02.07.2020

Weshalb Unternehmen Data Thinking brauchen!

Von Elena Fomenko

KI-Lösungen bieten ein enormes Potenzial für deutsche Unternehmen:  Wie der eco Verband der Internetwirtschaft e.V. in einer aktuellen Studie feststellte, können Unternehmen in Deutschland im Jahr 2025 dank KI rund 330 Milliarden Euro an Kosten einsparen und 150 Milliarden Euro mehr Umsatz erwirtschaften als im Jahr 2019. Laut einer Lünendonk®-Studie glauben vier von fünf Unternehmen, dass die KI ihre Branche nachhaltig verändern wird. Gartner wiederum fand allerdings heraus, dass 60 Prozent der Big-Data-Projekte nicht über ihre Pilot- und Experimentierphase hinauskommen. Worin liegen die Hauptgründe hierfür?  

Bereits in 2014 zeigten Analysen von Capgemini, und später auch Untersuchungen von Forrester (2017), dass einerseits schlechte Datenqualität/-verfügbarkeit und andererseits der Mangel an Mitarbeitern mit guten Datenanalyse- und KI-Kenntnissen, typische Gründe für das Scheitern datengetriebener Projekte sind. Ein weiterer Grund, den Unternehmen oft vernachlässigen, der aber wesentlich zum Scheitern der Lösung beiträgt, sind die wenig analysierten geschäftlichen Auswirkungen. Häufig definieren Unternehmen nicht klar genug, wofür sie KI einsetzen wollen und wie genau die erreichten Ziele aussehen sollen. Detecon (2019) bestätigte dies in einer Umfrage unter rund 100 KI/IT-/Business-Experten, die zutage förderte, dass die Hauptgründe für fehlgeschlagene Datenprojekte in der unzureichenden Konkretisierung von Nutzerbedürfnissen und gewünschter Geschäftsauswirkungen liegen.

Was ist Data Thinking?  

Business Impact und Data Science, beide Seiten wirken fundamental auf wirtschaftlichen Erfolg ein. Das Digital Engineering Center der Detecon entwickelte daher einen innovativen Ansatz und hat diesen in der Praxis mehrfach erfolgreich getestet: Data Thinking! Dieses neue Framework verbindet Data Science und Design Thinking. Der Schwerpunkt liegt eben nicht ausschließlich auf analytischen Technologien und dem Sammeln von Daten, sondern insbesondere auch auf dem Design von nutzerzentrierten Lösungen mit hohem Geschäftspotenzial. Darüber hinaus beinhaltet es die wichtigsten Prinzipien der Agilität.

So nutzt Data Thinking unter anderem Methoden des Design Thinking, um Kundenbedürfnisse zu identifizieren und mittels kreativer Wege neue Lösungen für datengesteuerte Herausforderungen zu ermitteln. Parallel dazu enthält das Framework strukturierte und etablierte Methoden für die Entwicklung von Datenlösungen aus Data-Mining-Ansätzen wie CRISP-DM (branchenübergreifender Standardprozess für Data Mining). Agilität trägt schließlich dazu bei, die Zusammenarbeit effizient zu gestalten, während des Entwicklungsprozesses flexibel zu agieren und schnell auf die gesteckten Ziele hinarbeiten zu können.

Phasen des Data-Thinking-Prozess

Identifikation datengesteuerter Lösungstrigger:

1. Verstehen: Klärung des strategischen Kontexts

Ziel: Den eigenen Digitalisierungsgrad im Vergleich zu den Hauptkonkurrenten und Technologieführern heute und/oder in der Zukunft verstehen.

Lösung: Einblicke in den internen Digitalisierungsstatus, die externe Wahrnehmung eigener Fähigkeiten und einen klaren Fokus auf zukünftige digitale Trends.

Methoden (ausgewählte):

  • Trend Radar
  • Creative Briefing
  • STEEP Framework
  • Wettbewerbsanalyse
  • Benchmarking (ex. SWOT)
  • Internal Data Capabilities Assessment

 

2. Synthese: Definition des Zielszenario

Ziel: Identifikation der vielversprechendsten Bereiche im Unternehmen, die mittels Daten (-Analytik) verändert werden sollten, um stabil zu bleiben bzw. Wettbewerber heute und/oder in der Zukunft zu übertreffen. 

