Innovation meets Data Analysis: Warum die Analyse Ihrer vorhandenen Datenschätze gerade jetzt einen Hebel für Innovationen darstellt. Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
1. Innovation meets Data Analysis
Warum die Analyse Ihrer vorhandenen Datenschätze gerade jetzt einen
Hebel für Innovationen darstellt
PRAXISTAGE 2022
Sabine Bühn, Bernd Aschauer
Aschauer IT & Business GmbH
2. Inhalt
Über uns.
Data to innovation. Um was es geht.
Techniken aus der Datenperspektive.
Von der Theorie in die Praxis.
How to start.
3. Über Aschauer IT & Business GmbH
Wir sind ein innovativ ausgerichteter Dienstleister für IT- und
Business (bzw. der Fachbereiche der Organisationen)
2003
gegründet
+/- 60
Mitarbeiter
1220 Wien
DC-Tower
Wo liegen unsere Stärken?
• Innovationspartner im öffentlichen Bereich
• Connector zw. öffentlicher Hand und Wirtschaft
• Business-Versteher und Übersetzer zur IT
Wo sind wir tätig?
• Öffentlicher Bereich
• Banken, Versicherungen, Telekom
Sabine Bühn
Geschäftsführerin
Bernd Aschauer
Geschäftsführer
4. Digital Innovation Projects
Wir entwickeln neue innovative
Geschäftsmodelle und digitale
Produkte und Projekte mit unseren
Kunden. Wir validieren diese in Design
Sprints und Prototypen.
Digital Enablement
Mit Training, Coaching,
Akademiemodellen und Konzepten zur
digitalen Transformation, bereiten wir
unsere Kunden auf die digitale
Transformation vor und begleiten diese
bei der erfolgreichen Umsetzung.
DIGITAL BUSINESS DESIGN
Wir analysieren mit den Fachabteilungen
Geschäftsprozesse, Anforderungen und Use-Cases,
digitalisieren diese medienbruchfrei und visualisieren
die Welt, wie sie in Zukunft sein wird. Einbindung
User Centered Design durch Scribble/Mockup-
Erstellung
Agil arbeiten wir mit der Technik und Software-
Entwicklung zusammen.
Digital Development
Professionelle Software-Entwicklung
unter Anwendung neuer Technologien
und Frameworks werden hybrid und nativ
erstellt sowie produktiv gesetzt. Kurze
Release-Zyklen sichern die Investitionen
unserer Kunden ab und schaffen
schnellstmöglichen Kundennutzen.
DATEN
DATEN
DATEN
DATEN
DATEN
5. Data to innovation. Um was es geht.
Ist ein Folgevortrag aus dem
Innovationsvortrag „Behörden-
Services à la Nespresso“ aus
2019
Er erörtert Innovationsmethoden
aus Datenperspektive
Und kommt zum Schluss, dass
diese Methoden in ALLEN IT-
Projekten Innovationspotentiale
heben können
6. Wodurch kommt der Change?
Quelle: Dr. Kim Lauenroth, IREB und Adesso
Zur Erinnerung aus 2019.
7. Henry Ford bringts auf den Punkt
Wir wissen nicht mehr WAS alles möglich ist.
Wenn ich die
Menschen gefragt
hätte, was sie
wollen, hätten sie
gesagt schnellere
Pferde.
Henry Ford
„
“
9. Ziel 2022:
Wir heben unseren Datenschatz
für Innovationen in allen IT-
Projekten
Lösung:
Innovation durch Data Analysis
Aspekte der Business Analyse
auf Basis der IREB-Methoden
Conclusio. Let‘s go ...
11. Daten sind Informationen in digitaler Form
Wir erhalten aber auch viele Informationen,
die den Weg in unsere Systeme nicht finden
Wir besitzen viele Daten, die wir nicht
verwenden
Diese könnten jedoch unser Business
enorm bereichern
Neue Wege, neue Modelle, zielorientierte
Angebote etc.
Die Basis der Transformation sind DATEN.
Was wissen wir über unsere Daten?
Wie können uns diese bei Innovation helfen?
Neue Opportunities
13. Pitfalls ...
Warum wir uns oft NICHT gerne mit Daten
beschäftigen?
