{"id":182943,"date":"2023-08-10T15:55:00","date_gmt":"2023-08-10T14:55:00","guid":{"rendered":"https:\/\/liora.io\/de\/?p=182943"},"modified":"2026-02-06T06:23:44","modified_gmt":"2026-02-06T05:23:44","slug":"design-thinking-wie-lassen-sich-methodik-und-data-science-verbinden","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/design-thinking-wie-lassen-sich-methodik-und-data-science-verbinden","title":{"rendered":"Design Thinking: Wie lassen sich Methodik und Data Science verbinden?"},"content":{"rendered":"

Design Thinking ist ein Framework, das von der Firma IDEO entwickelt wurde, um Designprojekte zu betreuen. Diese Methode kann jedoch auch auf Data Science angewendet werden. Finde heraus, wie Design Thinking f\u00fcr Data Science-Projekte von Vorteil sein kann.<\/strong><\/p>\n

Auf den ersten Blick scheint alles zwischen Design und Data Science zu stehen.<\/strong> Das eine wird mit Kunst und Kreativit\u00e4t in Verbindung gebracht<\/a>, das andere mit wissenschaftlicher und mathematischer Disziplin. Dennoch k\u00f6nnen sich die beiden Disziplinen gegenseitig erg\u00e4nzen…
\nDie Prinzipien des Designprozesses, auch „Design Thinking<\/strong>“ genannt, k\u00f6nnen dabei helfen, das volle Potenzial der Data Science zu entfalten. Sie bieten eine Methodik, um die Herausforderungen im Zusammenhang mit Daten zu bew\u00e4ltigen. In \u00e4hnlicher Weise hilft ein menschenzentriertes Design<\/strong> dabei, sicherzustellen, dass die aus der Datenanalyse gewonnenen Informationen verwertbar und relevant sind.<\/a><\/p>\n

Was sind die Herausforderungen der Data Science?<\/h3>\n

In der Regel beginnen alle Projekte mit der Bewertung der verf\u00fcgbaren Ressourcen. Im Fall von Data-Science-Projekten<\/strong> geht es darum, die verf\u00fcgbaren Daten zu analysieren<\/strong> und zu versuchen, relevante Informationen zu entdecken.<\/p>\n

In \u00e4hnlicher Weise basiert das Design eines neuen Produkts<\/strong> oft auf bestehenden L\u00f6sungen. Dieser Ansatz wird bevorzugt, anstatt zu untersuchen, warum diese Neuheit notwendig ist.<\/p>\n

Diese Methode ist jedoch problematisch. Sie l\u00e4uft darauf hinaus, dass man sich darauf st\u00fcrzt, Antworten zu finden, ohne \u00fcberhaupt zu wissen, was die Fragen sind.<\/p>\n

Selbst wenn die Daten Informationen offenbaren, ist es daher schwierig zu wissen, wie sie mit dem Projekt in Verbindung gebracht werden k\u00f6nnen und ob sie wirklich n\u00fctzlich sind.<\/p>\n

\n\t\t\t\t\t\t\t\t\t\t\"\"
<\/figcaption><\/figure>\n

Welche Designprinzipien sind in der Data Science n\u00fctzlich?<\/h3>\n

Es gibt viele Designprinzipien, die f\u00fcr die Data Science sehr n\u00fctzlich sein k\u00f6nnen. Hier sind einige Beispiele.
\nErstens: Wie das Design kann auch die Data Science<\/a> menschenzentriert sein. Es sollte daran erinnert werden, dass Menschen die wahren Nutznie\u00dfer aller aus Daten abgeleiteten Informationen sind.<\/p>\n

Wenn man sich die Zeit nimmt, die Interessengruppen, ihre Ziele und Frustrationen zu verstehen, kann man Ma\u00dfnahmen und Entscheidungen identifizieren und ihre Auswirkungen vorhersehen.<\/p>\n

Dar\u00fcber hinaus werden Designer darauf konditioniert, erst dann \u00fcber L\u00f6sungen nachzudenken, wenn es ihnen gelungen ist, das Problem zu formulieren und seine Dom\u00e4ne zu verstehen. Wie Tim Brown in seinem Buch „Change by Design: How Design Thinking Transforms Organisations and Inspires Innovation<\/strong>“ schreibt: „Es gibt nichts Frustrierenderes, als die richtige Antwort auf die falsche Frage zu finden“.<\/p>\n

In \u00e4hnlicher Weise muss ein Data-Science-Problem eingerahmt werden. Indem man die Liste der Hypothesen und Fragen, die mithilfe der Daten beantwortet werden sollen, eingrenzt, k\u00f6nnen relevante Informationen herausgefiltert werden.<\/p>\n

Eine weitere Designmethode<\/strong> besteht darin, seine vorgefassten Meinungen und Vorurteile \u00fcber ein Gebiet zu vergessen, um frei und anders zu denken. Dies erm\u00f6glicht es, die Ideen flie\u00dfen zu lassen, bevor man sich f\u00fcr die am besten geeignete entscheidet.<\/p>\n

In der Data Science verhindert dieser Ansatz, dass man sich an technischen Grenzen aufh\u00e4lt und damit die besten potenziellen L\u00f6sungen verdr\u00e4ngt. Anschlie\u00dfend kann die optimale L\u00f6sung unter Ber\u00fccksichtigung der Anforderungen und der Machbarkeit ausgew\u00e4hlt werden.<\/p>\n

