Data Thinking: Daten schnell produktiv nutzen können

Die Zahlen überschlagen sich häufig bei Fokusthemen. Einerseits stecken in KI-Lösungen enorme Potenziale für deutsche Unternehmen, so das unumstrittene Mantra einer aktuellen Studie des eco-Verbands der Internetwirtschaft. Im Jahr 2025 sollen sie dank KI im Vergleich zu 2019 rund 330 Milliarden Euro Kosten einsparen und 150 Milliarden Euro mehr Umsatz machen. Milliarden Euro wohlgemerkt. Und vier von fünf Unternehmen glauben einer Lünendonk-Studie zufolge, dass KI ihre Branche disruptiv verändern wird.

Andererseits enthalten diese Zahlen keine Lösungsanleitung: Welche Geschäftsmodelle werden durch Daten und Algorithmen erweitert oder gar erst ermöglicht, welche Vorhaben sind schnell implementierbar und praxisrelevant und wie lassen sich Aufwand und Nutzen verschiedener Initiativen vergleichen?

Aus vielen Gründen heraus werden KI-Projekte, die gemeinhin nun überall zum guten Ton gehören, oftmals ohne klare Ziel- oder Strategiedefinition angeschoben. Doch wichtige, etwas detailliertere Kernfragen sind dann oftmals noch nicht geklärt: Welches Problem soll KI eigentlich (neu) lösen? Wo sind Ineffizienzen eines Prozesses, die mithilfe von KI identifiziert oder behoben werden können? Was zahlt auf die Kunden ein? Erst, wer sich solchen Fragen intensiv gestellt und Antwortansätze gefunden hat, sollte mit der Entwicklung einer Lösung starten. Blinden Versprechen jedweder KI-Anbieter, dass sie ein oder alle Probleme lösen können, ist hingegen mit Skepsis zu begegnen.

Design Thinking, CRISP-Data Mining und Scrum

Bisher gibt es kein spezifisches Standardframework für die Entwicklung datengetriebener Lösungsmodelle. Gängige Frameworks wie Design Thinking beschreiben Prozesse zur Entfaltung der optimalen Nutzerorientierung, Kreativität und Innovationskraft. Der branchenübergreifende Standardprozess für Data Mining (CRISP-DM) beschreibt die notwendigen Prozesse zur Entwicklung datengetriebener Geschäftsmodelle und Lösungen. Agilität beschreibt die Fähigkeit, flexibel und mit erhöhter Geschwindigkeit Projekt-bezogen und Organisations-übergreifend Aufgaben zu bearbeiten.

Da neue Geschäftsmodelle einen Dreiklang aus eben Innovation, Data Science und Agilität darstellen, ist  eine Kombination sinnvoll, um das Beste aus Design Thinking, CRISP-DM und agilem Entwickeln zu einem neuen Framework zu kombinieren. Dies stellt letztlich sicher, dass „Data Projekte“ mit einer höheren Erfolgsquote abgeschlossen werden können. Bei Detecon nennen wir diese Superposition von Ansätzen „Data Thinking“.

Bei Data Thinking stehen nicht mehr die Technik oder die Daten allein im Vordergrund, sondern die gemeinsame Entwicklung von Geschäftsmodellen, die innovativ, wertschöpfend und auch umsetzbar sind. Dazu identifiziert ein Projektteam bestehend aus einem Innovationscoach, den Vertretern der beteiligten Geschäftsbereiche, aber auch Data Scientisten und Data Engineers den Geschäftsbedarf und entwirft mehrere Lösungsansätze. Auf Basis verschiedener Proofs of Concept werden Umsetzungsschwierigkeiten bereits im Lab-Modus erkannt und können daher vor der Implementierung gegeneinander abgewogen oder behoben werden. Genauso lässt sich die Implementierung eines speziellen Geschäftsmodells aber auch vorerst auf Eis legen (early fail). Auf diese Weise verringert der Data-Thinking-Ansatz die Fehlerquote datengesteuerter Projekten deutlich.

Hierzu ein Praxisbeispiel: Unternehmensmarketiers alleine können aufgrund fehlender Data-Science-Expertise („Wie kompliziert ist eigentlich Gesichtserkennung?“) oder mangelndem Wissen über Innovations-Benchmarks („Wo befinden wir uns im Vergleich zum Wettbewerb?“) kaum oder nur erschwert kreative Ideen zur Kundenbetreuung beisteuern. Innovationsexperten alleine vermögen es wiederum auch nicht, weil sie die Kundenprozesse, -bedarfe und -gepflogenheiten („Welche Schnittstellen zum Kunden hat das Unternehmen eigentlich?“) ebenso wenig kennen, wie letztendlich auch die Data Scientists („Welche Kundendaten liegen eigentlich vor?“).