Datenstrategie Canvas

Wie verwende ich das Datenstrategie Canvas?

Eine Datenstrategie beantwortet die kritischen Fragen für ein datengetriebenes Unternehmen:

1. Erschließung: Welche Datenquellen gibt es und wie erschließen wir sie?
2. Verfeinerung: Wie können wir die Daten zusammenführen und zu wertvollen Informationen aufbereiten?
3. Verwertung: Wie können wir die Informationen verwerten, um Kosten zu reduzieren, Umsätze zu steigern, Kunden zu binden und neue Produkte und Geschäftsmodelle zu entwickeln?
4. Werkzeuge: Welche Software-Lösungen, Datenbanken, technische Infrastruktur etc. brauchen wir dafür?
5. Personen: Welche Fähigkeiten und Experten benötigen wir im Unternehmen?
6. Partnerschaften: Welche Partnerunternehmen sind erforderlich?

Erfahren Sie mehr über die Methode des Datenstrategie-Designs. Eine Einführung bietet Ihnen die Präsentation “Mit Design Thinking zum datengetriebenen Marketing”.

Start

Sie können entweder mit den vorhandenen Datenquellen (der Erschließung) oder den möglichen Anwendungsfällen (der Verwertung) starten, je nachdem ob Sie auf Basis der vorhandenen Datenquellen neue Anwendungsfälle identifizieren oder für einen konkreten Anwendungsfall die notwendigen Datenquellen spezifizieren möchten. Anschließend durchlaufen Sie die einzelnen Boxen von links nach rechts bzw. rechts nach links und von oben nach unten und beantworten jeweils die folgenden sowie weitere Fragen, die Sie für relevant erachten.

Schritt 1 von 6

Erschließung

Wie jeder Rohstoff müssen auch Daten zunächst erschlossen werden, bevor sie verfeinert und schließlich verwertet werden können. Der Datenerschließung geht meist eine Erkundung voraus, bei der die potentiellen Datenquellen identifiziert und evaluiert werden. Tatsächlich sollten nur jene Datenquellen erschlossen werden, deren Daten im Anschluss auch verwertet werden.

Fragen:

• Welche Datenquellen sind bereits vorhanden und erschlossen?
• Welche internen Datenquellen sind vorhanden, aber noch nicht erschlossen?
• Welche externen Datenquellen von Partnern oder Kunden lassen sich erschließen?
• Welche öffentlichen Datenquellen lassen sich erschließen?
• Welche Datenquellen werden darüber hinaus benötigt, um die Verwertung zu ermöglichen?
• Welche Daten (über Kundensegmente, Partner etc.) entstehen durch die Schlüsselaktivitäten, die Pflege der Kundenbeziehungen und die Nutzung der (Marketing- und Vertriebs-)Kanäle?

Wie können wir Netzwerkeffekte (sogenannte „Data Network Effects“) nutzen, bei denen die Daten zu einem verbesserten Angebot führen, so dass mehr Kunden das Angebot wahrnehmen und wiederum mehr Daten generieren?

Schritt 1 von 6

Farben:

• Grüne Karten für Datenquellen, die vorhanden und bereits erschlossen sind, z.B.: CRM-Daten
• Gelbe Karten für Datenquellen, die zwar vorhanden, aber noch nicht erschlossen sind, z.B. externe Firmographics-Daten.
• Rote Karten für Datenquellen, die notwendig sind, um einen Anwendungsfall (siehe Verwertung) zu realisieren, aber weder vorhanden noch erschlossen sind.

Beispiele:

• Erstellte Daten: Sensordaten, Log-Dateien, Daten aus ERP-Systemen, Transaktionen in Online-Shops, anonymisierte Befragungen etc.
• Erhaltene Daten: Kundendaten aus CRM-Systemen, Social Media-Daten, Nutzerdaten von Mobile Apps etc.
• Bezahlte Daten: Daten von Data Brokern, Data Marketplaces (“Dataplaces“) und Data Exchanges
• Öffentliche Daten: Statistisches Bundesamt, Wikipedia, Web-Crawler, Social Media Monitoring, Open Data etc.

