SudhaDaten- und BI-Süchtiger
Melden Sie sich an, um die neuesten Einblicke und Updates zu Technologie, KI & Datenanalyse, Data Science und Innovationen von Polestar Analytics zu erhalten.
Fassen Sie diesen Blogbeitrag wie folgt zusammen:Albert Einstein nutzte bekanntlich Gedankenexperimente, um die Auswirkungen ungetesteter Theorien auf die physikalische Welt zu veranschaulichen. Ähnlich müssen Führungskräfte die vielfältigen Einsatzmöglichkeiten und Konsequenzen ihrer Datennutzung visualisieren. Dies hilft ihnen, die aktuelle Situation anhand vergangener und gegenwärtiger Daten zu verstehen und neue Wege für die Zukunft zu erkunden. Heute wollen wir den wahren Wert von Daten und seine Nutzungsmöglichkeiten für Wettbewerbsvorteile und die Erschließung neuer Einnahmequellen genauer betrachten.
Gartner definiert Datenmonetarisierung als „den Prozess der Nutzung von Daten zur Erzielung eines quantifizierbaren wirtschaftlichen Nutzens“ . Unternehmen sind ständig bestrebt, ihr Produkt- und Dienstleistungsangebot zu erweitern und täglich neue Einnahmequellen zu erschließen – auch Daten bilden da keine Ausnahme. Angesichts der generierten Datenmengen und des Aufwands für deren Speicherung und Transformation ist es verständlich, dass Unternehmen versuchen, mehr daraus zu generieren.
Je nach Verwendungszweck der Daten lassen sich zwei Hauptarten der Datenmonetarisierung unterscheiden. Die erste und direkteste Methode ist die Weitergabe von Daten an externe Quellen und Dritte, also der direkte Verkauf von Daten oder der Informationstausch. Die Daten können im Rohformat oder bereits analysiert vorliegen. Wichtig ist, sich vorab über die geltenden Datenschutzbestimmungen am jeweiligen Standort zu informieren.
Die zweite Methode der Datenmonetarisierung, die aus rechtlicher Sicht sicherer ist und zukünftig Skalierungspotenzial bietet, ist die indirekte Methode: die Nutzung von Daten zur Verbesserung der Geschäftsleistung und Entscheidungsfindung. Obwohl Daten oft als das neue Öl oder eine andere wertvolle Ware bezeichnet werden, wird ein wichtiger Aspekt oft übersehen: ihre Nutzung. Daten können mehrfach genutzt werden und haben einen Wert, der den meisten Menschen zunächst nicht klar ist und von ihrer Verwendung abhängt.
Bei dieser indirekten Form der Datenmonetarisierung liegt der eigentliche Reiz darin, den Wert der Daten zu ermitteln. Dies gelingt durch die Suche nach Optimierungspotenzialen oder die Entwicklung datengetriebener Geschäftsmodelle. Hierfür stehen zahlreiche Ressourcen und Technologien aus den Bereichen Datenanalyse , Business Intelligence und Enterprise Property Management (EPM) zur Verfügung. In diesem Artikel konzentrieren wir uns hauptsächlich auf die indirekte Methode der Datenmonetarisierung.
Einer Studie von Kearney zufolge erzielten acht Prozent der marktführenden Unternehmen im Bereich Analytics einen um 60 Prozent höheren Gewinn als die Unternehmen, die weit hinter ihnen zurückliegen. Der offensichtliche, aber nicht ganz so offensichtliche Vorteil der Datenmonetarisierung durch indirekte Methoden liegt in der Verbesserung von Umsatz und Gewinn.
Zu den Vorteilen der Datenmonetarisierung gehören unter anderem:
Es besteht die Notwendigkeit, die Sichtweise von Unternehmen auf ihre Daten zu verändern – von Kostenstellen hin zu Profitcentern. Mit Daten lässt sich ein enormes Potenzial entfalten, sobald man Zeit, Investitionen und Ressourcen investiert. Verschiedene Schlüsselfaktoren bilden die Grundlage für die Datenmonetarisierung.
Datenmanagement: Obwohl dies selbstverständlich klingt, vernachlässigen viele Organisationen diesen Schritt. Sie versäumen es, die Art der Daten zu identifizieren, die sie erfassen müssen, und erfassen Daten auch nicht in der erforderlichen Qualität.
