Die DB Systel nutzt Data & AI Design Thinking, um nutzerzentrierte und wertorientierte KI-Lösungen zu entwickeln. Anhand eines realen Workshops zeigen wir, wie die Methode des Data & AI Business Design den Prozess von der Ideenfindung über die Priorisierung bis zur Anforderungsspezifikation unterstützt. Die vorgestellten Visualisierungswerkzeuge (Canvas) sind kostenlos verfügbar, sodass Teilnehmende direkt nach dem Vortrag mit Data & AI Design Thinking starten können.

Zielpublikum: Analytics Translators, Data & AI Strategists, Data & AI Product Owner, Data & AI Consultants, Agile Coaches, UX Consultants
Voraussetzungen: Grundlegendes Verständnis von Daten & KI-Strategien und Lösungen 
Schwierigkeitsgrad: Basic

Extended Abstract:
In diesem Vortrag stellen wir den Ansatz Data & AI Design Thinking zur Entwicklung wertorientierter, nutzerzentrierter und datengetriebener Produkte vor. Dabei nutzen wir die Methoden und Werkzeuge des Data & AI Business Design, welche die Firma Datentreiber frei und kostenlos zur Verfügung stellt. Anhand von Praxisbeispielen aus dem dx.house der DB Systel zeigen wir, wie diese Methode die Bedürfnisse der Nutzer mit den Geschäftszielen in Einklang bringt und die Daten- & KI-Strategie darauf abstimmt. 
Kernpunkte des Vortrags sind:
 
• Nutzerverstehen als zentrale Säule: Durch Interviews und gemeinsame Workshops werden die Workflows, Ziele und Probleme der Nutzer detailliert erfasst. 
• Iterativer Prozess: Der Prozess beginnt mit einer Business- und Prozessanalyse, gefolgt von der Identifizierung des "Nächst-Besten" Anwendungsfalls und der Entwicklung eines technisch-analytischen Konzepts. 
• Datenstrategie: Die Methode beinhaltet die Analyse der Datenlandschaft und die Prüfung bestehender Datenquellen, um eine fundierte Datenstrategie zu entwickeln. 
• Der Vortrag erklärt das Vorgehen anhand eines realen (anonymisierten) Workshop-Beispiels in dem Online-Whiteboarding-Tool Miro. Die Teilnehmenden erhalten Zugriff auf dieses Board und können das Beispiel als Vorlage für ihre Workshops nutzen. Das Beispiel demonstriert, wie mit den Canvas-Werkzeugen kollaborativ in interdisziplinären Teams folgende Schritte vereinfacht werden: 

1. Data & AI Use Case Ideation & Prioritization 
2. Analytics & AI Maturity Assessment & Roadmapping 
3. User-Centric Design & Problem-Solution Fit 
4. Technical, Organizational, and Personal Requirements Analysis 
5. Data Exploration & Assessment