Data Thinking

Daten sind das Rohmaterial der digitalen Ära und die nächste Stufe der industriellen Entwicklung. Prozesse, Dienstleistungen und Produkte erzeugen eine unüberschaubare Vielzahl von Daten. Kunden, deren Verhalten – auch aus Ressourcen, welche nicht von dem Unternehmen betrieben werden (Paradebeispiel: Facebook) – sowie Infrastruktur- und Rahmendaten erlauben ein nahezu beliebig granulares Bild über das Verhalten der Kunden, Services, Wettbewerber, Märkte usw.

Es wird Unternehmen geben, welche allein sich über das Vorhandensein, die Struktur und die Rekombination von Daten und Datenmodellen definieren.

Data Thinking, was ist das?

Data Thinking schält Einsichten und neue Geschäftsmodelle aus den vielfältigen Datenquellen. Sie werden zueinander in Beziehung gesetzt und die Relevanz dieser Quellen und Daten zueinander mit diesem Blickwinkel neu konfiguriert. Wertschöpfungsketten, Produkte, Produktionsfaktoren, Unternehmen und Marken entstehen aus diesen Einsichten. Die Vorgehensweise ist explorativ und empirisch und versteht sich als Management-Konzeption, welche andere Methoden und Konzepte aufgreift und integriert. Sie sind vor dem Hintergrund der Nachhaltigkeit des Geschäftsansatzes auch experimentell und agil, denn wenn die datengetriebene Kombination nicht am Markt reüssiert, dann werden sie erneut – zu neuen Firmen, Marken etc. – rekombiniert. Die kreative Suche, Hinterfragen und Zerstörung von Annahmen und Gewissheiten ist implizit Bestandteil dieses Management-Konzepts.

Prozess

Der wesentliche Definitionsprozess fundiert auf vorhandene und neu kreierte Geschäftsobjekte (Business objects) wie bspw. bestehende Firmen, Produkte, Dienstleistungen, API usw. Im nächsten Schritt werden bereits vorhandene Datenströme und -silos analysiert und extrahiert, um Quick Wins zu erreichen. Bereits hier entstehen schon relevante Wertschöpfungsbeiträge. Im weiteren Schritt, werden die Geschäftsobjekte darauf hin evaluiert, wie mit zusätzlichen Maßnahmen weitere Daten erzeugt werden können (z.B. Einbau von Sensoren und Aktoren, Ausbau und Verbesserung von Customer Touch Points, Marketing-Maßnahmen). Diese Daten fließen wieder in den erweiterten Datenpool mit ein. Im vierten Schritt werden die einzelnen Daten und Datengruppen hinsichtlich weiterer Verknüpfungen und Aussagen weiter evaluiert, kontinuierlich erweitert und ergänzt. Wesentlich – aber bereits auch in den anderen Schritten schon inhärenter Bestandteil – ist das hypothesengetriebene Testen von neuen Geschäftsobjekten und -logiken; entweder durch Expertenvorgaben oder durch algorithmusgetriebene Datenevaluation. Fünfter und letzter Schritt ist die grundsätzlich eine Wiederholung der vorangegangenen Schritte mit dem Fokus auf Analyse und Controlling der erreichten Ergebnisse und Anpassung; insoweit also eine übliche Feedback/Controlling-Stufe.

Prozess Data Thinking
Prozess Data Thinking

Eingebettet ist der Prozess durch ein auf PRINCE 2 basierendes Projektmanagement, welches agil aufgesetzt und gesteuert wird. Feedback und Evaluierung erfolgt möglichst nutzernah mit Einsatz von Methodiken aus dem Design Thinking.

Conditio sine qua non ist die Herangehensweise, dass anfangs das Ergebnis offen ist und die Grundlage lediglich die Datenbasis ist. Ob am Ende dann eine neue Firma, ein Produkt oder lediglich ein neues oder auch optimiertes Dienstleistungsangebot steht, ist freibleibend.