Datenstrategie: Wie bei jeder Implementierung bedarf es auch bei der Implementierung von Datenanalysen oder fortgeschrittenen Analysemethoden einer Strategie, um die Geschäftseinheiten oder die zu erfassenden KPIs zu identifizieren.
Datenanalyse: Um aus den internen Daten weitere Chancen zu generieren, benötigen wir die entsprechenden technischen Kenntnisse für die Datenanalyse. Zur Verdeutlichung unterteilen wir dies grob in drei Bereiche: Wertschöpfung, Verbesserung der betrieblichen Effizienz und Identifizierung von Geschäftsmodellen.
Die Wertschöpfung für Unternehmen lässt sich als Prozess beschreiben, in dem eine nahtlose Datenplattform bereitgestellt wird, die das aktuelle Geschäftsszenario anhand historischer Daten analysiert und daraus Erkenntnisse gewinnt. Die Steigerung der betrieblichen Effizienz kann durch die Verbesserung von Echtzeit-Einblicken erreicht werden, um effiziente und agile Fertigungs- und Logistikprozesse zu entwickeln.
Der letzte Schritt der Identifizierung von Geschäftsmodellen kann durch Data Science und algorithmengesteuerte Datenanalyse erfolgen, um mithilfe von Szenarioplanung und -analyse bestehende Einnahmequellen zu erneuern oder neue aufzubauen.
Es gibt zwar verschiedene Ansätze zur Datenmonetarisierung, aber sehen wir uns nun an, wie Datenanalysen nützlich sind. Wir haben oben bereits die vielfältigen Anwendungsfälle besprochen, in denen Datenanalysen eingesetzt werden können. Jetzt betrachten wir das Ganze aus einer anderen Perspektive, nämlich auf Organisationsebene.
Bevor wir uns mit den Methoden der Datenmonetarisierung befassen, betrachten wir zunächst die Vorteile von Datenanalysen für die Monetarisierung. Möglicherweise kennen Sie bereits die Reifegradstufen für Analytics von Kearney . Diese vier Stufen umfassen Nachzügler, Folger, Entdecker und Marktführer. Die Analyse zeigt, dass Nachzügler 60 % weniger Gewinn erzielen als Marktführer und dass der wahre Wert von Analytics erst ab der Entdeckerstufe deutlich wird.
Wenn Sie also das nächste Mal darüber nachdenken, ob Datenanalyse von Vorteil wäre oder nicht, oder wenn Sie nicht sofort Ergebnisse sehen, denken Sie darüber nach, welche Position Sie in der Bewertung des Reifegrads der Analytik einnehmen würden und wie Datenanalyse für Ihr Unternehmen von Vorteil sein könnte.
Einblicke als Dienstleistung
Hierbei geht es darum, Daten bis auf die Ebene der Erkenntnisse aufzuschlüsseln, d. h. sie zu transformieren, zu analysieren und detailliert auszuwerten, um sie mit den relevanten Geschäftspartnern oder Endnutzern zu teilen. Dies kann einmalig oder im Abonnement erfolgen. Beispiele hierfür sind Unternehmen wie Meta oder Bewertungsplattformen, die Abonnements für Einblicke in die Kundeninteraktion mit ihren Plattformen anbieten. Dies kann Marketing und Vertrieb helfen, Kunden besser zu erreichen. Auch die Gewinnung von Erkenntnissen aus internen Daten mithilfe von Datenanalysen oder maschinellem Lernen fällt darunter.
Eingebettete Analysen
Obwohl dies auch Teil von Insights sein kann, ist es wichtig zu beachten, dass eingebettete Analysen Erkenntnisse in bestehende Workflows oder Anwendungen integrieren, indem Visualisierungen oder neue Dashboards darin eingebettet werden. Dies ist besonders hilfreich, wenn Änderungsmanagement eine der Hürden darstellt, z. B. die Anpassung von Workflows oder das Erlernen neuer Technologien, um Erkenntnisse zu gewinnen.
