Basierend auf unseren Marktbeobachtungen und unseren laufenden Projekten zeichnet sich für die Zukunft eine ziemlich klare Vision ab: Wir werden nicht mehr strikt zwischen BI- und KI-Einheiten unterscheiden, sondern die Initiativen zusammenführen und von der Einheit für die Bereitstellung von Datenprodukten sprechen. Zusammen mit einigen datengesteuerten Unternehmen haben wir uns bereits auf diese Reise begeben. Doch treten wir einen Schritt zurück und beginnen wir mit der wichtigsten Frage: Was sind „Datenprodukte“ überhaupt?
Was sind Datenprodukte?
Grob gesagt, umfassen Datenprodukte alles, was aus Rohdaten einen Mehrwert schafft. Diese Definition ist sehr weit gefasst und taugt für viele verschiedene Arten von Datenprodukten. Insbesondere können auch die genauen Methoden für die Entwicklung eines Datenprodukts sehr unterschiedlich sein. Die Analysemethoden, die zur weiteren Verarbeitung und Verfeinerung der Rohdaten eingesetzt werden, können von vermeintlich einfachen Visualisierungen bis hin zu fortschrittlichen KI-Algorithmen reichen. Innerhalb der KI-Algorithmen können wir wiederum beispielsweise NLU- oder Computer-Vision-Techniken verwenden.
Grob gesagt, umfassen Datenprodukte alles, was aus Rohdaten einen Mehrwert schafft.
Für den Endnutzer spielt das keine Rolle. Aus der Sicht des Nutzers ist es nicht notwendig, zwischen den beiden Formen zu unterscheiden. Der Nutzer will, dass auf seine Fragen eingegangen wird, die mit Daten beantwortet werden können, und das war’s. Und der Prozess zur Erzeugung eines Datenprodukts ist im Großen und Ganzen für alle Analysemethoden gleich. Aber auch die Einsatzmethoden können sich wieder unterscheiden. Die Präsentation eines Datenprodukts kann die Form einer einfachen Benachrichtigung per E-Mail, eines Dashboards oder einer aufwendigen Web-Anwendung mit umfangreichen vorgeschalteten UI/UX-Prozessen annehmen. Auch die Methoden, mit denen das Datenprodukt dem Endnutzer zur Verfügung gestellt wird, müssen nur einem Ziel dienen: der Lösung von Geschäftsproblemen, die durch ein Datenprodukt gelöst werden können.
Dies führt uns zu einem wichtigen und weniger offensichtlichen Teil der Definition von Datenprodukten: Wir haben sie als alles definiert, was aus Rohdaten einen Mehrwert generiert. Dies setzt bei allen Datenprodukten ein angemessenes Geschäftsverständnis, eine Prozessanalyse und ein Verständnis der gemappten Daten voraus, wie es nur interdisziplinär zwischen den Geschäfts- und IT-Bereichen erzielt werden kann. Und diese notwendige Grundlage, insbesondere die Daten und Fähigkeiten, die für diese Zwecke verwendet werden, können sowohl für BI- als auch für KI-Anwendungsfälle genutzt werden. Die größte Herausforderung bei jedem Datenprojekt ist die ständige Konzentration auf den Geschäftswert.
Und das wirft die nächste Frage auf: Was brauchen wir, um Datenprodukte erfolgreich zu liefern?
Schlüssel zum Erfolg
Um Datenprodukte erfolgreich bereitstellen zu können, müssen wir die folgenden Säulen organisieren und orchestrieren:
- Organisation und Rollen
- Datenkompetenz und Schulung
- Datenverwaltung und -sicherheit
- Infrastruktur und Daten
Organisation und Rollen
Eine angemessene Organisation, insbesondere für die zentrale Bereitstellung von Datenprodukten, ist von entscheidender Bedeutung. Diese Einheit ist zwischen den Geschäfts- und IT-Abteilungen angesiedelt und arbeitet in einem interdisziplinären Team. Die folgenden Rollen sind optimal durch das Team abgedeckt und sollten um einen Tisch vereint sein:
Personen am Tisch: Produktbesitzer, Endverbraucher, Datenanalyst, Datenwissenschaftler, UX/UI-Designer, Wirtschaftsanalytiker, Datenarchitekt, Web-Anwendungsentwickler, ML-Ingenieur und Daten-Ingenieur.
