In der Administration werden täglich Bestellungen oder andere Dokumente manuell verarbeitet. In der Produktion sollen Maschinendaten helfen, Ausfälle frühzeitig zu erkennen. Oder irgendwo im Unternehmen schlummern seit Jahren Daten, bei denen alle vermuten, dass sich damit etwas machen lassen müsste.
Vielleicht kennst du diese Situation. Eine Idee dazu ist schnell formuliert. Doch dann beginnen die Fragen.
Welches Problem lösen wir genau? Wer nutzt das Ergebnis? Welche Daten brauchen wir? Sind diese überhaupt vorhanden und gut genug? Was kostet die Lösung und welcher Nutzen steht diesem Aufwand gegenüber? Ist die Lösung überhaupt umsetzbar?
Genau dafür habe ich den Data Business Canvas entwickelt. Er ist aus über zehn Jahren praktischer Erfahrung mit datengetriebenen Projekten und vielen «Lessons Learned» entstanden.
Er hilft dir, Anwendungsfälle rund um Daten, Analytics und KI strukturiert zu entwickeln, die entscheidenden Fragen früh zu stellen und Business und Technologie zusammenzubringen.
Alle Perspektiven auf einer Seite
Die Grundidee ist vom bekannten Business Model Canvas inspiriert. Seine Stärke liegt für mich vor allem darin, dass unterschiedliche Perspektiven auf einer Seite zusammenkommen, auf einer Abstraktionsebene, die Business und IT verstehen. Genau das ist bei Datenprojekten besonders wertvoll.
Der Fachbereich kennt das Problem und den heutigen Ablauf. Die IT versteht Systeme, Datenquellen und Schnittstellen. Daten-Spezialisten beurteilen Datenqualität, Methoden und technische Machbarkeit. Die Geschäftsleitung interessiert sich für Kosten, Risiken und den geschäftlichen Nutzen.
Der Data Business Canvas bringt diese Perspektiven zusammen. Alle betrachten denselben Anwendungsfall, aber aus ihrer Sichtweise.
Welches Problem steht am Anfang?
Stell dir ein Unternehmen vor, das täglich eine grössere Anzahl Bestellungen per E-Mail erhält. Mitarbeitende öffnen die Dokumente, suchen die relevanten Angaben heraus, übertragen sie ins ERP und prüfen anschliessend, ob alles korrekt erfasst wurde.
Eine Idee liegt auf der Hand: Die Dokumente sollen künftig automatisch verarbeitet werden. Doch bevor du über die Lösung nachdenkst, lohnt sich ein genauer Blick auf das Problem.
Wie viel Aufwand verursacht die manuelle Verarbeitung tatsächlich? Wo entstehen Fehler? Welche Dokumente verursachen besonders viel Arbeit? Welche Informationen werden benötigt? Wie häufig treten Ausnahmen auf?
Vielleicht zeigt sich, dass die Erfassung selbst gar nicht das grösste Problem ist. Möglicherweise fehlen auf vielen Bestellungen Angaben und Mitarbeitende müssen diese beim Kunden nachfragen. Oder Produktbezeichnungen des Kunden müssen zuerst den eigenen Artikelnummern zugeordnet werden. Plötzlich sieht der Anwendungsfall anders aus. Genau deshalb beginnt der Canvas beim Problem.
Betrachte dabei auch die bestehenden Alternativen. Wie wird die Aufgabe heute erledigt? Welche Systeme und Hilfsmittel werden bereits verwendet? Was funktioniert gut und wo entstehen tatsächlich Reibungsverluste? Eine neue Lösung tritt nicht gegen «nichts» an. Sie muss einen relevanten Vorteil gegenüber dem heutigen Vorgehen schaffen.
Und was soll am Ende passieren?
Ein Bereich des Canvas ist mir besonders wichtig: Der «Actionable Outcome» oder die etwas sperrige deutsche Übersetzung «Handlungsorientiertes Ergebnis».
Bleiben wir bei unseren Bestellungen. Das Erkennen von Kundennummer, Artikel, Menge und Lieferdatum ist die Grundlage. Die interessante Frage aber ist: Was soll anschliessend passieren? Vielleicht werden die Informationen automatisch ins ERP übertragen und ein Auftrag angelegt. Vielleicht werden sie zuerst Mitarbeitenden zur Kontrolle angezeigt. Vielleicht erkennt das System fehlende Angaben und bereitet eine Rückfrage an den Kunden vor. Erst jetzt wird daraus ein konkreter Geschäftsprozess.