Daten als Dienstleistung
Die direkteste Form der Datenanalyse ist Data-as-a-Service (DaaS) . Nicht zu verwechseln mit Data Analytics als Dienstleistung: Bei DaaS geht es darum, Daten an Endkunden oder Vermittler zu verkaufen. Die Daten können als Rohdaten oder in aggregierter Form vorliegen. Sie können ohne jegliche Erkenntnisse oder lediglich als bewertete Daten vorliegen. Beispielsweise fallen auch Daten, die Sie aus verschiedenen Quellen sammeln und anhand bestimmter Anbieter bewerten, unter diese Kategorie. Solche Daten können über APIs, Online-Marktplätze oder durch direkte Datenübermittlung geteilt werden.
Manche ergänzen diese Liste um Analyseplattformen und Business Intelligence. Ich bin jedoch der Ansicht, dass die drei Ansätze – Insights as a Service, Data as a Service und eingebettete Analysen – auch Elemente von Plattformen und BI beinhalten.
Datenanalyse und Datenmonetarisierung haben sich für die meisten Unternehmen zu einem entscheidenden Wettbewerbsvorteil entwickelt, da sie ihnen helfen, neue Einnahmequellen zu erschließen. Obwohl die meisten Organisationen das Konzept kennen, ist es laut einem Bericht von McKinsey noch relativ neu: „41 Prozent der Befragten, deren Unternehmen bereits mit der Monetarisierung von Daten begonnen haben, gaben an, damit erst in den letzten zwei Jahren angefangen zu haben.“
Zu den Branchen, in denen die Datenmonetarisierung mittlerweile weit verbreitet ist, zählen Rohstoffe und Energie, Finanzdienstleistungen und Hochtechnologie. Befragte aus leistungsstarken Unternehmen, die die Datenmonetarisierung implementiert haben, sehen einen deutlichen Umsatzvorteil: Sie geben dreimal häufiger als andere an, dass ihre Bemühungen zur Datenmonetarisierung mehr als 20 Prozent zum Unternehmensumsatz beitragen.
Betrachten wir beispielsweise, wie die Datenmonetarisierung in der Fertigung Vorteile bringen kann . Die Monetarisierung von Daten in der Fertigung führt zu höherer Produktivität und Nachhaltigkeit. Mithilfe von Datenmodellen von Anlageninformationen lassen sich Maschinenausfälle vorhersagen und Wartungsarbeiten planen – also vorausschauende Wartung. Durch die präzisere Planung auf Basis der Produktstandorte und der Nachfrage, kombiniert mit der digitalen Zwillingsfertigung, lassen sich kontinuierliche Qualitätskontrolle und Potenzialausschöpfung realisieren.
Ein weiteres Beispiel hierfür ist die Mayo Clinic, die eine Plattform für klinische Daten angekündigt hat, um mithilfe von aus Daten gewonnenen Erkenntnissen und Wissen die Gesundheitsversorgung zu verbessern und neue Behandlungen zu beschleunigen.
Nachdem wir nun die verschiedenen Methoden und Vorteile der Datenmonetarisierung kennengelernt haben, wollen wir uns auch mit den aktuellen Hindernissen auseinandersetzen:
Wenn Daten isoliert gespeichert oder unnötige Daten von Unternehmen erfasst werden, entsteht eine Barriere, die weder genutzt noch verwertet werden kann. Daher ist Datenmanagement eine zentrale Voraussetzung für die gesamte Datenmonetarisierung.
Die Schlüsselelemente einer erfolgreichen Datenstrategie können Sie der folgenden Infografik entnehmen:
Quelle: BCG-Analyse
Ob es nun um den Übergang von passiver zu aktiver Datenanalyse oder um eine schnellere Reaktionsfähigkeit geht – Daten stehen im Mittelpunkt Ihrer Geschäftsprozesse. Durchdie Monetarisierung Ihrer Daten erhalten Sie Zugriff auf skalierbare, agile und flexible Datenanalysen, die Ihrem Unternehmen wiederum helfen, sich an neue Anforderungen anzupassen und schneller zu Erkenntnissen zu gelangen.
Mit einer effektiven Datenmonetarisierung erhalten Sie eine detaillierte Anpassung der Funktionalität, die die Leistungsfähigkeit unabhängig von den bevorstehenden Herausforderungen sicherstellt.
Über den Autor
Daten- und BI-Süchtiger
Wenn man Theorien aufstellt, bevor man Daten hat, beginnt man unmerklich, Fakten so zu verdrehen, dass sie zu den Theorien passen, anstatt Theorien so, dass sie zu den Fakten passen.
Verwandter Blog
Bablu Chakraborty
Ali Kidwai