Data Science Canvas: Ein Instrument zur Operationalisierung von Daten

Um von der Digitalisierung zu profitieren, erweisen sich Daten als zentraler Erfolgsfaktor für Unternehmen. Mathematisch-statistische Methoden und Maschinelles Lernen werden zu einem immer wichtigeren Bestandteil moderner Softwareanwendungen. Allerdings sind die Fähigkeiten zur erfolgreichen Wertschöpfung aus Daten - insbesondere auf der Führungsebene - nicht immer profund, denn lediglich ca. ein Viertel der Entscheidungsträger befinden sich als kompetent im Umgang mit Daten. 

Im Sinne der Ausrichtung des Unternehmens hinsichtlich einer datengetriebenen Kultur sowie zur Definition einer Datenstrategie, sollte weiterhin eine gemeinsame Sprache etabliert sein. Dies ist auch für interdisziplinäre Entwicklungs- und Designprojekte von hoher Relevanz, da diese die häufig über verschiedene Abteilungen verteilten Datenbestände zur Schaffung von Mehrwerten nutzbar machen müssen.

Vor diesem Hintergrund haben Forscher des Kompetenzzentrum Usability gemeinsam mit Forschern des Data Innovation Labs an der Hochschule Bonn-Rhein-Sieg den Data Science Canvas als holistisches Werkzeug zur Unterstützung von Entscheidungsträgern und interdisziplinären Projektteams entwickelt. Hierbei wurde sich bereits frühzeitig Canvas-Ansatz entschieden, da dieser bereits in anderen dynamischen Anwendungsfeldern genutzt wird. So dient z. B. der Business Model Canvas zur Herleitung neuer Geschäftsmodelle oder der Lean Canvas für Lean Manufacturing. Auf Basis einer Literaturanalyse wurden die wichtigsten Elemente für einen Canvas für datengetriebene Geschäftsmodelle und Anwendungen identifiziert. Daraus entstand eine initiale Version, welche gemeinsam mit Experten und Anwendern zur finalen Version weiterentwickelt wurde. 

Der Data Science Canvas kann aus einer übergeordneten Perspektive in 4 Themen untergliedert werden: Einerseits wird der Business Case im Spannungsfeld zwischen den generierten Mehrwerten sowie den technischen Möglichkeiten ausdiskutiert. Aus Kundensicht beschäftigt sich eine weitere Gruppe von Elementen mit den notwendigen Qualitätskriterien sowie der Darstellung, Anwendung und Kommunikation der Ergebnisse. Darüber hinaus adressiert das dritte Thema die Qualität und den Umfang der Daten als Grundlage jeglicher datengetriebener Innovationen. Zuletzt beinhaltet der Data Science Canvas die Elemente Kosten und Einnahmen, wie diese bereits aus dem Business Model Canvas bekannt sind.

Eine praktische Evaluation mit Teams in verschiedenen Unternehmen konnte aufzeigen, dass der Data Science Canvas die Anforderungen verschiedener Rollen in interdisziplinären Teams erfüllt und als hilfreiches Werkzeug für die Zusammenarbeit an datengetriebenen Innovationen fungiert. Auf Basis der dargelegten thematischen Gruppen des Canvas werden interdisziplinäre Teams befähigt, verschiedene Perspektiven auf das Projekt zu berücksichtigen, Abhängigkeiten zu identifizieren und sowohl die technische, als auch Kunden- und Geschäftsperspektive einzunehmen. So sagten einige der Anwender des Canvas zum Beispiel: 

"Nun, ich denke, das ist eine gute Argumentationsgrundlage, um sein Projekt zu strukturieren. Dass man darüber nachdenken kann, wie man damit umgeht. [...] Oder ich könnte es mir als eine Checkliste vorstellen, die man während des Projekts abhaken kann, um zu sehen, ob sie vorhanden ist." 

"Ich finde viele der Punkte des Canvas sehr nützlich, und ich werde sie sicherlich für meine weitere Arbeit nutzen, insbesondere im Hinblick auf die Bewertung der Datenlage und der noch benötigten Daten, ich finde das äußerst hilfreich und würde es gerne an Kollegen weitergeben [...] und ihnen bitte mitteilen: Arbeiten Sie an diesen Punkten". 

Falls Sie den Data Science Canvas in Ihren Projekten anwenden möchten, finden Sie eine Druckvorlage hier (github.com/tomalytics/datasciencecanvas) zum Download. Dort finden Sie auch weitere hilfreiche Dokumente zum Data Science Canvas. Weiterhin stehen die Autorinnen Ihnen gerne bei Rückfragen zur Verfügung.