05.12.2022

Data Thinking

Mit Data Thinking zum erfolgreichen Datenprodukt

Data-Science-Projekte scheitern. Und zwar häufig, wenn man auf Quellen wie Gartner („Through 2022, only 20% of analytic insights will deliver business outcomes“) oder VentureBeat (Why do 87% of data science projects never make it into production?) blickt.

Woran liegt das? Einer der Gründe: Fokus auf die Technik, statt auf den Nutzer.

Man blickt auf technisch Vorhandenes (verfügbare Daten, Hardware, IT-Infrastruktur, ...) und entwickelt etwas, dass dem Nutzer keinen oder nur geringen Mehrwert bietet.

Die Alternative: Data Thinking.

Data Thinking ist ein agiler Ansatz zur Entwicklung datengetriebener Use Cases in Anlehnung an das Design Thinking (s. Infobox). Beim Data Thinking steht der Mensch statt der Technik im Fokus. So geht es im ersten Schritt darum den Nutzer zu verstehen. Hierbei hilft es folgende Fragen zu beantworten:

Welche Probleme gibt es?
Wie wird das Problem bisher gelöst?
Welchen Mehrwert bietet eine datengetriebene Lösung? Und wie lässt sich dieser Mehrwert messbar machen?

Infobox: Was ist Design Thinking?

Design Thinking ist eine systematische Herangehensweise an komplexe Problemstellungen aus allen Lebensbereichen. Im Gegensatz zu vielen Herangehensweisen in Wissenschaft und Praxis, die Aufgaben von der technischen Lösbarkeit her angehen, steht hier der Mensch im Fokus.

Die Lösung zum Problem wird in multidisziplinären Teams entwickelt und durchläuft einen definierten Designprozess (s. Grafik). Ziel des Designprozesses ist eine mit dem Nutzer getestete prototypische Lösung, die das gestellte Problem löst.

So lassen sich potentielle Use Cases identifizieren. Für die Umsetzung dieser Use Cases benötigt man natürlich Daten: Welche Daten sind im Unternehmen vorhanden? Welche Daten fehlen? Können diese beschafft werden?

Mit dem verschafften Überblick (über die bestehenden Daten) geht es dann in die Entwicklung von Prototypen. Dieser Prototyp bietet idealerweise einen „Quick Win“ und schafft bereits einen Mehrwert für die Nutzer. Der Prototyp wird dann im engen Dialog mit dem Nutzer getestet und kontinuierlich verbessert.

Okay, zugegeben, das erscheint jetzt alles etwas theoretisch und abstrakt. Die passgenaue Schablone fürs Data Thinking gibt es auch (noch) nicht. Wie kann Data Thinking also in der Praxis aussehen? Gemeinsam mit unserem Vertrieb haben wir Data Thinking praktisch erprobt.

Hierfür haben wir uns unsere Neukundengewinnung angeschaut. Diese soll mithilfe von Daten verbessert werden. Doch wie sieht der Prozess zur Neukundengewinnung bisher aus? Wer ist involviert? Welche Prozessschritte werden in welcher Reihenfolge durchgeführt? Wie wird der Erfolg gemessen?

Mittels Event Storming haben wir uns diese Fragen beantwortet. Am Ende stand ein visualisiertes Schaubild unserer Neukundengewinnung.

Dann diskutierten wir: Welche Prozessschritte sollen wir uns genauer anschauen? Kann ein Datenprodukt bei diesem Prozess helfen?

Anschließend befüllten wir gemeinsam ein Data Thinking Canvas. Das Data Thinking Canvas ist eine Leinwand, auf der die Eckpunkte eines potentiellen Use Cases aufgetragen werden. Welcher Prozess soll verbessert werden? Welche Daten sind hierfür bereits vorhanden? Was ist das Werteversprechen des Use Cases?

Das befüllte Canvas nutzen wir anschließend um einen Prototypen umsetzen. Ein Webservice, der mit bereits vorhandenen Daten unsere Vertriebskollegen proaktiv über neue Unternehmen benachrichtigt, wenn eine Zusammenarbeit interessant erscheint. Dieser einfache Prototyp – auf den sich natürlich noch aufbauen lässt – schafft bereits echten Mehrwert für unsere Vertriebskollegen.

Was ist also unser Fazit?

Mit Data Thinking und Event Storming haben wir innerhalb weniger Stunden ein gemeinsames Verständnis geschaffen und anschließend einen brauchbaren Prototypen entwickelt. Der enge, gemeinsame Dialog beim Event Storming und der Fokus auf den Nutzer verhindert praxisferne Luftschlösser. Außerdem sensibilisiert Data Thinking alle Teilnehmer für den Nutzen von Daten. Auch Tage nach unserem Workshop entwickelten wir so weitere Ideen.

Kurzum: Data Thinking ist ein interdisziplinärer Prozess, der die unterschiedlichsten Abteilungen für Daten sensibilisiert und immer weitergetrieben werden kann.

„Der Prozess wirkt auch Tage später noch nach und wir entwickeln immer neue Ansätze aus den Erkenntnissen. Ich verstehe unsere Unternehmens-Daten nun viel globaler und sehe nicht mehr nur den für mich vermeintlich relevanten Ausschnitt. Und es geht sogar noch weiter. Ich denke jetzt sogar über die Unternehmensgrenzen hinaus und überlege, wo es noch Daten gibt, die uns helfen könnten.“