Transparenzangst / Angst vor Fehlern
DSGVO
Veränderungsangst
Initialaufwände
15. Hier entstehen Daten, hier werden
Daten benötigt, verändert, ergänzt
und von hier aus werden Daten
weitergegeben.
Mit unserem Partner dataspot.
machen wir uns auf die
Datenreise, um innovativen
Nutzen für unsere Kunden zu
schaffen und zu erhalten –
DER DATENSCHATZ wird
ausgehoben. der Business
Analyst beginnt mit seiner Arbeit
Die Datenbasis ist das Business
16. Der Business Analyst betrachtet die Daten
Bei jedem IT Projekt analysiert der Business Analyst die
Anforderungen für ein System – dort entstehen die Daten
Natürlich stehen hier die funktionalen und nichtfunktionalen
Anforderungen im Fokus
ABER das Projekt muss auch unter der Perspektive der Daten
betrachtet werden – das ist eine eigene „Sicht“
die Datenbrille
17. Was macht der Business Analyst?
Der BA beschäftigt sich mit folgenden Fragen
wo entstehen die Daten
wo werden sie gehalten
welche Daten sind businessrelevant
wie sind diese beschrieben
wer nutzt die Daten
wie werden die Daten genutzt
in welcher Qualität liegen diese vor
wo gibt es übergreifende Verbindungen und Verwendungen
Wer, wann, was, wo, wie
Sehen wir uns die (bekannten) Artefakte aus der Datenbrille an:
18. Die herkömmlichen Analyse-Artefakte
Ziele -> Neue Datennutzung
Glossar -> Basis für FDM, die gemeinsame
Sprache
Stakeholder/Personas -> Daten: Erzeugen/Nutzen/Bedarf
Prozesse/Use Cases -> wer, wann, wie
Funktionale Anforderungen -> Details, konkretisieren
User Stories
Nicht funkt. Anforderungen -> Qualitätsanforderungen
GUIs/Mock Ups/Scribbles -> Wo sehen wir die Daten?
Fachdatenmodell (FDM) -> Neue Objekte? Nutzen im Prozess
Das Business selbst
-> In welchen System und Prozess?
19. Ziele Neue Datennutzung
Glossar Basis für FDM, die gemeinsame
Sprache
Stakeholder/Personas Daten: Erzeugen/Nutzen/Bedarf
Prozesse/Use Cases wer, wann, wie, woher
Funktionale Anforderungen Details, konkretisieren
User Stories
Nicht funkt. Anforderungen Qualitätsanforderungen
Fachdatenmodell (FDM) Neue Objekte? Nutzen im Prozess
Das Business selbst
GUIs/Mock Ups/Scribbles Wo sehen wir die Daten?
Statusdiagramm Wann verändern sich Daten?
Datenflussdiagramm In welchem System und Prozess?
Und aus der Datenbrille
22. ASC derived from
design thinking
Ideation
A. Scope Planning
• Datenobjekte
• Ideation Options
• Ziele
• Data ideation Techniken
• Personas
• Prozesse
• Allgemeine Workshop Governance
B. Ideation Workshop
• What if Session
• Use Case Präsentation
C. Now How Wow
Data driven
Innovation
Process
*Vorbedingung – aktuelles Fachdatenmodell
1. Ideate*
2. Prototype
3. Evaluate
Complexity
Now
Innovation
WOW
How
1. IDEATION PROZESS
23. Data Ideation Techniken
Übersicht der ideation options im Scope planning
Technik: Fachdatenmodell als zentrale Drehscheibe
Technik : Artefakte durch Datenbrille betrachten
Technik : Neue Artefakte für bessere Datensicht
Technik : Datenqualität verbessern
Technik : Neue Daten – Top Down / Bottom Up
Technik : Automatisierung durch Daten
Technik : Neue Geschäftsmodelle durch/mit Daten
24. Vorbedingung: Ist-Zustand erheben
Ist-Zustand derzeitige Datennutzung erheben
Ist-Fachdatenmodell erstellen
Überprüfung der Ist-Datenqualität (event. Einsatz von
Referenzdaten etc.)
A. Workshop planen - Scoping
Ziele, Datenobjekte, Personas, Prozesse eingrenzen
B. WS durchführen - Was wäre wenn – Spiel: (neue Use Cases)
Data innovation Techniken anwenden
Datenqualität erhöhen, Einsatz von zusätzlichen Daten -
Objekten/Attribute
Nutzen pro Use Cases darstellen Umsetzungsstrategie
entwickeln
C. Bewerten, Priorisieren und empfehlen (WOW )
Vorgehensweise für 1. Ideation-Phase
25. Ein Beispiel aus der Praxis
Einsatz von verschiedenen Data Ideation Techniken...
