Startseite
Podcasts
Data Science Deep Dive Podcast
#78: Der Use-Case-Guide: Navigationshilfe für echten Mehrwert

#78: Der Use-Case-Guide: Navigationshilfe für echten Mehrwert

Data Science Deep Dive vor 1 Jahr

0:00

46:09

In dieser Folge sprechen wir darüber, wie man den nächsten
sinnvollen Data-Science-Use-Case identifiziert. Egal ob man
gerade erst mit Daten startet oder schon komplexe Produkte im
Einsatz hat. Wir klären, wer in den Prozess einbezogen werden
sollte, worauf man bei der Ideenfindung achten sollte und wie man
Use Cases richtig bewertet. Ein besonderer Fokus liegt auf der
Perspektive der Nutzer*innen und die Umsetzbarkeit in Bezug auf
Daten, Methoden und Technik. Eine Folge für alle, die
Orientierung suchen, um den weiteren Weg auf ihrer Data-Journey
zu gestalten.

**Zusammenfassung**

Zielgruppe: Organisationen, die mit Daten Mehrwert schaffen
wollen, aber unklar sind, welcher Use Case der nächste sein
sollte

Ausgangssituation: Entweder besteht noch keine Idee, oder es
gibt bereits eine Idee, deren Umsetzbarkeit geprüft werden soll

Beteiligte Rollen: Entscheider*innen, Fachexpert*innen,
Anwender*innen sowie Data- & IT-Personal sollten früh
eingebunden werden

Ideation-Phase: Kreative Suche nach Problemen mit
Hebelwirkung mit Fokus auf Pain Points, Engpässe, repetitive
Tätigkeiten und Business Value

Nutzer*innenzentrierung: Anforderungen, Nutzungskontext und
Entscheidungsprozesse der Anwender*innen bestimmen, was ein Use
Case leisten muss

Technische Implikationen: Die Form der Ergebnisausspielung
(z. B. Dashboard, API, E-Mail) hängt direkt vom Nutzungskontext
ab

Machbarkeitsprüfung: Datenlage, methodische Passung und
technische Umsetzbarkeit werden realistisch bewertet

Datenstruktur: "Must-have" vs. "Nice-to-have"-Daten, typische
Hürden wie fehlende IDs, Möglichkeiten zur Verknüpfung

Reifegrad beachten: Nicht zu groß denken, sowohl
Überforderung bei geringer Reife als auch Overengineering bei
hoher Reife vermeiden

Dienstleisterfrage: Strategisches Assessment und Umsetzung
trennen oder vereinen, beide Varianten haben nachvollziehbare
Vor- und Nachteile

**Links**

Das Data & AI Design Thinking Workshop Canvas von
Datentreiber
https://www.datentreiber.com/de/data-and-ai-design-thinking-workshop-canvas/#canvas

#70: Der Aufstieg zur Datenreife – Stufe für Stufe zur Data
Maturity https://www.podbean.com/ew/pb-a7663-1882b25

#63: Data Mining: der pragmatische Weg zu Datenreife &
Datenkultur mit Prof. Dr. Ana Moya
https://www.podbean.com/ew/pb-d38qj-1799899

#36: Der Data Mesh Hype und was davon bleibt
https://www.podbean.com/ew/pb-7er7v-15080c1

#2: Erfolgsfaktoren für Predictive Analytics Projekte
https://www.podbean.com/ew/pb-kdcmd-12460ab

Fragen, Feedback oder Themenwünsche? Schreibt uns gern an:
podcast@inwt-statistics.de