Информационное мышление - Data thinking

Информационное мышление это общий ментальный паттерн, наблюдаемый во время процессов выбора предмета для начала, определения его частей или компонентов, их организации и описания в информативной манере, которая имеет отношение к тому, что мотивировало и инициировало весь процесс.

В контексте разработки новых продуктов и инноваций Data Thinking можно описать следующим образом: Data Thinking - это структура для исследования, проектирования, разработки и проверки решений на основе данных и предприятий с ориентацией на пользователей, данные и будущее. Data Thinking объединяет науку о данных с дизайнерским мышлением, и поэтому в центре внимания этого подхода находятся не только технологии анализа данных и сбор данных, но и разработка ориентированных на использование решений с высоким бизнес-потенциалом. [1][2][3][4]

Этот термин был создан Марио Фариа и Роджерио Панигасси в 2013 году, когда они писали книгу о науке о данных, аналитика данных, управление данными и то, как специалисты по работе с данными смогли достичь своих целей.

Основные этапы мышления данными

Несмотря на то, что пока не существует стандартизированного процесса Data Thinking, основные этапы процесса во многих публикациях аналогичны и могут быть резюмированы следующим образом:

Уточнение стратегического контекста и определение основных областей рисков и возможностей, основанных на данных

На этом этапе анализируется более широкий контекст цифровой стратегии. Прежде чем приступить к конкретному проекту данных, важно понять, как новые технологии, основанные на данных и искусственном интеллекте, влияют на бизнес-ландшафт и какие последствия это имеет для будущего организации. Анализ тренда / Прогнозирование технологий Планирование / анализ сценария, а также оценка возможностей внутренних данных - основные методы, которые обычно применяются на этом этапе. [5][3]

Идея / Исследование

Результатом более раннего этапа является определение приоритетных областей, которые либо являются наиболее многообещающими, либо подвергаются наибольшему риску в связи с преобразованием на основе данных. На этапе разработки идеи / исследования определяются конкретные варианты использования для выбранных областей. Для успешного создания идей важно объединить информацию об организационных (бизнес) целях, потребностях внутреннего / внешнего использования, данных и инфраструктуре, а также знания предметной области о последних технологиях и тенденциях на основе данных.[6][2]

Принципы дизайн-мышления в контексте мышления данными можно интерпретировать следующим образом: при разработке идей, основанных на данных, очень важно учитывать пересечение технической осуществимости, влияния на бизнес и доступности данных. На этом этапе широко применяются типичные инструменты дизайн-мышления (например, исследования пользователей, персоналии, путь клиента). [7]

Но здесь необходимо учитывать не только пользователей, клиентов и стратегические потребности организации. Анализ потребностей в данных и доступности данных, а также исследование технологий искусственного интеллекта, подходящих для решения на основе данных, являются важными составляющими успешного процесса разработки. [8]

Для определения объема данных и технологической основы решения используются методы межотраслевого стандартного процесса интеллектуального анализа данных (CRISP-DM ) обычно используются на этом этапе. [9]

Прототипирование / Подтверждение концепции

На предыдущих этапах была разработана основная концепция data-решения. На текущем шаге доказательство концепции проводится для проверки его осуществимости. На этом этапе также используется структура прототипа дизайн-мышления и включает в себя тестирование, оценку, итерацию и уточнение.[10] Принципы прототипирования дизайн-мышления также сочетаются на этом этапе с моделями процессов, которые применяются в проектах Data Science (например, CRISP-DM).[5]

Оценка влияния на бизнес

Не только осуществимость решения, но и его рентабельность подтверждается в процессе Data Thinking. Анализ затрат и выгод и Бизнес-кейс На этом этапе обычно выполняется расчет.[11]

Внедрение и улучшение

Если разработанное решение докажет свою осуществимость и прибыльность на этом этапе, оно будет внедрено и введено в действие. [1][3]

Рекомендации

  1. ^ а б «Зачем компаниям нужно Data Thinking?». 2020-07-02.
  2. ^ а б "Data Thinking - Mit neuer Innovationsmethode zum datengetriebenen Unternehmen" [С новыми методами инноваций для компании, основанной на данных] (на немецком языке).
  3. ^ а б c «Мышление с данными: руководство к успеху в цифровую эпоху».
  4. ^ Эррера, Сара (21.02.2019). "Data-Thinking als Werkzeug für KI-Innovation" [Data Thinking как инструмент KI-инноваций]. Handelskraft (на немецком).
  5. ^ а б Шнакенбург, Игорь; Кун, Штеффен. «Мышление данными: Daten schnell produktiv nutzen können». LÜNENDONK-Magazin "Künstliche Intelligenz" (на немецком). 05/2020: 42–46.
  6. ^ Нальчигар, Соруш; Ю, Эрик (2018-09-01). «Бизнес-аналитика данных: концепция концептуального моделирования». Инженерия данных и знаний. 117: 359–372. Дои:10.1016 / j.datak.2018.04.006. ISSN  0169-023X.
  7. ^ Вудс, Рэйчел (22.03.2019). «Дизайн-мышление для науки о данных». Середина. Получено 2020-07-08.
  8. ^ Фоменко, Елена; Мэттджи, Аннетт (12 мая 2020 г.). «Был ли macht eigentlich… ein Data Thinker?». W&V. Немецкий.
  9. ^ Марбан, Оскар; Марискаль, Гонсало; Менасальвас, Эрнестина; Сеговия, Хавьер (2007). Инь, Худжунь; Тино, Питер; Корчадо, Эмилио; Бирн, Уилл; Яо, Синь (ред.). «Инженерный подход к проектам интеллектуального анализа данных». Интеллектуальная инженерия данных и автоматизированное обучение - IDEAL 2007. Конспект лекций по информатике. Берлин, Гейдельберг: Springer. 4881: 578–588. Дои:10.1007/978-3-540-77226-2_59. ISBN  978-3-540-77226-2.
  10. ^ Браун, Тим Вятт, Джоселин (01.07.2010). «Дизайн-мышление для социальных инноваций». Развитие. 12 (1): 29–43. Дои:10.1596 / 1020-797X_12_1_29. ISSN  1020-797X.
  11. ^ "Data-Thinking - das Potenzial von Daten richtig nutzen". t3n Magazin (на немецком). 2018-09-08. Получено 2020-07-08.