Mit Insights Collaboration Space (ICSpace) haben das John Deere European Technology Innovation Center (ETIC) und das Fraunhofer IESE die erste Kollaborations-App für interdisziplinäre Teams entwickelt, die gemeinsam an datengetriebenen digitalen Diensten arbeiten.
Letzte Änderung:
Data Science und Künstliche Intelligenz (KI) sind in aller Munde und bieten im Zusammenhang mit Digitalen Ökosystemen ein großes Potenzial für neuartige Geschäftsmodelle. Die meisten Unternehmen besitzen bereits sehr viele Daten und daher ist es naheliegend, diesen Datenschatz zu heben. Obwohl das Thema mittlerweile eine sehr hohe Priorität genießt, auch auf Geschäftsleitungsebene, wird es leider häufig nur sehr technisch angegangen. Beispielsweise werden blind sämtliche Daten in groß angelegten Data Lakes gespeichert. Oder es wird der Versuch unternommen, sämtliche Datenquellen und Daten im Unternehmen allumfassend zu dokumentieren und zu katalogisieren. Selten sind solche Vorhaben erfolgreich oder werden jemals zufriedenstellend abgeschlossen. Das Resultat ist außerdem eine überwältigende Menge von Daten und Datenquellen. Davon ausgehend ist es ausgesprochen herausfordernd, einen digitalen Dienst zu entwickeln, der dem Endnutzer einen echten Mehrwert bietet. Eher selten können Data Scientists auf Anhieb so spektakuläre Korrelationen finden, wie die der amerikanischen Supermarktkette, die die Schwangerschaft eines Teenagers vorhersagen konnte, bevor der Vater des Teenagers etwas von der Schwangerschaft ahnte. Nach unseren Erfahrungen werden bei diesem »Bottom-Up«-Vorgehen häufig lediglich bereits hinlänglich bekannte oder offensichtliche Zusammenhänge gefunden.
Viel entscheidender ist die Frage, wie man zielgerichtet und gleichzeitig agil an das Thema herangehen kann. Ausgangspunkt sämtlicher Überlegungen sollte immer der direkte Kundennutzen sein. Daher ist es wichtig, wie im Design Thinking üblich, zunächst ein vertieftes Problemverständnis zu entwickeln, um im wahrsten Sinne des Wortes »ein Gefühl dafür zu bekommen«, mit welchen Problemen und Herausforderungen der Endkunde tatsächlich kämpft. Darauf aufbauend können im Rahmen sogenannter Innovationsworkshops, in denen verschiedene Kreativitätstechniken und Übungen zum Einsatz kommen, schnell mehrere hundert Ideen zusammenkommen. Ausgehend von den vielversprechendsten Ideen besteht die größte Herausforderung darin, schnell und zielgerichtet zu einer Bewertung zu kommen, ob die technische Machbarkeit der am höchsten priorisierten Ideen gegeben ist oder nicht. Um dieses Vorgehen zu formalisieren, sprechen wir von »Data Science Significant Requirements«, also von nicht-funktionalen Anforderungen, die bei datengetriebenen digitalen Diensten erfüllt sein müssen, damit die technische Machbarkeit gegeben ist. Konkret werden Data Science Significant Requirements verwendet, um zu spezifizieren, welche Daten grundsätzlich benötigt werden und in welcher Qualität, Auflösung, Frequenz und Menge sie vorhanden sein müssen, damit die eingesetzten statistischen Verfahren zufriedenstellende Ergebnisse liefern oder beispielsweise Neuronale Netze ausreichend trainiert werden können. Die konkrete Ausgestaltung dieser nicht-funktionalen Anforderungen ist sehr stark abhängig von der Fachlichkeit und von den Qualitätsanforderungen, die an den digitalen Dienst, beispielsweise im Zusammenhang mit der Vorhersagegenauigkeit, gestellt werden. Fakt ist jedoch, dass diese nur im Team und im Zusammenspiel verschiedenster Experten (Fachexperten, Data Scientists, Statistiker, Software Ingenieure, Juristen, ..) erarbeitet und evaluiert werden können. Software Engineering war schon immer Teamwork, aber im Zeitalter von Data Science und KI gilt dies umso mehr.
Damit der zu entwickelnde datengetriebene Dienst Insights auf einem hohen fachlichen Niveau generieren kann, die tatsächlich »wertvoll« für den Endnutzer sind, muss im gesamten Team sowohl ein sehr hohes fachliches Verständnis als auch eine ausgeprägte Empathie für die tatsächlichen Probleme und Bedürfnisse des Endnutzers vorhanden sein. Dies bedeutet, dass die verschiedenen Expert*innen im Team in hohem Maße interdisziplinär und interaktiv zusammenarbeiten müssen. Und dies gilt in deutlich stärkerem Maße, als dies bislang in Software-Engineering-Projekten der Fall war.
