Data Thinking soll die genannten Pain Points adressieren und über erfolgreiche, funktionierende Prototypen die Datenkultur im Unternehmen fördern. Data Thinking ist eine Methode, um die zahlreichen Techniken und Technologien der Data Science für alle Personen, die nicht zu den Datenspezialisten gehören, greifbar zu machen, um solche Anwendungsfälle zu identifizieren, die wirklich Gewinn und Mehrwerte für das Unternehmen bringen.
Dabei werden bewährte Methoden des Design Thinkings mit denen der Data Science kombiniert. Design Thinking wird zur Identifikation von echten Bedarfen und schnellen, günstigen Entwicklung von Prototypen und MVPs genutzt, während die Data Science dafür sorgt, dass Prototypen funktionieren und Erfolge messbar werden.
Data Thinking kombiniert bewährte Kernelemente aus Design Thinking und Data Science zu einer neuen Methodik.
Schritt für Schritt werden einzelne Use-Cases im Unternehmen gefunden und es wächst über die Erfolge eine Datenkultur heran.
Mittels der Methodikkomponenten aus Design Thinking werden fachliche Use-Cases kreativ erarbeitet. Von Anfang an stehen dabei ausschließlich Use-Cases im Fokus, die mittels Daten verbessert, oder sogar ermöglicht werden können. Der wichtigste Faktor ist der geschäftliche Impact, der durch den Use-Case erzeugt wird. Mittels Analysen der Kundenbedarfe über Pains & Gains in einem Value Case Canvas werden Use-Cases identifiziert und validiert, die echte Bedarfe decken. Dann wird echtes Feedback von Nutzern oder Kunden eingeholt. Es sollen dabei früh Anwendungsfälle eliminiert werden, die nur vermeintlich eine Relevanz haben und somit näher am echten Nutzer oder Kunden gearbeitet werden.
Eine wichtige Fragestellung des Data Thinkings ist, an welcher Stelle man im Unternehmen gern „die Spreu vom Weizen trennen“ möchte, oder wo man in „die Zukunft schauen“ will. Denn bei diesen Fragestellungen ist Advanced Analytics besonders hilfreich, vorausgesetzt, die dafür relevanten Daten können identifiziert werden.
