Big Data Design Thinking

Problemlösungen und Innovationen für Big Data

Design Thinking für Big data? Daten sind das neue Öl. Aber während der Nutzen und die Verwendungsmöglichkeiten von Öl relativ klar definiert waren, stecken in Daten viel mehr Möglichkeiten.

Fast alle Unternehmen stehen vor der Herausforderung, sehr viele Daten aus unterschiedlichen Quellen zu besitzen. Oft fehlt aber eine klare Vorstellung davon, wofür die Daten verwendet werden können.
Wie sehen neue Geschäftsmodelle aus, die mit den Daten erschlossen werden können? Welche Datenprodukte können Unternehmen definieren und verkaufen? Die Lösung lautet:Big Data mit Design Thinking.

Die Lösung: Design Thinking für Big data

Mit dem Design Thinking-Ansatz, der im Silicon Valley entstanden ist, mittlerweile aber weltweit in Unternehmen eingesetzt wird, werden interdisziplinäre Teams in die Lage versetzt, Innovationen zu entdecken und neue Lösungen für Probleme zu finden.

Ein zentrales Kennzeichen des Ansatzes ist, dass sich die Teilnehmer konsequent in die Perspektive der Anwender versetzen – im Data Design Thinking können das sowohl externe Kunden als auch interne Abnehmer für Datenprodukte sein. Dabei kommen Methoden wie Interviews, Prototypen, Mindmaps und Situationsanalysen zum Einsatz.

Design Thinking und Big Data

Auf den ersten Blick klingt das wie ein Widerspruch. Auf der einen Seite Design Thinking und die konsequente Orientierung auf Menschen und ihre Bedürfnisse. Auf der anderen Seite Big Data, also Algorithmen und große Datenmengen.

Aber in Wirklichkeit passen beide Themen viel besser zusammen als man denkt. So finden sich viele der zentralen Merkmale von Design Thinking auch in Big Data wieder:

• Kundenzentriert: So wie man sich in Design Thinking-Prozessen in die Welt der Nutzer hineindenkt, werden Datenquellen genutzt, um Herausforderungen aus der Perspektive der Nutzer wahrzunehmen. Daten wie zum Beispiel Nutzungsdaten einer App aus Mixpanel oder Website-Daten aus Google Analytics zeigen objektiv die wichtigsten Verhaltensmuster der Anwender und ermöglichen es Unternehmen, daraus neue Ideen zu entwickeln.
• Ergebnisorientiert: Das größte Problem bei Big Data-Projekten ist oft die große Lücke zwischen den Erkenntnissen, die sich aus den Daten gewinnen lassen, und der tatsächlichen Transformation in Datenprodukte, die einen echten Kundennutzen bieten. Hier bietet Design Thinking ebenfalls einen Vorteil durch die konsequente Fokussierung auf Problemlösung und Handlungsorientierung.
• Agil: Ein wichtiges Zwischenziel des Design Thinking ist ein Prototyp, der möglichst früh einen konkreten Eindruck der neuen Problemlösung vermittelt. Die Leitlinien lauten hier „Show don’t tell“ oder in Anlehnung an Facebook’s Entwicklungsstrategie: „Move fast and break things„. In Big Data sind es Notizbuch-Plattformen wie Jupyter, Shiny oder Zeppelin, die es ermöglichen, sehr schnell erste Daten-Prototypen zu entwickeln und im Team zu teilen und zu diskutieren.
• Interdisziplinär: In Design Thinking-Workshops kommen unterschiedlichste Stakeholder aus dem Unternehmen zusammen um gemeinsam Problemlösungen zu entwickeln. Dabei werden Hierarchien und Berufsbezeichnungen an der Türschwelle zum Workshopraum abgegeben. Auch Data Science ist von Anfang an interdisziplinär und verbindet Programmierfähigkeiten, mathematisch-statistisches Wissen mit dem Wissen über den jeweiligen Bereich – Vertrieb, Supply Chain, Marketing oder Controlling.
• Empathisch: Ein ganz wichtiges Ziel des Design Thinking ist es, die Problemlösungen aus der Sicht der Anwender zu betrachten. Das können externe Anwender sein, zum Beispiel Konsumenten, aber auch interne Anwender, zum Beispiel andere Abteilungen, die dann Zugriff auf die Datenprodukte oder Modelle haben werden.
• Datengetrieben: Design Thinking schwebt nicht im luftleeren Raum, sondern basiert auf Daten, die zum Beispiel im Rahmen eines Workshops mit Anwendern und Kunden in Interviews – zum Teil auch in verteilten Rollen – erhoben werden. Die erhobenen Daten werden verwendet, um Vermutungen zu formulieren, Hypothesen zu prüfen und daraus dann immer wieder auf neue Fragen zu stoßen, die dann in einer nächsten Interviewrunde beantwortet werden. Genauso stehen auch Daten – Interviews, aber auch Messdaten, Trackingdaten, Marktforschungsstudien etc. – im Mittelpunkt des Data Design Thinking.

