Datenprodukte konzipieren, entwickeln und testen

von Bernhard Steimel
18. November 2021

Innovative Datenprodukte sind der Schlüssel zum Erfolg. Die KfW-Bank stellt in einer aktuellen Studie fest: Unternehmen, die Innovationen mit Digitalisierung kombinieren, weisen die höchste Umsatzrendite auf und wachsen am schnellsten. Sie setzen auf Qualitätsführerschaft und die häufige Erneuerung der Produktpalette. Zudem bemühen sie sich, neue Kundengruppen und Märkte zu erschließen. 

Damit Unternehmen ihren Kunden Datenprodukte anbieten können, sollten sie möglichst schnell Use Cases testen und vom Konzept zum Prototyp mit Echtdaten voranschreiten. So können die Entwickler rasch beurteilen, ob der Use Case in der Realität umsetzbar ist.

Dieser Beitrag ist ein Auszug aus dem „Trendbook Smart Analytics“. Einen Überblick über den Inhalt gibt der Artikel Aus Daten Mehrwerte schaffen. Sie können das Trendbook außerdem direkt kostenlos herunterladen.

Schritt für Schritt die größten Herausforderungen anpacken

Startpunkt bei der Entwicklung von Datenprodukten sind Use Cases – spezifische Probleme, die durch neue Geschäftsmodelle gelöst werden sollen. Anwendungsfälle finden sich in vielen Bereichen eines Unternehmens: Sie sollten aber immer zusammenhängend und in Domänen gruppiert sein. 

Dabei ist es sinnvoll, dass die Unternehmen die Domänen nach der Kundennähe bestimmen:

  • So gibt es Bereiche wie Vertrieb oder Marketing, die sich durch besondere Kundennähe auszeichnen. Sie sind gewissermaßen an der „Front“ des Unternehmens und eignen sich für Use Cases, die in die Customer Experience eingreifen.
  • Weitere Domänen sind in der „Mitte“ des Unternehmens, also im Geschäftsbetrieb. Dazu gehören beispielsweise Beschaffung, Supply Chain und Fertigung. Sie sind gute Kandidaten für Use Cases, wenn Unternehmen mit Data Analytics in erster Linie ihre Prozesse bearbeiten möchten.
  • Drittens gibt es den Bereich des Backoffice, das Grundfunktionen anbietet. Darunter fällt beispielsweise die Personalabteilung, deren Prozesse ebenfalls mit Data Analytics optimiert werden können.

Das vollständige Trendbook als kostenloses E-Book herunterladen.

Die einzelnen Use Cases einer Domäne besitzen gemeinsame Elemente, beispielsweise dieselben Datenquellen oder Kunden. Zunächst wählen Unternehmen eine Domäne für Proof-of-Concepts und Prototypen aus. Erst danach werden leicht zu lösende Aufgaben definiert.

Dadurch verhindern die Entwicklungsteams eine Situation, in der ähnliche Lösungen auf verschiedenen Wegen und technologischen Grundlagen mehrfach entwickelt oder eingekauft werden (Quelle). Eine wichtige Hilfe dabei sind vorgefertigte Lösungen, die sich leicht an das jeweilige Unternehmen anpassen lassen. 

Use Cases sollten in Domänen gruppiert werden (Quelle)

Condition Monitoring: Use Case Nr. 1

Condition Monitoring ist ein typischer erster Use Case in der Industrie. Ein Beispiel: Rauhalahti Power Station ist ein Biomasse-Blockheizkraftwerk in der drittgrößten finnischen Stadt Jyväskylä. Bei einer Erneuerung der seit 1987 laufenden Automatisierungssysteme führte der lokale Energieversorger eine Fernüberwachung des Kraftwerksstatus mithilfe von IoT-Technologien und Data Analytics ein.

Das Machine Monitoring integriert Vibrationsmessungen und -analysen in das Automatisierungssystem. Dadurch müssen nicht wie bisher Vibrationen mit tragbaren Geräten in jedem Kraftwerksblock manuell gemessen werden. Bediener und Wartungspersonal sehen die auf den Messergebnissen basierenden Maschinenzustandsdaten direkt auf der Benutzeroberfläche des Steuerungssystems.

