Data Product Ownership
Der Product Owner ist eine Schlüsselrolle im Produktentwicklungsprozess. Er oder sie ist verantwortlich für den Mehrwert und den Erfolg eines Produkts. Dabei vereint diese Rolle drei Perspektiven und stellt sicher, dass das Produkt
- von den Nutzenden gewünscht (Desirability – Nutzendenperspektive),
- wirtschaftlich tragfähig (Viability – Geschäftsperspektive) und
- technisch umsetzbar (Feasibility – Technologieperspektive) ist.
Diese Perspektiven gilt es während des gesamten Produktentwicklungsprozesses kontinuierlich im Blick zu behalten und miteinander in Einklang zu bringen.
Grundsätzlich ist der Product Owner für die strategische und inhaltliche Ausrichtung des Produktes, die Priorisierung, Pflege und Abnahme von Anforderungen im Backlog sowie die Kommunikation mit dem Entwicklungsteam und Stakeholdern verantwortlich.
Vereinfacht gesagt kümmert er sich um das „WAS“ und nicht das „WIE“.
Wieso das ‘Data’ in ‘Data Product Owner’?
Bei Datenprojekten reicht die Berücksichtigung dieser drei Perspektiven allein oft nicht aus, um den Erfolg zu sichern. Datenprojekte sind Projekte, deren Wert auf Daten und deren Verarbeitung basiert, z.B. Machine Learning Modelle, Reporting-Dashboards, das Einbinden von Sprachmodellen oder KI-Agenten. Diese bringen zusätzliche Besonderheiten und Herausforderungen mit sich.
1. Unsicherheit ist der Normalzustand:
Datenprojekte verlaufen selten planbar. Modelle liefern probabilistische Ergebnisse, Daten ändern sich, Erkenntnisse entstehen iterativ.
2. Datenqualität bestimmt den Wert des Produkts:
Schlechte Daten führen zu schlechten Ergebnissen und das oft unabhängig von technischer Kompetenz.
3. Wert entsteht erst im Einsatz:
Der Wert eines Datenprodukts entsteht häufig erst, wenn es in Prozesse, Dashboards oder Anwendungen integriert ist. Modellgüte allein reicht nicht.
4. Datenprodukte müssen weiterentwickelt werden:
Veränderungen an Datenquellen, Datenqualität und Datenverteilungen sowie neue fachliche und regulatorische Anforderungen erfordern laufende Anpassungen und bei KI-basierten Datenprodukten gegebenenfalls eine erneute Validierung oder Aktualisierung von Modellen.
5. Erklärbarkeit & Vertrauen:
Es gilt die Balance zwischen maximaler Vorhersagekraft und der Erklärbarkeit sowie Nachvollziehbarkeit von KI-Entscheidungen für die Nutzenden zu finden.
6. Grenzerträge (Diminishing Returns):
Es gibt selten ein hartes Projektende. Die Optimierung von 95 % auf 98 % Genauigkeit kostet oft ein Vielfaches des bisherigen Aufwands.
7. Reifegrade unterscheiden sich stark
Datenprojekte entwickeln sich nicht linear. Jede Phase stellt andere Anforderungen an Entscheidungen, Ressourcen und Kommunikation. Entlang der Phasen nimmt das Wissen zu, während Unsicherheit sinkt. à Lies hier mehr zu den verschiedenen Projektphasen: https://www.scieneers.de/poc-vs-prototyp-vs-mvp-vs-pilot/
Diese Besonderheiten erfordern die Berücksichtigung einer vierten Perspektive: Datability (Datenperspektive). Hier kommt die Rolle des Data Product Owners ins Spiel. Um ein Datenprodukt erfolgreich entwickeln und einführen zu können, muss dieser zusätzlich Unsicherheiten managen und vor allem sicherstellen, dass relevante und geeignete Daten mit ausreichender Datenqualität zur Verfügung stehen. Ohne diese Grundvoraussetzung lässt sich kein sinnvolles Datenprodukt entwickeln, unabhängig davon, wie gut das Entwicklungsteam ist oder wie durchdacht die Architektur.
Was sind die Aufgaben eines DPO?
Diese Besonderheiten erfordern die Berücksichtigung einer vierten Perspektive: Datability (Datenperspektive). Hier kommt die Rolle des Data Product Owners ins Spiel. Um ein Datenprodukt erfolgreich entwickeln und einführen zu können, muss dieser zusätzlich Unsicherheiten managen und vor allem sicherstellen, dass relevante und geeignete Daten mit ausreichender Datenqualität zur Verfügung stehen. Ohne diese Grundvoraussetzung lässt sich kein sinnvolles Datenprodukt entwickeln, unabhängig davon, wie gut das Entwicklungsteam ist oder wie durchdacht die Architektur.
Eine zentrale Aufgabe des Data Product Owners ist die Entwicklung einer Vision und Strategie. Er beantwortet die Frage, warum es das Datenprodukt überhaupt geben soll und welchen Mehrwert es für das Unternehmen oder die Nutzenden schafft. Es ist wichtig das Entwicklungsteam sowie Stakeholder hierzu regelmäßig abzuholen oder sogar mit einzubeziehen, damit alle gemeinsam an einem Strang ziehen.
Ein weiterer Schwerpunkt ist das Anforderungsmanagement. Gemeinsam mit den Nutzenden, sowie den Stakeholdern identifiziert er Anforderungen, formuliert Hypothesen und testet diese strukturiert. Die Anforderungen werden nach Business Value, Risiko und Aufwand priorisiert. So wird entschieden, was in welcher Reihenfolge entwickelt und umgesetzt wird.
