جمع آوری اطلاعات
نیازمندی‌ها که در پروژه‌های نسبتاً کوچک فعالیت داشته‌اند استفاده از نمونه سازی و مدل سازی موجب رفع مشکلات ناشی از ابهام و ناسازگاری در نیازمندی‌ها گردیده و منجر به موفقیت پروژه می‌گردد.
تکنیک نمونه گیری: فرایند جمع آوری نمونه از مستندات، فرم‌ها و رکوردها می‌باشد. این نمونه‌ها باید شامل چارت سازمانی، یادداشت‌ها و سایر مستنداتی که مشکلات سازمان را مطرح می‌کند، روال‌های استاندارد انجام عملیات و سیستم‌ها موجود، فرم‌های کامل شده و نمونه‌ی پایگاه داده‌ها و غیره باشد. از این مستندات دلایل و علل مشکلات، افرادی از در سازمان که درک درستی از مشکل دارند، وظایف حرفه که سیستم فعلی را حمایت می‌کنند و سایر اطلاعات مورد نیاز حاصل می‌شود.
تکنیک مشاهده: تحلیل‌گر سیستم برای یادگیری عملیات سیستم یا در انجام فعالیت‌های فرد مشارکت نموده و یا تنها مشاهده می‌نماید. از مزایای این روش می‌توان به قابلیت اعتماد داده‌های جمع آوری شده، مشاهده‌ی میزان پیچیدگی کار، هزینه‌ی کمتر نسبت به دیگر روش‌های سنتی و برآوردی از مقیاس اندازه‌ی کار اشاره نمود. اما از جمله معایب این روش می‌توان به توقف‌ها، چندین روش جهت انجام یک کار، انجام نادرست کار در زمان مشاهده و غیره اشاره نمود.
تکنیک پرسسش نامه: پرسش نامه‌ها مستنداتی خاص منظوره هستند که اجازه می‌دهند تحلیل‌گر، اطلاعات و نظرات را از پاسخ‌ها جمع آوری کند. پرسش نامه‌ها به دو صورت با سؤالات باز (تشریحی) و با سؤالات بسته (گزینه‌ای) تقسیم بندی می‌شوند که در این تکنیک تلفیقی از این دو نوع سؤالات پیشنهاد می‌شود. از مزایای این روش می‌توان به پاسخ گویی سریع، هزینه‌ی کم در حجم بالای جمع آوری اطلاعات و ناشناخته ماندن افراد اشاره نمود. اما از جمله معایب این روش می‌توان به عدم ضمانت به پاسخ گویی به تمام سؤالات، عدم امکان فرصت جهت تشریح سؤالاتی که پاسخ دهنده نفهمیده و تهیه دشوار پرسش نامه اشاره نمود.
تکنیک مصاحبه: در این تکنیک تحلیل‌گران سیستم، اطلاعات را از افراد با تعامل رو در رو جمع آوری می‌نمایند. مصاحبه مهم‌ترین و پر استفاده‌ترین روش کشف حقیقت محسوب می‌شود. انواع مصاحبه از نظر ساختار به دو گروه مصاحبه بدون ساختار و مصاحبه‌ی ساختار یافته تقسیم می‌شوند. مصاحبه بدون ساختار با تنها یک هدف یا موضوع عمومی در ذهن مصاحبه کننده و با تعداد کمی سؤال خاص، در صورت وجود، هدایت می‌شود. در مصاحبه ساختار یافته، مصاحبه کننده دارای مجموعه‌ای از سؤالات خاص برای پرسش از مصاحبه شونده می‌باشد. سؤالات مصاحبه در دو نوع سؤالات باز و سؤالات بسته که به پاسخ‌های کوتاه و مستقیم محدود می‌شوند گروه بندی می‌شوند. از مزایای این روش می‌توان به این موارد اشاره نمود: ۱. به تحلیل‌گر فرصت می‌دهد تا در مصاحبه شونده انگیزه پاسخ آزاد و باز را ایجاد کند. ۲. اجازه می‌دهد تحلیل‌گر برای دریافت بازخورد بیشتر کنکاش کند. ۳. اجازه می‌دهد تحلیل‌گر سؤالات خود را مختص هر فرد نماید و نیز ارتباطات غیر کلامی نیز مشاهده می‌گردد. از جمله معایب این روش می‌توان به زمانبر بودن، عدم دسترسی به برخی ذینفعان، پراکندگی جغرافیایی ذینفعان و غیره اشاره نمود.