Hotel Blaue Gans
Fachdatenmodell als Basis erstellt
Identifikation von potentiellen Dateninnovationen
Ideation Workshop
Neue Use-Cases
Priorisierung
Prototyping
Evaluierung
29. Start small – was können wir tun
Struktur durch neue Analyse-Methoden
neue Governance in der Analyse
Basistraining dataspot. und ASC/IREB
Schrittweises Ausheben des Datenschatzes
Zentral zugängiges Fachdatenmodell
Sichtbarmachen der Potentiale
zB durch SDK – Service Design Katalog
Datengetriebene Analyse hat großes Potential zur
Innovation.
How to start?
30. Vielen Dank für Ihre Aufmerksamkeit
Bernd Aschauer
Sabine Bühn
Jede Lösung beginnt mit einer Frage.
Notas del editor
Gängige Projekt befassen sich naturgemäß mit funktionalen/nicht funnkt Anforderung.
Die Daten dahinter werden oft nicht in Scope gesetzt. Was bedeutet das?
Bevor wir noch von Big DATA, DWH etc reden, müssen wir unsere Daten kennen, verstehen, beschreiben. Die Basis schaffen für weitere Aktionen
Wir müssen zuerst verstehen, wo sie entstehen, wozu sie sind, wer sie braucht – hier sieht man: im operativen Umfeld
Bottom up: WELCHE DATEN HABEN WIR? Daten aus operativen Prozessen
Top down: WELCHE DATEN BRAUCHEN WIR? Datenanforderungen aus der Unternehmensstrategie, Innovation, Digitalisierung
DAS KÖNNTE DER TEXT ZUR VORFOLIE SEIN
Ziele: Erhöhung Datenqualität, Erkennen von Daten-Optimierungspotentialen, neue Geschäftsmodelle, neue Datennutzungsmöglichkeiten
Glossar: gibt Aufschluss über die fachlichen Objekte – dient als Basis zum FDM
Stakeholder/Personas: wer produziert, verändert Daten, wer konsumiert die Daten
Prozesse/Use Cases: wo entstehen die Daten, wo werden sie verändert, angereichert.
Fachdatenmodell: über dieses Modell wird das eigentlich Business dargestellt. Objekte, Attribute und Beziehungen aus dem IST. Veränderungen im Datenbereich finden sich auch Fachdatenmodell wieder
Funktionale Anforderungen/nicht funktionale Anforderungen/User Stories
GUIs/MockUps - bildlichmachen der Daten auf Oberlächen (Basis ist das FDM)
Statidiagramm: wann und wo verändern sich Daten. Wann und wo wir ein Prozess eingeleitet, weitergeführt oder beendet.
Datenflußdiagramm: Darstellung des Datenlifecycles.
Die zentrale Drehscheibe: Das FachdatenmodellWie sieht das Ergebnis aus der Business-Analyse aus?
Fachdatenmodell mit allen businessrelevanten Objekten, Attributen und Beziehungen – Das Business als Modell dargestellt
Fachliche, eindeutige Beschreibung der Daten
Erstellung der Data-Lineage (Datenherkunft und Transformationen) – die Übersetzung in die technische Welt – technische Datenmodelle
Optimierungspotentiale aufzeigen (z.b. Maßnahmen zur Erhöhung der Datenqualität, Ergänzung der vorhanden Daten mit externen Daten)
Erkennen von „Datenmüll“ und zusätzlichen, nutzenbringenden Daten
Schafft die Basis für Data Scientists, Data Analytics, Big Data, DWH, Digitalisierungsstrategie, Open Data Bsp. Anreichern der eigenen Daten mit z.B. Geodaten, Wetterdaten
FDM erhöht die Datenqualität
Die zentrale Drehscheibe: Das FachdatenmodellWie sieht das Ergebnis aus der Business-Analyse aus?
