Canvas Monetyzacji Danych

Dlaczego warto używać?

Zaproj...o wielu przypadków użycia.

Kiedy używać?

Kiedy masz pomysł lub koncepcję przypadku użycia związaną z produktem danych/AI i musisz zaprojektować rozwiązanie analityczne. Ten proces pomaga określić wymagania techniczne, organizacyjne i personalne potrzebne do opracowania produktu.

Jak używać?

I. Przygotowanie

1. Wypełnij nagłówek płótna:

a) Wpisz etykietę Skup się na w nagłówku planszy za pomocą białej karteczki samoprzylepnej z nazwą produktu data/AI lub pomysłem na przypadek użycia. Możesz skopiować karteczkę Skup się na z planszy Analytics & AI Use Case, nad którą wcześniej pracowano. Możesz również wybrać przypadek użycia (pomysł), na przykład z planszy Business Model / Case, Analytics & AI Maturity lub Priority Matrix.

b) Stopka: Dodaj legendę z karteczkami samoprzylepnymi w odpowiadających kolorach:

• Zielone karteczki: "Istniejący element"

• Żółte karteczki: "Planowany element"

• Czerwone karteczki: "Brakujący element"

• Białe karteczki: "Pytanie / Założenie / Wgląd / Decyzja / Zadanie"

II. Projektowanie Produktu Data / AI

Rozpocznij od dodania czerwonych, żółtych lub zielonych karteczek, aby reprezentować brakujące, planowane lub istniejące elementy, odpowiadająco do następujących pól, aby naszkicować przepływ danych i kroki analityczne. Zwróć uwagę, że w przypadku nowego produktu data większość elementów będzie brakować:

② Zacznij od końca po prawej stronie płótna (zobacz Odniesienia na łatwy start):

a) Wartość danych: Wartość informacji powinna być mierzona za pomocą biznesowych miar wydajności (np. kluczowe wskaźniki wydajności, KPI). Umieść odpowiednie karteczki w tym polu. Dostarcz także notatki na temat jakości informacji — takich jak miary wydajności modeli — oraz na temat cech modeli, które służą jako wskaźniki zrównoważonej, wytłumaczalnej, odpowiedzialnej i godnej zaufania sztucznej inteligencji, jak również wskaźniki jakości danych.

b) Produkty danych: Zdefiniuj zamierzone wyniki swojego produktu danych / AI za pomocą karteczek, koncentrując się szczególnie na pożądanych informacjach, które obejmują konkretne pytania, na które produkt ma odpowiedzieć. W przypadkach, gdy informacje nie są obliczane bezpośrednio z danych, ale są przewidywane / szacowane za pomocą uczenia maszynowego, na przykład, użytkownicy oczekują wyjaśnienia, w jaki sposób informacje są uzyskiwane (patrz „Wytłumaczalna AI”).

③Analityka Danych: Rozważ różne podejścia analityczne do uzyskania pożądanych informacji i naszkicuj kroki przygotowania danych, analizy oraz wizualizacji w tym polu, używając czerwonych, żółtych i zielonych karteczek samoprzylepnych. Połącz te karteczki (z wszystkich pól) poziomymi strzałkami, aby zilustrować przepływ danych i informacji.

Oceń zalety i ograniczenia różnych algorytmów i metod, aby upewnić się, że są zgodne z wymaganymi standardami jakości informacji i cech modelu, takimi jak wyjaśnialność (np. wyjaśnialne modele "white box" vs. nieprzejrzyste modele "black box"). Zakończ, wybierając najbardziej obiecujące rozwiązanie.

④Zbiory Danych: Zidentyfikuj i wymyśl kluczowe i korzystne zbiory danych jako dane wejściowe dla analitycznego przepływu danych (w celu uzyskania pożądanych informacji).

Umieść karteczkę samoprzylepną dla każdego zidentyfikowanego zbioru danych w polu Data Sets i połącz je z początkowymi etapami przygotowania i analizy danych w polu Data Analytics.

Materiały referencyjne

A: Z pola Solutions na szablonie Analytics & AI Use Case skopiuj wszystkie niebieskie karteczki samoprzylepne, które definiują informacje pożądane przez użytkownika, do pola Data Products. Zmień ich kolor na czerwony, żółty lub zielony - w zależności od dostępności informacji - i jeśli to konieczne, bardziej precyzyjnie określ pożądane informacje, tj. nadaj metryce szczególną nazwę, określ jej jednostkę, częstotliwość czasową, stopień szczegółowości itp.

B: W polu Wartość danych, wyszukaj pasujące karteczki samoprzylepne w polach Korzyści i Cele i rezultaty na Przypadku użycia analityki i AI. Wartość danych lub informacji jest mierzona tym, jak umożliwia użytkownikowi osiągnięcie jego konkretnych celów i rezultatów.

C: Jeśli nie masz pewności co do dostępności danych, poznaj środowisko danych za pomocą płótna Data Landscape. Skopiuj wszystkie karteczki ze skrzynki Data Sets do skrzynek Sort in na płótnie Data Landscape. Zidentyfikuj źródła tych zbiorów danych, rozważ dodatkowe zestawy danych i umieść je wszystkie w ćwiartkach krajobrazu danych. Oceń ich dostępność i odpowiednio zaktualizuj kolor karteczek na płótnach Data Landscape i Data Monetization: zielony → zasób danych, czerwony → luka w danych, żółty → dane (zestawy) z problemami.

