Warum Data Science und KI Design Thinking benötigen

Daten sind der Treibstoff der Zukunft, doch wo ist der Motor?

Überall ist zu lesen, Daten seien der Treibstoff der Zukunft. Doch die Frage ist, für welchen Motor eigentlich? Daten werden im Unternehmen zwar im großen Stil gesammelt, jedoch aufgrund der großen Komplexität und mangelndem mathematischen Verständnis oft nur punktuell und auf Basis singulärer Initiativen genutzt. Unternehmen sammeln fleißig alle erdenklichen Informationen über den Kunden und Vorgänge in Datenbanken, im Data Warehouse oder gar im Data Lake.

Daraus entsteht dann das Thema „Big Data“, d.h. die riesigen Datenmengen müssen so gespeichert werden, dass man sie auch verarbeiten kann. Dort kommen die Data Scientists ins Spiel, die im Datenberg (bzw. Datensee?) nach sinnvollen und nützlichen Zusammenhängen graben (Data Mining) und versuchen, daraus z.B. Vorhersagemodelle und Reports zu generieren. Entscheidend ist jedoch, aus den Daten, Reports und Vorhersagemodellen etwas zu entwickeln, was das Unternehmen messbar voranbringt. Dies bedeutet, dass die Ergebnisse aus den Daten in ein Geschäftsmodell oder zumindest eine konkrete Verbesserung im Unternehmen einfließen müssen.

Um diesen Effekt zu erzielen, sind in der Regel erhebliche Anstrengungen zu leisten. Einerseits sind die vorhandenen Daten zu sichten, zu strukturieren, zusammen zu führen und ggf. durch noch fehlende Informationen zu ergänzen. Im Bereich des Online-Handels hat man oft dünnbesetzte hochdimensionale Datenräume, deren Dimension reduziert werden muss, um überhaupt damit arbeiten zu können. Letztendlich sind geeignete Kennzahlen zu definieren, die das Ergebnis einer umgesetzten Initiative bewertbar machen und somit für fortlaufendes Feedback sorgen. Es geht also darum, den Motor zu entwickeln, der den Datentreibstoff nutzen kann und damit das Unternehmen voranbringt.

Vervierfachung des Gewinns

Dies kann sich durchaus lohnen, wie das nachfolgende einfache Rechenbeispiel aus einem Online-Shop zeigt. Dabei geht es im Kern darum, dass eine kleine Steigerung der Konversionsrate einer Website (also dem Verhältnis der Website-Besucher und der Käufer) um 1 % bereits bei konstanten Kosten zu einer Vervierfachung des Gewinns führt.

Angenommen, 600.000 Personen besuchen die Website des Anbieters. Die Konversionsrate beträgt 5 %, d.h. 30.000 Website-Besucher werden zu Käufern mit einem angenommenen durchschnittlichen Umsatz von 50,- €. Dies ergibt einen Umsatz von 30.000 x 50 € = 1,5 Mio. € . Nimmt man einen Wareneinsatz von 50 % des Umsatzes (750.000 €) und Fixkosten in Höhe von 750.000,- € an, ergibt das einen Gewinn von 50.000,- € (also Umsatz minus Wareneinsatz minus Fixkosten). Führt man dieselbe Rechnung mit konstanten Fixkosten und einer Konversionsrate von 6 % durch (also mit 36.000 Kunden mit 50,- € Umsatz pro Kunde), steigert sich der Umsatz auf 1,8 Mio € und der Gewinn vervierfacht sich auf 200.000,- €.

Selbst kleinere Verbesserungen im Betriebsablauf und der Kundenansprache sind also ein großer Hebel für den Unternehmensgewinn. Doch welche Änderungen sollen umgesetzt werden? Wie kann ich schnell und iterativ die Nutzung meiner Daten verbessern? Wie kann ich ohne große Kosten und mit kalkulierbarem Mitteleinsatz Verbesserungen erzielen? Wie kann ich eine Veränderung durch die Hierarchien befördern?

Design Thinking und Data Science gehen Hand in Hand

In solchen Situationen eignet sich die iterative Vorgehensweise Design Thinking, indem sich ein interdisziplinäres Team mit Unterstützung des Top-Managements zunächst mit der grundlegenden Aufgabenstellung, kreativem Entwickeln und Ausprobieren von Ideen, mit Prototypen und Testing aus der Kundenperspektive beschäftigt. Gerade im Online-Bereich können Veränderungen auf einer Website z.B. mittels A/B-Tests relativ leicht getestet werden. Ebenso lässt sich die Zuverlässigkeit eines Vorhersagemodells an einer kleineren Anzahl von Testkunden gut erproben.

Das iterative Vorgehen im Design Thinking passt gut zur komplexen Denkweise der Data Scientists, die ihre Datenmodelle ebenfalls iterativ verbessern. Vor allem der ersten Stufe des Design Thinking Ablaufs, dem Definieren der eigentlichen Fragestellung, festzulegen, welches Problem man eigentlich mit Hilfe der Daten lösen möchte, kommt besondere Bedeutung zu. Denn das Erzeugen von mathematischen Vorhersagemodellen, Machine Learning und künstlicher Intelligenz basiert ja gerade darauf, mit den Daten eine konkrete Frage zu beantworten. Ist die Frage nicht klar formuliert, wird es die Antwort erst recht nicht sein.

Entscheidend für erfolgreiche Projekte im Data Science Umfeld ist das gegenseitige Verständnis zwischen den Data Scientists, der IT und den Fachabteilungen. Es bedarf einer gewissen Bereitschaft der Data Scientists, die Algorithmen und Vorhersagemodelle so zu erklären, dass die Marketing-Abteilung eine konkrete Veränderung auf der Website implementieren kann. Die Betreuer des Data Warehouse benötigen klare Ansätze und Anforderungen, welche Daten benötigt werden. Design Thinking Projekte im Data Science Umfeld setzen bei den Beteiligten ein großes Maß an Empathie und gegenseitigem Verständnis voraus. Einerseits müssen die Data Scientists ihre Modelle und Algorithmen so erklären, dass sie auch ohne vertiefte mathematische Fähigkeiten verständlich sind. Andererseits sollten sich die Mitarbeiter der Fachabteilungen in Zusammenarbeit mit der IT um klare Anforderungen und technisch machbare Fragestellungen bemühen.

Der IT-Coach als Design Thinking Data Scientist

Hilfreich ist dort der Einsatz von IT-Coaches, die sowohl über vertiefte IT-, Mathematik- und Algorithmenkenntnisse als auch über nachgewiesene Coaching-, Design Thinking – und Kenntnisse der Business-Seite verfügen. Eine gute Kommunikation und ein gutes, gegenseitiges Verständnis der verschiedenen Bedürfnisse aller Projektteilnehmer und der Stakeholder ist der Schlüssel zur erfolgreichen Nutzung der Daten im Unternehmen. Der IT Coach moderiert den Prozess und hilft dem Team, kommunikative und konzeptionelle Klippen zu umschiffen.

Durch das Design Thinking Projekt entwickelt sich iterativ der Motor, der den Treibstoff „Daten“ sinnvoll in Fortbewegung übersetzen kann. Die Nutzung von Daten und deren Umsetzung in einen Markterfolg in einem datengetriebenen Geschäftsmodell stellt somit einen umfassenden, ganzheitlichen und langfristig angelegten Unternehmensprozess dar, der bislang nur selten durchgängig in den Unternehmen gelebt wird.