via GIPHY

Datenprodukte, die von Fachabteilungen selbstständig verwaltet und verwendet werden können, bringen dem Unternehmen zahlreiche Vorteile. Die jeweiligen Abteilungen können mit Hilfe dieser dazu befähigt werden, das Business auf eigene Initiative hin weiterzubringen. Doch mit welchen Datenprodukten, die einfach und unkompliziert sind, startet man am besten? Und wie definiert man überhaupt “einfach”? Jonas Rashedi und Sarah Stemmler gehen in dieser Ausgabe des Podcasts “My Data is better than Yours” genau dieser Frage nach und klären weiters, welche Herausforderungen und Stolpersteine dieser Prozess mit sich bringt.

Sarah Stemmler, Data Coach und Expertin für alle Datenangelegenheiten, ist nicht das erste (und sicher auch nicht das letzte Mal) zu Gast im Podcast “My Data is better than Yours” von Jonas Rashedi. Gemeinsam besprechen die zwei Datenexperten all jene Themen, die für die Welt der Daten von Interesse sind. In der heutigen Ausgabe des Podcasts, der in Interviews all jene, die oft im Hintergrund dafür sorgen, dass datentechnisch Mehrwert generiert werden kann, in den Fokus rückt, wird ein spannendes Thema diskutiert. Jonas und Sarah sprechen über die drei ersten Datenprodukte, die ein Unternehmen nach vorne bringen. Was also kann man aus Daten gefertigt offerieren?

Jonas definiert den Begriff “Datenprodukt” als das, was einer Fachabteilung zur Verfügung gestellt wird, maintained und weiterentwickelt werden kann und das dazu führt, dass die Fachabteilung selbstständig das Business verbessert. Als Beispiel spricht er den Bereich des Forecastings an. Wenn das Online Marketing wissen möchte, welcher Umsatz durch ein Investment von 2 Millionen Euro generiert werden kann, kommt ein Forecasting-Tool zur Verwendung. Auf Basis der vorangegangen Daten und Werbespendings und durch die Fütterung mit diversen Kennzahlen können Vorhersagen getroffen werden.

Was unterscheidet ein Datenprodukt von dem ursprünglichen Ansatz eines Datenprojektes? Sarah erinnert sich noch gut an ihre Anfangszeit im Bereich Datenanalyse und Data Science. Hier hat es einen Mindset-Wechsel gegeben. Früher sprach man stets von Projekten und startete meist mit einem Proof of Concept. Nach einigen Jahren wurde schließlich festgestellt, dass ein Projekt andere Merkmale als ein Produkt hat. So kam eine wichtige Frage auf: Sprechen wir in unserer Industrie nicht eher von Produkten und welche Merkmale haben diese? Sarah erweitert Jonas Definition des Datenproduktes um einen ihrer Meinung nach sehr wichtigen Zusatz: Ähnlich wie ein Parfum, welches auf den Markt kommt, weist auch ein Datenprodukt einen Lebenszyklus auf. Beim Parfum spricht man von einer Entwicklungsphase, einer Produktlaunch-Phase und einer Vermarktungsphase. Entsprechen die Umsätze dann nicht mehr dem eigentlichen Ziel, wird es vom Markt genommen. Datenprodukte weisen ähnliche Phasen auf. Es gibt ebenso eine Implementierungs- und Entwicklungsphase, das Produkt wird im Unternehmen ausgerollt und schließlich gibt es eine Wartungsphase, die oft nicht bedacht wird. Wird ein Reporting von manuell auf automatisiert umgestellt, kann dies also nicht als Datenprodukt definiert werden, da es nur ein Mal ausgerollt wird und “daily doing” ist. Laut Jonas gibt es eine wichtige Phase, bei der Data Analysts relativ schlecht aufgestellt sind: Die Vermarktung. Es gibt eine Vielzahl an tollen Datenprodukten, die nicht genutzt werden, weil sie nicht klar kommuniziert werden. Auch Sarah sieht das genauso.

Welches Beispiel für ein einfaches Datenprodukt gibt es? Zu Beginn muss einmal festgestellt werden, dass “einfach” immer relativ ist. Die Datenqualität muss stimmen, Daten und Infrastruktur müssen bereitstehen. Auch etwaige Vorkenntnisse, die algorithmische Herangehensweise, und möglich bereits vorhandene Anwenderinnen und Anwender spielen eine Rolle.

