Agile Produktentwicklung bei car2go

Marc Lenz, Projektleiter Big Data bei der car2go Group, verrät, welchen Mehrwert sein Team aus Microservices zieht und erläutert, warum Streaming Data für Analyse und Produktentwicklung so wichtig ist.

Durch die grundlegende Transformation der car2go Produktentwicklung verschieben sich Systeme und Datenstrukturen von zentralen Monolithen hin zu verteilten Microservices. Marc Lenz zeigt auf, wie die Business Intelligence auf diese Änderungen reagiert und wie die Transformation der BI-Architektur unternehmensweit echten Mehrwert bringt. Dabei legt er dar, wie eine geeignete Daten- und Softwarearchitektur die Produktentwicklung agiler macht und die Erstellung von datengetriebenen Services bereichsübergreifend ermöglicht.

Bild: Diplom-Informatiker Marc Lenz leitet die Entwicklung der Business Intelligence Systemlandschaft bei car2go. Er verantwortet die Implementierung und den Betrieb der Softwaresysteme und gestaltet Daten-, Software- und Systemarchitekturen, sowie Governance Modelle, die unternehmensweite Datenkonsistenz sicherstellen und die agile Entwicklung von datengetriebenen Produkten ermöglichen (Quelle car2go).

Was genau steckt hinter der Transformation der car2go Produktentwicklung und welche Folgen hat dies für die erwähnten Systeme und Datenstrukturen?

Marc Lenz: Unser Ziel ist es, Big Data Analytics und das System dazu nicht nur für reine Analysezwecke zu nutzen. Die Datenbewirtschaftung und die Daten an sich sollen der Produktentwicklung in einem stärkeren Maße dienen und auch in der Domäne ein größeres Bewusstsein für die Daten schaffen. In der praktischen Umsetzung heißt das für uns, dass wir das Big-Data-System und die Streaming-Data Komponente als zentrale Datendrehscheibe und Produktentwicklungs-Plattform etablieren, und so eine Sevice2Service-Kommunikation schaffen, um dadurch bessere digitale Produkte zu entwickeln. Gleichzeitig dient die Plattform als Basis für alle zukünftigen analytischen Data-Science Anwendungsfälle. Wir möchten all das miteinander verbinden und Einbahnstraßen abschaffen.

Können Sie uns ein Beispiel für einen Microservice bzw. datengetriebenen Service bei car2go nennen?

Marc Lenz: Ein konkreter Anwendungsfall besteht bei uns in der Optimierung der Relocation. In unseren Geschäftsgebieten herrschen unterschiedliche Auslastungen. Wir versuchen, möglichst vorausschauend, die Autos aus Gebieten, wo sie potentiell weniger stark nachgefragt werden, zu bestimmten Tageszeiten in andere Gebiete zu positionieren, wo die Nachfrage höher ist, also zum Beispiel von den Randbezirken der Städte in die Innenstadt. Diese Entscheidungen unterfüttern wir algorithmisch und mathematisch und belegen sie mit entsprechenden Daten. Unsere Data Scientists haben dazu ein Modell entwickelt, das hochoptimiert den Bedarf im Vorfeld erkennt und dabei sämtliche Konstellationen berücksichtigt.

Wenn unsere Data Scientists auf der Plattform ihre Modelle berechnen können und Prototypen bauen, auf denen das finale Produkt bereits läuft, verkürzt das die Time-to-Market signifikant. Das schafft einen klaren Mehrwert für uns, denn wir können direkt in Produktion gehen und es gibt keinen großen Medienbruch mehr. Dadurch sind wir in der Lage, mehr und schneller datengetriebene Services und Produkte in die Produktentwicklung zu bringen und durch eine schnellere Übergabe Lücken besser zu schließen.

Wie bewerten Sie dabei die Qualität der Daten?

