Was ist ein Datenprodukt?

Datenprodukte werden anhand eines Product-Thinking-Ansatzes und unter Anwendung traditioneller Produktentwicklungsprinzipien entwickelt. Bei diesem Ansatz geht es darum, die Bedürfnisse der Benutzer zu verstehen, hochwertige Funktionen zu priorisieren und auf der Grundlage von Feedback zu iterieren. Letztlich werden Daten als ein Produkt behandelt, das zur Lösung bestimmter Benutzerprobleme entwickelt wurde. 

Datenprodukte sind so konzipiert, dass sie auffindbar, interoperabel und nutzbar sind. Sie ermöglichen es jedem – von Geschäftsanwendern und Datenanalysten bis hin zu Data Scientists, Data Stewards und Ingenieuren – aus den Daten eines Unternehmens einen Mehrwert zu ziehen. 

Das Konzept der Datenprodukte gewann 2019 an Bedeutung, als Zhamak Dehghani, ein Director of Technology bei der IT-Beratungsfirma ThoughtWorks, Datenprodukte als Kernkomponente der Data Mesh-Architektur vorstellte. Ein Datennetz ist eine dezentrale Datenarchitektur, die Daten nach bestimmten Geschäftsbereichen (wie Marketing, Vertrieb und Kundenservice) organisiert, um den Produzenten eines bestimmten Datensatzes mehr Eigenverantwortung zu übertragen. 

Um effektiv zu funktionieren, muss ein Datenprodukt mehrere Schlüsselmerkmale aufweisen:

McKinsey berichtet, dass datengesteuerte Unternehmen mit 23-facher Wahrscheinlichkeit Kunden gewinnen und mit 19-facher Wahrscheinlichkeit profitabel sind. Doch trotz der wachsenden Nachfrage nach datengestützter Entscheidungsfindung stehen viele Unternehmen weiterhin vor Hindernissen wie Datensilos, Anbieterbindung und Compliance-Risiken aufgrund unzureichender Data Governance Frameworks.

Um diese Herausforderungen zu bewältigen, haben einige Unternehmen einen Data-as-a-Product-Ansatz gewählt, bei dem Daten als verwalteter, konsumierbarer Vermögenswert und nicht als Nebenprodukt des Betriebs behandelt werden. 

Data-as-a-Product-Methoden betonen die Strukturierung und Verwaltung von Daten, um Geschäftsentscheidungen zu treffen und die Benutzererfahrung zu verbessern. Darauf aufbauend bieten Datenprodukte einen strukturierten Self-Service-Ansatz zur Datenverwaltung, der die Abhängigkeit von technischen Teams verringert und gleichzeitig die Entscheidungsfindung in Echtzeit unterstützt. 

Unternehmen, die in Datenprodukte investieren, können Verbesserungen beim Datenzugriff, Interoperabilität, Datenspeicher und Governance erfahren. Branchenübergreifend haben Datenprodukte das Potenzial, die Automatisierung zu verbessern, die datengesteuerte Entscheidungsfindung zu unterstützen und Unternehmen dabei zu helfen, ihre Datenstrategien mit langfristigen Geschäftszielen in Einklang zu bringen. Durch die Nutzung robuster Datenplattformen, Modelle für maschinelles Lernen und Visualisierungstools können Unternehmen Teams befähigen, ihre Daten zu maximieren. 

Datenprodukte erzielen diese Vorteile oft dadurch, dass sie verschiedene Rollen innerhalb eines Unternehmens stärken: 

• Data Scientists und KI-Ingenieure erhalten schnelleren Zugriff auf Daten und relevante Elemente, was die Entwicklung und Bereitstellung von KI- und ML-Lösungen beschleunigt. 

• Dateningenieure profitieren von automatisierten Tests, Bereitstellung und Datenpflege. So wird sichergestellt, dass die Pipelines die in den Verträgen für Datenprodukte festgelegten Standards für die Datenqualität und Service-Level-Agreements erfüllen. 

• Datenanalysten und Verbraucher erhalten zeitnahe, zuverlässige Daten, die auf ihre domänenspezifischen Bedürfnisse abgestimmt sind und schnell aktualisiert werden können, ohne von einem zentralen IT-Team abhängig zu sein. 

• Datenverwalter können mithilfe von Datenverträgen für eine strenge Governance und Compliance sorgen, indem sie klare Leitplanken setzen, die die Daten schützen und sicher halten. 

Die Art und Weise, wie Unternehmen Daten verwalten, hat sich von einem passiven, assetbasierten Ansatz zu einer aktiven, produktorientierten Strategie entwickelt.

In der Vergangenheit haben Unternehmen Daten in erster Linie als etwas betrachtet, das gesammelt und gespeichert werden muss. Bei diesem Ansatz werden die Daten in einem zentralen Data Warehouse oder Quellsystem gespeichert, nach Themenbereichen (z. B. Finanzen oder Marketing) geordnet und zentralisierten Teams zugewiesen. Der Erfolg wird oft am Datenvolumen gemessen, z. B. an den gespeicherten Terabytes, in der Hoffnung, dass die Mitarbeiter die Daten nutzen, wenn sie einfach mehr Daten haben. 