Verweise:

• Geschäftsmodell: Daten sind eine Ressource datengetriebener Unternehmen.
• Datenlandschaft: um die Datenlandschaft des Unternehmens im Detail zu erkunden.

Schritt 2 von 6

Verfeinerung

Daten sind das Öl des 21. Jahrhunderts. So wie Öl zu Benzin oder Diesel verfeinert werden muss, damit es als Treibstoff einen Motor antreibt, so müssen Daten zu Informationen aufbereitet werden, damit sie datengetriebene Entscheidungen, Prozesse und Geschäftsmodelle in Unternehmen antreiben. Um die Datenverfeinerung kümmert sich die Analytics (Datenanalyse).

Fragen:

• Müssen wir die Daten prüfen und ggf. korrigieren oder filtern?
• Können wir fehlende Daten durch Daten aus anderen Quellen ergänzen?
• Müssen wir Daten anonymisieren oder löschen?
• Können wir unterschiedliche Datenquellen aggregieren und die Daten über gemeinsame Bezeichner verknüpfen?
• Müssen wir die Daten normalisieren oder in andere Darstellungen oder Formate transformieren?
• Welche Kennzahlen und Schlüsselindikatoren (KPI) können wir berechnen?
• Welche Modelle können wir generieren, um Vorhersagen oder Empfehlungen zu berechnen?
• Welche Visualisierungen benötigen wir, um Kennzahlen, Trends oder Zusammenhänge darzustellen?
• Wie integrieren wir die Ergebnisse des Analyseprozesses in bestehende Geschäftsprozesse?
• Welche manuellen Schritte sind in dem Analyseprozess notwendig, um die Qualität sicherzustellen?

Schritt 2 von 4

Farben:

• Grüne Karten für Verarbeitungsschritte, die bereits implementiert sind.
• Gelbe Karten für Verarbeitungsschritte, die sich in der Umsetzung befinden.
• Rote Karten für Verarbeitungsschritte, die noch zu implementieren sind.

Beispiele:

• Datenaggregation, -integration, -transformation, -normalisierung & -bereinigung
• Feature Engineering, Feature Selection und Predictive & Prescriptive Modelling (Training & Test)
• Visualisierung in Dashboards und / oder in Berichten
• Systemintegration und Test sowie Betrieb, Überwachung und Wartung

Verweise:

• Geschäftsmodell: der Prozess zur Verfeinerung der Daten ist eine Aktivität des Geschäftsmodells.
• Analytik-Reifegrad: die eingesetzten Methoden bestimmen den notwendigen Analytik-Reifegrad des Unternehmens bzw. des Kunden.

Schritt 3 von 6

Verwertung

Nachdem der Rohstoff Daten in den Treibstoff Information verfeinert wurde, müssen die Informationen verwertet werden, das heißt genutzt werden, um beispielsweise verlässlichere Entscheidungen zu treffen.

Fragen:

• Welche Wertangebote für die Kunden möchten wir aus den Daten erstellen?
• Wie können die Daten unsere Kundenbeziehungen verbessern?
• Wie können die Daten unsere (Marketing-, Vertriebs- und Liefer-)Kanäle effektiver machen?
• Wie helfen uns die Daten, unsere Schlüsselaktivitäten, die Nutzung der Schlüsselressourcen und die Kosten effizienter zu gestalten?
• Wie können wir die Daten nutzen, um die Einnahmen zu steigern?
• Wie ermöglichen uns die Daten, unsere Kundensegmente und Partner besser zu verstehen?

Wie können wir auf Basis der Daten neue Geschäftsmodelle entwickeln, z.B. Data-as-a-Service?

Schritt 3 von 6

Farben:

• Grüne Karten für Anwendungsfälle mit hoher Umsetzungswahrscheinlichkeit
• Gelbe Karten für Anwendungsfälle mit unklarer Realisierbarkeit.
• Rote Karten für Anwendungsfälle, bei denen kritische Teile, z.B. Datenquellen, fehlen.

