Wie schlank kann Big Data sein? Dat Tran erklärt wie der Markteintritt (digitaler) Güter mit dem MVP Ansatz beschleunigt werden kann

Dieser Artikel gibt einen Überblick über Dat Trans Präsentation auf dem Data Festival 2018: “What is the big in (Big) data? And how lean can your data be…”. Der Head of Data Science bei idealo präsentiert schlanke Lösungen, mit denen es gelingt, Datenprodukte zügiger am Markt zu platzieren. Seine Vorschläge basieren dabei auf einem Schlüsselkonzept: MVP – minimal marktfähiges Produkt.

Große Erwartungen und große Enttäuschungen

Dat Tran stellt fest, dass viele Unternehmen (in Deutschland) aktuell nicht für die digitale Transformation bereit sind. Viele Unternehmen möchten am Data Science Hype partizipieren und bringen deshalb die Implementierung teurer Tools, die Beauftragung von Beratungsunternehmen oder den Aufbau eines Data Labs auf den Weg.

Nach zwei Jahren Implementierung haben sie jedoch weder Wert geschaffen, noch ein Produkt auf dem Markt eingeführt – und im schlimmsten Fall sind nicht einmal geeignete Daten vorhanden, die in den brandneuen Data Lake eingespeist werden können.

Was ist die Moral der Geschichte? Drei wichtige Erkenntnisse können hieraus gezogen werden:

  1. Entscheidungsträger verfügen häufig nicht über die notwendige Daten-Expertise und treffen daher falsche Entscheidungen.
  2. Häufig hilft es wenig, viel Geld für Tools und Beratung auszugeben.
  3. Viele Unternehmen haben eine suboptimale Kultur, die weder Agilität noch konstruktives Versagen unterstützt.

Eine Lösung für diese drei Probleme besteht in der Implementierung einer MVP-Kultur.

Was ist eine MVP Kultur?

MVP ist das Akronym für „Minimum Viable Product“. Eric Ries definiert MVP im Wesentlichen als

„eine Version eines neuen Produkts, die es einem Team ermöglicht, mit geringstem Aufwand die maximale Menge an validiertem Wissen über Kunden zu sammeln“.

Was bedeutet das in der Praxis?

Dat Tran gibt ein Beispiel, um den MVP Ansatz zu veranschaulichen: Angenommen, eine Person ist neu in Berlin und benötigt eine Unterkunft. Verschiedene Ansätze eignen sich, dieses Problem zu lösen: Auf der einen Seite könnte man sich auf die langwierige Suche nach einer Mietwohnung begeben.

Auf der anderen Seite könnte man sich ein Zelt kaufen. Sobald diese minimale Unterkunft sichergestellt ist, kann die Person beispielsweise einen Container anmieten und darauf aufbauend letztendlich eine schöne Immobilie kaufen.Dieses zweite Vorgehen veranschaulicht den MVP Ansatz  – er ist einfach, minimalistisch und schnell.

Warum ist eine MVP-Kultur wichtig?

Dat Tran unterstreicht die Bedeutung eines MVP-Ansatzes, indem er den Fall von Juicero vorstellt: Das Unternehmen entwickelte ein (teures) Gerät zum Entsaften von Obst und Gemüse in Kombination mit Saftpackungen. Nach zwei Jahren Entwicklungszeit brachten sie das Produkt ohne vorangehende Tests auf den Markt.

Schlussendlich kauften Kunden nur die Saftpackungen und pressten den Saft schlicht mit den Händen. Infolgedessen konnte das teure Gerät nicht verkauft werden und das Unternehmen verschwand vom Markt.

Der Einsatz von MVP hätte dazu beigetragen, festzustellen, ob das Produkt einen Mehrwert bietet und tatsächlich genutzt wird. Der Nutzen von MVP lässt sich leicht in einem zweidimensionalen Diagramm veranschaulichen: Die Ordinatenachse zeigt das Risiko des Markteintritts; die Zeitspanne bis zum Markteintritt eines Produkts ist auf der Abszissenachse abgetragen. Während ein Produkt traditionell erst nach Inkaufnahme eines hohen Risikos und langer (Entwicklungs-)Zeit freigegeben wird, werden im MVP-Ansatz viele kleine Experimente in einem iterativen Prozess durchgeführt. Diese verringern das Risiko der Produkteinführung deutlich und beschleunigen dessen Markteintritt.

MVP

Markteintritt MVP (rot) versus traditionell (hellblau)

Wie steht Machine Learning in Relation zu MVP?

Dat Tran betont, dass Machine Learning Produkte als Datenprodukte betrachtet und wie „normale“ Produkte gehandhabt werden sollten. Machine Learning Produkte zeichnen sich dabei durch drei Dimensionen aus:

Minimum Viable Model: Beginne mit dem einfachsten Modell und erweitere es.

