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.

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.

Im Zuge der fortschreitenden Digitalisierung und dem dadurch auch immer stärker steigenden internationalen Wettbewerb ist es essenziell, dass sich Unternehmen mit der eigenen digitalen Transformation auseinandersetzen. Es bedarf dabei jedoch einer durchdachten Digitalisierungsstrategie. In einer Wirtschaft, die immer verstärkter datengetrieben wachsen wird, gilt es, aus Datensicht an die Transformation heranzugehen und bereits als Grundbaustein für eine Strategie zu definieren: welche Daten benötigt werden, ob diese Daten intern verfügbar sind oder ob es notwendig ist, auf externe Daten zurückzugreifen.

Ein solcher Prozess erfordert ein Umdenken in der Managementebene: Der Fokus der digitalen Transformation liegt nicht auf der einfachen Digitalisierung der bestehenden Unternehmensprozesse und der Erfolg nicht in der Verfügbarkeit von unendlichen Datensätzen. Entscheidend für eine erfolgreiche Digitalisierungsstrategie ist es, die (Daten-) Prozesse innerhalb des Unternehmens zu analysieren und zu evaluieren und darauf aufbauend einen Ansatz zu formulieren, der die strategische Entwicklung zu einem digitalen Unternehmen möglich macht.

Essenziell ist hierbei die Zusammenarbeit zwischen den verschiedenen Abteilungen – vor allem die Managementebene, die die Innovations- und Strategieentwicklung verantwortet, sowie die IT müssen gemeinsame Prozesse und Arbeitsgrundlagen entwickeln. Mit dem Einsatz von Data-Thinking können Unternehmen ihr Budget von Beginn an in Data-Solutions investieren, die für sie einen wesentlichen Business-Impact bedeuten und negative ROI auf Grund nicht lohnender Modelle reduzieren. Mit Hilfe der Data-Thinking-Methode ist der Datenprozess somit keine Black Box mehr: Denn der fortlaufende Proof-of-Concept während des Prozesses unter Einsatz von Experten erlaubt eine sehr genaue Einschätzung über den letztendlichen Erfolg einer aus Datensicht gedachten Digitalisierungs-Strategie.