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
1 Einführung
2 Grundlagen
2.1 Einflussfaktoren auf den Projektaufwand
2.2 Messung der Projektproduktivität
2.3 Schätzmethoden
2.3.1 Function-Points
2.3.2 Data Points
2.3.3 Object-Points
2.3.4 Use-Case-Points
2.3.5 Story-Points
2.4 Schätzmethode und Projekttyp
3 analyse
3.1 CRISP-DM
3.2 Schätzen in Data Science Projekten
4 Diskussion
5 Zusammenfassung
Literatur
-
-
-
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen.