Datenmonetarisierung – Warum das Versagen eine gute Sache sein kann 

In der sich schnell verändernden Geschäftsumgebung von heute ist es von entscheidender Bedeutung, ein datengesteuertes Unternehmen zu werden. Die Fähigkeit, Daten zu nutzen, um fundierte Entscheidungen zu treffen, Innovation und Wachstum voranzutreiben und einen Wettbewerbsvorteil zu erlangen, ist für den Erfolg von Unternehmen von entscheidender Bedeutung. Unternehmen stehen vor der Herausforderung neue Einnahmequellen zu finden und sich weiterzuentwickeln, um ihre Präsenz auf dem Markt auszubauen. Das enorme Potenzial der riesigen Datenmengen zu erkennen, die sie sammeln und verwalten, ist nur der erste Schritt. Die Herausforderung besteht dann darin, Daten effektiv in Wert umzuwandeln und ihre Vorteile zu nutzen. Hier kommt das Konzept der Datenmonetarisierung ins Spiel. Aber wie funktioniert das Datenmonetarisieren und wie können Unternehmen das volle Potenzial ihrer Daten ausschöpfen und gleichzeitig Risiken managen und Überinvestitionen vermeiden? 

Das Konzept der Datenmonetarisierung wird oft missverstanden. Als erstes mögen Sie wohl denken, dass hier der Verkauf von Daten zu verstehen ist, aber es ist wichtig zu wissen, dass nicht alle Datenanwendungsfälle in eine direkte Generierung von Einnahmen übersetzt werden können. Das Konzept der Datenmonetarisierung sollte einen Wandel in der Art und Weise darstellen, wie wir Daten sehen. Es ist nicht nur eine Datenplattform oder eine Reihe von Dashboards und Berichten. Jedes einzelne Datenprodukt wird als wertvolles Gut behandelt, das einen quantifizierbaren Geschäftswert liefern muss. Dieser Geschäftswert kann in verschiedenen Szenarien erreicht werden – folgend untersuchen wir einige davon. 

Extern – Produkt oder Service 

Datenmonetarisierung in ihrer am häufigsten verstandenen Form bezieht sich auf ein externes Produkt oder eine externe Dienstleistung. In diesen Fällen ist der Return on Investment (ROI) in der Regel klar nachvollziehbar und der Wert des Anwendungsfalls einfach zu berechnen. Häufige externe Anwendungen umfassen direktes Training mit Informationen oder das Anbieten von Einblicken und Analysen als zusätzlichen Service. Ein erfolgreiches Beispiel dafür ist die Walmart Luminate Insights-Plattform, die es den Omnichannel-Händlern und Lieferanten des Unternehmens ermöglicht, Kundenprofile, Kauftrends und Verkaufsstrategien zu testen. Seit die Lösung im Einsatz ist, verzeichnete Walmart einen 75-prozentigen Anstieg der E-Commerce-Einnahmen und einen 50-prozentigen Anstieg der Zahl der Lieferanten, die mit dem Einzelhandelsgiganten zusammenarbeiten. 

Intern – Betriebsoptimierung  

Häufig unterschätzt wird die interne Anwendung und indirekte Datenmonetarisierung. Dies kann dem Unternehmen jedoch auch einen Mehrwert bringen und das oft ohne erhebliche Investitionen. Anwendungsfälle für interne Daten konzentrieren sich normalerweise auf die Verbesserung des aktuellen Geschäftsmodells. Sie können jedoch auch Innovationen und Geschäftsergebnisse vorantreiben, indem sie den Betrieb optimieren, geschäftliche Herausforderungen angehen und Produkte oder Dienstleistungen verbessern, um einen Wettbewerbsvorteil zu erlangen. 

Ein Beispiel für die Monetarisierung interner Daten ist die Verwendung von Datenanalyse zur Optimierung von Lagerbeständen. Indem der Bestand langsamer verkaufter Produkte reduziert und die Bestellungen von Produkten erhöht werden, die sich schneller verkaufen. Ein weiterer Fall aus der Fertigungsindustrie wäre die Optimierung der Ressourcenzuweisung in der Produktionslinie basierend auf den Auftragsarten und der prognostizierten Nachfrage. Selbst einfache Analysen oder KI-gesteuerte Lösungen, die auf die Bewältigung spezifischer geschäftlicher Herausforderungen abzielen, können dem Unternehmen einen erheblichen geschäftlichen Mehrwert bringen. 