Du darfst zu Beginn durchaus ambitioniert denken. Frage dich nicht zuerst, was mit den heutigen Daten und Systemen gerade noch machbar erscheint. Formuliere zunächst das Wunschziel, ein Ergebnis, von dem du weisst, dass es für Kunden, Mitarbeitende oder das Unternehmen einen wirklich grossen Mehrwert schaffen würde. Erst danach geht es darum, dieses Ziel mit der Realität abzugleichen.
Du solltest einen Anwendungsfall deshalb immer auch rückwärts betrachten:
- Welche Aktion oder Entscheidung soll am Ende stehen?
- Welche Information wird dafür benötigt?
- Wo und wann muss sie zur Verfügung stehen?
- Welche Daten benötigen wir, um diese Information zu erzeugen?
Finde den Sweet Spot
Jetzt kommen wir zu einer Besonderheit datengetriebener Anwendungen.
Bei Daten, Analytics und KI lässt sich zu Beginn nicht immer zuverlässig bestimmen, ob der gewünschte «Actionable Outcome» überhaupt erreichbar ist. Datenprojekte besitzen deshalb meist einen explorativen Charakter.
Deshalb solltest du früh kritisch prüfen:
- Welche Daten sind vorhanden?
- Wie vollständig und aktuell sind sie?
- Wie repräsentativ sind sie?
- Wie einfach sind sie zu verarbeiten?
- Dürfen wir sie überhaupt verwenden?
Gleichzeitig müssen Technologie und Machbarkeit früh auf den Prüfstand und dabei dürfen auch Varianten besprochen werden, die nicht ganz so spektakulär klingen. Nicht immer ist gleich Spitzentechnologie oder das leistungsfähigste Modell notwendig. In datengetriebenen Anwendungen kann es vorkommen, dass ein Spezialisten-Team in monatelanger Arbeit 80% Genauigkeit erreicht und der Kollege nebenan mit Excel in ein paar Tagen 75%.
Ebenso gehört die wirtschaftliche Seite auf den Tisch:
- Was kostet ein Proof of Concept oder Pilot?
- Welche Spezialisten, Technologien und Systeme werden benötigt?
- Wie aufwendig wird der spätere Betrieb und die Pflege?
- Welche Risiken entstehen und wie kritisch wären Fehler?
- Welcher messbare Nutzen steht diesem Aufwand gegenüber?
Vielleicht dauert die manuelle Bearbeitung einer Bestellung heute fünf Minuten. Bei 20 Bestellungen pro Woche ist eine aufwendige Automatisierung kaum interessant. Bei 2’000 Bestellungen sieht die Rechnung ganz anders aus.
Darum empfehle ich dir, immer nach dem Sweet Spot zu suchen. Das ist der Punkt, an dem Nutzen, Machbarkeit, Datenqualität, Kosten, Risiken und Komplexität in einem vernünftigen Verhältnis stehen. Das gewünschte Minimalziel muss mit den vorhandenen Daten, Methoden und Werkzeugen in überschaubarer Zeit und zu einigermassen abschätzbaren Kosten erreichbar sein.
Zuerst formulierst du also das wünschbare Ergebnis. Danach prüfst du, welcher Teil davon unter realen Bedingungen sinnvoll erreichbar ist.
Pareto mit Mensch & KI
Die Berichterstattung zu KI führt leider oft zu unrealistischen Erwartungen. Manchmal entsteht fast der Eindruck, eine KI funktioniere wie eine Art Magie, die von sich aus einen Task oder einen Prozess automatisieren könne. Enttäuschungen sind da bereits vorprogrammiert.
Grundsätzlich halte ich die Vorstellung einer 100%-Lösung in datengetriebenen Anwendungen für keinen guten Startpunkt. Hier lohnt sich ein Blick auf das Pareto-Prinzip. Nehmen wir an, ein System könnte 80% der eingehenden Bestellungen sehr zuverlässig verarbeiten. Was machen wir mit den restlichen 20%? Der erste Reflex lautet häufig: Wir verbessern das System so lange, bis möglichst alles automatisch funktioniert. Doch genau hier kann es teuer werden.