Beispiele:

• Deskriptiv: die Performance von Schlüsselaktivitäten wie Marketing, Vertrieb & Service überwachen, um die Kosten zu optimieren.
• Diagnostisch: die lukrativen Kundensegmente identifizieren.
• Prädiktiv: vorhersagen, wie hoch der Bedarf an Schlüsselressourcen (z.B. Mitarbeiter) sein wird.
• Präskriptiv: den Kunden über die Kanäle personalisierte Angebote schicken, um die Kundenbeziehung zu verbessern.
• Autonom: die Preise täglich anpassen, abhängig von der Nachfrage seitens der Kunden und dem Angebot der Wettbewerber.

Verweise:

• Analytik-Anwendungsfall: um analytische Lösungen für Kunden, Partner oder Mitarbeiter zu kreieren.
• Geschäftsmodell: um mögliche Anwendungsfelder zu identifizieren.
• Analytik-Reifegrad: um verschiedene Verwertungsmöglichkeiten hinsichtlich des notwendigen Analytik-Reifegrads des Unternehmens oder der Kunden zu priorisieren.

Schritt 4 von 6

Werkzeuge

Die Erschließung, Verfeinerung und Verwertung von Daten benötigt spezialisierte Werkzeuge, die je nach Datenquelle, Datenmenge, Datenformat, Analysezweck, Rahmenbedingungen oder Anwendungsfall sehr unterschiedlich ausfallen. Entsprechend sollte die Frage nach den notwendigen Werkzeugen erst gestellt werden, nachdem klar ist, welche Daten auf welche Weise und zu welchem Zweck erschlossen, verfeinert und verwertet werden sollen.

Fragen:

• Welche Integrationslösungen benötigen wir, um externe Datenquellen anzubinden?
• Welche Datenbanksysteme benötigen wir für die Speicherung der Daten?
• Welche Systeme benötigen wir für die Aggregation, Integration und Transformation der Daten?
• Welche Analysewerkzeuge benötigen wir für deskriptive und diagnostische Analysen?
• Welche Modellierungswerkzeuge benötigen wir für prädiktive und präskriptive Analysen?
• Welche Visualisierungswerkzeuge benötigen wir für Dashboards, Berichte etc.?
• Welche Integrations- & Automationswerkzeuge benötigen wir für die Automatisierung?

Schritt 4 von 6

Farben:

• Grüne Karten für Werkzeuge, die bereits verfügbar sind.
• Gelbe Karten für Werkzeuge, bei denen nicht klar ist, wie die Verfügbarkeit ist.
• Rote Karten für Werkzeuge, die noch fehlen.

Beispiele:

• Data Management: ETL-Tools, SQL-, NoSQL-, Graph-Datenbanken etc.
• Data Processing: MapReduce-Systeme, In-Memory-Analytics, Data Warehouse-Systeme etc.
• Data Analysis: Tabellenkalkulationen, Statistik-Werkzeuge, mathematische Programme, Programmiersprachen etc.
• Data Modeling: Modellierungswerkzeuge, Data Mining-Toolboxen, SaaS-Angebote, Machine-Learning-Clouds etc.
• Data Visualization: Self Service BI-Werkzeuge, Infografik-Design-Werkzeuge etc.
• Data Automation: Marketing-Automatisierungswerkzeuge, Service-Orchestrierungswerkzeuge etc.

Verweise:

Geschäftsmodell: Werkzeuge sind eine Ressource für datengetriebene Unternehmen.

Schritt 5 von 6

Personen

Um die spezialisierten Werkzeuge zu bedienen, bedarf es Spezialisten im Unternehmen, die wissen, wie die Werkzeuge bedient, konfiguriert und administriert werden. Statt in konkreten Personen können Sie auch in Rollen denken und überlegen, ob eine Person beispielsweise mehrere Rollen ausfüllt oder eine Rolle mehrfach im Unternehmen vertreten sein muss (beispielsweise aus Gründen der Verfügbarkeit).

Fragen:

• Wer kümmert sich um die Datenqualität?
• Wer ist verantwortlich für den Datenschutz?
• Wer administriert die IT-Systeme?
• Wer konzipiert die Analyseprozesse?
• Wer implementiert die Analyseprozesse?
• Wer führt die Analysen durch?
• Wer interpretiert die Ergebnisse?
• Wer generiert und validiert die Vorhersage- und Empfehlungsmodelle?

