Die Aufwandsschätzung hat einen großen Einfluss auf den Projekterfolg von IT-Projekten. Im Bereich Data Science scheitern laut mehreren Studien ca. 85% aller Projekte. Im Vergleich zu IT-Projekten liegen Data Science Projekten komplexere Fragestellungen zu Grunde. In dieser Arbeit werden Methoden zur Schätzung aus der IT-Welt vorgestellt und hinsichtlich ihres Einsatzzwecks in Data Science Projekten analysiert. Die Analyse wird anhand eines typischen Data Science Projekts unter Verwendung des CRISP-DM Modells durchgeführt. Anschließend werden die Unterschiede zwischen IT-Projekten und Data Science Projekten basierend auf eigenen Erfahrungen diskutiert. Im Ergebnis hat sich gezeigt, dass bei der Aufwandsschätzung von Data Science Projekten Erfahrungen aus vorherigen Projekten ein eine zentrale Rolle spielen. Außerdem ist eine Potenzialanalyse wichtig, um den Aufwand des Projekts gezielter einschätzen zu können.
Inhaltsverzeichnis
- EINFÜHRUNG
- GRUNDLAGEN
- Einflussfaktoren auf den Projektaufwand
- Messung der Projektproduktivität
- Schätzmethoden
- Function-Points
- Data Points
- Object-Points
- Use-Case-Points
- Story-Points
- Schätzmethode und Projekttyp
- ANALYSE
- CRISP-DM
- Schätzen in Data Science Projekten
- DISKUSSION
- ZUSAMMENFASSUNG
- LITERATUR
Zielsetzung und Themenschwerpunkte
Die vorliegende Studienarbeit befasst sich mit der Herausforderung der Aufwandsschätzung in Data Science Projekten. Im Mittelpunkt steht die Analyse von Schätzmethoden aus der IT-Welt und deren Anwendbarkeit im Kontext von Data Science Projekten. Die Arbeit untersucht, welche Faktoren die Aufwandsschätzung beeinflussen und wie die Komplexität von Data Science Projekten die traditionellen Schätzmethoden in Frage stellt.
- Einflussfaktoren auf den Projektaufwand in Data Science Projekten
- Analyse von etablierten Schätzmethoden aus der IT-Welt
- Untersuchung der Anwendbarkeit von Schätzmethoden in Data Science Projekten
- Vergleich von Data Science Projekten mit traditionellen IT-Projekten
- Identifizierung von Herausforderungen und Best Practices für die Aufwandsschätzung in Data Science Projekten
Zusammenfassung der Kapitel
- Einführung: Diese Einleitung präsentiert die Problematik der Aufwandsschätzung in IT-Projekten, insbesondere im Bereich Data Science. Sie erläutert die Bedeutung der Kostenermittlung und die verschiedenen Projekttypen, die bei der Aufwandsschätzung berücksichtigt werden müssen.
- Grundlagen: Dieses Kapitel behandelt wichtige Grundlagen der Aufwandsschätzung. Es werden die Einflussfaktoren auf den Projektaufwand sowie Methoden zur Messung der Projektproduktivität besprochen. Des Weiteren werden verschiedene Schätzmethoden aus der IT-Welt vorgestellt, darunter Function-Points, Data Points, Object-Points, Use-Case-Points und Story-Points.
- Analyse: Dieses Kapitel konzentriert sich auf die Anwendung der CRISP-DM Methode, ein etabliertes Framework im Bereich Data Science, um die Aufwandsschätzung in Data Science Projekten zu analysieren. Es werden die Herausforderungen und Besonderheiten der Schätzung in diesem Kontext diskutiert.
Schlüsselwörter
Data Science Projekte, Aufwandsschätzung, IT-Projekte, CRISP-DM, Schätzmethoden, Function-Points, Data Points, Object-Points, Use-Case-Points, Story-Points, Projektmanagement, Projektproduktivität, Erfahrungswerte.
- Citar trabajo
- Janik Tinz (Autor), 2021, Aufwandsschätzung in Data Science Projekten, Múnich, GRIN Verlag, https://www.grin.com/document/1041312
