていないからなのか、片方の数字では区別がつかないためです。IPAは「ソフトウェア開発データ白書2018-2019」の紹介資料の5.4「品質管理でのデータ参照例」で、テストケース密度を横軸、バグ密度を縦軸に取り、それぞれ上限・下限で3分割したゾーン分析を示しています。この記事では上限・下限にP25とP75を使う例で説明します。上限・下限値は「①自社の蓄積データ 無い場合は ②データ白書などの値を参考にして設定する」とされ、番号が大きいほど点検の優先度が高い並びです。

ゾーン テスト密度 バグ密度 IPAの評価
① 基準内 基準内 一応品質は良好、テスト効率も計画通り
② 高い 基準内 テスト効率がやや悪、テスト内容点検
③ 基準内 低い テスト内容が適切か点検
④ 高い 低い テスト効率がやや悪、テスト内容点検
⑤ 基準内 高い 前工程の品質確保不足、内容点検
⑥ 高い 高い 前工程の品質確保不足、内容点検
⑦ 低い 基準内 テスト不足、前工程の品質確保不足、内容点検
⑧ 低い 高い テスト不足、前工程の品質確保不足、内容点検
⑨ 低い 低い テスト不足、内容点検

IPAの評価は①を「一応品質は良好」とし、②〜⑨ではいずれもテスト内容などの点検を求めています。①も「一応」付きなので、ゾーンは合否の判定ではなく、どこから中身を見るかの順番だと読んでください。IPA自身も同じ図に「テスト密度、バグ密度、バグの内容(原因)の分析による判断」と添えています。

点検順位が最も高いゾーン⑨は、数字が静かで報告資料上は問題なく見えるのが厄介です。テストが足りずバグが見つかっていないだけの可能性を先に疑い、計数ルールを都合よく変えて基準内に見せるのではなく、観点表の漏れ・期待結果の妥当性・実行記録を突き合わせます。ゾーン分析は工程完了時にまとめて見るだけでは手当てが間に合いません。週次など途中で見る場合は、実行済みケース数と残りのテスト範囲を併記し、途中経過と工程完了時の密度を区別して点検します。

業種別編と組込み白書で比べる水準差

IPAは本編とは別に、金融・保険業編、情報通信業編、製造業編を公開しています。本編と同じ表番号・同じ層別条件で集計されているので、数値をそのまま横に並べられます。

金融・保険業、情報通信業、製造業の中央値

SLOC規模・全開発種別・中央値です(カッコ内はN、単位は件/KSLOC)。

資料 結合/ケース 結合/バグ 総合/ケース 総合/バグ
本編(全業種) 51.7(665) 1.111(507) 16.0(620) 0.197(475)
金融・保険業編 83.2(233) 0.986(204) 15.0(215) 0.161(193)
情報通信業編 56.2(54) 1.808(37) 20.6(51) 0.303(35)
製造業編 34.47(80) 1.723(58) 15.09(69) 0.429(51)

結合テストのテストケース密度は、製造業編34.47から金融・保険業編83.2まで2.4倍の開きがあります。金融・保険業編は相場観を「1000行あたり80個の結合テスト」「1万行あたり結合テストで10個のバグ」と書いており、本編の「50個」「12個」とは前提が違います。ただし情報通信業編は製造業編よりテストケース密度もバグ密度も高く、「テストを厚くすればバグ密度が下がる」という一方向の関係は業種別の中央値からは読み取れません。総合テストの検出バグ密度は、製造業編の0.429が本編0.197の2倍以上です。中央値は品質の許容上限ではないので、製造業向けシステムの総合テストで0.197を超えたことだけを理由に「品質不良」と判定しないでください。

ここでいう業種は、IPAの定義では「当該情報システムがサポートするビジネス分野。例えば顧客企業のビジネス分野」です。製造業編は製造業の業務を支えるシステムの集計で、組込みソフトウェアの集計ではありません。

組込みソフトウェアの基準値(組込みソフトウェア開発データ白書2019)

