Teilnahme & Rahmenbedingungen¶
Verbindliche Leitplanken¶
- Es dürfen ausschliesslich öffentlich verfügbare Datenquellen und Dokumente genutzt werden.
- Interne, operative, sensitive oder klassifizierte Daten sind nicht Teil dieser Challenge.
- Jede Quelle muss mit URL, Format, Zugriffspfad und Abrufdatum dokumentiert werden.
- Offizielle APIs oder offizielle Downloads sind gegenüber Scraping klar zu bevorzugen.
- LLM-basierte Ausgaben sind nur akzeptabel, wenn die zugrunde liegenden Quellen sichtbar und nachvollziehbar bleiben.
- Der Fokus liegt auf einem kleinen, funktionierenden MVP.
- Code, Schema, Zugriffspfad und Dokumentation sollen nach dem Hackathon möglichst wiederverwendbar sein.
Pflicht für alle Teams
Teilnehmende müssen ihre eigenen öffentlichen Datenquellen selbst beschaffen und dokumentieren. Diese Website liefert Orientierung und Beispiele, aber keinen abschliessenden Datensatz.
Erwartete Arbeitsweise¶
| Thema | Erwartung |
|---|---|
| Datenwahl | bewusst begrenzte, fachlich begründete Quellenbasis |
| Datenintegration | nachvollziehbare Mapping- und Transformationsschritte |
| Transparenz | sichtbare Evidenz und klare Quellenreferenzen |
| Technik | pragmatischer, wartbarer Prototyp statt Überengineering |
| Dokumentation | kompakt, aber reproduzierbar |
Bewertungsfokus¶
Die konkrete Jurybewertung kann situativ ausgestaltet werden. Für die fachliche Beurteilung dieser Challenge sollten insbesondere folgende Punkte sichtbar sein:
| Fokusbereich | Worauf es ankommt |
|---|---|
| Problemfit | klare Ausrichtung auf prospektive Umfeldanalyse und Resilienzindikatoren |
| Quellenklarheit | saubere Dokumentation, nachvollziehbare Herkunft und Zugriffspfade |
| Integrationsqualität | belastbares Datenmodell und konsistente Verarbeitung über mehrere Quellen |
| Funktionierendes MVP | demonstrierbarer End-to-End-Fluss mit nutzbarer Oberfläche |
| Aussagekraft | verständliche Indikatoren, Trendkarten oder Weak Signals mit Evidenz |
| Wiederverwendbarkeit | Architektur, Code und Dokumentation sind nachnutzbar |
| Visualisierung | Informationen sind für fachliche Nutzer:innen klar lesbar und erklärbar |
Praktische Empfehlung¶
- Scope früh begrenzen
- Schnittstellen und Datenmodell zuerst stabilisieren
- Quellenreferenzen von Anfang an mitführen
- Visualisierung erst aufbauen, wenn die Evidenzkette belastbar ist
So steigt die Chance, dass das Ergebnis nicht nur demonstrierbar, sondern auch fachlich anschlussfähig bleibt.