Nach meiner Erfahrung steigt der Aufwand bei datengetriebenen Anwendungen häufig überproportional, je näher man an eine vollständige Automatisierung kommen will.
Vielleicht enthalten einige Bestellungen handschriftliche Ergänzungen. Wieder andere enthalten Sonderkonditionen, die erfahrene Mitarbeitende sofort verstehen, die aber nur mit erheblichem Aufwand automatisiert werden könnten.
Damit stellt sich eine wichtige Frage: Müssen wir diese Fälle überhaupt automatisieren? Vielleicht ist eine andere Lösung wesentlich besser. Das System verarbeitet die eindeutigen Bestellungen automatisch. Unsichere Fälle werden erkannt, relevante Informationen bereits aufbereitet und Mitarbeitenden zur Prüfung vorgelegt.
Genau hier wird das Zusammenspiel von Mensch und KI besonders interessant. In vielen Anwendungsfällen ist das wirtschaftlicher und robuster als der Versuch einer vollständigen Automatisierung. Dabei geht es nicht darum, den Menschen zu ersetzen, sondern ihn von Routineaufgaben zu entlasten und seine Fähigkeiten, seine Erfahrung und sein Wissen mit Technologie sinnvoll zu erweitern.
So arbeitest du mit dem Canvas
Der Canvas ist kein Formular, das du vollständig ausfüllen musst. Er ist eine gemeinsame Denk- und Arbeitsfläche. Nicht jede Frage ist für jeden Anwendungsfall gleich wichtig. Entscheidend ist, dass du Zusammenhänge erkennst, Annahmen hinterfragst und offene Punkte sichtbar machst.
Nutze ihn als Arbeitsinstrument im Team. Hole die relevanten Perspektiven an einen Tisch. Beginnt beim Problem und beim gewünschten Ergebnis. Arbeitet euch anschliessend durch Zielgruppe, bestehende Alternativen, mögliche Lösung und Datenquellen. Betrachtet Kosten und Ressourcen genauso kritisch wie Nutzen und Kennzahlen. Arbeitet mit Hypothesen statt mit vermeintlichen Gewissheiten.
Fragt euch dabei auch: Woran erkennen wir später, ob der Anwendungsfall tatsächlich funktioniert und den erwarteten Nutzen schafft?
Der Canvas soll nicht möglichst schnell vollständig werden. Er soll zeigen, was ihr bereits wisst und was ihr noch herausfinden müsst. Und er darf sich verändern.
Vielleicht zeigt die Analyse der Daten, dass das ursprüngliche Ziel unrealistisch ist. Vielleicht entdeckt ihr eine einfachere Lösung. Vielleicht stellt ihr fest, dass nicht die vollständige Automatisierung, sondern eine intelligente Unterstützung der Mitarbeitenden den grössten Nutzen bringt. Dann passt den Canvas an, geht in die nächste Runde und macht ihn schrittweise besser.
Fazit
Daten, Analytics und Künstliche Intelligenz eröffnen Unternehmen viele Möglichkeiten. Doch zwischen einer interessanten Idee und einem erfolgreichen Anwendungsfall liegen einige entscheidende Fragen.
Der Data Business Canvas bringt diese Fragen auf einer Seite zusammen. Er verbindet Problem und Lösung mit Benutzern, Daten, konkreten Aktionen, Machbarkeit, Kosten und wirtschaftlicher Wirkung. Damit schafft er eine gemeinsame Grundlage und zeigt dir nicht nur, was du weisst, sondern vor allem, was du als Nächstes herausfinden musst.
Beginne mit einer ambitionierten Vorstellung davon, welchen Nutzen du schaffen möchtest. Prüfe Daten, Machbarkeit, Risiken und Wirtschaftlichkeit kritisch. Suche den Sweet Spot zwischen Wunsch und Realität.
Lade hier den Data Business Canvas herunter
3 Fragen für dich
- Wo in deinem Unternehmen könnten Daten oder KI helfen, Entscheidungen zu verbessern oder wiederkehrende Arbeiten zu vereinfachen?
- Welcher «Actionable Outcome» würde für dein Unternehmen einen grossen Mehrwert schaffen, unabhängig davon, ob du heute schon weisst, wie er technisch umgesetzt werden kann?
- Wo versuchst du vielleicht 100% zu erreichen, obwohl eine einfachere Lösung bereits den entscheidenden Nutzen liefern würde?
