Technologie-Forschung und Entwicklung faszinieren mich schon immer. Folglich war es mir eine Freude als ich bei meiner Arbeit die Möglichkeit bekam, in der Datenanalyse eines Forschungsprojekts meinen Beitrag zu leisten. Dank dem CAS erlernte ich parallel Modellen und Methoden, die ich in diesem Fall wie folgt einordnen würde.
Arten von Anforderungen
Funktionale Anforderungen ergeben sich aus den Zielen respektive Forschungsfragen des Projekts und müssen neben einer quantitativen auch eine konkrete qualitative Formulierung beinhalten. Daraus kann die Notwendigkeit für bestimmte Datenformate und Analysetools abgeleitet werden. Es liegt im Kern der Forschungsaufgabe auf neue Fragen und Erkenntnisse einzugehen. Weshalb die Anpassungsfähigkeit des Analysesystems an neue wissenschaftliche Erkenntnisse und Methoden wichtig ist.
Leistungsanforderungen: In der Datenanalyse ist es oft erforderlich, große Datenmengen in kurzer Zeit zu verarbeiten. Daher müssen Anforderungen an die Leistungsfähigkeit des Systems gestellt werden, einschließlich der Verarbeitungsgeschwindigkeit, der Datenübertragungsrate und der Skalierbarkeit, um mit wachsenden Datenmengen umgehen zu können.
Qualitätsanforderungen betreffen die Zuverlässigkeit und Präzision der Ergebnisse. Aspekte wie die Reproduzierbarkeit von Experimenten, Genauigkeit der Datenanalyse und umfassende Dokumentation sind entscheidend. Präzise Ergebnisdokumentation sind essenziell.
Kontextuelle Anforderungen betreffen die physische und technologische Umgebung sowie gesetzliche und normative Vorgaben. Einige Beispiele sind Hardware- und Softwareanforderungen, Datenschutzgesetze und ethische Standards.
Priorisierung – Wie tief unter die Spitz des Eisbergs wollen und können wir schauen
Kern der Analyse ist es, Fragen zu beantworten, Hypothesen zu prüfen und neue Erkenntnisse zu sammeln. Im Analyseprozess kann das in der Praxis beliebig vertieft werden und es tauchen folglich immer neue Fragestellungen auf. Eine von allen Projektmitgliedern akzeptierte und verstandene Methode zur Priorisierung der Anforderungen ist daher essenziel. Ich erachte die MoSCoW-Methode als eine verständliche Vorgehensweise zur Priorisierung von solchen Anforderungen. In besagten Kontext würde ich die vier Prioritäts-Kategorien wie folgt einordnen:
Must have: Ohne die Erfüllung dieser Anforderungen kann das Projektziel nicht erreicht werden. Beispiele für Must-have-Anforderungen in der Datenanalyse umfassen die Definition der Hauptforschungsfragen in einem quantifizierbaren Format, die Integration der benötigten Datenbasis für diese Hauptforschungsfragen und die Anpassungsfähigkeit des Systems an neue wissenschaftliche Erkenntnisse. Außerdem gehören die Reproduzierbarkeit der Experimente und die präzise Dokumentation der Erkenntnisse zu den Muss-Anforderungen. Kontextuell muss die Einhaltung von Datenschutzgesetzen und ethischen Standards gewährleistet sein.
Should have: Diese Anforderungen sind wichtig, aber nicht kritisch. Sie sollten, wenn möglich, erfüllt werden, aber das Projekt kann auch ohne sie erfolgreich abgeschlossen werden. Beispiele hierfür sind die Definition von aus der Hauptfragen resultierender Folgefragestellungen sowie die Definition von Fehlerquellen und die Integration zusätzlicher Datenquellen. Erweiterte Dokumentation Funktionen und die Nutzung spezialisierter Softwaretools fallen ebenfalls unter die Soll-Anforderungen.
Could have: Diese Anforderungen sind wünschenswert, aber weniger dringlich. Sie werden nur umgesetzt, wenn es Zeit und Ressourcen erlauben. Beispiele für Kann-Anforderungen sind die effektive Analyse von Folgerungsfragen, die sich aus den Hauptforschungsfragen ergeben, sowie erweiterte Visualisierungsoptionen. Auch die Anpassung an unterschiedliche Hardwareumgebungen zählt zu den Kann-Anforderungen.
Won’t have: Diese Anforderungen werden im Projekt nicht berücksichtigt und sind ggf. für zukünftige Projekte relevant. Beispiele hierfür sind die Prozessautomatisierung der Analyse, die Unterstützung für exotische Datenformate und Anforderungen an spezifische, weniger relevante gesetzliche Vorgaben.
Fazit
Das Requirements Engineering spielt eine zentrale Rolle in der Datenanalyse von Forschungsprojekten. Die MoSCoW-Methode hilft, die wichtigsten Anforderungen zu priorisieren und sicherzustellen, dass die Ziele des Projekts erreicht werden. Eine klare Definition der Anforderungen ermöglicht eine effektive und effiziente Datenanalyse, welche die Bedürfnisse aller Stakeholder berücksichtigt.
