Data Science Canvas: Ein Instrument zur Operationalisierung von Daten

Data Science Canvas: Ein Instrument zur Operationalisierung von Daten

In Unternehmen stellen sich viele Fragen hinsichtlich des Umgangs mit Daten: Wie kann der Wert der Datenbestände ermittelt werden und wie können die Möglichkeiten von Data Science skaliert werden? Welche Ressourcen stehen mir dazu bereits zur Verfügung? Außerdem stellt sich die Frage, wie Designer und Entwickler effektiv zusammenarbeiten können, um datengestützte Anwenden zu entwerfen und wie die Kommunikation in interdisziplinären Projektteams vereinfacht werden kann. Zur Beantwortung diese Fragen hat Thomas Neifer vom Data Innovation Lab zusammen mit den Forschern Verbraucherinformatik-Instituts der Hochschule Bonn-Rhein Sieg und der Universität Siegen den Data Science Canvas entwickelt.


Daten sind als zentraler Erfolgsfaktor für Unternehmen anzusehen, um profitable Ergebnisse aus der Digitalisierung zu ziehen. Allerdings sind nicht immer ausreichend Qualifikation zur erfolgreichen Datenwertschöpfung vorhanden, so zeigten sich überwiegend auf Ebene der Führungskräfte beachtliche Mängel in der Umsetzung, hierbei sagten nicht mehr als rund ein Viertel der Entscheidungsträger, dass sie sich in der Lage sehen, befähigt zu sein, mit den Daten umzugehen. Dabei sind maschinelles Lernen und mathematisch-statistische Methode im Umgang mit Daten ein zunehmend bedeutenderes Element aktueller Softwareanwendungen.

Außerdem sollte eine einheitliche Sprache geschaffen werden, damit das Unternehmen sich auf eine datengetriebene Kultur ausrichten kann und damit einhergehend eine Datenstrategie definieren kann. Um einen Mehrwert für das Unternehmen zu schaffen, müssen häufig in unterschiedlichen Unternehmensbereichen verteilte Datenbestände nutzbar gemacht werden. Hier spielt eine gemeinsame Sprache eine wichtige Rolle, da es von großer Bedeutung ist für die bereichsübergreifenden Entwicklungs- und Designprojekte.

In diesem Kontext haben Thomas Neifer vom Data Innovation Lab der Hochschule Bonn-Rhein-Sieg mit Forschern Verbraucherinformatik-Instituts den Data Science Canvas als holistisches Instrument zur Unterstützung von Entscheidungsträgern und interdisziplinären Projektteams entwickelt. Schon zuvor gab es in verschiedenen Bereichen einen Canvas-Ansatz, zum Beispiel der Business Model Canvas zur Erschließung neuer Geschäftsmodelle oder der Lean Canvas für Lean Manufacturing. Um die wesentlichen Bestandteile eines Canvas für datengetriebene Geschäftsmodelle und Anwendungen zu identifizieren, wurden Literaturanalyse durchgeführt. Hieraus resultierte eine erste Version, welche mit Hilfe von Experten auf diesem Gebiet und den jeweiligen Anwendern zu einer endgültigen Variante ausgebaut wurde.

Aus einer übergeordneten Betrachtungsweise kann der Data Science Canvas in vier Themenfelder eingeteilt werden. Zum einen wird der Business Case diskutiert, in welchen sich ein Konfliktbereich befindet zwischen den technischen Möglichkeiten und dem entstandenen Mehrwert. Eine weitere Gruppe von Bestandteilen befasst sich aus Perspektive der Kunden mit den notwendigen Qualitätsanforderungen, sowie der Darstellung, Anwendung und Kommunikation der Resultate. Das dritte Thema beschäftigt sich zusätzlich mit der Qualität und dem Umfang von Daten als Ausgangsbasis für jeden Innovation, welche datenbasiert ist. Letztendlich enthält der Data Science Canvas, wie schon aus dem Business Model Canvas bekannt, die Komponenten Einnahmen und Kosten.

In Teams verschiedener Unternehmen hat eine praktische Analyse gezeigt, dass der Data Science Canvas die Voraussetzungen für verschiedene Positionen in interdisziplinären Teams vereint und somit ein wertvolles Hilfsmittel für die Kooperation bei datengetriebenen Innovationen darstellt. Interdisziplinäre Teams wird die Möglichkeit gegeben, sich auf Grundlage der dargestellten Themengruppen des Canvas mit den unterschiedlichen Blickwinkeln auf das jeweilige Projekten auseinanderzusetzen, Abhängigkeiten zu ermitteln und sowohl die Perspektiven aus technischer Sicht, als auch aus Kunden- und Geschäftssicht zu betrachten. Einige Benutzer des Canvas sagten 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.“

Wenn Sie den Data Science Canvas in Ihren Projekten verwenden möchten, können Sie hier eine Druckvorlage herunterladen (https://github.com/tomalytics/datasciencecanvas). Dort finden Sie auch anderen hilfreichen Dokumente über den Data Science Canvas. Außerdem stehen wir Ihnen für weitere Fragen zur Verfügung.

Zugehörige Publikation: Neifer, T., Lawo, D., & Esau, M. (2021). Data Science Canvas: Evaluation of a Tool to Manage Data Science Projects. In Proceedings of the 54rd Hawaii International Conference on System Sciences

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.