KI entlang der Wertschöpfungskette ausrollen

„Technologisch und wirtschaftlich gibt es keine Hindernisse, um KI sofort in Unternehmen zu nutzen“, sagt Lars Riegel von Arthur D. Little in einer Studie für eco, den Bundesverband der deutschen Internetwirtschaft. „Über 70 Prozent der Anwendungen sind dabei bis 2025 unterstützend für den Menschen im Einsatz. KI ersetzt nicht die Mitarbeiter, sondern stärkt in Kombination mit Mitarbeitern die Wertschöpfung und die Wettbewerbsposition.“

Liefergenauigkeit steigern und Ankunftszeiten vorhersagen
YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

Das Unternehmen Project44 bietet eine umfassende Visibility-Plattform für die Supply Chain und logistische Prozesse. Unter anderem verbessert die KI-gestützte Anwendung ClearMetal mit Datenanalysen die Qualität von Prognosen in der Supply Chain. Sie hilft bei der Optimierung der Routenplanung, steigert die Anzahl der zeitgenauen Auslieferungen in der Logistik, sagt den Bedarf an Ausrüstung und Behältern vorher, und schätzt die Risiken von Verzögerungen ein. Die Liefergenauigkeit wächst um bis zu 50 Prozent und die betriebliche Effizienz um 30 Prozent.

Das agile Vorgehensmodell:
Explore, Create, Scale & Transform

Die meisten Unternehmen benötigen viel zu viel Zeit, um ein neues Produkt auf den Markt zu bringen – eher Jahre als Wochen oder Monate. Eine gute Lösung dafür ist das agile Vorgehensmodell. Agile Projekte starten klein und verwirklichen nur ausgewählte Funktionen. Hierfür werden in einem Workshop möglichst viele neue Ideen für Innovationen erzeugt. Ein vielversprechender Use Case wird anschließend möglichst rasch verwirklicht.

Fahrzeugdaten auf einer Plattform teilen
YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

CARUSO ist ein neutraler, offener und sicherer Marktplatz für Mobilitätsdaten. Die Plattform ermöglicht es Dritten, Daten zu nutzen, die über mehrere Fahrzeughersteller hinweg standardisiert sind. Darüber hinaus gewährleistet die integrierte Technologie für das Einwilligungsmanagement den Datenschutz, indem sie den Fahrzeugnutzern die volle Kontrolle über die gemeinsame Nutzung von Daten gibt. Damit versetzt CARUSO seine Kunden in die Lage, auf einfache Weise lebensverbessernde Lösungen auf der Grundlage von Daten aus vernetzten Fahrzeugen zu entwickeln. Die Vision des Unternehmens ist es, als die bessere Plattform für Autodaten Innovationen freizusetzen.

Dabei hat sich von der Idee bis zur Einführung ein generelles Vorgehen durchgesetzt, das idealtypisch aus vier Phasen besteht:

Explore

Am Anfang steht die Idee des Geschäftsszenarios, das mit dem Datenprodukt verwirklicht werden soll. Hierzu müssen im Portfolio des Unternehmens Produkte und Services entdeckt werden, die sich für die digitale Transformation eignen oder die digital vollkommen neu entworfen werden.

Create

Nun wird das Grobkonzept zu einem funktionalen Prototyp und anschließend zu einem MVP („Minimum Viable Product“) ausgebaut. Das ist eine Problemlösung mit einem minimalen Funktionsumfang. Sie verwirklicht nur Basisanforderungen der Kunden und kommt dadurch sehr schnell auf den Markt kommt.

Scale

Die ersten Kunden sind gewonnen, das Datenprodukt ist rund. Nun geht es darum, das Geschäftsmodell zu skalieren, die Rückmeldungen von Kunden zu berücksichtigen und das Produkt in einem möglichst großen, international gedachten Markt auszurollen.

Transform

Passt die eigene Organisation zur Welt der datengestützten Services und Produkte? Sie erfordern eine andere Herangehensweise als herkömmliche Projekte. Nicht nur Produkte und Services müssen sich ändern, auch das gesamte Unternehmen.

Das vollständige Trendbook als kostenloses E-Book herunterladen.

Bietet ihr Unternehmen bereits Datenprodukte an? Wir haben sie die Entwicklung organisiert? Schreiben Sie uns oder hinterlassen Sie einen Kommentar.

Schreiben Sie einen Kommentar

Ähnliche Beiträge