Stakeholders quantification plays a basic role in selecting the appropriate requirements because their judgement is a major criteria since not all of them have the same importance. Original proposals quantified stakeholders assigning them a weight. Nonetheless, actual projects manage a numerous stakeholders community hindering the inclusion of all their weights. This work proposes grouping strategies as means to reduce the number of stakeholders to manage in requirements selection keeping a proper coverage (i.e. howthe selection fulfils stakeholder demands). Our approach is based on stakeholders' salience, defined in terms of power, legitimacy and urgency attributes. Diverse strategies are applied selecting important stakeholders groups in a specific project. We use k-means}, k-medoids and hierarchical clustering, after deciding the number of cluster (4 and 3) based on validation indices. Either for all the stakeholders and each important group several requirements selection optimization problems have been solved. Tests find no significant differences for coverage when important stakeholders are filtered using clustering, regardless of the technique and number of groups, with a reduction between 66.32% to 87.75% in the number of stakeholders being considered. Applying clustering methods on data obtained from a real-world project is useful to identify the group of important stakeholders. The number of groups suggested matches the stakeholders theory and the coverage values in the requirements selection is kept.


翻译:摘要:干系人的量化在选定适当需求时发挥着基础性的作用,因为他们的判断是一个主要的标准,但并不是所有干系人都具有相同的重要性。早期的建议把干系人量化分配给它们一个权重。然而,现在的项目管理众多的干系人群体,使所有利益相关者的权重分配变得困难。本文提出了分组策略,以减少需求选择中需要管理的利益相关者数量,同时保持适当的涵盖范围(即选择如何满足利益相关者的要求)。我们的方法基于利益相关者的显著性,以权力,合法性和紧迫性属性定义。多种策略用于选择该特定项目中的重要利益相关者群体。我们使用k-means、k-medoids和层次集群,在确定集群数(4和3)时基于验证指数。针对所有利益相关者和每个重要群组,已解决了多个优化问题的需求选择。测试发现,使用聚类对重要利益相关方进行筛选时,无论采用哪种技术和多少个群组,覆盖范围没有显着差异,在考虑的利益相关者数量中减少了66.32%至87.75%。在来自现实项目的数据上应用聚类方法有助于识别重要利益相关方群体。建议的群组数符合干系人理论,并且需求选择中的涵盖值得到了保持。

0
下载
关闭预览

相关内容

剑桥大学《数据科学: 原理与实践》课程,附PPT下载
专知会员服务
49+阅读 · 2021年1月20日
专知会员服务
53+阅读 · 2021年1月5日
专知会员服务
42+阅读 · 2020年12月18日
【MIT深度学习课程】深度序列建模,Deep Sequence Modeling
专知会员服务
77+阅读 · 2020年2月3日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
LibRec 精选:推荐系统的常用数据集
LibRec智能推荐
17+阅读 · 2019年2月15日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
8+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
11+阅读 · 2021年3月25日
Meta-Learning to Cluster
Arxiv
17+阅读 · 2019年10月30日
VIP会员
相关VIP内容
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
LibRec 精选:推荐系统的常用数据集
LibRec智能推荐
17+阅读 · 2019年2月15日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
相关基金
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
8+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员