Wie entwickelt man ein großartiges Data Product?

Data Products sind Daten und vornehmlich datenbasierte Services, wie hier systematisiert. Das reicht von der Bereitstellung vorhandener Rohdaten bis hin zu datenbasierten Services für spezifische Anwendungsfälle, wie dem Bereitstellen von Wetterdaten oder Machine Learning as a Service.

Wie gelingt es großartige Data Products zu entwicklen?

Stufe 1: Die Chance identifizieren

Daten als Produkt erfolgreich im Unternehmen zu nutzen, erfordert, dass:

• technische und fachliche Nutzer ein gemeinsames Verständnis von bestehenden Herausforderungen der Unternehmens- und Kundenprozesse haben
• cross-funktionale Teams an vermeintlich kleinen Projekten arbeiten, deren Ziel die Entwicklung und Bereitstellung von Produkten ist
• Produkte kontinuierlich weiterentwickelt und nutzer-/kundenzentriert verbessert werden

Nicht erst seit dem Kauf der Weather Company durch IBM, wissen wir dass Data Products die Transformation von Geschäftsmodellen unterstützen. Unternehmen sollten beachten, dass:

• bei den Wirtschaftlichkeitsentscheidung die strategische Ausrichtung, also mittel- und langfristige Chancen/Risiken Betrachtungen, wichtiger sind, als kurzfristige ROI Betrachtungen
• Die gemeinsame Nutzung von Infrastruktur, Prozessen und der Austausch von Erfahrungen, Routinen und Vorgehensmodellen die projektbezogenen Umsetzungen beschleunigt und Synergien im Unternehmen unterstützen Kosten/Nutzen der Investionen zu teilen
• Data Products gezielt datenbasierte Initiativen und Change Management Programme unterstützen können

Stufe 2: Das Data Product entwickeln

Die wichtigsten Fragen in diesem Spannungsfeld: Wie lange wird im kleinen Team getüftelt und wann wird die erste Iteration an die Nutzer gegeben, um möglichst früh einen Produkt-/Market Fit zu ermitteln?

Produkte sollen Pain Killers sein, d.h. Probleme lösen. Es gibt keine Blaupause und One-Fit-All Lösung. Man sollte hier der Regel folgen: „tue Gutes und sprich darüber“. Zu Beginn den spezifischen Nutzen und die kurzfristige Umsetzbarkeit priorisieren. Die ersten Quick Wins nutzen, um iterativ mehr und bessere Problemlösung bereitzustellen und so Vertrauen, Zuspruch und Aufmerksamkeit in der Organisation schaffen.

Stufe 3: Evaluation und Iteration

Die Erfolgsevaluierung eines Datenproduktes ist aufgrund der mittelfristigen und indirekten Effekte komplexer, als bei einem physischem Produkt. Beispielsweise ist ein neuer Algorithmus für eine Preisempfehlung erst mit steigender Datenmenge oder einem nachgelagertem Anwendungsfall in einer weiteren Zielgruppe, etc. effizienter und entsprechend erfolgreicher zu bewerten. Über den Lebenszyklus eines Data Products hinweg, verschieben sich der direkte und indirekte Nutzen und Wertbeiträge – Lerneffekte und Effizienzsteigerungen, z.B.: durch Wiederverwendbarkeit sollten ebenfalls berücksichtigt werden!

Die wirtschaftliche Steuerung und die regelmäßige Erfolgskontrolle effizient zu gestalten, erfordert:

• template-basierte Ansätze
• Quality Gates bei Entwicklung und im Regelbetrieb
• gutes Management und funktionsübergreifender Austausch bei Programm- und Projektmanagement für eine erfolgreiche Umsetzung der strategischen Ziele

Zusammenfassung

Data Products sind das Beispiel für die digitale Transformation. Bestehende Produkte und Dienstleistungen werden durch zusätzlichen Nutzen erweitert, interne Prozesse datengetrieben beschleunigt und Kosten mittelfristig eingespart. Data Products werden besser, wenn bereichs- und funktionsübergreifend zusammen gearbeitet wird und die Learnings aus Projekt A für Abteilung B auch im späteren Projekt C wieder auffindbar und zu verwenden sind. Es bedarf einer konsequenten Ausrichtung an der Unternehmensstrategie und Verantwortliche, die das Thema in die gesamte Organisation tragen.