Bewertung von Use Cases  

Das Sammeln von Use Cases zur Datenmonetarisierung ist ein spannendes Thema, das in Zukunft einen separaten Artikel wert ist. Nehmen wir zunächst an, Sie haben bereits verschiedene Anwendungsfälle für die Datenmonetarisierung in Betracht gezogen. Was kommt als nächstes? 

Wie kann ein Unternehmen entscheiden, welche Anwendungsfälle sie sofort verfolgen sollten und welche später angegangen werden können? Geht es um den höchsten ROI? Vielleicht sollte der entscheidende Faktor der größte Push der wichtigsten Stakeholder sein? Wie kann ein Unternehmen vermeiden, zu viel in unsichere Aktivitäten zu investieren und Geld zu verlieren, das an anderer Stelle besser ausgegeben worden wäre? 

Gartner schlägt die Verwendung einer „Financial Risk Prioritization Matrix“ vor. Dies hilft Ihnen, Ihre Anwendungsfälle mit hohem und niedrigem Wert zu visualisieren und sie mit den entsprechenden Werten mit hohem oder niedrigem finanziellen Risiko abzugleichen. Wir erachten dies als wichtig für Anwendungsfälle von Daten und künstlicher Intelligenz (KI), insbesondere von KI und maschinellem Lernen (ML). KI- und ML-Initiativen, die sich auf bestimmte Geschäftsanforderungen konzentrieren, können einen erheblichen geschäftlichen Nutzen bringen – sie beinhalten jedoch oft sensible Daten und Komplexität, die erhebliche finanzielle und Reputationsfolgen haben können, wenn sie nicht angemessen verwaltet werden. Durch die Verwendung der Financial Risk Prioritization Matrix können Unternehmen ihre Ressourcen priorisieren und sich auf die Minderung von Risiken konzentrieren, die mit Anwendungsfällen mit hohem Wert und hohem finanziellen Risiko verbunden sind. Gleichzeitig können sie sicherstellen, dass die Anwendungsfälle mit geringem Wert und geringem Risiko keine unnötigen Ressourcen verbrauchen. 

An dieser Stelle genügt eine einfache Tabelle oder ein Whiteboard. Sie sollten in der Lage sein, Input von technischen und geschäftlichen Fachexperten zu den folgenden Aspekten zu erhalten, um Ihnen bei der Einstufung Ihrer Anwendungsfälle zu helfen: 

 

Source: “Monetise Your Data Assets With Data-Driven Innovation” webinar, Gartner.

Achten Sie bei der Diskussion darauf, die folgenden Fragen zu beantworten: 

• Wie komplex ist der Anwendungsfall und gibt es Abhängigkeiten? Legen Sie besonderes Augenmerk auf a) die Daten, auf die Sie Zugriff haben oder die leicht von externen Anbietern bezogen werden können, b) Ihre gesamte Datenlandschaft und wie einfach es ist, ein neues Datenprodukt bereitzustellen, c) die technischen Kompetenzen, die in der Organisation vorhanden sind , oder wie einfach es ist, an Ressourcen zu kommen. 
• Können wir die Auswirkungen auf den Umsatz oder die betriebliche Effizienz abschätzen? Diese Frage sollte sich auf die KPIs konzentrieren, die Sie verwenden, um die geschäftlichen Auswirkungen zu messen. Ihre KPIs könnten beinhalten, wie viele neue Kunden Sie gewinnen oder wie Sie Anlagenstillstandszeiten reduzieren. In jedem Fall sollten sie leicht mit Einnahmen in Verbindung gebracht werden können, um die finanziellen Auswirkungen des Use Cases effektiv einschätzen zu können. 
• Welche Risiken sind mit diesem Use Case verbunden? Typische Risiken bei Datenprojekten sind regulatorische Risiken in Bezug auf Datenschutz, Datenschutzverletzungen, aber auch Reputationsrisiken – überlegen Sie sich, was passieren würde, wenn sich beispielsweise die Empfehlungen eines KI-Modells zur Rekrutierung als geschlechtsspezifisch herausstellen würden. Normalerweise wirken sich die identifizierten Risiken auch auf die Gesamtkosten für die Bereitstellung des Anwendungsfalls aus. 
• Was ist der vorrangige Geschäftstreiber dieses Anwendungsfalls? Stimmt er mit den Grundwerten und der Vision des Unternehmens überein? Stimmt er mit Ihrer Datenstrategie überein? 

