Was ist das Data Monetization Canvas?

Wann sollte das Data Monetization Canvas eingesetzt werden?

Wie verwende ich das Data Monetization Canvas?

Die Anforderungen an Infrastruktur, Organisation und Personal:

Canvas Sections Header Footer Data Value Data Products Data Analytics Data Sets Technology Organization People blank header footer datasets dataanalytics dataproducts datavalue technology organization people

①a Header

Header
  • Designed for: Welche Organisation (Unternehmen, Abteilung, Team etc.) betrifft der Inhalt des Canvas?
  • Designed by: Welche Organisation (Unternehmen, Abteilung, Team etc.) hat den Inhalt erstellt?
  • Date: Wann wurde der Inhalt erstellt oder zuletzt aktualisiert?
  • Focused on: Auf welchen Bereich/Thema/Case/etc. konzentriert sich der Inhalt dieses Canvas?

②a Data Value

Data Value

②b Data Products

Data Products
  • Einmalige Reports als statische Präsentation oder Dokument (z. B. PDF)
  • Interaktive Dashboards mit benutzerfreundlicher grafischer Oberfläche (GUI)
  • Intelligente Chatbots mit einer sprachbasierten Nutzeroberfläche (LUI)
  • Einfache Konsolenanwendungen mit einer Befehlszeilenoberfläche (CLI)
  • Eigenständige (Web-)Services über Application Programming Interfaces (API)
  • In operative Anwendungen integriert, z. B. eine Recommendation Engine als Teil eines E-Commerce-Systems
  • Liegt der Fokus auf einem Data Product, ist das Detailebene „individuelle Information“.
  • Liegt der Fokus auf einem Anwendungsbereich mit mehreren Data Products, ist das Detailebene „Use Case“.
  • Liegt der Fokus auf einer ganzen Organisation, ist das Detailebene „Application Domain“.

③ Data Analytics

Data Analytics
  • Data Collection: Daten aus verschiedenen Quellen (z. B. Datenbanken, Sensoren) sammeln und zusammenführen.
  • Data Cleaning: Sicherstellen der Datenqualität, z. B. durch Entfernen fehlerhafter, doppelter oder abweichender Werte.
  • Data Transformation: Umwandeln der Daten in ein geeignetes Format oder eine passende Struktur für die Analyse.
  • Data Modeling: Anwenden statistischer, mathematischer oder Machine-Learning-Verfahren, um ein (deskriptives, diagnostisches, prädiktives etc.) Modell zu entwickeln.
  • Data Visualization: Aufbereitung der Daten und Analyseergebnisse in grafischer Form, z. B. Diagramme, Grafiken, Dashboards.
  • Descriptive Analytics: Was ist passiert?
  • Diagnostic Analytics: Warum ist es passiert?
  • Predictive Analytics: Was könnte passieren?
  • Prescriptive Analytics: Was sollte passieren?
  • Autonomous Analytics: Mach es automatisch!

④ Data Sets

Data Sets

⑤a Technology

Technology
  • Physical Layer (unterste Schicht): Server, Speichersysteme, Netzwerkgeräte und andere Hardware.
  • Platform Layer (mittlere Schicht): Betriebssysteme oder Cloud-Systeme.
  • Data Layer (oben links): Datenbanken, Data Warehouses, Data Lakes, ETL-Tools etc.
  • Analytics/AI Layer (oben Mitte): Machine-Learning-Bibliotheken, Data-Science-IDE, Middleware, MLOps-Tools etc.
  • Presentation Layer (oben rechts): Data-Visualisierungs-Tools, Dashboard- und Reporting-Werkzeuge, GUI-Frameworks etc.

⑤b Organization

Organization

⑤c People

People
Train. Think. Transform.