分析データ集はエンタプライズ分野の資料です。組込みソフトウェアには、IPAの組込みソフトウェア開発データ白書2019(累計599件)が別にあります。改良(派生)開発・開発言語C/C++・0.1KSLOC以上の図表8.3-3(N=196)は次のとおりです(単位は件/KSLOC)。

工程・指標 P25 中央値 P75
結合/テストケース密度 40.673 181.104 575.663
総合/テストケース密度 30.591 82.848 282.940
結合/バグ密度 0.216 1.311 3.159
総合/バグ密度 0.020 0.357 1.317

結合テストのテストケース密度の中央値181.104件は、分析データ集2022本編の51.7件の3倍以上です。組込み案件に業務システムの基準値をあてると、テスト密度を高めに評価しやすくなります。ただし組込み側のP25(40.673)は業務システム側の中央値(51.7)より低く、分布は重なっています。開発種別や言語で絞らない収集データ全体のプロファイル(4章の図表4.12-3・4.12-9)では、結合テスト検出バグ現象密度が中央値1.072件(N=520)、総合テストが0.285件(N=374)でした。

比較する資料と表の選び方

選ぶ順番は2段階です。まず資料を、開発対象で選びます。組込みなら組込み白書、業務システムなら分析データ集で、業種別編は対象システムが支えるビジネス分野(金融・保険、情報通信、製造)で選びます。次に、その資料の中で表を選びます。SLOCで測っていればSLOC表、FPならFP表、改修・保守が中心なら開発種別別の改良開発の行(本編の結合67.91/0.976)です。情報通信業編の結合テスト検出バグ密度はN=37しかないので、閾値ではなく参考値として扱ってください。

IPA基準値をそのまま社内標準にすると外す条件

IPAの数値は「そのまま社内標準にできる完成品」ではありません。次の5つに当てはまるなら、引き写しは避けてください。

定量的管理の成熟した組織に偏った母集団

本編の付録A4.5「本書利用にあたっての注意事項」は、「定量的管理が行われている組織で定量的管理されたプロジェクトのデータが多く含まれていることから…生産性および信頼性に関する統計情報は、世間相場観よりも良い値を示している可能性がある」と明記しています。同じ注意事項は、データ提供企業間で計測手法が揃っていない可能性と、データ項目ごとに対象プロジェクト集合が同一でないことも挙げています。メトリクスを集め始めたばかりの組織が中央値に届かなくても、それだけで品質が劣るとは言えません。

外れ値による平均値の上振れ

結合テストの検出バグ密度は、中央値1.111に対して平均22.866、標準偏差353.638、最大値7,846.154件/KSLOCです。N=507と平均から逆算すると、最大値の1件を除いても平均は約7.4件/KSLOCで、まだ中央値の6倍以上あります。少数の極端な値が平均を引き上げる分布なので、平均をそのまま標準値に据えると、中央値付近の案件まで「バグが少なすぎる」と評価するおそれがあります。基準値の代表値には中央値を、幅にはP25/P75を使ってください。

自動テストでのケース数の数え方

CIで自動テストを回す開発では、パラメータ化テストで1メソッドから数十ケースが生成され、ケース数は書き方ひとつで何倍にも振れます。GitHub Actionsでビルドと自動テストを組む手順のようなCI前提の開発でIPAと比べるなら、入力条件ごとのケース数と再実行の回数を分け、比較先と計数ルールを合わせる必要があります。揃えられないなら、ケース数の密度よりカバレッジと、静的テストと動的テストの検出範囲の違いを踏まえた検出手段の組み合わせで品質を見るほうが実態に合います。

2022年版を最後とする発行終了とデータの時点

IPAの公式ページには「事業終了に伴い『ソフトウェア開発分析データ集』の今後の発行予定はございません」とあります。基本統計の母集団は2016〜2021年度のプロジェクトで、2022年度以降の自動テストや生成AIによるコード生成の利用状況は反映されていません。古い記事が引用する「ソフトウェア開発データ白書2018-2019」の数値は、さらに前の母集団です。同じページの正誤表(2023年1月17日)の訂正対象はグラフデータ(付録A1〜A3の項目名と2-1-2)で、第5章の密度表は含まれていません。

