Data Landscape Canvas - ein perfekter Start für ein datengetriebenes Produkt

Wie bringt man ein erfolgreiches, datengetriebenes Produkt auf den Markt? Einer der grundlegenden Schritte ist es sich mit den verfügbaren und benötigten Daten auseinander zu setzen. Bei der Unmenge an Daten heutzutage kann dies leider sehr schnell zu Verwirrung führen. Abhilfe schafft hier: der Data Landscape Canvas. Er verschafft schnell einen Überblick, zeigt Schwächen und Lücken der vorhandenen Daten auf, um im Chaos des Daten-Dschungels nicht die Übersicht zu verlieren.

Was ist der Data Landscape Canvas und wie ist er aufgebaut?

Ähnlich wie der Business Model Canvas, ist der Data Landscape Canvas eine Methode um komplexe Informationen in einer kompakten Art und Weise auf Papier zu bringen. Er eignet sich für die Zusammenarbeit und hilft Dinge visuell und nachvollziehbar für andere darzustellen. Darüber hinaus konzentriert er sich dabei auf Datenquellen, ihre Verbindungen und wie man sie verwertet.

Die folgenden 4 Felder bilden dabei das Grundgerüst:

1. Owned Data: Welche Daten habe ich selbst zur Verfügung, die ich erhoben/erfasst habe?
2. Earned Data: Welche Daten erhalte ich von meinen Kunden/Partnern?
3. Public Data: Welche Daten stehen öffentlich zur Verfügung?
4. Paid Data: Welche Daten kann ich von Dritten käuflich erwerben?

Wobei der Landscape Canvas für jedes der Felder zwischen den folgenden 3 Kategorien unterscheidet:

1. Rohdaten
2. Abgeleitete Daten
3. Verknüpfungsdaten

Wie arbeitet man mit dem Data Landscape Canvas ?

Idealerweise befüllt man den Data Landscape Canvas im Workshop Format mit einem interdisziplinären Team. Man entscheidet sich zunächst für einen Use Case und platziert ihn in der Mitte. Der weitere Prozess lässt sich grob in vier Schritte unterteilen:

1. Definieren der Datenquellen
2. Definieren der Datenpunkte für die jeweiligen Datenquellen
3. Verbinden der Datenquellen über Sammeln der Verknüpfungsdaten
4. Abgleich mit den Anforderungen und Aufzeigen der Datenlücken.

Dabei ist zu beachten, dass man sich von außen nach innen vorarbeitet unter Beachtung der Reihenfolge. Man fängt also mit den “Owned” Rohdaten an, leitet daraus abgeleitete “Owned” Daten ab und erstellt zu guter Letzt “Owned” Verknüpfungsdaten. Dies wiederholt man für die anderen Felder bis man bei “Paid”-Daten angekommen ist. Logischerweise ist es vorteilhafter, wenn möglichst eigene Daten bezahlten Daten vorzuziehen - daher auch die Reihenfolge. Hat man den gesamten Data Landscape ausgefüllt, kann man nun einen Abgleich mit den Anforderungen an das Produkt durchführen und somit mögliche Datenlücken identifizieren.

Fazit

Der Data Landscape Canvas schafft eine solide Ausgangssituation, auf deren Basis man eine effektive Datenstrategie definieren kann.