Sobald Sie Ihre Use Cases auf der Matrix abgebildet haben, können Sie mit der Entscheidungsfindung beginnen. Hochwertige Anwendungsfälle mit geringem Risiko gelten als „Low Hanging Fruits“ und sollten in der Regel zuerst verfolgt werden. Umgekehrt sollte alles von geringem Wert, unabhängig von der Haftung, herabgesetzt oder entfernt werden. Was ist jedoch mit hochwertigen Use Cases mit einem hohen Risiko? 

Versagen ist besser als zu viel zu investieren 

Für Anwendungsfälle, die als hochwertig und mit hohem Risiko identifiziert wurden, empfehlen wir einen F&E-Ansatz. Der erste Schritt wäre, einen Proof of Value (PoV) zu entwerfen und durchzuführen, um den Geschäftswert zu demonstrieren, bevor größere Ressourcen investiert werden. Obwohl dieser Ansatz häufig für KI- und ML-Projekte verwendet wird, kann er in jedem Datenanwendungsfall angepasst werden, bei dem die Komplexität und der ROI im Voraus nicht leicht zu verstehen sind und häufig vom Ergebnis des Projekts selbst abhängen. Die Designphase des PoV ist entscheidend und die Einrichtung der richtigen KPIs ist ein wichtiger erster Schritt. Allzu oft sind KI- und ML-Proofs of Concept darauf fixiert, hohe Ergebnisse zu erzielen, ohne zu verstehen, wie sich diese in greifbaren Geschäftswert umsetzen lassen. Der nächste Schritt besteht darin, die benötigten Daten zu identifizieren und ihre Qualität zu bewerten. Während Daten für die Durchführung eines PoV von entscheidender Bedeutung sind, neigen Unternehmen dazu, die technischen Anforderungen für solche Experimente zu überschätzen. Sie benötigen keine umfangreiche, skalierbare Datenplattform, um ein Experiment mit einem ausgewählten Geschäftsprozess und einem begrenzten Datensatz durchzuführen. Der Zeitpunkt für den Aufbau einer robusten Lösung wäre, nachdem die Ergebnisse des PoV die tatsächlichen Geschäftsergebnisse validiert haben. 

Wenn es um KI- und ML-Anwendungsfälle geht, ermöglicht ein schnelles und häufiges Versagen, Unternehmen dabei einen robusten Check und Entwicklung durchzuführen und gleichzeitig Überinvestitionen und Budgetüberschreitungen zu vermeiden. 

Wenn Sie noch einen Schritt weiter gehen, um die Grundsätze des Risikomanagements aus dem Finanzbereich zu nutzen, kann Ihr ROI nach bester Schätzung, Sie zu einem Budget für einen PoV führen, das auf Ihrer Risikotoleranzschwelle basiert. Wir empfehlen einen stabilen und systematischen Ansatz zur Verwendung von fallbasiertem Risikomanagement in KI und ML, bei dem Sie a) Ihren gewünschten ROI im Voraus definieren, b) die maximalen Verluste definieren, die Sie bereit sind zu akzeptieren, während Sie danach streben, Ihr ROI-Ziel zu erreichen, und c) Akzeptanz- oder Ausfallkriterien definieren. 

Zusammenfassung 

Die Datenmonetarisierung kann Ihnen helfen, das wahre Potenzial Ihrer Daten auszuschöpfen, aber nicht alle Anwendungsfälle sollten in Projekte umgewandelt werden. Während der Gesamtwert eines Use Cases normalerweise verwendet wird, um Investitionen zu priorisieren, kann es schwierig sein zu wissen, wie man am besten an hochwertige Anwendungsfälle mit hohem Risikowert herangeht. Wir empfehlen, einen F&E-Ansatz für diese Anwendungsfälle zu verfolgen und sie als PoVs zu starten. Ein guter PoV sollte klein anfangen, um den ROI nachzuweisen - konzentrieren Sie sich auf die Geschäftsergebnisse und vermeiden Sie Überinvestitionen.