Kommentar von Tobias Titze, Eoda

Datenprodukte – in drei Schritten von der Idee bis zur produktiven Lösung

| Autor / Redakteur: Tobias Titze / Nico Litzel

Der Autor: Tobias Titze ist Marketing Manager bei der Eoda GmbH
Der Autor: Tobias Titze ist Marketing Manager bei der Eoda GmbH (Bild: Eoda)

Sie verbessern bestehende Produkte, sind die Informationsquelle für bessere Entscheidungen oder verändern ganze Geschäftsmodelle: Datenprodukte. Sie verwandeln Daten in echte Werttreiber und haben damit ein enormes Potenzial für Unternehmen. Doch wie kommen diese von der Idee für mögliche Anwendungsfälle von Daten und Algorithmen hin zu einem produktiven Data Product, welches kontinuierlich Mehrwerte für seine Nutzer liefert?

„Unsere Erfahrung zeigt, dass sich die Realisierung eines Data Products typischerweise in drei zentrale Phasen unterteilen lässt“, erklärt Martin Schneider, Senior Data Scientist bei den Analysespezialisten von Eoda.

Use-Case-Konzeption

In dieser Phase wird das Fundament für die weitere Entwicklung gelegt. Hierfür empfiehlt es sich, Vertreter aus unterschiedlichen Unternehmensbereichen zusammenzubringen, um gemeinsam im kreativen Austausch interessante Anwendungsfälle zu identifizieren. Neben Vertretern des Managements und den relevanten Fachbereichen ist es bereits in dieser frühen Phase ratsam auch Kompetenzen aus den Bereichen Data Science, IT-Administration und Data Engineering an Bord zu haben.

Vorab gilt es in dieser Phase die Fragen nach der Ausrichtung des Datenprodukts zu klären:

  • Sollen interne Prozesse und Entscheidungswege automatisiert optimiert zusätzliche Kundennutzen geschaffen werden, die neue Umsatzerlöse generieren?
  • Zielt das Datenprodukt auf eine Machine-to-Human-Kommunikation ab und hat entsprechende Anforderungen hinsichtlich der Usability zu erfüllen oder findet eine Machine-to-Machine-Kommunikation statt?
  • Wie erfolgen die Datenströme und wie zuverlässig sind sie auch in der Zukunft?

Ist die Ausrichtung klar, können die Anforderungen und Erwartungen der Zielgruppe evaluiert werden, um Anknüpfungspunkte für die Generierung neuer Werteversprechen auf Datenbasis zu erhalten.

Neben diesen Werteversprechen und dem daraus abgeleiteten Businessnutzen werden in der Use-Case-Konzeption auch die analytische Komplexität, die vorhandene Datenlage und die technischen Rahmenbedingungen analysiert. Das Ergebnis ist der erfolgversprechendste Anwendungsfall und damit der Ausgangspunkt für die weitere Roadmap der Umsetzung. In dieser werden die einzelnen Projektschritte, die relevanten Daten, das zum Einsatz kommende Methodenset und die beteiligten Stakeholder definiert. Außerdem sollten in dieser Phase auch die Erfolgskriterien der Realisierung definiert werden, um den wirtschaftlichen Erfolg der Produktinitiative messen zu können.

Prototyping

Aus der Idee und dem geschmiedeten Plan wird eine erlebbare Data-Science-Lösung. Gerade bei Machine-to-Human-Anwendungen können das Team oder die Kunden die entstehenden Mehrwerte des entwickelten Prototyps spüren. Ist der Use Case richtig gewählt und die technische Umsetzung bis hierhin erfolgreich gewesen, dann lässt sich in dieser Phase Akzeptanz schaffen für neue Produktfeatures oder die datengestützte Veränderung von Entscheidungswegen. Darüber hinaus lässt sich in dieser ersten Nutzungsphase wertvolles Feedback für die mögliche Weiterentwicklung sammeln. Denn neben den möglichen Mehrwerten, die mit dem Prototyp entstehen, steht vor allem die Beantwortung der Frage nach dem weiteren Vorgehen im Vordergrund. Der Blick in die Praxis zeigt, dass gerade diese Frage für viele Unternehmen eine entscheidende Abbruchkante darstellt und viele über das Prototyping nicht hinauskommen. Martin Schneider sieht dafür drei wesentliche Gründe:

  • Scheitern des Use Cases: In der Pilotphase hat sich die Realisierung als nicht möglich, zu komplex oder nicht mehr erfolgsversprechend ausgewiesen.
  • Fehlende Nachverfolgung: Der Prototyp hat grundsätzlich überzeugt, aber an Priorität verloren.
  • Risiko wird gescheut: Der Use Case war gut ausgearbeitet und der Prototyp überzeugt seine Anwender. Dennoch wird der Return-on-Investment der Produktivsetzung nicht erkannt und das Risiko der Weiterentwicklung gescheut. Die bestehende Lösung erreicht dadurch nie die maximal mögliche Durchdringung.

Dabei ist gerade der flächendeckende Rollout der Lösung in Form eines operationalisierten Data Products entscheidend für die Generierung des maximalen Nutzens.

Produktivsetzung

Jetzt geht es darum, nachhaltig Mehrwerte zu generieren. Die wichtigen Schlagworte in dieser Phase sind Performance, Skalierbarkeit und Robustheit. Der geschaffene Prototyp wird technisch weiterentwickelt und nahtlos in die bestehenden Unternehmensprozesse und Produktbestandteile integriert. Bei einer menschlichen Zielgruppe ist jetzt auch die Usability ein ganz wichtiger Faktor.

Neben der stärkeren Nutzerorientierung gilt es an dieser Stelle die notwendige IT-Infrastruktur zu schaffen. Data-Engineering-Kompetenzen sollten über den gesamten Prozess einfließen, sind aber spätestens an diesem Punkt unverzichtbar. Es braucht eine durchgängige Data Pipeline von den Quelldaten über das Datenmanagement bis zu den Analysen. Hinzu kommen Aspekte wie die Automatisierbarkeit und Versionierung der eingesetzten Analysen.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 46231039 / Best Practices)