Data Value Framework: In drei Phasen Daten monetarisieren

Anfang Juli 2022 hat das Beratungsunternehmen EY ein aktualisiertes Ranking der 100 wertvollsten Unternehmen der Welt veröffentlicht. Auf dem ersten Platz schaffte es diesmal mit einem Börsenwert von 2,3 Billionen US-Dollar der Erdölkonzern Saudi Aramco. Unter den Top Ten finden sich ausserdem fünf Unternehmen aus der Technologiebranche: Apple (2), Microsoft (3), Alphabet (4), Amazon (5) und Meta (10). Die übrigen Plätze der wertvollsten zehn Unternehmen belegen Tesla (6), Berkshire Hathaway (7), UnitedHealth Group (8) und Johnson & Johnson (9). Interessant ist das nicht nur, weil die Platzierungen einmal mehr die Dominanz der USA unterstreichen – unter den Top Ten ist Sau Aramco die einzige Ausnahme. Interessant ist das Ranking auch, weil es klar zeigt, wo künftig die Umsatzpotenziale liegen: nämlich in der Nutzung von Daten.

Insbesondere die Geschäftsmodelle von Alphabet und Meta basieren schon heute sehr unmittelbar auf der Monetarisierung von Daten. Beide Unternehmen machen den wesentlichen Teil ihres Umsatzes damit, Paid Media zu verkaufen. Dabei kann die Ansprache der Nutzer*innen wegen der gesammelten Daten sehr genau erfolgen – beispielsweise kann eine Ad nur an weibliche User zwischen 30 und 39 Jahren ausgespielt werden, die in Nordrhein-Westfalen wohnen und sich für Autos interessieren.  Die Geschäftsmodelle von Apple, Microsoft und Amazon werden zumindest mittelbar durch Daten unterstützt. Wie gross das Marktvolumen für eine Monetarisierung von Daten insgesamt ist, hat das Research-Unternehmen Markets and Markets untersucht. Die Analysten prognostizieren ein jährliches Wachstum von 22 Prozent, für 2025 gehen sie von einem weltweiten Marktvolumen von 6,1 Billionen US-Dollar – für Deutschland von 425 Milliarden Euro. Dieses immense Potenzial sollten nicht nur die Tech-Giganten aus den USA und zunehmend aus China für sich erschliessen. Auch für mittelständische Unternehmen bestehen grossartige Chancen.

Ganzheitliches Datenmanagement in den Phasen

Denn auch sie verfügen in der Regel über reichlich Daten – tendenziell werden es immer mehr. Weniger gut sieht es allerdings mit Blick auf den Umgang mit den Daten aus. Ein ganzheitliches Datenmanagement ist eher selten etabliert. Um Unternehmen dabei zu unterstützen, ihre Daten möglichst wertschöpfend zu nutzen, haben wir das Data Value Framework entwickelt. Das Tool ist in drei Phasen gegliedert und stellt unterschiedliche Methoden und Best Practices bereit.

Phase 1: Die richtige Datengrundlage schaffen

In der ersten Phase geht es darum, die richtige Datengrundlage zu schaffen. Das klingt zwar trivial, ist es aber ganz und gar nicht. So liegen Daten heute nicht nur häufig in verteilten Systemen. Sie werden von den einzelnen Fachbereichen auch nach unterschiedlichen Vorgaben erfasst und gepflegt – wobei die Disziplin nicht immer besonders hoch ist. Insofern kommt es darauf an, unternehmensweit bei den Mitarbeitenden ein Mindset zu etablieren, das den Wert von Daten fokussiert. Darauf aufbauend, können hilfreiche Strukturen, Prozesse und Technologien eingeführt werden, die sämtliche Facetten einer Datengrundlage als Single Source of Truth berücksichtigen.

Phase 2: Daten in Erkenntnisse umwandeln

Mit den richtigen Methoden und Technologien lassen sich aus den sauber vorgehaltenen Daten wertvolle Erkenntnisse gewinnen: Beispielsweise dazu, wer wann was kauft. Oder dazu, wie effektiv und effizient die Maschinen und Anlagen im Shopfloor arbeiten. Für Unternehmen besteht die Schwierigkeit vor allem darin, sich klarzumachen, welche Insights für sie tatsächlich relevant sind. Das zu klären, ist elementar. Denn wenn zu viele – an sich aufschlussreiche – Erkenntnisse vorliegen, kommt es schnell zu einem Information Overkill. Mit der Folge, dass nichts passiert.

Phase 3: Geschäftswert aus Daten realisieren

Welche Erkenntnisse relevant sind, hängt im Wesentlichen davon ab, wie Daten monetarisiert werden sollen. Grundsätzlich lassen sich dabei zwei Formen der Monetarisierung unterscheiden: indirekt/intern oder direkt/extern.

Bei der indirekten Monetarisierung dienen Daten-basierte Erkenntnisse dazu, interne Prozesse so zu verbessern, dass der Umsatz zunimmt, die Kosten sinken und der Gewinn steigt: indem Kund*innen gezielter angesprochen werden, der Ausschuss in der Produktion reduziert wird oder das Produktportfolio auf margenstarke Produkte ausgerichtet wird. Bei der direkten Monetarisierung werden Daten-basierte Produkte und Services oder die Daten selbst an externe Stakeholder verkauft. Ein Beispiel dafür ist der Maschinen- und Anlagenbauer, der seinen Kunden nicht nur die physischen Assets verkauft, sondern auch einen Predictive-Maintenance-Service anbietet.

Um mehr zu erfahren, schauen Sie sich die Aufzeichnung unserer Session „Data Thinking – Geschäftsmodelle für die Monetarisierung von Daten“ an oder melden sich für unser zugehöriges Webinar zum Thema an.