Reader 1
Achtergrond
In een wereld met exponentiële datagroei benut slechts een klein aantal
bedrijven deze data effectief voor innovatieve businessmodellen. Slechts 4% van
de Duitse bedrijven heeft data gebruikt voor nieuwe businessmodellen. Het
artikel onderzoekt hoe beschikbare data systematisch kan worden gekoppeld aan
gebruikersbehoeften om waardevolle proposities te creëren.
Doelen en Methode
Het artikel introduceert twee belangrijke concepten:
1. Data Canvas: Een methode om beschikbare data systematisch te
analyseren en vast te leggen als waardevolle input voor businessmodellen.
2. Data-Need Fit: Een proces dat data koppelt aan gebruikersbehoeften en
als aanvulling dient op bestaande innovatieprocessen zoals het Business
Model Canvas en Lean Startup.
Veranderende Waardecreatie
De traditionele lineaire waardecreatie verschuift naar een model waarin waarde
ontstaat door interactie en co-creatie tussen dienstverlener en klant. Data wordt
een waardevolle resource door de kennis en vaardigheden van de gebruikers. Het
concept van waarde-in-context benadrukt dat waarde afhankelijk is van
specifieke klantbehoeften en situaties.
Uitdagingen en Innovatie
Hoewel bestaande methoden nuttig zijn, richten ze zich voornamelijk op
goederen en lineaire waardecreatie. Innovatieprocessen missen vaak een
gestructureerde aanpak voor het inzetten van data als kernresource. Vaak zijn de
afdelingen die data beheren niet betrokken bij het ontwerpen van nieuwe
businessmodellen.
Oplossing: Data-Driven Innovatie
Data Canvas helpt organisaties om beschikbare data en partners in kaart
te brengen binnen het innovatieproces.
Data-Need Fit koppelt deze data aan gebruikersbehoeften, zodat
bedrijven services kunnen ontwikkelen die aansluiten op klantaspiraties.
Een combinatie van effectuation en Lean Startup biedt een flexibele en
iteratieve aanpak.
, Methodologie
De ontwikkeling van de Data Canvas en Data-Need Fit volgde de Design Science
Research-methode. Dit omvatte:
1. Het verzamelen van praktijkrelevante eisen.
2. Artefactontwikkeling via participatieve workshops.
3. Evaluatie in real-world projecten met kwalitatieve methoden.
Diverse workshops resulteerden in een prototype van de Data Canvas, dat verder
verfijnd werd tijdens evenementen zoals hackathons.
Resultaten
De methodologie biedt:
1. Data Canvas: Visualiseert data langs herkomst (intern/extern) en
actualisatiegraad (continu/periodiek), met gebruik van gekleurde sticky
notes voor attributen zoals betrouwbaarheid en kosten.
2. Data-Need Fit: Koppelt beschikbare data aan klantbehoeften via
gebruikersonderzoek en tools zoals de Value Proposition Canvas.
Van Data-Need Fit naar Duurzame Diensten
Een succesvolle Data-Need Fit vormt de basis voor een waardepropositie en leidt
tot een Problem-Solution Fit, wat getest wordt met Minimum Viable Products
(MVP's) volgens Lean Startup-methodologieën, waardoor iteratieve verbetering
mogelijk is.
Achtergrond
In een wereld met exponentiële datagroei benut slechts een klein aantal
bedrijven deze data effectief voor innovatieve businessmodellen. Slechts 4% van
de Duitse bedrijven heeft data gebruikt voor nieuwe businessmodellen. Het
artikel onderzoekt hoe beschikbare data systematisch kan worden gekoppeld aan
gebruikersbehoeften om waardevolle proposities te creëren.
Doelen en Methode
Het artikel introduceert twee belangrijke concepten:
1. Data Canvas: Een methode om beschikbare data systematisch te
analyseren en vast te leggen als waardevolle input voor businessmodellen.
2. Data-Need Fit: Een proces dat data koppelt aan gebruikersbehoeften en
als aanvulling dient op bestaande innovatieprocessen zoals het Business
Model Canvas en Lean Startup.
Veranderende Waardecreatie
De traditionele lineaire waardecreatie verschuift naar een model waarin waarde
ontstaat door interactie en co-creatie tussen dienstverlener en klant. Data wordt
een waardevolle resource door de kennis en vaardigheden van de gebruikers. Het
concept van waarde-in-context benadrukt dat waarde afhankelijk is van
specifieke klantbehoeften en situaties.
Uitdagingen en Innovatie
Hoewel bestaande methoden nuttig zijn, richten ze zich voornamelijk op
goederen en lineaire waardecreatie. Innovatieprocessen missen vaak een
gestructureerde aanpak voor het inzetten van data als kernresource. Vaak zijn de
afdelingen die data beheren niet betrokken bij het ontwerpen van nieuwe
businessmodellen.
Oplossing: Data-Driven Innovatie
Data Canvas helpt organisaties om beschikbare data en partners in kaart
te brengen binnen het innovatieproces.
Data-Need Fit koppelt deze data aan gebruikersbehoeften, zodat
bedrijven services kunnen ontwikkelen die aansluiten op klantaspiraties.
Een combinatie van effectuation en Lean Startup biedt een flexibele en
iteratieve aanpak.
, Methodologie
De ontwikkeling van de Data Canvas en Data-Need Fit volgde de Design Science
Research-methode. Dit omvatte:
1. Het verzamelen van praktijkrelevante eisen.
2. Artefactontwikkeling via participatieve workshops.
3. Evaluatie in real-world projecten met kwalitatieve methoden.
Diverse workshops resulteerden in een prototype van de Data Canvas, dat verder
verfijnd werd tijdens evenementen zoals hackathons.
Resultaten
De methodologie biedt:
1. Data Canvas: Visualiseert data langs herkomst (intern/extern) en
actualisatiegraad (continu/periodiek), met gebruik van gekleurde sticky
notes voor attributen zoals betrouwbaarheid en kosten.
2. Data-Need Fit: Koppelt beschikbare data aan klantbehoeften via
gebruikersonderzoek en tools zoals de Value Proposition Canvas.
Van Data-Need Fit naar Duurzame Diensten
Een succesvolle Data-Need Fit vormt de basis voor een waardepropositie en leidt
tot een Problem-Solution Fit, wat getest wordt met Minimum Viable Products
(MVP's) volgens Lean Startup-methodologieën, waardoor iteratieve verbetering
mogelijk is.
