專案失敗最常見的原因之一，就是 requirements 不完整。不是因為 BA 沒有提問，而是因為缺少一套一致的 framework，確保每個角度都被 cover。Business Requirements Checklist 就是為了解決這個問題。
為什麼需要Checklist？
- Cognitive load：BA 必須同時處理很多事情，容易漏掉細節
- Consistency：確保每個 project 都用同一套標準分析
- Handoff quality：dev team 收到完整 requirements，interruptions 和 rework 更少
- Audit trail：保留 requirements 已充分 review 的證據
Checklist Part 1: Business Context
✅ Problem Definition
- Problem statement 清楚寫明（What、Who、When、Impact）
- Root cause 已分析完成（不是只處理 symptoms）
- Business objectives 已連結到 organizational goals
- Success metrics 已定義且可衡量（SMART）
- Scope boundaries 清楚，包含 in-scope 與 out-of-scope
✅ Stakeholder Analysis
- 所有 stakeholders 都已 identify（primary、secondary、key decision makers）
- RACI matrix 已建立
- Stakeholder concerns 與 pain points 已記錄
- 針對各 stakeholder group 的 communication plan 已擬定
- Sign-off authority 已明確定義
✅ Assumptions & Constraints
- 所有 business assumptions 都已記錄
- Technical constraints 已 document
- Regulatory/compliance constraints 已確認
- Budget 與 timeline constraints 已明確
- Resource constraints（team size、available skills）已釐清
Checklist Part 2: Functional Requirements
✅ User Stories & Use Cases
- 每個 user story 都包含：Who（As a...）+ What（I want...）+ Why（So that...）
- Acceptance criteria 符合 INVEST 標準（Independent, Negotiable, Valuable, Estimable, Small, Testable）
- Happy path 已完整 document
- Alternative flows（alternative paths）已 cover
- Exception flows（error scenarios）已定義
✅ Business Rules
- 所有 business rules 都明確寫出（不是 implicit）
- Conditional logic 表達清楚（if-then-else）
- Edge cases 已納入考量
- Business rules 之間的 conflict 已解決
- Business rules 已 trace 到 regulatory requirements（如適用）
✅ Data Requirements
- Input data 已定義（source、format、frequency）
- Output data 已定義（destination、format、timing）
- Data validation rules 已 specify
- Data volume 與 peak load 已估算
- Data retention policy 已確定
Checklist Part 3: Non-Functional Requirements
✅ Performance
- Response time expectations 已定義（p50、p95、p99）
- Throughput requirements（requests/second、transactions/day）
- Concurrent users estimate
- Peak load scenarios 已 document
✅ Security & Compliance
- Authentication requirements（SSO、MFA 等）
- Authorization model（RBAC、ABAC）
- Data classification（PII、sensitive、public）
- Compliance requirements check（GDPR、HIPAA、local regulations）
- Audit logging requirements
- Data encryption requirements（at rest、in transit）
✅ Usability
- Target user personas 已定義
- Accessibility requirements（WCAG level）
- Supported devices 與 browsers
- Language 與 localization requirements
- Onboarding 與 help documentation needs
✅ Reliability & Availability
- SLA requirements（uptime %）
- Recovery time objective（RTO）
- Recovery point objective（RPO）
- Disaster recovery requirements
- Maintenance window constraints
Checklist Part 4: AI-Specific Requirements
這一部分對負責 AI 專案的 BA 特別重要，也是最常被忽略的 checklist 區塊。
✅ AI Model Behavior
- Expected outputs 已清楚定義（format、type、range）
- Confidence threshold 已 specify（什麼時候需要 human review）
- Model uncertain 時的 fallback behavior 已定義
- Edge cases 與 out-of-distribution inputs 的處理方式已說明
- Acceptable error rate 已獲得 stakeholders 核准
✅ Human-in-the-Loop Requirements
- Escalation triggers 已定義（AI 何時 handoff 給 human）
- Human review workflow 已 specify
- Override mechanism（human 可覆寫 AI decision）已具備
- AI decisions 的 audit trail 已要求納入
- 若需 continuous learning，已定義 labeling / feedback mechanism
✅ AI Fairness & Ethics
- 受 AI decision 影響的 demographic groups 已 identify
- Fairness metrics 已定義（不同 groups 間 accuracy 是否一致？）
- Bias testing plan 已建立
- Explainability requirements（是否接受 black box？）
- 影響個人的 decisions 已做 impact assessment
✅ Data & Model Quality
- Training data requirements 已 specify（volume、quality、freshness）
- Minimum model performance metrics 已與 stakeholders agree
- Model drift monitoring requirements
- Retraining trigger conditions 已定義
- Data versioning requirements
✅ AI-specific Non-Functional
- Inference latency requirements（real-time vs batch）
- Model serving infrastructure constraints
- Cost per inference estimate 與 budget
- Models 的 versioning 與 rollback requirements
Checklist Part 5: Process & Handoff
✅ Dependencies
- External system dependencies 已 map 完成
- API integrations 已 document（endpoint、contract、SLA）
- Third-party vendors/services 已 identify
- Team dependencies（other squads、infra team）已 clarify
- Data pipeline dependencies 已 document
✅ Testing Requirements
- UAT scenarios 已從 BA 視角撰寫
- Test data requirements 已 specify
- Performance test scenarios 已定義
- AI model testing criteria（accuracy、precision、recall targets）已定義
- Regression test scope 已 agreed
✅ Documentation & Traceability
- Requirements 已分配 unique IDs
- Traceability matrix：Business Req -> System Req -> Test Case
- Domain-specific terms 的 glossary 已維護
- Requirements change log 已 setup
- 已取得 key stakeholders 的 sign-off
Template: Requirements Review Sign-off
在 handoff sprint backlog 前，BA 應使用這份 mini checklist 取得 sign-off：
REQUIREMENTS REVIEW SIGN-OFF
Sprint: ___________
Feature: ___________
BA: ___________
Date: ___________
✅ Functional requirements complete & approved
✅ Acceptance criteria testable & agreed
✅ Non-functional requirements defined
✅ AI-specific requirements reviewed (nếu applicable)
✅ Dependencies identified & communicated
✅ Out-of-scope items documented
Stakeholder Sign-off:
Product Owner: ___________ Date: ___
Tech Lead: ___________ Date: ___
QA Lead: ___________ Date: ___
如何有效使用Checklist
- 不需要全部打勾 - 不適用的項目請標記 N/A，並清楚註明原因。
- 把它當 conversation guide - Checklist 是幫你記得該問什麼，不是僵硬的表單。
- 依 project context 調整 - Startup sprint 與 Enterprise compliance project 並不相同。
- 和 team 一起 review - 不要自己一個人做，和 PO、Tech Lead 一起檢查。
- 集中存放 - 放在 Confluence / Notion，讓 team 能 access 並持續改善。
結論
Checklist 不是 bureaucracy，而是一個能讓 BA 以更少錯誤、更少 rework 交付 requirements 的 quality tool。在 AI 專案中，AI-specific checklist 特別重要，因為這仍是很多 team 不熟悉的新領域。
先從簡單 checklist 開始，再依據 team 的實際經驗逐步補強。最好的 checklist 不是最長的，而是最常被使用的那一份。