Datatänkande

Datatänkande är ett ramverk för produktdesign med särskild tonvikt på datavetenskap . Den integrerar delar av beräkningstänkande , statistiskt tänkande och domäntänkande. I samband med produktutveckling är datatänkande ett ramverk för att utforska, designa, utveckla och validera datadrivna lösningar. Datatänkande kombinerar datavetenskap med designtänkande och därför inkluderar fokus för detta tillvägagångssätt användarupplevelse såväl som dataanalys och datainsamling.

Termen skapades av Mario Faria och Rogerio Panigassi 2013 i en bok om datavetenskap, dataanalys , datahantering och hur datautövare kunde uppnå sina mål.

Viktiga komponenter i datatänkande

Enligt Mike et al.:

• Datatänkande är förståelsen att en lösning på ett verkligt problem inte bara bör baseras på data och algoritmer , utan också på domänens kunskapsdrivna regler som styr dem.
• Datatänkande frågar sig om data ger en bra representation av den verkliga situationen. Den tar också upp hur data samlades in och frågar: "Kan datainsamlingen förbättras?".
• Datatänkande är förståelsen att data inte bara är siffror som ska lagras i en adekvat datastruktur , utan att dessa siffror har en betydelse som härrör från domänkunskapen.
• Datatänkande är att förstå att varje process eller beräkning som utförs på datan ska bevara innebörden av den relevanta kunskapsdomänen.
• Datatänkande analyserar data inte bara logiskt utan också statistiskt, med hjälp av visualiseringar och statistiska metoder för att hitta mönster såväl som oregelbundna fenomen.
• Datatänkande är att förstå att problemabstraktion är domänberoende, och generalisering är föremål för fördomar och varianser i data.
• Datatänkande är att förstå att laboratorietester inte räcker, och att implementering i verkligheten alltid kommer att stöta på oväntade data och situationer, och att förbättra modellerna och lösningen för ett givet problem är därför en kontinuerlig process som inkluderar, bland andra aktiviteter, konstant och iterativ övervakning och datainsamling.

Viktiga faser av datatänkande

Även om det ännu inte finns någon standardiserad process för datatänkande, är de stora faserna av processen likartade i många publikationer och kan sammanfattas på följande sätt:

Förtydligande av det strategiska sammanhanget och definition av datadrivna risker och möjligheter fokusområden

Under denna fas analyseras den bredare kontexten av digital strategi. Innan du börjar med ett konkret projekt är det viktigt att förstå hur den nya data- och AI-drivna tekniken påverkar affärslandskapet och vilka konsekvenser detta har för en organisations framtid. Trendanalys / teknikprognos och scenarioplanering/analys samt interna datakapacitetsbedömningar är de viktigaste teknikerna som vanligtvis används i detta skede.

Idé/Utforskning

Resultatet av det tidigare skedet är en definition av de fokusområden som antingen är mest lovande eller löper störst risk för eller på grund av datadriven transformation. Vid idé-/utforskningsfasen definieras de konkreta användningsfallen för de valda fokusområdena. För framgångsrik Ideation är det viktigt att kombinera information om organisatoriska (affärs-) mål, interna/extern användningsbehov, data- och infrastrukturbehov samt domänkunskap om de senaste datadrivna teknologierna och trenderna.

Designtänkande principer i sammanhanget av datatänkande kan tolkas enligt följande: när man utvecklar datadrivna idéer är det avgörande att överväga skärningspunkten mellan teknisk genomförbarhet, affärseffekt och datatillgänglighet. Typiska instrument för designtänkande (t.ex. användarforskning, personas , kundresa ) används brett i detta skede.

Här måste förutom användarbehov även beaktas kundbehov och strategiska behov. Databehov, datatillgänglighetsanalys och forskning om AI-teknologier som är lämpliga för lösningen är viktiga delar av utvecklingsprocessen.

används vanligtvis metoder från branschövergripande standardprocesser för datautvinning ( CRISP-DM ) i detta skede.

Prototyping / Proof of Concept

Under de tidigare stegen utvecklades huvudkonceptet för datalösningen. Nu genomförs ett proof of concept för att kontrollera lösningens genomförbarhet. Detta steg inkluderar även testning, utvärdering, iteration och förfining. Principer för prototypdesign kombineras också under denna fas med processmodeller som tillämpas i datavetenskapliga projekt (t.ex. CRISP-DM).

Mätning av affärseffekt

Lösningsgenomförbarhet och lönsamhet bevisas under datatänkandeprocessen. Kostnadsnyttoanalys och affärscaseberäkning används vanligtvis under detta steg.

Implementering och förbättring

Om den utvecklade lösningen visar sin genomförbarhet och lönsamhet under denna fas kommer den att implementeras och operationaliseras.