2. Anforderungen. Rollen. Bedürfnisse.

Bei Dienstleistungen auf der Basis von (Echtzeit-) Daten lässt sich die klassische Anwendermenge nicht nur in Bedarfs-, Markt- oder Produktsegmente unterteilen, sondern auch in ein Nutzer-Diagramm eintragen. Dabei wird hinterfragt, welche Rolle bei welchen Anwendern welches Bedürfnis hat. Außerdem werden die Anforderungen eines Instandhalters und die eines Produktionsleiters sowie die Ansprüche eines Maschinenbedieners von denen eines Qualitätsmanagers unterschieden. Weitere Rollen in einem Unternehmen sind Eigentümer, Dienstleister und Logistiker. Der Nutzen ergibt sich erst mit dem Blick auf die eigene Geschäftsarchitektur. Dazu kann ein ‚Business Model Canvas‘ benutzt werden, der das Geschäft in Schlüsselaktivitäten, Partner, Wertangebote, Kundensegmente und -kanäle strukturiert. Aus diesem Canvas können Rollen in einem Nutzer-Netzwerk-Diagramm abgeleitet werden, das ebenfalls die entsprechenden Bedürfnissen abbildet. Auf dieser Basis entstehen bei der darauf folgenden Kreativarbeit im Design- und Data-Thinking-Prozess oft besonders werthaltige Ideen und Prototypen. In dieser Phase ist alles erlaubt. Selbst ein Plattform-Gedanke für Dienst-Ideen, die bisher noch nicht im Geschäftsmodell vorkam, sollte betrachtet und nicht sofort ausgeschlossen werden. Dieses Rollenspiel hilft auch, den Fragen zur Datensicherheit – die meist von der IT aufgeworfen werden – einen wirtschaftlichen Mehrwert und Nutzen für möglichst viele Nutzer-Rollen entgegenzustellen. Dafür gibt es verschiedene Modelle.

3. Methoden. Ideen. Lösungen.

Zur Entwicklung von neuen Diensten und datenbasierten Applikationen genügt das klassische Requirement-Engineering oft nicht, da sich damit etwa Ansätze der agilen Softwareentwicklung nur schwer auszuprägen lassen. Eine vielversprechende Methode ist das Design Thinking. Dieser Ansatz hat sich aus der nutzerorientierten Denkweise von Designern weiterentwickelt und basiert auf der Annahme, dass jene Ideen erfolgreich sind, die interdisziplinär, experimentell und nutzerorientiert entstehen. Die Methode beschreibt einen kreativen Prozess der Prototypisierung, der agiles Vorgehen mit dem Wasserfall-Verfahren kombiniert. Beim Prototyping für Dienstleistungen werden erlebnisorientierte Innovationen mit wirtschaftlichem Mehrwert zusammengeführt. Das Produkt basiert auf den Rollenprofilen und -bedürfnissen, die zuvor im Diagramm erstellt wurden. In den frühen Phases einer neuen Dienstleistung helfen eine Reihe von Werkzeugen dabei, die Kreativität zu fördern. Dazu zählen Customer Journey Mapping, 6 Denkhüte und Pecha Kucha. Das Vorgehen beim Design Thinking teilt sich in zwei sogenannte Räume auf. Der erste wird als Problemraum bezeichnet, in dem möglichst viele Ideen generiert werden. Diese werden mit den herausgearbeiteten Standpunkten und Zielen der später angedachten Nutzergruppen zusammengebracht. Der zweite Bereich ist der Lösungsraum, in dem die konvergierten Ideen für das Data Thinking prototypisiert werden, das darauf folgt. Bei den Prototypen werden Design, technologische Anforderungen und Geschäftsmodell berücksichtigt. Es gibt eine divergierende und eine konvergierende Phase, in der zunächst viele Prototypenbeschreibungen erstellt werden. Aus diesen werden diejenigen in die Data Thinking-Phase geleitet, die den im Problemraum definierten Standpunkten, Lösungen und Zielstellungen entsprechen und für die es eine Geschäftsmodellgrundlage gibt.

4. Algorithmen. Daten. Infrastruktur.

Auf der Basis der veredelten Ideen können Unternehmen mit den Prototypen der Applikationen und Business Cases beginnen. Jetzt müssen die Algorithmen methodisch und prozessorientiert entwickelt werden. Dafür werden den jeweiligen Aufgaben Rollen zugeordnet. Es wird definiert, welche Daten aus welchen Quellen für das Produkt in den Data Lake überführt werden müssen. Dafür braucht es Wissen um Data Science. Das kann ein Fachmann sein oder ein Team aus Steuerungsentwicklern, Business-IT-Spezialisten und Hardwarespezialisten. Ein Tool bei der Entwicklung eines Data Lake kann die ‚Diagnose und Parameter Matrix‘ sein – die innerhalb der Idee festlegt, welche Daten in welchen Zyklen wo und mit welcher Technologie erfasst und bereitgestellt werden müssen. Das reicht von der Stromaufnahme eines Elektromotors bis zum Schwingverhalten einer Antriebswelle. Dabei wird auch definiert, ob zusätzliche Sensorik oder weitere Erfassungsgeräte zum Einsatz kommen müssen und welche Investitionen und Ressourcen hierzu erforderlich sind. Im nächsten Schritt wird die Infrastruktur definiert und aufgebaut. Dabei sollen nicht nur Maschinen- und Echtzeitdaten betrachtet werden – auch historische Daten und solche aus den Geschäftsprozessen können eine bedeutende Rolle spielen. Ein wichtiger Aspekt bei der Ausprägung des Datenpools ist die Zeitachse und die Datenmenge. Um eine verlässliche Analyse von Ausreißern und Mustern auszubilden – was in einen automatisierten Machine Learning-Prozess überführt werden soll – sind große Datenmengen über einen längeren Zeitraum erforderlich. Später werden diese Daten auch für einen Abgleich genutzt, ob das Produkt stets mit den gesteckten Zielen übereinstimmt. Wenn das der Fall ist, kann der finale Prototyp erstellt werden, der als Business-Case oder Produkt in eine Projektplanungs- und Implementierungsphase übertragen werden kann.