Rastreabilidade de Requisitos em Metodologias Ágeis: um Estudo Exploratório

• Gabriela Oliveira da Trindade Universidade Federal do Rio Grande do Norte (UFRN)
• Márcia Lucena Universidade Federal do Rio Grande do Norte (UFRN)

DOI: https://doi.org/10.5753/sbsi.2016.5997

Resumo

Metodologias Ágeis estão cada vez mais presentes na indústria. Conhecida como uma metodologia que se adapta facilmente a mudanças, que diminui riscos e proporciona a criação do produto de maneira rápida e segura, possui características como: constante contato com cliente, geração de releases ao final de cada iteração, priorização no que tem mais valor para o cliente, além de “abraçar” facilmente as mudanças solicitadas. Sendo rastreabilidade de Requisitos importante quando pensamos em mudanças, pois facilita atividades como análise de impacto, é possível perceber que esta seria uma atividade bastante útil no processo ágil. No entanto, existem alguns desafios ao tentar aplicar a rastreabilidade em ambientes ágeis. Assim, este trabalho tem o objetivo de realizar uma pesquisa exploratória para levantar os principais problemas relacionados a rastreabilidade em ambientes ágeis, coletando assim informações que ajude no levantamento de requisitos necessários para uma ferramenta que dê suporte a rastreabilidade em ambientes ágeis, e que realize a pré-rastreabilidade, inter-rastreabilidade e pós-rastreabilidade.

Palavras-chave: Rastreabilidade de Requisitos, Metodologias Ágeis, Gerenciamento de Requisitos

Referências

ANS. Caderno de Informação da Saúde Suplementar: beneficiários, operadoras e planos. Technical report, Ministério da Saúde, Rio de Janeiro, 2013.

E. Babbie. Métodos de pesquisas de survey. Editora UFMG, Belo Horizonte, 2005.

E. Bublitz. Catching The Cloud. National Underwriter PC, pages 12–16, 2010.

J. a. J. S. da FONSECA. Metodologia da pesquisa científica. Curso de Especialização em Comunidades Virtuais de Aprendizagem - Informática Educativa. Universidade Estadual do Ceará, 2002.

F. D. Davis. A technology acceptance model for empirically testing new end-user information systems: Theory and results. PhD thesis, Massachusetts Institute of Technology, 1986.

F. D. Davis, R. P. Bagozzi, and P. R. Warshaw. User Acceptance of Computer Technology: A Comparison of Two Theoretical Models. Management Science, 35(8):982–1003, Aug. 1989.

J. Du, J. Lu, X. Wu, and J. Li. Research on the influential factors of SaaS user acceptance. pages 182–185, Nov. 2012.

H. Freitas, M. Oliveira, A. Z. Saccol, and J. Moscarola. O Método de Pesquisa Survey. RAUSP (Revista de Administração da Universidade de São Paulo), 35:105–112, 2000.

W. Gu and Y. Liu. SaaS-Based Services Information Technology Acceptance Model. volume 1, pages 87–90, Sept. 2011.

J. Hair, W. Black, B. Babin, R. Anderson, and R. Tatham. Análise multivariada de dados. Bookman, 2009.

J. Hair Jr, B. BABIN, A. MONEY, and P. SAMOUEL. Fundamentos de métodos de pesquisa em administração. Porto Alegre: Bookman, 2005.

M. J. Harnisch, T. Puchleitner, M. Reinisch, and I. Uitz. Model of a Personalization-Based Agent System for Early Product Adoption Phases. pages 3457–3466, Jan. 2013.

R. Johnson and G. Bhattacharyya. Statistics: Principles and methods. 1996.

R. Johnson and D. Wichern. Applied multivariate statistical analysis, volume 4. Prentice hall Englewood Cliffs, NJ, 1992.

W. Kim. Cloud Computing : Today and Tomorrow. Journal of Object Technology, 8:65–72, 2009.

J. D. Lasica. Identity in the Age of Cloud Computing: The next-generation Internet’s impact on business, governance and social interaction. 2009.

Y.-C. Lee, M.-L. Li, T.-M. Yen, and T.-H. Huang. Analysis of adopting an integrated decision making trial and evaluation laboratory on a technology acceptance model. Expert Systems with Applications, 37(2):1745–1754, 2010.

J. Lewandowski, A. Salako, and A. Garcia-Perez. SaaS Enterprise Resource Planning Systems: Challenges of Their Adoption in SMEs. pages 56–61, Sept. 2013.

D. Malta and A. Jorge. Breve caracterização da saúde suplementar. In . . . da Saúde/Agência Nacional de Saúde Suplementar, pages 37–60. Rio de Janeiro, 2005.

S. Marston, Z. Li, S. Bandyopadhyay, J. Zhang, and A. Ghalsasi. Cloud computing — The business perspective. Decision Support Systems, 51(1):176–189, Apr. 2011.

P. Mell and T. Grance. The NIST Definition of Cloud Computing-Recommendations of the National Institute of Standards and Technology. NIST. NIST Special Publication, 2011.

P. Miguel. Metodologia de pesquisa em engenharia de produção e gestão de operações. Elsevier, 2012.

D. C. Novak. Internet access and capacity planning: Quantifying relationships between usage, capacity, and blocking. Telecommunications Policy, 34(5-6):309–322, June 2010.

K. Potter and M. Smith. IT Metrics: IT Spending and Staffing Report 2011. G00210146, . . . , (January), 2011.

P. Roehrig. New Market Pressures Will Drive Next-Generation IT Services Outsourcing. Global Services, 2008.

V. Venkatesh and H. Bala. Technology acceptance model 3 and a research agenda on interventions. Decision sciences, 39(2):273–315, 2008.

V. Venkatesh and F. Davis. A model of the antecedents of perceived ease of use: Development and test*. Decision sciences, 27(3):451–481, 1996.

V. Venkatesh and F. D. Davis. A Theoretical Extension of the Technology Acceptance Model: Four Longitudinal Field Studies. Management Science, 46(2):186, Feb. 2000.

V. Venkatesh, M. G. Morris, G. B. Davis, and F. D. Davis. User acceptance of information technology: Toward a unified view. MIS quarterly, 27(3), 2003.

T. Wang, L.-B. Oh, K. Wang, and Y. Yuan. User adoption and purchasing intention after free trial: an empirical study of mobile newspapers. Information Systems and e-Business Management, 11(2):189–210, June 2013.

W.-W. Wu. Developing an explorative model for SaaS adoption. Expert Systems with Applications, 38(12):15057–15064, Nov. 2011.

W.-W. Wu. Mining significant factors affecting the adoption of SaaS using the rough set approach. Journal of Systems and Software, 84(3):435–441, Mar. 2011.