Mit Data Thinking Modelle für die Monetarisierung finden

In einer Welt, in der Daten wahlweise als neues Gold oder als neues Öl bezeichnet werden, verhalten wir uns alle im privaten Kontext ziemlich grosszügig. Um nicht zu sagen naiv. Denn täglich produzieren wir in der digitalen Welt Unmengen an Daten und überlassen diese kostenlos – beziehungsweise im Austausch für die Nutzung von Anwendungen, Social Networks, Suchmaschinen und so weiter – den Unternehmen, die etwas damit anzufangen wissen. Vor diesem Hintergrund hat das Schweizer Start-up BitsaboutMe vor ein paar Jahren einen Marktplatz gelauncht, auf dem Menschen ihre Daten monetarisieren können.

Eine solche direkte Form der Monetarisierung von Daten (Daten als Produkt) ist eines von fünf Modellen, mit denen sich Daten zu Geld machen lässt. Für die Differenzierung nutzen wir zwei Merkmale mit zwei Ausprägungen: den Adressaten in Form eines internen und eines externen Kunden sowie die Messbarkeit der Monetarisierung, nämlich direkt oder indirekt.

Daten als Produkt, Erkenntnisse als Service und Solution Provider

Was BitsaboutMe privaten Nutzer*innen ermöglicht, ist natürlich auch für Unternehmen möglich. Und tatsächlich ist das Modell Daten als Produkt (DaaP) weit verbreitet. Dank der europäischen Datenschutz-Grundverordnung (DSGVO) sind zwar die goldenen Jahre der Adressbroker vorbei. Es gibt aber noch reichlich nicht personenbezogene Daten, die für externe Kunden einen Wert haben und sich deshalb verkaufen lassen. Das gilt zum Beispiel, wenn Automobilhersteller ihre Fahrzeuge mit Sensoren ausstatten, die Daten zur Wettersituation sammeln. Diese Daten sind für Unternehmen interessant, die Wettervorhersagen und andere Wetterservices anbieten. Der auf diese Weise realisierte Umsatz lässt sich natürlich direkt messen.

Möglich ist auch, Informationen als Service (IaaS) zu verkaufen. Bei diesem Modell werden die vorhandenen Daten zunächst analysiert, um den externen Kunden auf Basis der Insights zu beraten. So etwa zur Resilienz von Lieferketten – ein absolut aktuelles Thema. Unternehmen könnten PESTEL-Analysen zu den betroffenen Ländern durchführen, um so eine Einschätzung zur politischen, ökonomischen, sozialen, technologischen, ökologischen und rechtlichen Situation abzugeben. Daraus lassen sich Risiken ableiten, die sich auf die Supply Chain auswirken könnten. Die Monetarisierung der Daten ist auch in diesem Fall direkt messbar.

Ein externer Kunde wird auch dann adressiert, wenn Unternehmen als Solution Provider innovative Data Enabled Products anbieten. Bei einer anderen Variante werden bestehende Produkte um Daten-basierte Services ergänzt. So könnten Sensoren an einer elektrischen Zahnbürste an eine App ermittelt werden, wo sie ausgewertet und zu einem Feedback verdichtet werden. Direkt lässt sich dabei die Monetarisierung nicht messen. Grundsätzlich liegt der monetäre Vorteil darin, dass solche Produkte mit Extra bei den Kund*innen besonders beliebt sind.

Umsatz erhöhen, Daten-basiert optimieren

Mit Blick auf einen internen Kunden – also das Unternehmen selbst beziehungsweise einen Fachbereich, ein Team oder einen Mitarbeitenden – sind zwei Modelle für die Monetarisierung von Daten relevant. Zum einen lassen sich Erkenntnisse nutzen, um den Umsatz zu erhöhen. Das gelingt, indem externe Kund*innen gezielter angesprochen werden, um ihnen so mehr beziehungsweise Produkte mit höheren Preisen zu verkaufen. Durch eine gezielte Ansprache wird gleichzeitig die Kundenbindung gestärkt. Positiv auf den Umsatz wirkt sich auch aus, wenn mithilfe von Analysen neue Märkte oder Branchen erschlossen werden.

Zum anderen können sich auf Basis von Daten die bestehenden Geschäftsprozesse optimieren lassen – Kosten und Verschwendungen werden reduziert, Durchlaufzeiten verkürzt, Produktivität und Qualität gesteigert. Die Ansatzpunkte dafür sind enorm und finden sich im gesamten Unternehmen. Unterscheiden lassen grundsätzlich zwei Wege der Optimierung: Erstens können Daten dazu dienen, Schwachstellen in Prozessen zu identifizieren. Das Process Mining verfolgt diese Möglichkeit am konsequentesten. Zweitens lassen sich Prozesse automatisieren, sodass Menschen bestimmte Aufgaben nicht mehr ausführen müssen. Im Finanzwesen betrifft das zum Beispiel die meisten Vorgänge zu Eingangs- und Ausgangsrechnungen, die Durchführung von Konsolidierungsschritten beim Konzernabschluss oder die Planung und das Management von Liquidität.

Design Thinking + Data Science = Data Thinking

Welches Modell im einzelnen Fall sinnvoll ist und welche konkreten Monetarisierungs-Use Cases sich umsetzen lassen, muss jedes Unternehmen für sich herausfinden. Data Thinking kann dabei unterstützen. Die Methode kombiniert den Kreativprozess Design Thinking und die Wissenschaft Data Science mit dem Ziel, Modelle für die Monetarisierung von Daten zu finden.

Design Thinking ist eine Kreativprozess, bei dem ein interdisziplinär besetztes Team zusammenkommt, um innovative Lösungen zu einer spezifischen Frage zu finden – etwa zur Frage nach den Anforderungen möglicher Kund*innen oder zur Reduzierung des Energieverbrauchs in der Produktion. Die Interdisziplinarität soll sicherstellen, dass die Frage aus unterschiedlichen Perspektiven betrachtet werden und auch unkonventionelle Ansätze eingebracht werden.

Data Science befasst sich als Wissenschaft damit, wie sich durch die Analyse von Daten neue Erkenntnisse gewinnen lassen. Beispielsweise könnte das Verhalten der Besucher*innen auf einer Website genutzt werden, um Rückschlüsse auf ihre Vorlieben zu ziehen. Oder Sensordaten aus dem Shopfloor dienen dazu, die grössten Energieverschwender zu identifizieren.

Kirsten Bruns und Georg Aholt haben sich auf der Transformation NOW! Deutschland 2022 die fünf Modelle für die Monetarisierung von Daten genau angeschaut. Ausserdem stellen sie die Data-Thinking-Methode vor.