۲-۱۱-۱-۱ مقایسه روش‌های سنتی
بهتر است تا به اینجای کار مقایسه‌ای بین روش‌های رایج سنتی استخراج نیازمندی‌ها داشته باشیم. طی جدولی به ارائه نقاط قوت و ضعف این روش‌ها می‌پردازیم:
جدول ۲-۱: مقایسه روش‌های سنتی استخراج نیازمندی‌ها
تکنیک/ روش
نقاط قوت
نقاط ضعف
مقیاس
نمونه سازی
اعتبار سنجی همراه با استخراج
تکرار پذیر در نوع تکاملی
کاهش ریسک
زمانبر
عدم توانایی بکار گیری در نوع نمونه دور ریختنی
کوچک و متوسط
داستان سرایی/تصویر داستان
اعتبار سنجی همراه با استخراج
هزینه پایین
کاهش ریسک
زمانبر
عدم بکار گیری نمونه
کوچک و متوسط
تجزیه و تحلیل واسط کاربری
تشخیص محدوده سیستم
ارزیابی ریسک
کاهش هزینه توسعه سیستم
افزایش رضایت مشتری
زمانبر
نیاز به تحلیل‌گران خبره
کوچک و متوسط
مدل سازی
درک راحتتر
رفع ابهامات و ناسازگاری در نیازها
زمانبر
عدم توانایی پیاده سازی مدل در بعضی موارد
کوچک
نمونه گیری
نمونه گیری از مستندات، فرم‌ها، گزارش‌ها توسط خبرگان
گاهی اوقات نمونه گیری حتی باعث انحراف می‌شود
کوچک و متوسط
مشاهده
قابلیت اعتماد به داده‌های جمع آوری شده
مشاهده میزان پیچیدگی سیستم
هزینه نسبتاً پایین
تخمین اندازه کار
توقف‌ها
راه‌های متعدد انجام کار
احتمال انجام نادرست کار در زمان مشاهده
کوچک
پرسشنامه
پاسخگویی سریع
هزینه کم
ناشناخته ماندن افراد
محدود کردن ذهن خواننده
عدم ضمانت پاسخ درست
عدم ضمانت پاسخ به تمام سوالات
عدم امکان فرصت تشریح سوالات نامفهوم
تهیه دشوار پرسشنامه
کوچک و متوسط
مصاحبه
توانایی ایجاد انگیزه در مصاحبه شونده
دریافت بازخورد
خصوصی سازی سوالات
استفاده از زبان بدن
زمانبر
عدم دسترسی به برخی ذینفعان
پراکندگی جغرافیایی ذینفعان
کوچک
۲-۱۱-۲ استفاده از ابزارها
مجموعه گسترده‌ای از ابزارها در راستای پشتیبانی از فرایند توسعه نرم‌افزار بخصوص فاز استخراج نیازمندی‌ها توسعه داده شده و مورد استفاده قرار می‌گیرند. این
ابزارها در سطوح مختلف از جزئیات، میزان رسمیت، اهداف و عملیات تقسیم بندی شده‌اند. ابزارها می‌توانند از یک فرایند یا چند تکنیک مشخص پشتیبانی کرده و ممکن است سطوح مختلفی از خودکار سازی عملیات را دارا باشند. همانند بسیاری از تکنیک‌ها و روش‌ها که در فاز استخراج نیازمندی‌ها مورد استفاده قرار می‌گیرند، برخی ابزارها نیز با اهداف دیگری مهندسی و توسعه داده شده‌اند، اما در مهندسی نیازمندی‌ها اعم از استخراج، تحلیل، تعیین و مدیریت نیازمندی‌ها می‌توان از آنها استفاده کرد.
الگوهایی مانند الگوی تعیین نیازمندی‌های نرم‌افزار IEEE Std 830 و الگوی تعیین نیازمندی‌های Volere پایه‌ای ترین نوع ابزارها را که تحلیل‌گران در پشتیبانی از فرایند استخراج نیازمندی‌ها استفاده می‌کنند را نمایش می‌دهند. مشابهاً ابزارهای مدیریت نیازمندی‌ها همچون DOORS، Caliber RM و RequisitPro در این فرایند مورد استفاده قرار می‌گیرند. در این راستا نیز تعدادی ابزار با اهداف معینی جهت پشتیبانی از تکنیک‌های استخراج نیازمندی‌ها توسعه داده شدند که از جمله‌ی آنها می‌توان به Objectiver برای مدل سازی بر پایه هدف و ART-SCENE برای استخراج سناریو اشاره کرد.