Metadaten werden jedoch normalerweise von IT-Abteilungen definiert und sind für Datennutzer nicht geschäftsfreundlich. Daher konzentrieren sich viele Bemühungen im Umgang mit Daten-Assets auf deskriptive Analysen und Berichte. Dabei wird rückblickend betrachtet, was passiert ist, statt die Daten proaktiv zur Lösung geschäftlicher Fragen zu nutzen. 

Im Gegensatz dazu verlagert die Betrachtung von Daten als Produkt den Fokus von der Speicher auf die Nutzung und Wertschöpfung. Datenprodukte durchlaufen einen Datenprodukt-Lebenszyklus und werden entworfen, getestet und wiederholt - ähnlich wie Softwareprodukte, die einer Agile- oder DataOps-Methodik folgen.  

Die Eigentümerschaft ist bereichsspezifisch (z. B. ein Marketingdatenprodukt, das von Marketingexperten verwaltet wird), wodurch die Daten relevant und qualitativ hochwertig bleiben. Außerdem werden die Daten für spezifische Nutzungsanforderungen kuratiert, mit umfangreichen Metadaten, die vom Unternehmen gesteuert werden. Dadurch wird sichergestellt, dass die Datenprodukte für die Geschäftsanwender leicht auffindbar und verständlich sind.

Da die Dateneigentümer die Verantwortung für die Datenprodukte übernehmen, werden die Nutzung, die Qualität und der aus einem Produkt abgeleitete Wert über Feedbackschleifen mit den Endnutzern kontinuierlich überwacht. 

Der Erfolg wird daran gemessen, wie Daten die Entscheidungsfindung verbessern, den Umsatz steigern oder die Kosten senken, und nicht einfach daran, wie viele Terabytes gespeichert werden. Infolgedessen können Datenproduktinitiativen Geschäftsfragen mit fortgeschrittener Analytik, wie z. B. prädiktiver und präskriptiver Modellierung, lösen. 

Ein gut strukturiertes Datenprodukt besteht aus mehreren Komponenten, die Funktionalität und Nutzbarkeit innerhalb des Datenökosystems eines Unternehmens ermöglichen: 

• Datenquellen: Die Herkunft der Daten, einschließlich Datenbanken, Data Warehouse, Data Lakes, Data Lakehouses oder Echtzeit-Datenströme. 

• Daten-Pipelines: Automatisierte Workflows, die für das Aufnehmen, Bereinigen, Transformieren und Laden von Daten in ein strukturiertes, für die Analyse geeignetes Format verantwortlich sind.

• Datenmodelle und Schemas: Definierte Strukturen, die die Daten im Unternehmen standardisieren und so die Zugänglichkeit und semantische Konsistenz verbessern. Diese verlassen sich oft auf SQL für Abfragen und Transformationen. 

• Schnittstellen und APIs: Mechanismen, die die Integration mit Geschäftsanwendungen und Apps erleichtern und einen nahtlosen und sicheren Datenzugriff gewährleisten. 

• Visualisierungen und Dashboards: Benutzerfreundliche Tools, die durch interaktive Berichte oder analytische Darstellungen Erkenntnisse gewähren und bei der Dateninterpretation helfen. 

• ML-Modelle: Prädiktive Algorithmen, die Muster in den Daten analysieren und fundierte Entscheidungsfindung durch fortschrittliche Datenverarbeitung unterstützen. 

• Sicherheits- und Verwaltungskontrollen: Richtlinien und Maßnahmen, die die Einhaltung der Data Governance sicherstellen, die Datenabstammung verfolgen und Zugriffskontrollen verwalten, um die Datenintegrität und -sicherheit zu gewährleisten. 

Datenprodukte können basierend auf der Qualität und dem Verfeinerungsgrad der Daten kategorisiert werden. Zu den Arten von Datenprodukten gehören: 

Durch die Indem sie einem strukturierten Produktmanagement Lebenszyklus folgen, können Datenteams Datenprodukte erstellen, die kontinuierlich wertvoll und skalierbar sind und sich an die sich entwickelnden Geschäftsanforderungen anpassen. 

​Zu den wichtigsten Phasen des Lebenszyklus eines Datenprodukts gehören: 

1. Definieren: Definieren Sie das Geschäftsziel, den Anwendungsfall, die Designspezifikation und den Datenvertrag. Dazu gehören Attribute wie Bedingungen, Konditionen und Service Level Agreements. 
   
   
2. Entwicklung: Erstellen Sie die Datenproduktkomponenten wie Tabellen, Ansichten, Modelle, Dateien und Dashboards. Testen Sie dann anhand des Datenvertrags. 
   
   
3. Paket: Kuratieren Sie die Datenprodukt-Komponenten in einem wiederverwendbaren Paket, das mit geschäftlichen und technischen Metadaten angereichert ist, damit sie in einem Datenkatalog oder einem anderen Datenspeicher-Tool leicht zu finden sind.
   