\n\t\t\t\t\t\t\t\t\t\t\"\"
<\/figcaption><\/figure>\n

Rapid Visual Prototyping<\/strong> ist eine beliebte Technik im Designbereich. Der Grund daf\u00fcr ist, dass es einfacher ist, auf visuelle und interaktive Elemente zu reagieren als auf verbale Beschreibungen von Konzepten und Ideen.<\/p>\n

Eine einfache Grafik sagt mehr als tausend Worte und erm\u00f6glicht einen intuitiveren Austausch mit den Interessengruppen. Dasselbe Prinzip gilt f\u00fcr die Data Science, weshalb DataViz<\/a> oder Datenvisualisierung h\u00e4ufig eingesetzt wird.<\/p>\n

Beim UX-Design ist das Anh\u00e4ufen von Werkzeugen und Optionen kein Garant f\u00fcr Qualit\u00e4t. Im Gegenteil, dies kann die Nutzererfahrung unn\u00f6tig belasten.<\/p>\n

Ebenso sollte ein Bericht oder ein Dashboard, das auf der Analyse von Daten basiert, so minimalistisch und intuitiv wie m\u00f6glich gestaltet werden. Am besten ist es, eine leichte und verst\u00e4ndliche Erz\u00e4hlung zu schaffen, durch die die Kunden gef\u00fchrt werden k\u00f6nnen. Umgekehrt kann ein zu schwerf\u00e4lliger Bericht Verwirrung stiften.<\/p>\n

Der beste Weg, Design Thinking auf ein Data-Science-Projekt<\/strong> anzuwenden, ist ganz einfach, einen Designer in das Team der Data Scientists zu integrieren. Indem er seine kreative und atypische Denkweise einbringt, kann dieser Experte den logischen Verstand der Wissenschaftler harmonisch erg\u00e4nzen…<\/p>\n

Wie kann man sich in Data Science fortbilden?<\/h3>\n

Wie du vielleicht schon bemerkt hast: Design Thinking ist in der Data Science sehr n\u00fctzlich<\/strong>, und Designer k\u00f6nnen eine wertvolle Bereicherung f\u00fcr Data-Science-Teams sein. Als Designer kannst du eine Data Science-Ausbildung bei Liora absolvieren.<\/p>\n

Unsere Fortbildungen zum Data Analyst<\/a>, Data Engineer<\/a> und Data Scientist<\/a> vermitteln dir alle F\u00e4higkeiten, die du brauchst, um diese schnell wachsenden Berufe auszu\u00fcben.<\/p>\n

Du lernst Techniken der Datenanalyse, Business Intelligence, Machine Learning, Python und Datenbanken kennen. Du lernst auch die Techniken der DataViz oder Datenvisualisierung kennen, die eng mit dem Design verbunden sind.<\/p>\n

Wenn du diesen Kurs abschlie\u00dft, erh\u00e4ltst du eine dreifache Anerkennung: Ein Zertifikat der Mines ParisTech PSL Executive Education, die Validierung der franz\u00f6sischen, staatlich anerkannten RNCP-Zertifizierung 36129 „Projektleiter f\u00fcr k\u00fcnstliche Intelligenz“ und eine Cloud-Zertifizierung f\u00fcr Microsoft Azure oder Amazon Web Services.<\/strong><\/p>\n

Unser innovativer Blended-Learning-Ansatz verbindet Online-Lernen auf einer gecoachten Plattform mit Masterclasses. Alle unsere Kurse werden im Fernstudium absolviert und k\u00f6nnen im Rahmen eines alternierenden Studiums, einer Weiterbildung oder eines intensiven BootCamps erg\u00e4nzt werden.<\/p>\n

Unsere Organisation ist staatlich anerkannt und kann \u00fcber das Pers\u00f6nliche Lernkonto finanziert werden. Verpasse keinen Moment mehr und entdecke Liora!<\/p>\n

\n\t\t\t\t\t\t\t\t\t\t\"\"
<\/figcaption><\/figure>\n

Du wei\u00dft alles \u00fcber die Verbindung zwischen Design Thinking und Data Science. Weitere Informationen zu diesem Thema findest du in unserem ausf\u00fchrlichen Dossier \u00fcber DataViz und unserem Dossier \u00fcber Business Intelligence.<\/p>\n


\nEntdecke unsere Data Science Kurse
\n<\/a>
\n.<\/p>\n","protected":false},"excerpt":{"rendered":"

Design Thinking ist ein Framework, das von der Firma IDEO entwickelt wurde, um Designprojekte zu betreuen. Diese Methode kann jedoch auch auf Data Science angewendet werden. Finde heraus, wie Design Thinking f\u00fcr Data Science-Projekte von Vorteil sein kann. Auf den ersten Blick scheint alles zwischen Design und Data Science zu stehen. Das eine wird mit […]<\/p>\n","protected":false},"author":74,"featured_media":182944,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[2472],"class_list":["post-182943","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-ki"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/182943","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/users\/74"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/comments?post=182943"}],"version-history":[{"count":1,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/182943\/revisions"}],"predecessor-version":[{"id":217259,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/182943\/revisions\/217259"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media\/182944"}],"wp:attachment":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media?parent=182943"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/categories?post=182943"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}