Sarah nennt die Kundensegmentierung als ein ihrer Meinung nach einfaches Datenprodukt. Auch hier gibt es einige wichtige Fragen: Welche Infrastruktur muss aufgebaut werden? Was braucht man in Bezug auf Algorithmen und welche Daten sind notwendig? Unter der Voraussetzung, dass das Unternehmen ein funktionierendes CRM hat und die Daten bereits über mehrere Jahre gepflegt wurden, ist die Kundensegmentierung bereits möglich.

Jonas ist der Auffassung, dass ein erster Durchstich in die Daten bzw. das Konzentrieren auf simple Merkmale einfach sein kann, will man das Ganze aber ordentlich umsetzen und geht es um einen 360-Grad-Blick auf die Kundinnen und Kunden, wird das schnell komplexer und der Modellierungsaufwand wird immer größer.

Vorausgesetzt, dass die Daten in einer gewissen Menge vorhanden sind, “ist das aus algorithmischer Sicht nicht schwierig”, so Sarah. Im Bereich Data Science und Machine Learning gibt es viele Usecases, die bereits umgesetzt wurden und von denen man sich inspirieren lassen kann. So können Regeln abgeleitet werden, die auch von den Endverbraucherinnen bzw. Endverbrauchern gut verstanden werden. Aus Sarahs Perspektive ist die Kundensegmentierung daher ein einfaches Datenprodukt.

Jonas fügt hinzu, dass diese einfache Segmentierung als Datenfeed in die Website rückgeführt werden könnte. Somit würde es sich auch um ein einfaches Datenprodukt handeln. Die Daten können zur Verfügung gestellt werden ohne sie zwangsweise zu visualisieren.

Sarah spricht in diesem Kontext über den Bereich des Data Vendors. So kann eine technische Schnittstelle bereitgestellt werden, auf Basis der Nutzungshäufigkeit zahlen Kundinnen und Kunden eine Lizenzgebühr. Dort aufbereitete Daten können gezogen werden. Ein bekanntes Beispiel sind Wetter-Schnittstellen wie wetter.com.

Sarah nennt ein Machine Learning Modell als zweites Beispiel für ein einfaches Datenprodukt. Mittlerweile wird dies von vielen Herstellern wie Google standardisiert angeboten. Bei Microsoft Azure wird das als “cognitive services” bezeichnet. Für bestimmte Fälle wie beispielsweise Recommendations können vortrainierte Modelle mithilfe einer technischen Schnittstelle genutzt werden. Inputdaten werden an den Anbieter rübergeschoben, die Schnittstelle wird genutzt und als Ergebnis werden Vorhersagen und Klassifizierungen angeboten.

An dieser Stelle muss geklärt werden: Wie kann “einfach” definiert werden? Eine Grundvoraussetzung ist, so Sarah, “dass das Problem und der zu entstehende Mehrwert klar wird”. Welches Datenproblem soll mit dem Produkt gelöst werden? Wo entsteht der Mehrwert? Jonas erwähnt die in seinem zweiten Buch thematisierten “Leuchtturmprojekte”. Das sind Projekte, die zu Beginn dafür da sind, das Thema noch stärker ins Unternehmen zu treiben.

Zusammengefasst rät Sarah also in Bezug auf einfache Datenprodukte dazu, die Kundinnen und Kunden zu segmentieren und die verfügbaren Daten zu visualisieren.

In Workshops nutzt Sarah ein zweidimensionales Bewertungsschema, wenn es um das Thema Usecases und die Priorisierung geht. Es geht dabei um den Businesswert vs. die Komplexität. Ein Businesswert ist beispielsweise ein monitärer Wert oder der Effizienzgewinn durch ein Produkt. Als Komplexität bezeichnet man beispielsweise die Zeit, die benötigt wird, um die Implementierung zu vollziehen. Sarahs Ansicht nach ist das ein sehr primitives Datenprodukt, dennoch sehr sinnvolle und ein guter Ansatz.

Wie startet man also bestmöglich? Jonas spricht von der “Wasserstandsmeldung”. Wo stehe ich gerade im Unternehmen? In diesem Zusammenhang sind Treiberbäume eine konstruktive Hilfe, um die Weiterentwicklung voranzutreiben.