Je strukturierter dieser Prozess abläuft und je konkreter der Nutzen von Informationen ist, desto effizienter wird das Lernen. Datenprodukte helfen dabei.

Dass Daten ein immenses Wertschöpfungspotenzial bergen, steht außer Zweifel. Große Unternehmen, etwa in der Automobilindustrie, erschließen dieses Potenzial schon seit Jahren systematisch. Allerdings nutzen viele Unternehmen ihre Datenschätze allenfalls ansatzweise oder eher zufällig.
Ein wesentlicher Grund dafür: Meist fehlen ordnende Prinzipien. Wer jedoch mit seinen Datenbeständen Mehrwert generieren will, braucht genau das: Ordnung. Datenprodukte können diese Ordnung schaffen.

Nutzwert im Fokus

Behandelt man ein Data Asset wie ein klassisches Produkt – mit Verantwortlichkeiten und eingebettet in organisatorische Strukturen, die seinen Nutzwert, die Zielgruppen und seine Weiterentwicklung im Fokus haben – wird aus einem Data Asset ein Datenprodukt. Ein Datenprodukt ist ein konkreter Output, der auf der Verarbeitung, Analyse oder Interpretation von (Geschäfts-)Daten (Data Assets) basiert.
Eine so entstehende Datenproduktorganisation führt zu einem Lernprozess auf zwei Ebenen: Das Unternehmen lernt viel über sich selbst, und die Datenprodukte unterliegen einem kontinuierlichen Verbesserungsprozess, der ihren Nutzen steigert.
Um das zu erreichen, werden die reinen Nutzdaten, die Data Assets, um nutzungsrelevante Metadaten angereichert. Beispielsweise: Zu welchem Bereich gehören die Daten, in welchem Intervall werden sie aktualisiert, welcher Vertraulichkeit unterliegen sie. Metadaten erleichtern die Suche nach Datenprodukten und die Einschätzung, ob sie auf meinen Anwendungsfall passen könnten. Wer im Unternehmen ein bestimmtes Problem zu lösen hat, findet hier möglicherweise einen Ansatz, ohne „das Rad neu erfinden“ zu müssen.
Jedem Datenprodukt ist ein Data Product Owner zugeordnet. Die Data Product Owner stellen die gute Qualität der Daten sicher und betreuen ihre Produkte. Sie halten engen Kontakt zu den Datenlieferanten – Entwicklungsteams, Data Engineers oder Data Scientists – und zu den potenziellen Anwenderinnen und Anwendern, an deren Bedarf sie das Produkt ausrichten. Sie entwickeln neue Produktideen und begleiten ihre Produkte über den ganzen Lebenszyklus hinweg.

Hohe Qualität sicherstellen

Die Funktion der Datenproduktorganisation liegt darin, funktionierende, qualitativ hochwertige Datenprodukte zu entwickeln, diese für das Unternehmen nutzbar zu machen und langfristig stabil zu betreiben. Sie strukturiert die Datenfülle und systematisiert deren Erfassung und Aufbereitung. Das hat mehrere Vorteile:

• Es verhindert einen Wildwuchs an Daten, die sich sonst auf Dauer einer zielgerichteten Nutzung entziehen.
• Es sichert eine dauerhaft hohe Qualität der Datenprodukte.
• Es hebt dank hoher Datenqualität die Entscheidungsqualität im Unternehmen.

Auf dieser Basis lassen sich Fähigkeiten von Maschinen und Geräten ebenso verbessern wie die Beziehungen zwischen Kunden, Produkten, Dienstleistungen und Unternehmen. Neue, datenbasierte Wertschöpfungsmodelle lassen sich gezielt entwickeln, interne Prozesse und deren Nutzen optimieren.
Datenprodukte lassen sich in drei Nutzungsszenarien unterteilen:

• Data as a Service: Hier sind die Daten zugleich auch das wertschaffende Produkt, zum Beispiel Wetter-, Börsen- oder Adressdaten.
• Data enhanced Products: Die Daten dienen hier dazu, ein anderes Produkt anzureichern und damit werthaltiger zu machen.
• Data as Insights: Hier werden Daten genutzt, um andere Produkte besser zu entwickeln und zu vermarkten.

Der Datenprodukt-Ansatz ist prinzipiell dezentral. Dennoch bedarf es einer zentralen Instanz. Sie verhindert Überlappungen und Inkonsistenzen und sorgt für eine einheitliche Definition von Taxonomie und Terminologie. Zugleich kann und sollte eine solche Ordnungsinstanz die Datenprodukte verschiedener Domänen miteinander verbinden sowie übergreifend einheitliche Standards für Datenprodukte und deren Qualität gewährleisten.
Ein zentraler Datenkatalog macht Datenprodukte auffind- und nutzbar. Er enthält sowohl Quelldaten als auch aufbereitete (Zwischen-)Datenprodukte. Gegebenenfalls ist auch ein Data Marketplace sinnvoll, der nur aufbereitete Datenprodukte enthält, um sie für Fachabteilungen verfügbar zu machen.

Voraussetzung: Kultureller Wandel

Wichtig: Unternehmen sollten ihre Datenprodukte nicht nur technisch betrachten, sondern auch neue Funktionen im Unternehmen schaffen, um den Umgang mit Datenprodukten voranzutreiben.
Damit eine Datenproduktorganisation optimalen Nutzen stiftet, müssen die beschriebenen Lösungsansätze mit einem tiefgreifenden Wandel in der Unternehmenskultur einhergehen. Eine Kultur, in der Wissen genutzt wird, um die eigene Position zu sichern, ist kontraproduktiv. Um im digitalen Zeitalter erfolgreich zu sein, muss Schwarmintelligenz eine hohe Priorität genießen und Wissen geteilt werden.

Systematisierte Lernprozesse schaffen Transparenz

Einmal eingeführt, unterstützt die Datenproduktorganisation, dass Unternehmen sich selbst besser kennenlernen. Sie erfahren mehr über ihre Prozesse, ihre Mitarbeiter:innen, Kunden und Produkte, indem sie die in Datenprodukten bereitgestellten Data Assets analysieren und daraus Erkenntnisse gewinnen.
Ein weiterer Lernprozess findet auf Datenproduktebene statt. Das systematische Organisieren von Verantwortlichkeiten und Prozessen um ein Data Asset führt fast automatisch zu einem kontinuierlichen Verbesserungsprozess: Die Datenproduktorganisation verbessert den Nutzen des Data Assets iterativ.
Die Erfahrung jedenfalls zeigt: Data Product Owner, die gute, wertschöpfende Datenprodukte entwickeln, werden schnell zu beliebten Ansprechpartnern. Denn je häufiger aus den bislang frei flottierenden Daten nutzbringende Anwendungen entstehen, desto stärker der Wunsch in Abteilungen und Unternehmensbereichen, diese Möglichkeiten für die eigenen Zwecke zu nutzen.

Autoren: Marc Mai und Nicky Grassmann

Mehr Infos zu Datenprodukten

Der Beitrag Effektiver lernen mit Datenprodukten erschien zuerst auf Business -Software- und IT-Blog - Wir gestalten digitale Wertschöpfung.