III. Projektowanie wymagań TOP

Następnie wyciągnij wymagania technologiczne, organizacyjne i personalne z projektowania swojego produktu danych/AI:

• Dodaj zielone karteczki samoprzylepne dla istniejących zasobów lub możliwości technologicznych, organizacyjnych i personalnych.

• Dodaj czerwone karteczki samoprzylepne dla braków w infrastrukturze technologicznej, strukturze organizacyjnej lub strukturze personalnej.

• Dodaj żółte karteczki samoprzylepne dla technologicznych, organizacyjnych lub personalnych zmian i inicjatyw, które są już planowane, w trakcie realizacji lub mające problemy.

⑤ Technologia: Rozpocznij od oceny infrastruktury technologicznej wymaganej dla twojego projektu. Zacznij od lewej strony canvasu i przemieszczaj się w prawo, przechodząc systematycznie pod odpowiednimi boxami od Zestawów Danych do Wartości Danych. Dla każdego etapu cyklu życia danych—dostęp, czyszczenie, integracja, przechowywanie, analiza i wizualizacja—rozważ, które narzędzia, platformy i systemy są niezbędne.

W polu Technologia, umieszczonym poniżej górnych pól—Zbiory danych, Analiza danych, Produkty danych & Wartość danych—umieszczaj jedną lub kilka karteczek samoprzylepnych dla każdego etapu cyklu życia danych. Każda karteczka powinna być oznaczona nazwami produktów technicznych lub kategorii niezbędnych do operowania procesami na danym etapie. Ułóż te notatki bezpośrednio poniżej odpowiednich etapów, aby utrzymać jasne wyrównanie.

Aby wizualnie przedstawić stos technologii na każdym etapie, układaj te karteczki samoprzylepne—lub jako alternatywę, użyj prostokątnych kształtów—wertykalnie, aby przedstawiały warstwowanie technologii. Na przykład moduł Pythona może być umieszczony na szczycie języka programowania Python, który z kolei opiera się na platformie chmury obliczeniowej. Połącz te warstwowane karteczki poziomymi strzałkami, aby zilustrować przepływ danych i to, jak każdy komponent technologiczny integruje się z ogólnymi procesami obsługi danych.

⑥ Organizacja: Dla każdej części technicznej zidentyfikuj zespół, dział, wydział, spółkę zależną/siostrzaną lub zewnętrznego dostawcę, który „posiada” i jest odpowiedzialny za implementację i operacje. W polu Organizacja umieść karteczki samoprzylepne reprezentujące te jednostki organizacyjne. Powinny być one umieszczone poniżej lub w pobliżu odpowiadających części technicznych, aby wyjaśnić zależności. Połącz te karteczki poziomymi strzałkami, aby zilustrować przepływ komunikacji, jak na przykład transfer wymagań.

⑦ Ludzie: Na koniec zidentyfikuj kluczowe osoby potrzebne do wdrożenia i obsługi produktu danych/AI oraz jego infrastruktury technologicznej. Umieść karteczki samoprzylepne w polu Ludzie, poniżej odpowiednich jednostek organizacyjnych. Oznacz każdą karteczkę rolą, funkcją, tytułem lub umiejętnościami danej osoby, a opcjonalnie dodaj liczbę pełnoetatowych ekwiwalentów (FTE) w nawiasach. Użyj strzałek, aby zobrazować linie raportowania i/lub powiązania współpracy i komunikacji między tymi osobami.

Wskazówka: Zgodnie z prawem Conwaya ("Struktura systemu jest determinowana przez wzorce komunikacji osób, które go projektują.") warto rozważyć reorganizację przed wdrożeniem systemu. Aby ułatwić zrozumienie, można dodać pionowe, przerywane linie, aby to zwizualizować na płótnie:

• Zależności pomiędzy zestawami danych i analizą oraz komponentami technologicznymi,

• Obowiązki jednostek organizacyjnych dotyczące komponentów technologicznych,

• Powiązania łączące osoby z ich jednostkami organizacyjnymi.

Literatura

D: Zaktualizuj płótno Analityka i AI Dojrzałość (niebieskie pudełka) o zdolności technologiczne, organizacyjne i personalne, aby uzupełnić swoją analitykę i AI roadmapa.

E: Jeśli wdrożenie i działanie produktu(ów) danych wymaga fundamentalnych zmian w Twoim modelu biznesowym, zaktualizuj również płótno modelu biznesowego.

Gdzie znaleźć więcej?

Datentreiber oferuje nie tylko ten szablon Miroverse, ale także:

• Zestaw do projektowania biznesu dla danych i AI, który oferuje liczne otwarte płótna do stosowania metody projektowania biznesu dla danych i AI.

• Dodatkowo, darmowa Społeczność projektowania biznesu dla danych i AI jest dostępna na wymianę, wydarzenia i treści eksperckie.

• Płatne szkolenia online i na miejscu z certyfikacją są dostępne w Akademii projektowania biznesu dla danych i AI.

• Wiele dodatkowych narzędzi zarządzania, szablonów warsztatowych i planów projektów jest dostępnych w naszej komercyjnej Ławce projektowania biznesu dla danych i AI.

• Nasza konsultacja Data & AI Business oferuje wsparcie dla Twojej strategii danych i AI, projektów innowacyjnych i transformacyjnych.

Jeśli jesteś zainteresowany lub masz jakiekolwiek pytania lub uwagi, skontaktuj się z nami pod adresem: info@datentreiber.de.

Prawa autorskie: Wszelkie prawa zastrzeżone przez Datentreiber GmbH.