Datové myšlení - Data thinking

Datové myšlení je obecný mentální vzorec pozorovaný během procesů vybírání subjektu k zahájení, identifikace jeho částí nebo složek, jejich organizování a popis informativním způsobem, který je relevantní pro to, co motivovalo a iniciovalo celý proces.

V souvislosti s vývojem a inovacemi nových produktů lze Data Thinking popsat takto: Data Thinking je rámec pro zkoumání, navrhování, vývoj a ověřování datově orientovaných řešení a podniků se zaměřením na uživatele, data a budoucnost. Data Thinking kombinuje Data Science s Design Thinking, a proto se tento přístup nesoustředí pouze na technologie analýzy dat a sběr dat, ale také na návrh řešení zaměřených na použití s ​​vysokým obchodním potenciálem. [1][2][3][4]

Termín vytvořili Mario Faria a Rogerio Panigassi v roce 2013, když psali knihu o datové vědě, analytika dat, správa dat a to, jak odborníci v oblasti dat dokázali dosáhnout svých cílů.

Hlavní fáze myšlení dat

I když zatím neexistuje žádný standardizovaný proces pro Data Thinking, hlavní fáze procesu jsou v mnoha publikacích podobné a lze je shrnout následovně:

Vyjasnění strategického kontextu a definice oblastí zaměřených na rizika a příležitosti založené na datech

Během této fáze je analyzován širší kontext digitální strategie. Než začneme s konkrétním datovým projektem, je důležité pochopit, jak nové technologie založené na datech a AI ovlivňují obchodní prostředí a jaké to má důsledky pro budoucnost organizace. Analýza trendů / Technologické předpovědi a plánování scénářů / analýza, jakož i interní hodnocení schopnosti dat jsou hlavními technikami, které se v této fázi obvykle používají. [5][3]

Myšlenka / průzkum

Výsledkem dřívější fáze je definice oblastí zaměření, které jsou buď nejslibnější, nebo jsou vystaveny nejvyšším rizikům pro transformaci založenou na datech nebo kvůli ní. Ve fázi nápadu / průzkumu jsou definovány konkrétní případy použití pro vybrané oblasti zaměření. Pro úspěšnou myšlenku je důležité kombinovat informace o organizačních (obchodních) cílech, potřebách interního / externího použití, potřebách dat a infrastruktury, jakož i znalosti domény o nejnovějších technologiích a trendech založených na datech.[6][2]

Principy Design Thinking v kontextu Data Thinking lze interpretovat následovně: při vývoji myšlenek založených na datech je zásadní vzít v úvahu průnik technické proveditelnosti, dopadu na podnikání a dostupnosti dat. V této fázi jsou široce používány typické nástroje Design Thinking (např. Uživatelský průzkum, persony, cesta zákazníka). [7]

Zde však nelze brát v úvahu pouze uživatelské, zákaznické a strategické potřeby organizace. Analýza potřeb dat a dostupnosti dat, jakož i výzkum v oblasti technologií AI vhodných pro řešení založená na datech jsou základními praty úspěšného procesu vývoje. [8]

Aby bylo možné rozšířit rozsah dat a technologického základu řešení, postupy z mezioborového standardního procesu těžby dat (CRISP-DM ) se v této fázi obvykle používají. [9]

Prototypování / ověření koncepce

Během předchozích fází byl vyvinut hlavní koncept datového řešení. V aktuálním kroku ověření konceptu provádí se za účelem ověření jeho proveditelnosti. Tato fáze také využívá prototypový rámec Design Thinking a zahrnuje test, vyhodnocení, iteraci a zdokonalení.[10] Během této fáze se také kombinují principy prototypového designového myšlení s procesními modely, které se používají v projektech Data Science (např.CRISP-DM).[5]

Měření dopadu na podnikání

Nejen proveditelnost řešení, ale také jeho ziskovost je prokázána během procesu Data Thinking. Analýza nákladů a přínosů a Obchodní případ Během tohoto kroku se běžně používají výpočty.[11]

Implementace a zdokonalování

Pokud vyvinuté řešení prokáže během této fáze proveditelnost a ziskovost, bude implementováno a zprovozněno. [1][3]

Reference

  1. ^ A b „Proč společnosti potřebují Data Thinking?“. 2020-07-02.
  2. ^ A b „Data Thinking - Mit neuer Innovationsmethode zum datengetriebenen Unternehmen“ [S novými inovačními metodami pro společnost založenou na datech] (v němčině).
  3. ^ A b C „Data Thinking: Průvodce úspěchem v digitálním věku“.
  4. ^ Herrera, Sara (2019-02-21). „Data-Thinking als Werkzeug für KI-Innovation“ [Myšlení dat jako nástroj pro inovace KI]. Handelskraft (v němčině).
  5. ^ A b Schnakenburg, Igor; Kuhn, Steffen. "Data Thinking: Daten schnell produktiv nutzen können". LÜNENDONK-Magazin "Künstliche Intelligenz" (v němčině). 05/2020: 42–46.
  6. ^ Nalchigar, Soroosh; Yu, Eric (01.09.2018). „Business-driven data analytics: A conceptual modeling framework“. Datové a znalostní inženýrství. 117: 359–372. doi:10.1016 / j.datak.2018.04.006. ISSN  0169-023X.
  7. ^ Woods, Rachel (2019-03-22). „Myšlení myšlení v oblasti designu pro datovou vědu“. Střední. Citováno 2020-07-08.
  8. ^ Fomenko, Elena; Mattgey, Annette (12.05.2020). „Byl macht eigentlich… ein Data Thinker?“. W & V. Němec.
  9. ^ Marbán, Óscar; Mariscal, Gonzalo; Menasalvas, Ernestina; Segovia, Javier (2007). Yin, Hujun; Tino, Peter; Corchado, Emilio; Byrne, Will; Yao, Xin (eds.). „Inženýrský přístup k projektům dolování dat“. Inteligentní datové inženýrství a automatické učení - IDEAL 2007. Přednášky z informatiky. Berlín, Heidelberg: Springer. 4881: 578–588. doi:10.1007/978-3-540-77226-2_59. ISBN  978-3-540-77226-2.
  10. ^ Brown, Tim Wyatt, Jocelyn (01.07.2010). „Design Thinking for Social Innovation“. Dosah rozvoje. 12 (1): 29–43. doi:10.1596 / 1020-797X_12_1_29. ISSN  1020-797X.
  11. ^ „Data-Thinking - das Potenzial von Daten richtig nutzen“. t3n Magazin (v němčině). 08.09.2018. Citováno 2020-07-08.