密度だけではテストの良否を判断できないというIPAの分析

組込みソフトウェア開発データ白書2019は、2章の「ポイント3」で「テストケース密度とテスト検出バグ密度だけでは、テスト作業の良否を判断できない」と結論づけています。リリース後不具合数が「予測値以内」と「予測値超過」のプロジェクトを比べると、結合テスト・総合テストともにテストケース密度の中央値に大きな差が無く、テスト検出バグ密度にも成功・失敗と関係する傾向が見られなかった、という分析です。基準値の範囲に入っているかどうかは、リリース後の品質を保証しません。密度はゾーン分析で点検する場所を決める道具として使い、合否はバグの内容と後述の併用指標で判断してください。

密度が基準から外れたときの切り分け

数値が外れること自体は問題ではありません。理由を特定しないまま報告書の数字だけ整えることが問題です。

バグ密度がP75を超えたときの切り分け

まずモジュール単位に分解します。押し上げているのが特定モジュールだけなら、欠陥の原因と他モジュールへの影響を確認し、再設計・再レビュー・修正後の再テストの範囲を決めます。全モジュールで一様に高いなら、要件・設計・実装に共通する原因を探すと同時に、規模や件数の数え方がIPAとずれていないかも確かめます。共通原因が上流にあるなら、テスト工程の中だけで回収しようとせず上流に戻す判断が要ります。その際は、前の章の基本設計レビュー指摘密度と突き合わせてください。

バグ密度がP25を下回ったときの観点点検

低密度は良い兆候とは限りません。テスト密度も低ければテスト不足、テスト密度が十分ならテストケースの観点が偏っている可能性があります。ブラックボックステストとホワイトボックステストの技法を踏まえ、同値分割・境界値・異常系の観点で穴を探します。観点の抜けを表で見える化するならテストマトリクスの作り方とサンプル表が使えます。テストを先に書くテスト駆動開発(TDD)の現場では、実装前に書いたテストから確認済みの観点を整理し、要件やリスクから作った観点表と照合できます。観点表を突き合わせても穴が無いときは、ケースを増やすより探索的テストのチャーター設計で未知の観点を掘るほうが効率的です。

バグ収束とテスト消化を合わせたリリース判定

密度は「量」の指標で、時間軸の情報を持ちません。累積バグ数の推移でテスト後半に検出が鈍化しているかを確かめますが、鈍化はテストの実行量が減っただけでも起きます。累積バグ数は実行済みケース数・残りのテストと並べて読み、リリース判定では、予定テストの完了、密度が基準から外れた場合はその原因分析、収束傾向、重大な未解決欠陥が無いこと、修正後の再テスト結果をそろえて確認します。工程全体のメトリクス管理はシステム開発の品質管理を工程別に整理した記事で扱っています。

IPA基準値を自社のP25・中央値・P75に置き換える手順

データ集が更新されない以上、自社の実績値へ移していく作業は避けられません。IPAのゾーン分析も、上限・下限はまず自社の蓄積データで決め、無い場合にデータ白書の値を使う順番です。

集めるデータ項目と、四分位を出す件数

集めるのは工程区分(結合/総合)、規模(実効SLOCまたはFP実績値)、テストケース数、検出バグ数の4項目と、属性としての開発種別(新規/改良/再開発)です。IPAと同じく、基本設計から総合テストまでの工程がそろった案件に絞ると比較できます。

件数の目安はIPA自身の評価基準が使えます。本編の付録A4.3.2は基本統計量について「データ数は層別あたり、最低でもN≧10、望ましいのはN≧30とする」と定め、同じ箇所で、分布の歪度の絶対値が2を超える場合は平均値より中央値を採択するとしています。付録A4.3.4も、P25・中央値・P75を描く箱ひげ図は標本数10件以上のときだけ載せ、5件以上10件未満は中央値のみ、5件未満は載せないとしています。自社データが10件に届くまではIPA値と自社値を並記して差を見るだけにし、10件以上で自社の四分位を並べ始め、30件に近づくまでは案件の条件がそろっているか、追加のたびに四分位が大きく動かないかを確かめながら切り替えてください。集計の仕組みを内製で持ち切れないなら、保守運用と内製化支援のように、メトリクス収集の仕組みづくりから運用移管までを外部と分担する方法もあります。