ابزارهای چند رسانه‌ای پیشرفته‌ای چون AMORE نیز جهت پشتیبانی از استخراج نیازمندی‌ها و ذینفعان پراکنده توسعه داده شده‌اند. در آخر نیز می‌توان به ابزارهای گروهی اشاره کرد. این ابزارها در مهندسی نیازمندی‌ها گاهاً مورد استفاده قرار می‌گیرند که از جمله‌ی این ابزارها می‌توان به تالارهای گفتگو و کنفرانس‌های ویدئویی اشاره کرد که محیطی مجازی را جهت انجام این کار فراهم می‌کنند.
۲-۱۱-۳ روش‌های نوین
همان‌طور که توضیح داده شد مسائل و مشکلات اجتناب ناپذیری چون پراکندگی جغرافیایی ذینفعان، عدم دسترسی به برخی ذینفعان، هزینه، زمان طولانی، عدم اولویت بندی و پیش بینی نیازها و دیگر موارد ناتوانی بکار گیری روش‌های سنتی استخراج نیازمندی‌ها و ابزارها را در سازمان‌ها و یا سامانه‌های بزرگ مقیاس به اثبات رسانیده و در دهه‌ی اخیر تمرکز محققان بر ابداع و بکار گیری روش‌های نوین دیگری همچون داده کاوی، سیستم‌های توصیه‌گر و یادگیری ماشین و شبکه‌های اجتماعی بوده تا از این طریق بتوان در این گونه سازمان‌ها و سامانه‌ها در فاز استخراج نیازها مثمر ثمر واقع شده و حتی‌الامکان از زیان‌های وارده در فازهای بعد جلوگیری کرد. بر این اساس تاکنون رهیافت‌های زیر ارائه شده می‌باشد که بررسی آنها می‌پردازیم:
در [۲] مینایی و آخوندزاده مدلی برای کشف نیازهای مشتریان بر اساس تئوری ۴۵RFM و استفاده از تکنیک‌های داده کاوی ارائه کرده‌اند. هدف این مقاله بررسی کاربرد تکنیک‌های داده کاوی در مدیریت ارتباط شهروندان در حوزه خدمات شهری و مدیریت ارتباط با مشتری در حوزه خدمات عمومی می‌باشد. در این مقاله با رویکرد RFM و استفاده از تکنیک‌های خوشه بندی و قوانین انجمنی، مدلی تحت عنوان FTiS برای شناسایی نیازهای شهروندان ارائه گردیده که می‌تواند در شناسایی نیازهای مشتریان در حوزه خدمات عمومی مورد استفاده قرار بگیرد. نتیجه این تحقیق استخراج هرم نیازهای شهروندان می‌باشد.
نقطه ضعف اساسی این روش این است که خوشه بندی نیازمندی‌ها با توجه به فرکانس تکرار و میزان رضایتمندی شهروندان از نحوه ارضای نیاز می‌باشد که درست نیست. مثال‌های نقض بسیاری می‌توان برای این کار آورد. به عنوان مثال فرض کنید درخواست‌های زیادی از سمت شهروندان منوط بر نظافت معابر در محله‌ای صورت گرفته است و از سوی دیگر تعداد درخواست کمی در ارتباط با ترمیم یک چاله در سطح شهر که ممکن است در اثر تصادف با جان آدمی درگیر باشد صورت گرفته است. پر واضح است که ارضای نیاز دوم شهروندان یعنی ترمیم آن چاله از فوریت و اهمیت بسیار بالاتری نسبت به نیاز اول برخوردار است. اما در تحقیق ارائه شده نیاز اول با توجه به نسبت فرکانس تکرار درخواست و رضایت شهروندان از اولویت بیشتری برخوردار می‌باشد.
همچنین در [۱۳] احمدوند و همکارانش با استفاده از برنامه ریزی ریاضی و داده کاوی سعی بر افزایش رضایتمندی شهروندان دارند. در این تحقیق نویسندگان ابتدا با استفاده از اصل پارتو مشکلاتی را که از نظر شهروندان در اولویت قرار دارند مشخص می‌کنند. سپس با استفاده از یک مدل برنامه ریزی عدد صحیح و قوانین انجمنی، روشی برای اولویت بندی رفع نیازمندی‌ها ارائه می‌کنند.
مطالعه موردی این تحقیق نیز سامانه مدیریت شهری ۱۳۷ شهرداری تهران می‌باشد. مشکل اساسی این روش است که از جدول بازخورد پیام در خوشه بندی استفاده گردیده که بیش از نیمی از این جدول دارای مقادیر مفقوده بوده که گمراهی بزرگی در نتایج بدست آمده ایجاد می‌کند. ضمناً به دلیل استفاده از محاسبات پیچیده ریاضی، پیچیدگی محاسباتی بالا از نقطه ضعف‌های این تحقیق می‌باشد. مشکل آخر این تحقیق این است که از نظر شهرداری ارضای همه نیازهای شهروندان از اهمیت بالایی برخوردار است و به هیچ عنوان از هیچ نیازی نباید چشم پوشی شود. اما در این تحقیق با استفاده از اصل پارتو نیازهایی که در اولویت قرار دارند اولویت بندی شده و این امر ممکن است مانند [۲] مثال‌های نقضی بسیاری داشته و در داده کاوی موجب گمراهی نتایج بدست آمده شود.