Schritt 5 von 6

Farben:

• Grüne Karten, wenn die Rolle, Fähigkeit oder Experten bereits im Unternehmen vorhanden ist.
• Gelbe Karten, wenn die Verfügbarkeit noch zu klären ist.
• Rote Karten, wenn die Rolle, Fähigkeit oder Experte im Unternehmen fehlt.

Beispiele:

• Data Steward
• Datenschutzbeauftragter
• IT-Administrator
• Big Data Engineer
• Software Architekt
• Data Scientist
• Business Analyst
• Information Designer

Verweise:

• Geschäftsmodell: (Daten-)Experten sind eine Schlüsselressource für datengetriebene Unternehmen.

Schritt 6 von 6

Partnerschaften

Bestimmte Rollen können oder wollen Sie womöglich nicht intern besetzen, weil Sie beispielsweise den betreffenden Mitarbeiter nicht auslasten würden. Dann benötigen Sie einen spezialisierten Partner, der Ihnen als Dienstleister zur Verfügung steht. Partner sind auch Unternehmen, die Ihnen kritische Daten oder Werkzeuge zur Verfügung stellen, welche Sie nicht einfach anderweitig beschaffen könnten.

Fragen:

• Welche Partner oder Kunden stellen uns ihre Datenquellen zur Verfügung (als Data-on-Demand oder Data-as-a-Service)?
• Welche Produktanbieter liefern uns die notwendigen Werkzeuge (als Software-on-Demand oder Software-as-a-Service)?
• Welche Implementierungsaufgaben können wir an Dienstleister vergeben?
• Welche Rollen (Personen) können wir an Dienstleister auslagern?
• Welches Expertenwissen benötigen wir in Form von Beratung oder Schulungen?

Schritt 6 von 6

Farben:

• Grüne Karten für Unternehmen, zu denen bereits eine Partnerschaft besteht.
• Gelbe Karten für Unternehmen, bei denen der Status unklar oder in Verhandlung ist.
• Rote Karten für Unternehmen, die noch kein Partner sind.

Beispiele:

• Marktforschungsunternehmen
• Daten- & Adresshändler
• Software- & SaaS-Anbieter
• Plattformbetreiber
• Business Intelligence & Data Science-Dienstleister
• Agenturen und Beratungsunternehmen
• Freiberufliche Experten

Verweise:

• Geschäftsmodell: Partner, welche Daten, Werkzeuge oder Personal im Rahmen einer Datenstrategie zur Verfügung stellen, zählen zu den Partnerschaften.

Abschluss

Wenn Sie alle Bausteine durchlaufen haben, prüfen Sie abschließend Ihre Datenstrategie auf Konsistenz und Vollständigkeit. Lassen Sie die Arbeit gegebenenfalls für einen Tag ruhen und / oder stellen Sie Ihre Datenstrategie Kollegen vor, die nicht an der Entstehung beteiligt waren. Erzählen Sie eine Geschichte und achten Sie auf Bruchstellen und Unklarheiten.

Stellen Sie sich beispielsweise folgende Fragen:

• Habe ich die entsprechenden Verknüpfungsdaten, um die unterschiedlichen Datenquellen miteinander zu verbinden?
• Habe ich die richtigen Werkzeuge, um die Datenquellen anzuzapfen?
• Habe ich das Personal, um die Werkzeuge zu bedienen?
• usw.

Markieren Sie offene Fragen, kritische Annahmen oder potentielle Schwachstellen mit weißen Karten und definieren Sie Aufgaben, um diese Fragen zu beantworten, die Annahmen zu testen und die Schwachstellen zu prüfen. Anschließend überarbeiten Sie gegebenenfalls Ihre Datenstrategie, wenn sich beispielsweise eine kritische Annahme als falsch erwiesen hat.

Schließlich können Sie die Bausteine Ihrer Datenstrategie in Ihr Geschäftsmodell Canvas übernehmen. Wenn Sie mehrere Verwertungsmöglichkeiten identifiziert haben, nutzen Sie die Vorlage Analytik-Reifegrad, um sie zu vergleichen und zu priorisieren.