PythonによるP25・P75の計算と9ゾーン判定

P25は小さい順に並べて下から25%、P75は75%の位置の値です。IPAは付録A4.3.4で「n分位数(nは正数)には複数の定義が存在しており…特に標本数が少ない場合、定義が異なることによる値のずれは大きくなる」と注意しています。10件程度の自社データでどれだけずれるかを、Python標準の statistics で確かめたのが次のコードです(実績値はサンプルです)。ゾーン番号は前の章のIPAの図に合わせています。

import statistics

# 自社の結合テスト実績(サンプル値):(実効SLOC, テストケース数, 検出バグ数)
projects = [
    (12000, 610, 14), (8500, 300, 11), (40000, 2100, 38), (5200, 410, 3),
    (23000, 900, 31), (15000, 1300, 9), (31000, 1250, 52), (9800, 520, 12),
    (18000, 760, 25), (27000, 1900, 20),
]

def per_ksloc(count, sloc):
    return count / (sloc / 1000)

tc = [per_ksloc(t, s) for s, t, _ in projects]
bug = [per_ksloc(b, s) for s, _, b in projects]

for name, xs in (("テスト密度", tc), ("バグ密度", bug)):
    inc = statistics.quantiles(xs, n=4, method="inclusive")
    exc = statistics.quantiles(xs, n=4)  # 既定は exclusive
    print(name, "inclusive:", [round(v, 3) for v in inc],
          "exclusive:", [round(v, 3) for v in exc])

# IPA分析データ集2022 表5-1-1(結合テスト・全開発種別)のP25とP75
IPA_TC = (22.2, 120.1)
IPA_BUG = (0.468, 2.402)

def band(value, low_high):
    low, high = low_high
    return "低い" if value < low else "高い" if value > high else "基準内"

# IPA「ソフトウェア開発データ白書2018-2019」紹介資料のゾーン番号(テスト密度, バグ密度)
ZONE = {("基準内", "基準内"): 1, ("高い", "基準内"): 2, ("基準内", "低い"): 3,
        ("高い", "低い"): 4, ("基準内", "高い"): 5, ("高い", "高い"): 6,
        ("低い", "基準内"): 7, ("低い", "高い"): 8, ("低い", "低い"): 9}

target = (20000, 380, 6)  # 判定したい案件
t_d, b_d = per_ksloc(target[1], target[0]), per_ksloc(target[2], target[0])
key = (band(t_d, IPA_TC), band(b_d, IPA_BUG))
print(f"テスト密度 {t_d:.1f} / バグ密度 {b_d:.2f} -> {key} ゾーン{ZONE[key]}")

Python 3.9.6で実行した出力です。

テスト密度 inclusive: [40.797, 51.667, 66.043] exclusive: [40.025, 51.667, 72.489]
バグ密度 inclusive: [0.793, 1.196, 1.334] exclusive: [0.706, 1.196, 1.358]
テスト密度 19.0 / バグ密度 0.30 -> ('低い', '低い') ゾーン9

中央値は同じでも、10件ではテスト密度のP75が66.0と72.5で約1割ずれました。statistics.quantiles の既定は exclusive で、Excelの QUARTILE.INC と同じ値になるのは method="inclusive" のほうです。社内基準にするときは、どちらの定義で出したかを基準値と一緒に記録してください。定義を書かずに担当者が替わると、閾値が理由なく動きます。

レビュー指摘密度・カバレッジ・品質特性との併用

バグ密度とテスト密度だけでリリース判断を組むと、重大度の区別が抜けたまま「件数が基準内だから可」という結論になりがちです。前工程を見るレビュー指摘密度、テストの網羅を見るカバレッジ、品質特性ごとの評価状況を見る枠組みを併用します。品質特性はISO/IEC 25010の品質特性一覧が使えます。性能やセキュリティの欠陥もバグとして数えられますが、総件数の密度からは、どの品質特性をどこまで確かめたかは分かりません。密度が示すのは「どれだけ数えたか」であって、「何を確かめたか」ではありません。

よくある質問

バグ密度の目安は何件ですか?

