Data Translation

Von der Business-Anforderung zu einem nutzerzentrierten Data Analytics Produkt.

Von Peggy Neubert (2022)

In einem Verkehrsunternehmen werden täglich eine Vielzahl umfangreicher Daten generiert. Damit sie einen Wert erfahren und als Basis für unternehmerische Entscheide genutzt werden können, müssen sie in geeigneter Form aufbereitet werden. Dies erfolgt hauptsächlich durch das Data Analytics Team.
Dieses Team im Verkehrsunternehmen hat aus ihren Erfahrungen bereits folgendes gelernt: 
Ihre Data Analytics Produkte erzielen eine grössere Wirkung, wenn Sie gemäss dem Design Thinking Ansatz – in diesem Fall Data Thinking genannt – entwickelt werden. Die Umsetzung verschiedener Data Analytics Produkte kann trotz des Data Thinking Ansatzes zu Missverständnissen und Verzögerungen führen, wenn die Fachvertretung und der*die Data-Analyst*in keine gemeinsame Sprache entwickeln und verschiedene datentechnische Voraussetzungen nicht erfüllt werden.
Mit Hilfe des Data Connection Canvas können diese Anforderungen fokussiert in Co-Creation erarbeitet werden. Der Canvas verbindet dabei die Kundenwünsche mit den Randbedingungen der Datenanalyse. Er stellt ein Gate dar, um in den Lösungsraum treten zu können, in dem das Erarbeiten, Gestalten und Testen der Data Analytics Produkte erfolgen kann, ohne in langwierigen und konfliktbehafteten Daten-Schleife hängen zu bleiben.

Wie können wir den Data Thinking Prozess so agil durchlaufen, dass die internen Auftraggeber*innen den Prozess mit einem Gefühl von Leichtigkeit begegnen und vom Endprodukt begeistert sind.

Ausgangslage

Das Data Analytics Team eines Verkehrsunternehmens entwickelt regelmässig benutzerspezifische Dashboards für verschiedene Fachbereiche. Dabei kommen die Fachbereiche mit einer Anfrage für ein Dashboard auf das Data Analytics Team zu. Die Anfragen sind unterschiedlicher Natur und decken das gesamte Spektrum von vage bis konkret ab. Die Herausforderung für das Data Analytics Team besteht darin, die richtigen Daten für die Fragestellungen benutzerspezifisch aufzubereiten. Erschwerend kommt in diesem Verkehrsunternehmen hinzu, dass für den professionellen und verantwortungsvollen Umgang mit Daten erst die Basis gelegt wurde.

Vorgehen & Methodenanwendung

Je weniger über den Kontext und die einzelnen Daten bekannt ist, umso mehr kommt es bei der Erstellung von Dashboards und Ergebnispräsentation zu negativen Überraschungen. Um diese Frustration auf beiden Seiten zu vermeiden, wird der Data Thinking Ansatz gewählt und mit den Phasen Verstehen, Definieren und Data Research begonnen. Diese Phasen können wie folgt beschrieben werden:

Gemeinsames Kontextverständnis
Im ersten Schritt steht der*die Nutzer*in eines Data Analytics Produkt im Fokus. In direkten Kontakt werden die Beweggründe genau ergründet. Welches Problem soll mit dem Data Analytics Produkt gelöst werden, welche Herausforderungen warten dabei auf der*die Nutzer*in und was der/die Nutzer*in mit Hilfe des Data Analytics Produkt gewinnen kann. Die Formulierung als User Story schafft in diesem Zusammenhang Kontext und präzisiert die nächste Diskussion.
In dieser Phase können dazu auch noch weitere Methoden zum Einsatz kommen: Interviews, Shadowing, Empathy Map, Persona

Transferierung der Businessfrage zur einer Datenfrage
Dieser Schritt beinhaltet die Übersetzung von der Businessfrage in eine Datenfrage. Auf Basis der formulierten User Story wird im Gespräch mit den*die Nutzer*in überlegt, welche Informationen benötigt und durch welche Daten diese beschrieben werden können. In dieser Phase können die Methoden Brainwriting/ Brainstorming oder Mind-Mapping zum Einsatz kommen. 

Data Research
In dritten Schritt werden die datentechnischen Voraussetzungen geklärt, die im Rahmen der Transferierung erarbeitet wurden. 

Datendemokratisierung
Im letzten Schritt wird das Blickfeld noch einmal geöffnet und auf Basis der vorhergehenden Schritte überlegt, wer von diesen Daten oder Informationen ebenfalls profitieren kann. In dieser Phase können wiederum die Methoden Brainwriting/ Brainstorming oder Mind-Mapping zum Einsatz kommen.

Wenn alle Schritte durchlaufen sind, bietet der Data Connection Canvas eine konsolidierte Form aller erarbeiteten Informationen. Er kann als unterstützendes Tool für alle Phasen hinzugezogen werden und schliesst den Problemraum des Double Diamond Prozessmodells. Im Lösungsraum befassen sich der*die Nutzer*in zusammen mit dem*der Data Analyst*in mit der Erstellung des Data Analytics Produktes. Auch diese Phase erfolgt in einzelnen Phasen in Co-Creation mit der Unterstützung von verschiedenen Methoden (bspw. Paper Prototyping), damit am Ende ein nutzerzentriertes Data Analytics Produkt entsteht. 
 

Ergebnisse & Reflexion

Initial erfordert es etwas Zeit zur Einführung und Erläuterung von Sinn und Zweck dieser methodischen Vorgehensweise. Doch spätestens, wenn in der Transferierungsphase in den kreativen Dialog übergegangen wird, stösst die Methode auf breites Interesse. Zudem schafft der Canvas ein erfolgreiches Erwartungsmanagement zu fördern. 
Diese Methode lässt beide Seiten in die jeweilige andere Seite eintauchen und erzeugt auf diese Weise, dass eine gemeinsame Sprache entwickelt wird. Für die Fachvertretung kann der zweite Schritt sehr herausfordernd sein, sodass dieser Schritt zwingend in Co-Creation erarbeitet werden.

Erarbeitung im hybriden Setting
Erarbeitung im hybriden Setting
Erarbeitung im physischen Setting
Erarbeitung im physischen Setting

Titelbild: © VBZ