<< Zurück zur Übersicht

Design Thinking und Datenwissenschaft: 1+1=3?

Um für die Kunden relevant zu bleiben, führen Unternehmen nach Belieben Innovationen durch. Design Thinking ist eine gängige Methode, um von komplexen Herausforderungen zu innovativen Lösungen zu gelangen. Design Thinking wird daher in vielen innovativen Organisationen eingesetzt.

Data Scientists sind Datenspezialisten mit Kenntnissen in Programmiersprachen und Statistik. Dank ihres Fachwissens sind sie in der Lage, schneller als je zuvor neue Erkenntnisse und Lösungen zu entwickeln. Infolgedessen sind Data Scientists auch häufig an innovativen Projekten beteiligt.

Wenn Design Thinker und Data Scientists gemeinsam an Innovationen arbeiten, stellt sich schnell die Frage, wie sich die beiden Perspektiven gegenseitig verstärken können.

Sowohl Design Thinker als auch Data Scientists können unabhängig voneinander wertvolle Innovationen erzielen, aber was ist, wenn man seine Kräfte bündelt?

Die Dateninjektion: Wie die Datenwissenschaft den Design Thinking Prozess unterstützen kann

Design Thinking ist eine auf den Menschen ausgerichtete Methode, um zu Innovationen zu gelangen. Aus einem tiefen Verständnis für die von einem Problem Betroffenen entstehen Ideen für neue Lösungen.

Die Entwicklung dieses tiefen Verständnisses wird oft als „Empathiephase“ bezeichnet. In dieser Phase führt ein Design Thinker viele Gespräche mit den Beteiligten, beobachtet, taucht in die Welt anderer Menschen ein, betrachtet verschiedene Perspektiven und versucht, die Bedürfnisse wirklich zu verstehen.

Ein häufiger Kritikpunkt am Design Thinking ist, dass die Informationen, die zur Entwicklung neuer Ideen verwendet werden, meist qualitativer (und nicht quantitativer) Natur sind. Hier kommt die Datenwissenschaft ins Spiel.

Was genau kann ein Data Scientist in jeder Phase des Design Thinking Prozesses beitragen?

  • Phase 1: Empathie für die Betroffenen. Während ein Design Thinker zum Beispiel Interviews führt und beobachtet, kann ein Data Scientist so viele Datenquellen wie möglich sammeln und Daten „schürfen“. Algorithmen des maschinellen Lernens können ermitteln, welche Faktoren zu einem Problem beitragen, und so den Fokus bei der Problemdefinition setzen (nächste Phase). Erkenntnisse aus Daten können vom Design Thinker genutzt werden, um gezielt die richtigen Fragen zu stellen. Außerdem können die Vermutungen des Design Thinkers durch die Daten, die dem Data Scientist zur Verfügung stehen, bestätigt oder widerlegt werden. Dies bietet eine solide Grundlage für Innovationen.

  • Phase 2: Definieren Sie das Problem, das gelöst werden soll. Anhand der gesammelten Daten kann der Umfang des Problems quantitativ bestimmt werden. Das ist kein Muss, aber wenn möglich, ist es gut.

  • Phase 3: Entwicklung von Ideen. In dieser kreativen Phase werden so viele Lösungswege wie möglich vorgeschlagen und erkundet. Bis heute ist diese schöpferische Phase eine Phase, die von Menschen durchgeführt wird. Dank immer intelligenterer Algorithmen des maschinellen Lernens ist es jedoch nicht undenkbar, dass auch Software in Zukunft Lösungen finden kann.

  • Phase 4: Auswahl einer Lösungsrichtung und Erstellung eines Prototyps. In diesem Stadium kann ein Data Scientist bestimmte Lösungsrichtungen quantifizieren und visualisieren, sodass eine bessere Wahl getroffen werden kann.

  • Phase 5: Testen des Prototyps. In dieser Phase geben die Beteiligten ihr Feedback ab. Die daraus resultierenden Daten können vom Data Scientist analysiert werden. Außerdem kann er das Nutzerfeedback visualisieren, sodass die Erkenntnisse in die weitere Entwicklung einfließen.

Wie kann Design Thinking Data Scientists helfen?

Bisher hat es den Anschein, dass ein Design Thinker nur Defizite hat und dass diese Lücken durch den Data Scientist geschlossen werden. Aber das ist eine falsche Vorstellung.

Glücklicherweise haben auch Data Scientists Defizite und können viel von Design Thinkers lernen.

Data Scientists sind beispielsweise eher technisch orientiert. Data Scientist Kurse konzentrieren sich oft auf Datentechnik und Statistik und weniger auf soziale und kommunikative Fähigkeiten. Außerdem ist die Arbeit eines Data Scientist (hinter dem Computer) so beschaffen, dass man per definitionem weniger mit den Geschehnissen „im Unternehmen“ in Berührung kommt.

Wenn ein Data Scientist bei der Durchführung einer Analyse dem Design Thinking Prozess folgt, ist er oder sie beispielsweise hierzu gezwungen:

  • mit den Stakeholdern sprechen,
  • sich mit den Lebensstilen der Betroffenen auseinandersetzen,
  • Brainstorming mit anderen Disziplinen
  • und um Feedback zu den Lösungswegen bitten.

Autor

Mehr blogs

Gepostet in

Trainingsangebote

Klicken Sie auf das Bild, um alle unsere Agile- und Scrum-Kurse anzuzeigen.

Laden Sie unser Scrum Sprint Package kostenlos herunter und starten Sie noch heute.

Ja, ich möchte die neuesten Agile Updates erhalten!

Scrum Sprint Package Banner

Füllen Sie das Formular aus und Sie erhalten das Sprint Package per E-Mail.

Neugierig auf Scrum?

Fordern Sie unverbindlich und kostenlos das Whitepaper an!