Fachdatenmodell mit allen businessrelevanten Objekten, Attributen und Beziehungen – Das Business als Modell dargestellt
Fachliche, eindeutige Beschreibung der Daten
Erstellung der Data-Lineage (Datenherkunft und Transformationen) – die Übersetzung in die technische Welt – technische Datenmodelle
Optimierungspotentiale aufzeigen (z.b. Maßnahmen zur Erhöhung der Datenqualität, Ergänzung der vorhanden Daten mit externen Daten)
Erkennen von „Datenmüll“ und zusätzlichen, nutzenbringenden Daten
Schafft die Basis für Data Scientists, Data Analytics, Big Data, DWH, Digitalisierungsstrategie, Open Data Bsp. Anreichern der eigenen Daten mit z.B. Geodaten, Wetterdaten
Wo ist nun die Innovation?
Die Innvoation steckt oftmals im eigenen Unternehmen mit seinen eigenen Daten.
Die eigenen Mitarbeiter liefern unglaublich viel Informationen ZU den Daten und hier sind enorme Potentiale. Informationen, die nicht digital zu finden sind. Erfahrungen, Empfehlungen, Wünsche.
Nur wer seine Daten kennt, kann diese auch optimiert nutzen.
Kann sie ergänzen, neues kreieren, neue Geschäftsmodelle entdecken, Datenanbieter werden etc.
Wenn wir wissen, welche Daten, in welcher Qualität und mit welchen Potentialen wir haben, ist die Hälfte des Innovationsweges bereits erledigt – jetzt darf „gespielt“ werden.
Wenn wir wissen, welche Daten, in welcher Qualität und mit welchen Potentialen wir haben, ist die Hälfte des Innovationsweges bereits erledigt – jetzt darf „gespielt“ werden.
Wo ist nun die Innovation?
Die Innvoation steckt oftmals im eigenen Unternehmen mit seinen eigenen Daten.
Die eigenen Mitarbeiter liefern unglaublich viel Informationen ZU den Daten und hier sind enorme Potentiale. Informationen, die nicht digital zu finden sind. Erfahrungen, Empfehlungen, Wünsche.
Nur wer seine Daten kennt, kann diese auch optimiert nutzen.
Kann sie ergänzen, neues kreieren, neue Geschäftsmodelle entdecken, Datenanbieter werden etc.
Wenn wir wissen, welche Daten, in welcher Qualität und mit welchen Potentialen wir haben, ist die Hälfte des Innovationsweges bereits erledigt – jetzt darf „gespielt“ werden.
-Ziele: Erhöhung Datenqualität, Erkennen von Daten-Optimierungspotentialen, neue Geschäftsmodelle, neue Datennutzungsmöglichkeiten
Glossar: gibt Aufschluss über die fachlichen Objekte – dient als Basis zum FDM
Stakeholder/Personas: wer produziert, verändert Daten, wer konsumiert die Daten
Prozesse/Use Cases: wo entstehen die Daten, wo werden sie verändert, angereichert.
Fachdatenmodell: über dieses Modell wird das eigentlich Business dargestellt. Objekte, Attribute und Beziehungen aus dem IST. Veränderungen im Datenbereich finden sich auch Fachdatenmodell wieder
Funktionale Anforderungen/nicht funktionale Anforderungen/User Stories
GUIs/MockUps - bildlichmachen der Daten auf Oberlächen (Basis ist das FDM)
Statidiagramm: wann und wo verändern sich Daten. Wann und wo wir ein Prozess eingeleitet, weitergeführt oder beendet.
Datenflußdiagramm: Darstellung des Datenlifecycles.
Wo ist nun die Innovation?
Die Innvoation steckt oftmals im eigenen Unternehmen mit seinen eigenen Daten.
Die eigenen Mitarbeiter liefern unglaublich viel Informationen ZU den Daten und hier sind enorme Potentiale. Informationen, die nicht digital zu finden sind. Erfahrungen, Empfehlungen, Wünsche.
Nur wer seine Daten kennt, kann diese auch optimiert nutzen.
Kann sie ergänzen, neues kreieren, neue Geschäftsmodelle entdecken, Datenanbieter werden etc.
Wenn wir wissen, welche Daten, in welcher Qualität und mit welchen Potentialen wir haben, ist die Hälfte des Innovationsweges bereits erledigt – jetzt darf „gespielt“ werden.
Last Minute Angebote mit zusätzlichen Infos Wettervorhersage in der Destination Wochenkarte, Veranstaltungen des Hotels