Beispiel: Stell Dir vor, du möchtest ein Klassifizierungsmodell implementieren, das die Kundenabwanderung vorhersagen soll. Anstatt mit komplizierten Deep-Learning-Systemen zu beginnen, schlägt Dat Tran vor, MVP anzuwenden und mit etwas Einfachem, beispielsweise einer statistischen Regressionsanalyse, zu beginnen. Auf Basis dieses einfachen Modells können komplexere Modelle, wie etwa ein Baummodell, erstellt werden. Schließlich ist es möglich, einfache neuronale Netzwerken einzubinden und Deep Learning in das Produkt zu implementieren.

Minimum Viable Platform: Verwende on-premise Services, die sofort einsatzbereit sind und kaufe nur anwendungsspezifische Optionen. Bei Bedarf können weitere Ebenen hinzufügt werden.

Beispiel: Traditionell beginnen viele Unternehmen mit dem Aufbau umfangreicher Plattformen, die viele Tools wie Hadoop oder Apache Spark integrieren. Dieser Implementierungsprozess kann ohne weiteres bis zu drei Jahre in Anspruch nehmen. In diesem Zeitfenster wurde weder Wert geschaffen noch Produkte freigegeben.

Im Gegensatz zu diesem Ansatz nutzt Dat Tran On-Premise-Services, die verschiedene Vorteile bieten: Die Dienste sind sofort einsatzbereit und es ist nicht notwendig, zusätzliches Personal für die Einrichtung dieser Systeme einzustellen. Da diese Dienste jedoch recht kostspielig sind, schlägt er vor, benötigte Dienste nur für bestimmte Anwendungsfälle zu kaufen. So zahlt das Unternehmen nur einen Bruchteil des Servicepreises und kann bei Bedarf zusätzliche Schichten hinzufügen.

Minimum Viable (Data) Product: Bringe ein Basisprodukt auf den Markt um es zu testen. Nach Erhalt der Testdaten wird das Produkt in einem iterativen Prozess und verbessert.

Im Hinblick auf das minimal tragfähige (Daten-)Produkt präsentiert Dat Tran mehrere Anwendungsfälle, die vom Chatbot bis zum Empfehlungssystem reichen. Zur Veranschaulichung wird einer dieser Anwendungsfälle dargestellt: Der Chatbot ‚Wizard of Oz‘. Im Grunde genommen ist dieser ein Chatbot ohne Bot – statt eines Bots antizipiert eine Person die Bedürfnisse des chattenden Partners. Auf Basis dieser gesammelten Daten wird dann ein echter, anwendungsspezifischer Chatbot entwickelt.

Digital Labs sind Cargo Kult

Die Einrichtung digitaler Labs ist in letzter Zeit sehr angesagt. Dat Tran sieht den Hype um digitale Labs jedoch als Cargo Kult. Metaphorisch beschreibt ein Cargo Kult die oberflächliche Nachahmung des äußeren Handelns erfolgreicher Menschen in Erwartung von Reichtum und Erfolg. Im Falle von digitalen Labs setzen viele Unternehmen auf diese Labs, um das Verhalten erfolgreicher Silicon Valley Unternehmen wie Google oder Amazon zu imitieren. Der Ursprung des Erfolges dieser Unternehmen liegt jedoch nicht in digitalen Laboren. Vielmehr wird er von einer bestimmten Kultur generiert, die durch drei Merkmale gekennzeichnet ist:

  1. Kultur des Ingenieurwesens (d.h. die Unternehmen sind darauf ausgelegt, digitale Produkte herzustellen)
  2. weniger hypothesengetriebene Experimente (d.h. sie verwenden den MVP-Ansatz) und
  3. Machine Learning wird als Produkt betrachtet.

Darüber hinaus betont Dat Tran wie wichtig es ist, geeignete Mitarbeiter zu rekrutieren..

Tipps von Dat Tran an Unternehmen

Abschließend gibt Dat Tran mehrere Ratschläge: Er betont, dass es für Unternehmen wichtig ist, eine (MVP-)Lösung zu implementieren, die für sie individuell funktioniert – es gibt keine allgemeingültige Lösung. Darüber hinaus schlägt er vor, eine echte, iterative MVP-Kultur zu etablieren, die Raum für Fehler bietet. Zuletzt stellt er fest, dass die Rekrutierung von Fachkräften eine Herausforderung darstellt – um das beste Personal an Bord zu bekommen, muss sich das Unternehmen (manchmal) verändern.

Dat Trans vollständige Präsentation zum Thema MVP und Machine Learning ist hier verfügbar..