Der Data Business Canvas

Ich bin ja der Meinung, die Kernaufgabe innerhalb der Digitalisierung ist es, Daten auf intelligente Weise zu sammeln, zu verarbeiten und zu nutzen, um bessere Entscheidungen zu treffen, um Prozesse zu automatisieren, um datenbasierte Produkte und Dienste zu entwickeln und ganz allgemein das Geschäftsmodell weiterzuentwickeln – zum Nutzen von Kunden und Mitarbeitern.

Nun ist aus fast 10 Jahren praktischer Erfahrung und vielen «lessons learned» mein Data Business Canvas entstanden. Dieser soll Ihnen helfen, Ihre Anwendungsfälle für das datengetriebene Geschäft auf eine einfache und kollaborative Weise zu entwickeln, dabei von Anfang an alle wichtigen Aspekte zu beleuchten und die richtigen Fragen zu stellen (wobei nicht für jeden Fall alle relevant sind).

Ich gehe davon aus, dass Ihnen der Business Model Canvas (oder ein anderer) bekannt ist. Dessen Eleganz liegt ja in der Tatsache, dass alle wichtigen Aspekte auf einer Seite enthalten sind und eine Abstraktionsebene bieten, die jeder verstehen und bei der jeder beitragen kann. Und er konzentriert sich auf konkrete Ergebnisse, anstelle viel Papierkram zu produzieren.

Ich habe bewusst den analogen Ansatz gewählt, sodass sie direkt loslegen können, ohne sich zuerst lange mit der Methodik beschäftigen zu müssen. Die Ähnlichkeiten sind recht gross, jedoch gibt es einige Besonderheiten, auf die ich hier eingehe. Wichtig jedoch: Der Data Business Canvas ist immer ergänzend zu anderen Werkzeugen zu sehen.

Finden Sie den Sweet Spot

Wer schon einmal ein grösseres Software-Projekt geleitet hat, weiss wie herausfordernd diese sein können und welche Risiken oft unerwartet zuschlagen. Dennoch kriegt man mit den heutigen modernen Methoden, Werkzeugen und etwas Erfahrung Scope, Zeit und Kosten zumindest einigermassen «in den Griff». Letztlich ist es meist ein iterativer Engineering-Prozess, welcher immer öfter mit einem Minimalziel (MVP, Minimum Viable Product) startet.

Sobald Daten im grösseren Umfang ins Spiel kommen (d.h. mehr als CRUD), muss ein besonderes Augenmerk nicht nur auf den Umfang des MVP, sondern auch auf dessen Machbarkeit gelegt werden. Ich habe bereits früher über Daten-Mythen (hier und hier) geschrieben und möchte auch nochmals darauf hinweisen, dass ein datengetriebener Anwendungsfall immer auch einen (mehr oder weniger starken) explorativen Charakter hat.

Zur Verdeutlichung möchte ich Ihnen Situationen nennen, die sie nur in einem datenzentrierten Projekt antreffen werden:

• Sie haben ein Rockstar-Team sowie beliebig Zeit und Geld. Das Projekt muss kurz vor Ende abgebrochen werden, weil sie einsehen, dass das Projektziel absolut unerreichbar ist
• Ihre Spezialisten haben in monatelanger Arbeit eine hochkomplexe KI gebaut, welche 80% Genauigkeit bietet. Der Kollege nebenan hat mit Excel in ein paar Tagen 75% Genauigkeit erreicht.
• Ihr Team hat ein Neuronales Netzwerk erstellt, welches phänomenale Resultate liefert und alle Erwartungen übertrifft. Sie können es aber nicht einsetzen, weil Sie aus geschäftlichen Gründen unbedingt wissen müssen, wie die Resultate zustande kommen (was bei Neuronalen Netzen nicht möglich ist).

Es ist also sehr wichtig, dass Sie sich von Beginn an die Frage stellen, ob das gewünschte Minimalziel mit den bestehenden Daten, Methoden und Werkzeugen in vernünftiger Zeit und zu einigermassen abschätzbaren Kosten überhaupt erreicht werden kann – und ob es nicht einen einfacheren Weg gibt, welcher «Overengineering» vermeidet.

Der Punkt, wo Sie diese Frage positiv beantworten können, nenne ich den «Sweet Spot».

Pareto und Augmented Intelligence

Der Aufwand für datengetriebene Anwendungsfälle folgt nach meiner Erfahrung meist dem Paretoprinzip: Die ersten 80% des Resultats benötigen deutlich weniger Aufwand als die restlichen 20% – sofern diese überhaupt erreicht werden können.

Es ist naheliegend, dass man sich bei einem datenzentrierten Anwendungsfall zuerst um die 80% kümmert. Dahinter steckt der Wunsch eines möglichst schnellen Resultats verbunden mit einer möglichst hohen Automatisierung eines Geschäftsprozesses. Oft wird es aber danach richtig schwierig. Siehe dazu auch die obigen Beispiele zum «Sweet Spot».

Es lohnt sich aber, den Blick bereits zu Beginn auch auf die verbleibenden 20% zu richtigen und das unbedingte Ziel einer hohen Automationsrate etwas in den Hintergrund treten zu lassen. Denn sehr oft ist bereits sehr viel erreicht, wenn man sich überlegt, wie man einen Benutzer bei seiner Arbeit bestmöglich unterstützen kann und so das Optimum aus der Zusammenarbeit von Mensch und Maschine – mit ihren jeweiligen Stärken und Schwächen – herausholen kann. Dafür verwendet man den Begriff «Augmented Intelligence».

Augmented intelligence is a design pattern for a human-centered partnership model of people and artificial intelligence (AI) working together to enhance cognitive performance, including learning, decision making and new experiences

Und… Action!

Der grösste Nutzen aus Daten entsteht dann, wenn konkrete Entscheide oder Aktionen unmittelbar aus den Daten folgen – oder Entscheide gar automatisiert werden können. Einige Beispiele dazu:

• E-Mails im Kundenservice werden zu 80% inhaltlich richtig interpretiert und zu 50% direkt beantwortet
• Betrügerische Kreditkarten-Transaktionen werden zu 90% richtig erkannt und direkt blockiert
• Dem Kunden wird ein Produkt vorgeschlagen, welches er mit hoher Sicherheit kauft

Achten Sie deshalb besonders auf den Canvas-Bereich «Actionable Outcome» und überlegen Sie sich, was Sie als Resultat erwarten würden und wo/wie es zur Verfügung gestellt werden soll. Starten Sie von dort aus mit der Bestimmung des «Sweet Spot» und passen Sie ihr Ziel gegebenenfalls der Realität an.

Seien Sie zu Beginn mutig und formulieren Sie eine Vision, ein Wunschziel, von dem Sie wissen, dass es einen wirklich grossen Mehrwert bietet.

Download

Laden Sie den Canvas herunter und halten Sie ihre Ideen für datengetriebene Anwendungsfälle fest. Ich freue mich über Ihr Feedback und Verbesserungsvorschläge.