Marc Lenz: Wichtig im Hinblick auf die Qualität der Daten ist eine entsprechende organisatorische Verankerung. Der klassische Lifecycle beginnt meistens mit einem kreativen Workshop und der Frage, aus welcher Quelle man die Daten bezieht, beispielsweise um den Bedarf vorab zu analysieren. Dabei tauchen oft technische Hürden auf, weil bestimmte Datenquellen entweder nicht verfügbar sind oder die Daten nicht in der Form verfügbar sind, wie die Data Scientists sie benötigen. Eine wichtige Größe sind zum Beispiel die Nachfragedaten zu welchem Zeitpunkt der Kunde ein Fahrzeug sucht.

Unser Ziel ist es, eine System- und Organisationslandschaft zu schaffen, die Daten in einer Art begreift, handhabt und verwaltet, dass Daten als Produktionsmittel gesehen werden, die entsprechend kontinuierlich bewirtschaftet, auf ihre Qualität hin geprüft und bezüglich ihres Wertes quantifiziert werden. Im konkreten Beispiel der Relocation haben die Nachfragedaten einen gewissen Wert für das Unternehmen, und so ist es für uns strategisch sinnvoll, diese Daten bereits vorzuhalten und nicht pro Usecase jedes mal neu zu bewerten. Für reibungslose Abläufe ist es sinnvoll, dass die Daten qualitativ und hinsichtlich der Compliance auch rechtlich gesichert und zum direkten Einsatz in diesem “Datenuniversum” vorliegen. Diese Transformation unserer Systemlandschaft hat natürlich eine Standardisierung der Daten und Abläufe zur Folge.

Wie hat die Business Intelligence auf die Änderungen reagiert und welcher Mehrwert hat sich daraus ergeben?

Marc Lenz: Ursprünglich hat sich die Business Intelligence bei car2go aus einem rein “konsumierenden” Team heraus entwickelt, das Daten lädt, transformiert und darauf aufbauend Cubes baut. In Zukunft werden auch Data Engineers des BI-Teams mehr in die Produktentwicklung involviert werden, um dort die Datenqualität und das Data Engineering direkt zu implementieren.

Jedes Projekt zur Entwicklung einen Produkts oder Microservices besteht in den meisten Fällen zu 80% aus Data Preparation und Transformation. Wenn man diese 80% reduzieren möchte, dann gelingt das nur, wenn die Produktentwicklung in Sachen Qualität – technisch wie organisatorisch – schon von Anfang an miteinbezogen ist.

Wie hilft b.telligent genau bei der Umsetzung des Projekts und aus welchem Grund hat sich car2go für b.telligent entschieden?

Marc Lenz: b.telligent stellt uns die richtigen Fragen. Wie stellen wir Datenschutzkonformität her? Wie beeinflusst unsere Datenarchitektur die Softwarearchitektur und was hat die Produktentwicklung davon? Welche Art Organisation beeinflusst die Prozesse in welchem Maße? Welche Rollen muss man neu definieren und welche neuen Aufgaben gibt es, die man nun kontinuierlich erledigen muss?

Es geht dabei um den Aufbau eines Enterprise Data Models, um Technik und Organisation stärker miteinander zu verbinden. In den Teams gibt es Mitarbeiter, die ein großes Domänenwissen haben und das Business gut genug verstehen, um Daten qualitativ bewerten zu können. Der klassische Entwicklerkandidat dagegen kann dafür die technische Qualität gut bewerten. Hier definieren wir neue und stärken bisherige Zuständigkeiten. Folge davon sollte auch sein, dass man einen Productowner für die Daten definiert, der ein Data Stewardship implementiert und sich mit tiefgreifendem Businessverständnis und Domänenwissen die Datenwirtschaft zu eigen macht.

Wie kam es zu der Entscheidung für b.telligent als Partner?

Marc Lenz: b.telligent konnte uns glaubhaft den Eindruck vermitteln, dass sie nicht nur das Thema technisch beherrschen, sondern auch die organisatorische Dimension verstehen. b.telligent hilft uns, auch die Organisation an die Transformation anzupassen und mit einem Data Governance Konzept neue Strukturen aufzubauen. Ohne dies geht es nicht.

Vielen Dank Herr Lenz!

Das Interview fand im Rahmen des von b.telligent veranstalteten BI-Kongresses am 3. Mai 2018 in München statt.