Mit Insights Collaboration Space (ICSpace) haben das John Deere European Technology Innovation Center (ETIC) und das Fraunhofer IESE die erste Kollaborations-App für interdisziplinäre Teams entwickelt, die gemeinsam an datengetriebenen digitalen Diensten arbeiten. Die App läuft in der Cloud und ist dank modernster Webtechnologie einfach und intuitiv zu bedienen. Dies gilt insbesondere auch für Expert*innen mit weniger stark ausgeprägtem technischen Hintergrund. Die App bietet eine sehr einfache grafische Notation, die den Nutzenden dabei unterstützt, die Datenverarbeitungspipeline konzeptionell soweit aufzubauen, dass die Data Science Significant Requirements sehr einfach abgeleitet werden können. Das Ergebnis ist ein sogenannter »Data Dependency Tree«, der die Abhängigkeiten zwischen den einzusetzenden Verfahren (z.B. maschinelle Lernverfahren oder statistische Verfahren) und den benötigten Daten (»Datasets«) aufzeigt. .
Ausgangspunkt und Wurzel des Data Dependency Tree ist immer ein konkretes Bedürfnis des Endkunden, formuliert als sogenannte »Business Question«. Dies unterstützt die Fokussierung des Teams bei der Analyse der technischen Machbarkeit. Davon ausgehend wird der Data Dependency Tree bis auf die unterste Ebene der Datenquellen aufgebaut. Dadurch bekommt das Team einen einfachen visuellen Indikator, um zu erkennen, ob die grundlegenden Data Science Significant Requirements erfüllt sind oder nicht.
Noch mehr Infos zu ICSpace und den Kollaborationsmöglichkeiten sind in folgendem kurzen Video zu finden:
Wir haben ICSpace über mehrere Jahre entwickelt. Von Beginn an haben wir die App in unseren Projekten eingesetzt, um kontinuierlich wertvolles Feedback für die Weiterentwicklung zu generieren. Dabei konnten Teammitglieder mit technischem und nicht-technischem Hintergrund gleichermaßen gut damit arbeiten. Domänenexpert*innen und Mitarbeitende aus dem Marketing formulieren häufig die Business Questions, inklusive der zugehörigen Qualitätsanforderungen. Außerdem liefern die Domänenexperten normalerweise einen ersten groben Entwurf des Data Dependency Tree, der sich am Anfang sehr stark an der Fachlichkeit orientiert. Software-Ingenieure verfeinern diesen Entwurf dann mit konkreten Datenquellen, dokumentieren erste Datasets und Schritte, wie die Datasets aus den Datenquellen extrahiert werden können. Data Scientists evaluieren anschließend verschiedene Verfahren auf den Datasets und dokumentieren die Ergebnisse. Die Evaluation verschiedener alternativer Realisierungsmöglichkeiten der Datenverarbeitung wird von der App auf einfache Art und Weise direkt unterstützt. Teammitglieder haben außerdem die Möglichkeit, offene Punkte direkt im Baum zu dokumentieren und können auf diese Weise Übergaben und Abstimmungen im Team einfacher steuern. Außerdem konnten wir ICSpace sehr gut in unseren agilen Entwicklungsprozess integrieren. Die technische Machbarkeit von datengetriebenen Diensten wird in sogenannten Runway-Sprints evaluiert. Dabei wird der Data Dependency Tree über einige wenige Sprints vollständig aufgebaut (normalerweise 2-3 Sprints mit einer Dauer von jeweils zwei Wochen), bis klar ist, ob die technische Machbarkeit gegeben ist bzw. ob sämtliche Data Science Significant Requirements erfüllt werden können oder nicht.
Durch dieses Vorgehen konnten wir bei einigen Vorhaben zur Entwicklung von Diensten, die weitgehend durch das Management vorgegeben waren, sehr schnell auch gegenüber dem Management transparent machen, dass die Vorhaben zum aktuellen Zeitpunkt noch zu ambitioniert waren. Diese Projekte wurden dann aus nachvollziehbaren und dokumentierten Gründen vorläufig gestoppt. Häufigste Ursache war, dass benötigte Daten nicht in ausreichender Qualität und Menge vorhanden waren. ICSpace leistet damit auch eine großartige Hilfestellung bei der Entwicklung von langfristigen Strategien im Zusammenhang mit der Bereitstellung oder Erzeugung bestimmter Datenquellen und Datasets. Auch unterstützt es sehr gut die Entscheidungsfindung, ob Partnerschaften mit bestimmten Datenprovidern im Hinblick auf die Produkt-Roadmap geschlossen werden sollten. Dass wir einige Vorhaben vorläufig stoppen mussten, ist zwar auf den ersten Blick schade, jedoch konnten wir dadurch wertvolle Entwicklungskapazitäten einsparen, die umsonst geflossen wären, wenn wir die Probleme im Zusammenhang mit der technischen Machbarkeit erst viel später im Entwicklungsprozess entdeckt hätten. Dadurch konnten wir uns zunächst auf diejenigen Features konzentrieren, die tatsächlich zum aktuellen Zeitpunkt technisch machbar waren, und die uns im Idealfall die entscheidende Datengrundlage liefern, um die nächste Generation unserer datengetriebenen Dienste zu entwickeln.
Insgesamt sind die Erfahrungen, die wir mit ICSpace gesammelt haben, durchweg positiv. Wir wollen die App auch anderen Firmen mit diesen Herausforderungen zugänglich machen. Nutzen Sie gerne die Kontaktmöglichkeiten auf unserer Website, wenn Sie das Produkt näher kennen lernen möchten.
Fraunhofer-Institut für Experimentelles Software Engineering IESE