Lösung: eine Analyse der externen und internen Digitalisierungsposition, um ein datengestütztes Bild realistischer Geschäftsziele zu erhalten. Analyse von Hindernissen und Möglichkeiten, um Szenarien abzuleiten, die für die Zukunft gut ausrüsten.  
 
Methoden (ausgewählte):

  • Bipolar Factors
  • Scenario Matrix
  • Scenario Stories
  • User Centered Scenario Modelling
  • Zielbild: Roadmap & Roadmarkers

 

Design des datengesteuerten Lösungskonzepts:

3. Entdecken: Use-Case-Entwicklung & Lösungsdesign / Analyse von Daten und erforderlicher Entwicklungsumgebung

Ziel: vielversprechende Digitalisierungsbereiche evaluieren und Konzeption der hierfür geeigneten, datengesteuerten Lösung.

Lösung: kreative Ideenprozesse, Workshops und eingehende Analysen in funktionsübergreifenden Teams, um die beste Datenlösung für den Bedarf, ein klares Verständnis der vorhandenen und benötigten Daten sowie die Einrichtung der Entwicklungsumgebung zu erarbeiten.

Methoden (ausgewählte):

  • Ethnographic research Storyboarding, Storytelling
  • Use case ideation templates, Personas, “Point of View”, Empathy map
  • Process mapping and digital proses re-design  
  • Architecture cross check / development of architecture blueprint (if applicable)

 

4. Definition: Lösungsentwicklung Kick-off / Backlog

Ziel: Alle Informationen zum Anwendungsfall, zu den Daten und zur Entwicklungsumgebung sammeln, über den Umfang des Proof of Concept entscheiden und einen klaren Plan für die Umsetzung erstellen.

Lösung: Entwicklung des Lösungsdesignkonzepts in funktionsübergreifenden Teams, einschließlich der Definition und Priorisierung der Lösungsmerkmale zur Klärung des Umfangs und des Entwicklungsplans einschließlich des sogenannten „Backlog-Filling“

Methoden (ausgewählte):

  • RACI-Matrix
  • Scrum Backlog
  • KanBan & Roadmarkers
  • Project Development Matrix
  • Data Driven Solution Template  
  • Development Road Map Template

 

Datengesteuerte Lösungsentwicklung (Proof of Concept) and Evaluierung des Business Impact:

5.1 Aufbau: Datenaufbereitung & Analyse

Ziel: Überprüfung, ob die entwickelte Datenidee die erwarteten Ergebnisse liefert oder verwendet werden kann, so dass die erwarteten Ergebnisse erreicht werden.

Lösung: Unterstützung bei der Datenaufbereitung und Feature-Engineering, gefolgt von der Auswahl eines geeigneten maschinellen Lern-Algorithmus und dessen Leistungsoptimierung
 
Methoden und Werkzeuge (ausgewählte):

  • Data Science Orchestra:  
  • T-SNE, PCA, Neural Networks
  • Hyperparameter optimization
  • H2O, TensorFlow, Sklearn; PyTorch, other AI/Machine Learning packages

 

5.2 Evaluierung: Evaluierung des Business Case

Ziel: Sind die zukünftigen Investitionen nach der Implementierung der Lösung durch die zu erwartenden Vorteile gedeckt?

Lösung: eine realistische Kosten-/Nutzen-Analyse
 
Methoden (ausgewählte):

  • Business Model Canvas  
  • Business Case Calculator  
  • Kosten-/Nutzen-Analyse

 

6. Implementierungsentscheidung und Transfer in den operativen Betrieb

Nachdem die entwickelte Lösung hinsichtlich ihrer technischen Durchführbarkeit getestet und sowie ihre geschäftlichen Auswirkungen bestätigt wurden, kann die Implementierung gestartet werden.  

Diese Seite teilen