Der Prozess des Data Design Thinking

In unseren Data Design Thinking Workshops orientieren wir uns an dem folgenden idealtypischen Ablauf:

Skizze

Wie sähe das perfekte Datenprodukt in diesem Bereich aus? Was könnte man damit alles machen?

Erstes Interview

Wechselseitiges Interview, idealerweise mit den zukünftigen Anwendern. Leitfrage: Welche Bedürfnisse haben die Anwender? Welches Problem wollen sie lösen? Nach der ersten Befragung wird getauscht.

Zweites Interview

Vertiefung der Ergebnisse aus dem ersten Interview. Bei unklaren Punkten nachhaken, um wirklich zu den „Painpoints“ der Anwender vorzustoßen.

Zwischenergebnisse

Zusammenfassen der bisherigen Erkenntnisse: Was genau wollen die Anwender des Datenprodukts erreichen? Welche Erfahrungen hat man selbst im Rollentausch erlebt? Welche Dinge waren einem vorher gar nicht bewusst?

Formulierung des Point of View

Hier geht es darum, die Zwischenergebnisse in komprimierter Form – in einem einzigen Satz – zusammenzufassen: Der Anwender ____ benötigt etwas (Datenprodukt, Modell, Analyse, Dashboard), um sein Bedürfnis ____ zu erfüllen, denn ______ (hier die gebündelten Insights).

Ideation

Im nächsten Schritt werden auf der Grundlage des POV fünf radikale Problemlösungen skizziert, die das Bedürfnis der Anwender erfüllen könnten.

Feedbackrunde

Nach einer kurzen Vorstellung der fünf Ideen wird das spontane Feedback des Partners erfasst. Danach werden die Rollen getauscht und man bekommt die fünf Ideen des Partners präsentiert.

Neue Lösung

Das Feedback dient als Grundlage, um eine neue Lösung zu entwickeln.

Prototyp

Jetzt wird zum Beispiel in Shiny, Jupyter oder Zeppelin oder auch als Pen-and-Paper-Dummy ein Prototyp gebaut, der auf der überarbeiten Lösung basiert. Es geht hierbei nicht um Perfektion, sondern darum, etwas greifbares in Händen zu halten.

User Feedback

Jetzt wird die Reaktion der anderen auf den Prototypen erfasst und ausgewertet: Was ist daran gelungen? Was ist noch nicht gut? Welche offenen Fragen müssen noch geklärt werden? Welche neuen Ideen sind bei der Interaktion mit dem Prototypen entstanden?

Nächste Schritte

Welche Erweiterungen oder Überarbeitungen sollten als nächstes in Angriff genommen werden?

Reformulierung des Point of View

Auf Grundlage der bisherigen Erfahrungen: Wie hat sich der POV verändert? Wie sieht ein neuer POV aus?

Mit dieser Methode sollten auch in kurzer Zeit – zwischen einer und drei Stunden – brauchbare und spannende Ergebnisse erarbeitet werden, die dann für den Ansatzpunkt der Entwicklung neuer Datenprodukte im Unternehmen und Marktforschunginstitute dienen können.

Sie können uns auch hier eine Anfrage senden:

Image credits: gdsteam (CC-BY-SA)