Data Thinking ist eine Methode angelehnt an das bekannte Design Thinking, soll Euch aber helfen, das Potential von Daten richtig zu nutzen.
Wie kann ich am einfachsten möglichst viele Daten sammeln? Wo speichere ich diese Datenmenge? Was fange ich damit an? Mit diesen Fragen setzen sich derzeit viele Unternehmen auseinander und investieren immer mehr Budget in die Analyse und das Sammeln von Daten. Die zentrale Frage, die sich die Unternehmer grundsätzlich stellen sollten, bevor sie Geld in teure Datenspezialisten, Rechenzentren und Co. investieren, wird allerdings noch zu selten an den Anfang gestellt: Wofür sollen die erhobenen Daten genutzt werden und wie müssen sie zu diesem Zweck aufbereitet sein? Antworten auf diese zentralen Fragen ebnen den Weg auf dem es gilt, Qualität vor Quantität und Konzept vor Planlosigkeit zu setzen.
Ein relevantes, sinnvolles Konzept, um sich diesen Fragen zu nähern, ist das Data-Thinking – eine Methode, die das Design-Thinking mit der Datenanalyse und dem Data-Mining kombiniert. Die Maßnahmen aus der Design-Thinking-Methode (Verstehen, Beobachten, Sichtweise definieren, Ideation, Prototyp-Entwicklung, Testphase) werden eingesetzt, um die Bedürfnisse der Kunden herauszustellen und kreative Lösungen für datengetriebene Herausforderungen zu modulieren. Diese werden dann durch CRISP-DM, einen branchenübergreifenden Standardprozess für Data-Mining, zu vollständigen Datenlösungen weiterentwickelt. Ein entscheidender Vorteil eines solchen Data-Thinking-Prozesses liegt in der Möglichkeit, frühzeitig Daten- und AI-Experten einzubinden. Dadurch kann das Risiko einer unrealistischen Lösungsentwicklung, beispielsweise durch „schlechte“ Daten oder technisch nicht realisierbare Anforderungen, von Beginn an drastisch reduziert werden. Zudem eröffnen sich im Laufe der Arbeit fortlaufend neue Perspektiven für Out-of-the-box-Ideen und Lösungen, wie etwa durch eine Bilderkennung in der Qualitätskontrolle.
Proof-of-Data-Solution als weitere Option
Eine weitere Stufe des Data-Thinking-Prozesses ist die Proof-of-Data-Solution. Hierbei wird in einem ersten Schritt die Machbarkeit der entwickelten Lösung im Vorfeld der Investition geprüft. Unternehmen können von vornherein beurteilen, ob der Business-Impact ausreichend hoch sein wird und sich eine teure Implementierung schlussendlich auszahlt. Bindet man Datenwissenschaftler möglichst früh mit ein, beispielsweise während der Ideation oder sogar schon bei der Mediation von Triggern und Hindernissen, wird die Lösungsentwicklung erheblich beschleunigt. Eine entscheidende Rolle spielt in diesem Zusammenhang die enge Zusammenarbeit der Datenwissenschaftler mit Wirtschaftsexperten. So führen die wertvollen Erkenntnisse der Datenwissenschaftler zu einer realistischen Berechnung des Business-Cases sowie einer genauen Kosten-Nutzen-Analyse. Hierdurch kann die Zahl eines negativen ROI bei der Implementierung einer Datenlösung in Unternehmen erheblich reduziert werden.
