Viel entscheidender ist die Frage, wie man zielgerichtet und gleichzeitig agil an das Thema herangehen kann. Ausgangspunkt sämtlicher Überlegungen sollte immer der direkte Kundennutzen sein. Daher ist es wichtig, wie im Design Thinking üblich, zunächst ein vertieftes Problemverständnis zu entwickeln, um im wahrsten Sinne des Wortes »ein Gefühl dafür zu bekommen«, mit welchen Problemen und Herausforderungen der Endkunde tatsächlich kämpft. Darauf aufbauend können im Rahmen sogenannter Innovationsworkshops, in denen verschiedene Kreativitätstechniken und Übungen zum Einsatz kommen, schnell mehrere hundert Ideen zusammenkommen. Ausgehend von den vielversprechendsten Ideen besteht die größte Herausforderung darin, schnell und zielgerichtet zu einer Bewertung zu kommen, ob die technische Machbarkeit der am höchsten priorisierten Ideen gegeben ist oder nicht. Um dieses Vorgehen zu formalisieren, sprechen wir von »Data Science Significant Requirements«, also von nicht-funktionalen Anforderungen, die bei datengetriebenen digitalen Diensten erfüllt sein müssen, damit die technische Machbarkeit gegeben ist. Konkret werden Data Science Significant Requirements verwendet, um zu spezifizieren, welche Daten grundsätzlich benötigt werden und in welcher Qualität, Auflösung, Frequenz und Menge sie vorhanden sein müssen, damit die eingesetzten statistischen Verfahren zufriedenstellende Ergebnisse liefern oder beispielsweise Neuronale Netze ausreichend trainiert werden können. Die konkrete Ausgestaltung dieser nicht-funktionalen Anforderungen ist sehr stark abhängig von der Fachlichkeit und von den Qualitätsanforderungen, die an den digitalen Dienst, beispielsweise im Zusammenhang mit der Vorhersagegenauigkeit, gestellt werden. Fakt ist jedoch, dass diese nur im Team und im Zusammenspiel verschiedenster Experten (Fachexperten, Data Scientists, Statistiker, Software Ingenieure, Juristen, ..) erarbeitet und evaluiert werden können. Software Engineering war schon immer Teamwork, aber im Zeitalter von Data Science und KI gilt dies umso mehr.
Damit der zu entwickelnde datengetriebene Dienst Insights auf einem hohen fachlichen Niveau generieren kann, die tatsächlich »wertvoll« für den Endnutzer sind, muss im gesamten Team sowohl ein sehr hohes fachliches Verständnis als auch eine ausgeprägte Empathie für die tatsächlichen Probleme und Bedürfnisse des Endnutzers vorhanden sein. Dies bedeutet, dass die verschiedenen Expert*innen im Team in hohem Maße interdisziplinär und interaktiv zusammenarbeiten müssen. Und dies gilt in deutlich stärkerem Maße, als dies bislang in Software-Engineering-Projekten der Fall war.