Datenanwendungsfälle: So gelingt die Innovation

In vielen Unternehmen liegen wertvolle Daten brach. Sie nutzen ihre Daten nicht, um ihre geschäftlichen Ziele zu erreichen. Dadurch lassen sie Potenziale liegen und haben Wettbewerbsnachteile. Um dies zu ändern, müssen Unternehmen Ihre Potenziale für Daten & KI verstehen. Sie müssen das Universum ihrer möglichen Datenanwendungsfälle erkunden. Dazu benötigen sie eine Methodik Datenanwendungsfälle effektiv & effizient zu innovieren.

Was ist ein Datenanwendungsfall? Ein Datenanwendungsfall beschreibt eine spezifische Situation oder Aufgabe, bei der Daten verwendet werden, um ein bestimmtes Problem zu lösen, eine Frage zu beantworten oder eine geschäftliche Anforderung zu erfüllen. Sie führen zu Datenprodukten. Das sind Lösungen, die mittels Daten einen Mehrwert für den Nutzer liefern, um dessen Problem zu lösen und somit zur Zielerreichung beitragen.

Datenanwendungsfälle existieren meist entlang der gesamten Wertschöpfungskette im Unternehmen. Typische Beispiele sind Kundenabwanderungs- und Cashflow-Analysen oder Predictive Maintenance.

Ein häufig gemachter Fehler

„Wir haben so viele Daten, die wir nicht nutzen, da müsste sich doch was draus machen lassen!“

Solche Statements höre ich häufiger von Unternehmen im Rahmen meiner Beratertätigkeit. Oft ist der nächste logische Schritt die Daten näher zu inspizieren, um potenzielle Anwendungsfälle zu generieren. Warum auch nicht, denn man hangelt sich scheinbar natürlich an der Datenwertschöpfungskette entlang: Daten - Erkenntnisse - Entscheidungen - Ziele - Mehrwert

Genau das ist aber der Fehler und führt allzu oft zu technischen Spielereien oder Lösungen, die niemand braucht.

Der richtige Ansatz

Um Datenanwendungsfälle zu entwickeln, ist es daher wichtig, von der Datenwertschöpfungskette weg und hin zur Nutzerzentrierung zu denken (#designthinking). Das bedeutet, dass die Bedürfnisse der Nutzer zunächst verstanden werden müssen. Erst dann können Daten und KI eingesetzt werden, um diese Bedürfnisse zu erfüllen.

Die obige Fragestellung müsste also eher lauten: „Was sind aktuell unsere größten geschäftlichen Herausforderungen? Wie können wir Daten & KI nutzen, um diese zu adressieren und um unsere Ziele zu erreichen?“

Der Prozess Konkret sieht der Prozess zur Innovation von Datenanwendungsfällen wie folgt aus:

1. Benutzer
2. Ziele
3. Entscheidungen
4. Pains
5. Gains
6. Priorisierung
7. Datenprodukt-Design
8. Nutzen
9. Check

Tools & Frameworks Martin Szugat, Georg Arens und ihr #datentreiber-Team bieten hierzu eine praktische Vorlage an, den Analytik-Anwendungsfall Canvas, mit der man strukturiert Datenanwendungsfälle beschreiben kann.

Welche Tools und Methodiken nutzt Ihr, um Datenanwendungsfälle zu innovieren? Gerne diskutiere ich mit Euch in den Kommentaren!