تکنیک استفاده از داده کاوی و سیستم توصیه‌گر۴۶: در [۵] کارلوس کاسترو۴۷ و همکارانش سعی به بهره‌گیری از تکنیک‌های داده کاوی و سیستم‌های ت
وصیه‌گر در استخراج نیازمندی‌ها دارند. در این تکنیک ابتدا یک ابزار تحت وب جهت جمع آوری اطلاعات کلی از نیازها بکار گرفته می‌شود. سپس از تکنیک‌های داده کاوی در راستای تحلیل این نیازها و تعیین عناوین برتر و همچنین ایجاد مجامعی که بیشتر مورد توجه قرار گرفته‌اند استفاده می‌شوند. لازم به ذکر است جهت مدیریت ورود ذینفعان به مجامع در زمان‌های متفاوت، یک فرم که علایق و سلایق کاربر را ثبت می‌کند ایجاد می‌شود. این فرم خواسته‌ها و نظرات ذینفعان را جمع آوری کرده و سپس با توجه به نظر همسایگان ذینفعان از نظر شباهت میزان علایق، توصیه‌هایی نیز می‌کند. در آخر یک محیط گروهی ذینفعان پراکنده را دور هم جمع کرده تا در ارتباط با نیازها بحث و گفتگو کرده و آنها را به نیازمندی‌های فرمال‌تر و همچنین دارای اولویتی تبدیل کنند.
شکل۲-۲ این تکنیک را به تصویر می‌کشد:
معماری کلی چارچوب پیشنهادی به این صورت می‌باشد که مدل توصیه‌گر دارای یک مؤلفه خوشه بندی جهت ایجاد مجامع می‌باشد، یک مؤلفه کلاس بندی جهت جایگذاری ذینفعان در مجامع اولیه، یک مؤلفه کار گروهی برخط جهت برقراری مجامع و یک توصیه‌گر مشترک برای جایگذاری ذینفعان در مجامع اضافه شده استفاده می‌شود. هر یک از این مؤلفه‌ها در زیر تشریح گردیده است:
ایجاد مجمع: در این تکنیک از الگوریتم‌های خوشه بندی جهت تعیین الگوها و یک مجموعه از مجامع مرتبط استفاده می‌شود. در واقع نیازهای مرتبط در یک خوشه قرار می‌گیرند.
کلاس بندی: جهت پیش بینی اینکه ذینفعان در چه خوشه‌هایی باید قرار گیرند از این مؤلفه استفاده می‌گردد.
توصیه‌گر مشترک: این سیستم‌ها توصیه‌ها را بر مبنای میزان شباهت علاقمندی همسایگان انجام می‌دهند. در این بخش از الگوریتم k- نزدیکترین همسایه در راستای پیش بینی علایق استفاده شده است. علایق پیش بینی شده‌ی کاربر u در مجمع f به صورت زیر محاسبه می‌گردد:
که u ɛ nbr(u) نشان می‌دهد n همسایه‌ای از u می‌باشد. در اکثر توصیه‌گرها، امتیازهای کاربر از بازخورد مستقیم یا غیر مستقیم کاربر همانند امتیاز دهی کاربران به برخی بخش‌ها و یا با تحلیل اینکه کاربر چه بخش‌هایی را کلیک کرده است بدست می‌آید. اما در این چارچوب پیشنهادی از نمره عضویت کاربران در مجامع، امتیاز کاربران تخمین زده می‌شود. نمره عضویت بوسیله یک ماتریس M:=(mi,j)S*F بدست می‌آید که s تعداد ذینفعان و f تعداد مجامع می‌باشد. این ماتریس از A:=(ai,j)S*N بار B:=(bi,j)N*F که A ماتریس ذینفعان بوسیله نیازها و B ماتریس نیازها بوسیله مجامع بوده و N تعداد نیازها می‌باشد. هر ai,j نمایانگر این است که ذینفع i در نیاز j علاقمندی نشان داده است و هر bi,j نمایانگر این است که نیاز i در مجمع j جایگذاری شده است و مقدار ورودی فاصله‌ی نیاز از مرکز مجمع می‌باشد. سپس نتیجه‌ی A*B برای بدست آوردن ماتریس M نرمال
