Data Science (DS)-Projekte dienen dazu, mit einem methodischen Vorgehen Wissen und Wert aus Daten zu extrahieren, um beispielsweise Organisationen bei der Verbesserung der Leistungsfähigkeit zu helfen. Zur Unterstützung des Projektmanagements solcher Vorhaben finden spezielle Prozessmodelle (z. B. CRISP-DM, Microsoft TDSP) Anwendung. Jedoch erfordern geringe Erfolgsquoten bei der Durchführung dieser Projekte Verbesserungen entlang des Data Science-Lebenszyklus. Ein essentieller Faktor für den Projekterfolg bildet die ordnungsgemäße Identifikation, Dokumentation und Verwaltung von Anforderungen. Trotzdem lassen DS-Prozessmodelle und der aktuelle Stand der DS-Forschung ganzheitliche Richtlinien für die geeignete Abwicklung von DS Requirements Engineering, welches die speziellen Eigenheiten solcher Projekte berücksichtigt, vermissen. Dementsprechend ist die Entwicklung eines DS-Anforderungsmodells, das sowohl funktionale als auch nicht-funktionale Aspekte abdeckt, von besonderer Wichtigkeit. Dafür müssen bestehende (partielle) Ansätze aus der Literatur zu DS sowie verwandten Bereichen mit Hilfe einer systematischen Literaturanalyse zusammengetragen und schließlich zu einem holistischen Modell integriert werden. Die Evaluation des Artefakt kann anhand von Experteninterviews und/oder dessen Demonstration in DS-Projekten erfolgen.