Während des gesamten Produktlebenszyklus steuert der Data Product Owner die Zusammenarbeit mit den verschiedenen Stakeholdern. Es gilt die unterschiedlichen Anforderungen und Interessen der Stakeholder in Einklang zu bringen. Er schafft Transparenz und kommuniziert kontinuierlich Ergebnisse, Grenzen und Entscheidungen.
Auch die Zusammenarbeit im Team mit den Entwicklerinnen und Entwicklern gehört zu seinen Kernaufgaben. Er sorgt dafür, dass alle Beteiligten das gleiche Ziel vor Augen haben und den Fokus wahren. Gleichzeitig unterstützt er das Team dabei, Hindernisse frühzeitig zu erkennen und aus dem Weg zu räumen.
Damit das richtige Produkt entsteht, überprüft und bewertet der Data Product Owner kontinuierlich die Arbeitsergebnisse und nimmt diese schließlich auch ab. So stellt er sicher, dass das Produkt den fachlichen Anforderungen entspricht und einen echten Mehrwert generiert. Durch geeignete Metriken, Monitoring und regelmäßiges Feedback von Nutzenden, stellt er Wert und Qualität sicher.
Zusammengefasst ist der Data Product Owner die zentrale Schnittstelle zwischen Fachbereich, Entwicklungsteam und Stakeholdern. Er sorgt dafür, dass das Datenprodukt den größtmöglichen Nutzen stiftet und sich entlang neuer Erkenntnisse und Anforderungen kontinuierlich weiterentwickelt.
Was macht einen guten DPO aus?
Um all die Aufgaben erfolgreich ausüben zu können, ist ein vielseitiges Kompetenzprofil hilfreich. Ein guter Product Owner verbindet Fähigkeiten aus den Bereichen Produkt, Business und Daten. Zu den wichtigsten Kompetenzen zählen:
1. Strategisches Produktdenken:
Der Data Product Owner behält das große Ganze im Blick. Er formuliert eine klare Vision und entwickelt eine Roadmap, die Outcomes über Outputs stellt.
2. Organisatorische Kompetenz:
Viele Themen laufen beim Data Product Owner zusammen. Er priorisiert Anforderungen, koordiniert Beteiligte und schafft strukturierte und effiziente Prozesse und Zusammenarbeit.
3. Kommunikations- und Moderationsfähigkeit:
Der Data Product Owner bringt Fachbereiche, Data und IT an einen Tisch. Er schafft ein gemeinsames Verständnis, moderiert Abstimmungen und managt die Erwartungen aller Beteiligten.
4. Entscheidungsfähigkeit unter Unsicherheit:
Datenprojekte verlaufen selten geradlinig und nicht alle Informationen liegen von Anfang an vollständig vor. Der Data Product Owner bleibt flexibel, bewertet Hypothesen, plant Experimente, priorisiert Anforderungen und schätzt Risiken realistisch ein. So kann er auch unter Unsicherheit fundierte Entscheidungen treffen.
5. Data Literacy:
Ein grundlegendes Verständnis für Daten und Datenquellen, Datenqualität, Analytics und KI-Konzepte ist unverzichtbar. Nur so lassen sich Chancen und Risiken richtig einschätzen.
Diese Kompetenzen ermöglichen es dem Data Product Owner, sowohl die fachlichen als auch die organisatorischen und technischen Anforderungen eines Datenprodukts erfolgreich miteinander zu verbinden und dessen langfristigen Erfolg sicherzustellen.
DPO und Entwickler:in – wer macht denn eigentlich was?
Ein Reibungspunkt in Produktentwicklungsteams kann die Unsicherheit über Zuständigkeiten und Verantwortlichkeiten zwischen Product Owner und Data Scientist bzw. Entwicklerinnen und Entwicklern sein.
Vereinfacht gesagt ist der Data Product Owner für das „WAS“, also die strategische Ausrichtung, und ein Data Scientist für das „WIE“, also die technische Umsetzung der gewünschten Produktkomponenten, verantwortlich.
Im Projektalltag können die Grenzen jedoch schnell verschwimmen.
Die folgende Abbildung stellt konkrete Aufgaben des Product Owners denen eines Data Scientists gegenüber, um das WAS und das WIE besser zu verdeutlichen.
Fazit
Datenprodukte sind in der heutigen Welt nicht mehr wegzudenken. Sie richtig zu entwickeln und v.a. das Richtige zu entwickeln, erfordert zusätzliche Kompetenzen und Anpassungen im Produktentwicklungsprozess. Ein Data Product Owner ist viel stärkeren Unsicherheiten ausgesetzt als ein klassischer Product Owner. Eine erfolgreiche Produktentwicklung gelingt, wenn diese Unsicherheiten aktiv gemanagt werden, indem iterativ Hypothesen aufgestellt und überprüft werden.
Eine Veranschaulichung der Unterschiede fasst folgende Tabelle nochmal für Dich zusammen:
Datenprodukte sind in der heutigen Welt nicht mehr wegzudenken. Sie richtig zu entwickeln und v.a. das Richtige zu entwickeln, erfordert zusätzliche Kompetenzen und Anpassungen im Produktentwicklungsprozess. Ein Data Product Owner ist viel stärkeren Unsicherheiten ausgesetzt als ein klassischer Product Owner. Eine erfolgreiche Produktentwicklung gelingt, wenn diese Unsicherheiten aktiv gemanagt werden, indem iterativ Hypothesen aufgestellt und überprüft werden.
Autorin
, Data Scieneer bei scieneers GmbH
maria.hochdoerffer@scieneers.de