Im Gegensatz zur Bereitstellung kann die Produktentwicklung zentral oder dezentral organisiert werden. Wenn sie dezentral organisiert ist, ist sie näher an der Geschäftsabteilung angesiedelt. In diesem Fall sind Datenanalysten und Datenwissenschaftler in einer Geschäftseinheit angesiedelt und nutzen die Zentraleinheit für Datenprodukte als Kompetenz- und Supportzentrum für eine effiziente Entwicklung. Es gibt keine Einheitslösung oder -empfehlung für die Organisation, eine individuelle Bewertung ist stets erforderlich.
Datenkompetenz und Schulung
Im Falle einer dezentralen Entwicklung und auf dem Weg zu einem datengesteuerten Unternehmen brauchen wir Schulungen und Datenkompetenz in allen Geschäftsbereichen. Datenkompetenz umfasst die Fähigkeit, mit Daten und Datenprodukten umzugehen. Jeder Mitarbeiter muss über sie Bescheid wissen und wissen, was sie ihm bringen können. Durch die Vermittlung von Datenkompetenz und die Schulung aller Rollen innerhalb eines Unternehmens schaffen wir mehr Ideen und Anwendungsfälle für Datenprodukte, sodass in einem Bottom-up-Ansatz mehr Daten dort genutzt werden können, wo sie benötigt werden.
Datenverwaltung und -sicherheit
Neben Datenkompetenz und einem weit verbreiteten Wissen über Datenprodukte brauchen wir eigene Konzepte der Datenverwaltung und Sicherheit. Wenn wir die Nutzung von Daten und die Entwicklung und den Einsatz von Datenprodukten verbessern wollen, müssen wir für Datensicherheit und die Einhaltung der Grundsätze der Datenethik sorgen. Außerdem müssen wir ein gut überwachtes Management des Produktlebenszyklus sicherstellen.
Infrastruktur und Daten
Bis zu diesem Punkt haben wir über alles Mögliche geredet, nur nicht über den wichtigsten Bestandteil: Daten. Der Grund dafür ist, dass wir neben den Daten auch alles andere beleuchten wollten, was oft vergessen oder nicht sorgfältig genug behandelt wird. Aber natürlich sind all diese Rollen, Fähigkeiten und Verwaltungsaspekte ohne Daten wertlos. Die Daten müssen in hoher Qualität verfügbar sein und dürfen nicht in Silos gespeichert werden. Dazu müssen zentrale Plattformen und Tools eingerichtet werden, die entweder für BI-Dashboards oder für KI-Algorithmen genutzt werden können. Immer mehr Anbieter verbinden auch diese Aspekte miteinander und stellen umfangreiche Plattformen für die Entwicklung und den Einsatz aller Arten von Datenprodukten bereit.
Gemeinsame Nutzung der Leistung von BI und KI
Zusammenfassend lässt sich sagen, dass es keine Rolle mehr spielen wird, ob ein KI-Algorithmus unter der Haube eines Datenprodukts oder einer Datenvisualisierung steckt. Beide schaffen einen geschäftlichen Mehrwert, und die dafür erforderlichen Methoden, Fähigkeiten und Infrastrukturen sind durchaus vergleichbar und verwandt. Gerade wenn es um die erfolgreiche Operationalisierung von Datenprodukten jeglicher Art geht, hat eine zentralisierte Einheit und Plattform ihre Vorteile. Die gesamte benötigte Infrastruktur kann sowohl von BI als auch von KI genutzt werden. Und deshalb empfehlen wir immer mehr, die Kräfte beider Initiativen zu bündeln und als globales Team zu denken.
Danke an unsere*n
Autor*in