   Paketieren: Kuratieren Sie die Komponenten des Datenprodukts zu einem wiederverwendbaren Paket, das mit geschäftlichen und technischen Metadaten angereichert ist, damit es in einem Datenkatalog oder einem anderen Datenspeicher-Tool leicht zu finden ist.
   
   
4. Verwalten: Verwalten Sie die Zugriffsberechtigungen für das Datenprodukt gemäß dem Datenvertrag. 
   
   
5. Veröffentlichen: Veröffentlichen Sie Ihr Datenprodukt in einem Portal zur Entdeckung.  
   
   
6. Konsumieren: Ermöglichen Sie Verbrauchern im gesamten Unternehmen den einfachen Zugriff auf das Datenprodukt, um verschiedene Probleme zu lösen. Sammeln Sie Kundenfeedback für Verbesserungen in zukünftigen Versionen.​ 
   
   
7. Überwachen und iterieren: Führen Sie laufende Aktivitäten wie die Überwachung von Nutzung, Qualität und Zugriff durch. Implementieren Sie Release-Management für Versionsänderungen an veröffentlichten Datenprodukten.​​ 
   
   
8. Zurückziehen: Ziehen Sie das Datenprodukt aus Gründen wie mangelnder Nutzung oder Nichteinhaltung zurück. Verwerfen Sie das Produkt, informieren Sie die Verbraucher, archivieren Sie die Produkte und bereinigen Sie die Ressourcen. 

Unternehmen aller Branchen verlassen sich auf Datenprodukte, um den Geschäftswert zu steigern, strategische Initiativen zu unterstützen und kritische Geschäftsprobleme zu lösen.

Beispiele für Datenprodukte aus der Praxis sind:

• Eine große nationale Bank implementierte ein zentrales Kundendatenprodukt, das 60 verschiedene Anwendungsfälle (von der Echtzeit-Kreditrisikobewertung bis zu KI-Chatbots) über mehrere Kanäle hinweg unterstützt. Das Ergebnis: Die Bank erwirtschaftete einen zusätzlichen Jahresumsatz von 60 Millionen US-Dollar und verhinderte Verluste in Höhe von 40 Millionen US-Dollar.
  
  
• Ein Konsumgüterunternehmen führte Datenprodukte ein, um die Datennutzung zu rationalisieren und die Effizienz und Skalierbarkeit zu verbessern. Durch den Einsatz von über 50 funktionsübergreifenden Teams zur Implementierung datengesteuerter Lösungen konnte das Unternehmen sein EBITDA innerhalb von zwei Jahren um 18 % steigern. 

Die erfolgreiche Entwicklung von Datenprodukten erfordert einen strategischen Ansatz, der das Verständnis der Datennutzung, die Kartierung der Dateninteraktionen, die Prüfung des Marktwerts und die Iteration für die Skalierung umfasst. 

Der erste Schritt bei der Erstellung eines Datenprodukts ist die Analyse des aktuellen Datenverbrauchs innerhalb des Unternehmens. Bei diesem Schritt geht es darum, die Zielnutzer zu identifizieren, zu verstehen, welche Daten sie konsumieren und warum diese Daten für sie wichtig sind.  

Die Überprüfung der Datennutzung in Bezug auf Volumen, Häufigkeit, Empfindlichkeit und Art gibt Aufschluss darüber, welche Datensätze den größten Wert haben. Durch die Festlegung von Prioritäten für die wichtigsten Benutzergruppen können Unternehmen sicherstellen, dass sich die ersten Bemühungen auf die Bereiche mit dem größten Potenzial für geschäftliche Auswirkungen konzentrieren. 

Sobald die Muster der Datennutzung klar sind, besteht der nächste Schritt darin, den Weg der Daten aufzuzeichnen. Die Erstellung detaillierter Karten der realen Dateninteraktionen hilft dabei, den Datenfluss zwischen verschiedenen Systemen und Teams zu visualisieren.  

Diese Karten können als Grundlage für das Brainstorming über neue umsatzsteigernde Anwendungsfälle für Datenprodukte dienen. Die Entwicklung von Hypothesen darüber, wie Datenprodukte Geschäftsprozesse verbessern können, kann Unternehmen bei der Suche nach Möglichkeiten zur Umwandlung von Rohdaten in sinnvolle, umsetzbare Erkenntnisse helfen. 

Mit validierten Erkenntnissen ist der nächste Schritt die Iteration und Skalierung. Anstatt sich ausschließlich auf zentrale IT-Teams zu verlassen, können Unternehmen Agilität und Innovation fördern, indem sie Geschäftsbereiche und -teams in die Lage versetzen, das Datenprodukt zu verfeinern und zu verbessern. Sobald Verbesserungen vorgenommen wurden, kann das Projekt auf weitere Teams und Bereiche ausgeweitet werden. So wird sichergestellt, dass das Datenprodukt effektiv skaliert und weiterhin den Geschäftswert steigert.