Es gibt keine vordefinierten Werkzeuge für das Data Thinking, aber die vorhandenen Big Data, Datawarehouse, Data Science-Tools (z.B. R, Qlikview) bieten einen guten Einstieg, ebenso wie das gute alte Excel. Tools wie Splunk machen insbesondere die für das Nicht-IT-Management schwer greifbaren Maschinendaten bearbeitbar.

Einordnung

Data Thinking ist also ein Managementkonzept, welches bewusst Geschäftsimpulse aus Daten bezieht und sich von den daraus gewonnenen Einsichten und Perspektiven leiten lässt. Es ist kein ausschließlicher Ansatz, welcher die üblichen Management-Konzepte komplett ersetzt, sondern vielmehr ergänzt er diesen um einen Blickwinkel, welcher vorurteilsfrei nur aus den verfügbaren  Daten entsteht, welche dem Unternehmen zur Verfügung stehen. Die Einsichten können dabei die Annahmen des bisherigen, expertenbasierten Managements bestätigen oder auch komplett in Frage stellen.

Weitere Informationen

André M Bajorat

Der Kampf um unsere Identitäten Artikel

Payment and Banking, 2017.

Abstract | Links | BibTeX

Bernhard Steimel

Datengetriebene Geschäftsmodelle: Mit Smart Service neue Wertschöpfungspotenziale erschließen Artikel

Smarter Service, 2017.

Abstract | Links | BibTeX

Mustafa Suleyman; Ben Laurie

Trust, confidence and Verifiable Data Audit Artikel

Deepmind.com, 2017.

Abstract | Links | BibTeX

Johannes Merkert

Poker-KI DeepStack braucht nur einen PC um Profispieler zu schlagen Artikel

heise.de, 2017.

Abstract | Links | BibTeX

Axel Kannenberg

Facebook testet künstliche Intelligenz zur Suizid-Prävention Artikel

heise.de, 2017.

Abstract | Links | BibTeX

Markus Singer

Deutsche Marketer setzen voll auf Data Driven Marketing Artikel

Acquisa, 2017.

Abstract | Links | BibTeX

Thomas Fromm

Wagen, hol schon mal den Harry Artikel

Süddeutsche Zeitung, S. 3, 2016.

Abstract | Links | BibTeX

John Rose; Alexander Lawrence; Elias Baltassis; Frederik Lang

Bridging the Trust Gap: Data Misuse and Stewardship by the Numbers Artikel

bcg.perspecitves, 2016.

Abstract | Links | BibTeX

Will Knight

Intelligent Machines - Will AI-Powered Hedge Funds Outsmart the Market? Artikel

MIT Technology Review, 2016.

Abstract | Links | BibTeX

Laura Dorfer

Datenzentrische Geschäftsmodelle als neuer Geschäftsmodelltypus in der Electronic-Business-Forschung: Konzeptionelle Bezugspunkte, Klassifikation und Geschäftsmodellarchitektur Artikel

Schmalenbachs Zeitschrift für betriebswirtschaftliche Forschung, 68 (3), S. 307–369, 2016, ISSN: 2366-6153.

Abstract | Links | BibTeX

Friederike Paetz

Persönlichkeitsmerkmale als Segmentierungsvariablen: Eine empirische Studie Artikel

Schmalenbachs Zeitschrift für betriebswirtschaftliche Forschung, 68 (3), S. 279–306, 2016, ISSN: 2366-6153.

Abstract | Links | BibTeX

Gareth James; Daniela Witten; Trevor Hastie; Robert Tibshirani

An Introduction to Statistical Learning with Applications in R Buch

6, Springer US, New York, Heldelberg, Dordrecht, London, 2015, ISBN: 978-1-4614-7137-0.

Links | BibTeX

Kevin Markham

In-depth introduction to machine learning in 15 hours of expert videos Artikel

R-bloggers, 2014.

Abstract | Links | BibTeX