IPA「ソフトウェア開発分析データ集2022」の全開発種別・SLOC規模では、結合テストの検出バグ密度(現象数)が中央値1.111件/KSLOC(P25 0.468/P75 2.402)、総合テストが中央値0.197件/KSLOC(P25 0.051/P75 0.639)です。FP規模なら結合テスト91.2件/KFP、総合テスト30.1件/KFPが中央値です。

テスト密度の目安は何件ですか?

同資料で、結合テストのテストケース密度が中央値51.7件/KSLOC(P25 22.2/P75 120.1)、総合テストが中央値16.0件/KSLOC(P25 6.4/P75 40.7)です。IPAは「1000行あたり50個の結合テスト、15個の総合テスト実施の相場観」とまとめています。

単体テストのテスト密度・バグ密度の指標値はIPAにありますか?

ありません。IPAの集計対象は結合テストと総合テスト(ベンダ確認)で、単体テストは「製作」工程に含まれます。IPAのマンガ解説版は、単体テストはテストケース数よりカバレッジで管理されるため件数のデータが集まりにくいと説明しています。目安が必要なら、カバレッジ目標と自社の過去案件の中央値を使ってください。

P25・P75とは何ですか?

データを小さい順に並べたときの下から25%(第1四分位数)と75%(第3四分位数)の位置の値です。P25〜P75は分布の中央のおよそ半分を示す範囲で、この記事のゾーン判定例では下限・上限に使っています。IPAの紹介資料は上下限を必ずP25・P75にするとは指定しておらず、自社データや白書の値を参考に設定するとしています。計算方法の定義が複数あり、標本が少ないと値がずれる点はIPAも注意しています。

バグ密度は意味がないと言われるのはなぜですか?

致命的な障害1件と表記ゆれ1件を同じ「1件」と数えるうえ、単独では「品質が良い」と「テストしていない」を区別できないためです。IPAの組込みソフトウェア開発データ白書2019も、テストケース密度とテスト検出バグ密度だけではテスト作業の良否を判断できないと結論づけています。重大度別に集計し、テスト密度との2軸(ゾーン分析)で点検する場所を決め、合否はバグの内容で判断すると役に立ちます。

組み込みソフトの品質指標にもIPAのバグ密度は使えますか?

密度という指標は使えますが、分析データ集2022(製造業編を含む)の数値は業務システムの集計なので、組込みの基準値には向きません。IPAの「組込みソフトウェア開発データ白書2019」では、改良(派生)開発・C/C++の結合テストでテストケース密度の中央値が181.104件/KSLOC、検出バグ密度が1.311件/KSLOCでした。

関連記事

お気に入りに入れた記事の一覧

一創の公式 SNS

X では毎朝の新着記事と IT ニュースの速報を、YouTube・TikTok・Instagram・LinkedIn・Facebook では記事の解説動画を配信しています。

この記事は以下の記事からリンクされています

ほか 1 件の記事からもリンクされています。

資料請求

今日のトレンド記事 直近 24 時間で、いつもより多く読まれている記事

  1. 2025.12.19 コラム アンダーマイニング効果とは?具体例と報酬でやる気が下がる条件、エンハンシング効果との違い
  2. 2026.11.20 テックブログ MAI Code 2とは?Flashとの違い・料金・GitHub Copilotでの使い方【2026年11月】
  3. 2026.11.18 テックブログ 楽天証券の不正アクセス:最大約447万口座の対象確認と、テスト環境に本番データを置かない実装
  4. 2026.11.20 テックブログ 六花亭の不正アクセス:決済画面の改ざんでカード情報約8,000件、対象期間と改ざん検知の手順【11月20日時点】
  5. 2026.11.09 テックブログ teket不正アクセス:ログインできない理由と再開見通し、入場・退会・偽メールの確認【11月16日時点】

RELATED POSTS 関連記事

目次