These are the slides for our presentation at mtpEngage 28.4.2017 in Hamburg. Abstract: Making money out of data: Google, Facebook and Amazon are doing it on a grand scale – but how do I do it? We wanted to understand whether and how the product management of data products differs from the classical management of products. To this end, we conducted a study with product managers from various German companies. It quickly became apparent that the two disciplines differ significantly in respect of some central questions: the analysis of the value chain, the modeling of markets, the identification of customer tasks and thus the determination of value propositions. We investigated a total of 10 aspects and worked out the differences between the analytical methods. On the one hand, we were able to detect similarities between the product managers, who intuitively do similar things in some areas. On the other hand, we found out that a unified set of methods is missing, which would be very helpful though – according to the product managers and product owners in our interviews. In the session, we would like to present our systematization of the differences and discuss the new methods for the definition and evaluation of data products that we derived from our analysis.

1. Was sind Datenprodukte und warum
unterscheiden sie sich von anderen Produkten?
Christoph Tempich, Thomas Leitermann
www.inovex.de
Dank an Aaron Humm und Florian Tanten
für die Durchführung der Interviews 28.4.2017

2. 2
Was haben diese Personen gemeinsam?

3. 3
Was haben diese Personen gemeinsam?
Sie haben das Konzept der „Datenprodukte“ erfunden.

4. 4
Weit verbreites Phänomen: „Datenprodukte“

5. 5
Hypothese
Datenprodukt <> Traditionelles Produkt
› Sollte der Produktmanagementprozess für Datenprodukte angepasst werden?
› Gibt es neue Methoden oder sollten Methoden anders eingesetzt werden?
Grundlage
› Erste Interviews mit Mitarbeitern von Otto, Xing, mobile.de, eventim, … (n ~ 10)
› Rollen der Interviewpartner: Product Owner, Product Manager, Data Scientist
› Bachelorarbeit von Aaron Humm an der Technischen Hochschule in Stuttgart
› ... Erfahrung aus zahlreichen Projekten ;-)

6. 6
Definition von Datenprodukten

7. 7
Datenprodukte: Typen
Data as a Service
Data-enhanced
Products
Data as Insights
Typ 1 Typ 2 Typ 3
› Autonomes Fahren› Wetterdaten › Marketingplanung

8. › Teilweise kleinere Unterschiede, wie Insights betrachtet werden.
› Unterscheidung wird durchgehend als sehr sinnvoll angesehen.
8
Interviewergebnis
Unterscheidung unterschiedlicher Datenprodukttypen
Empfehlung Definitiv nutzen, um unterschiedliche Umsatzquellen
darzustellen und die Kreativität bei der Produktfindung
(Discovery) durch partielle Struktur zu fördern.
!

9. 9
Datenprodukte
Prozess und Methoden

10. 10* Vergleiche http://www.pro-produktmanagement.de/open-product-management-workflow.html
Datenprodukt-Managementprozess
3 Phasen* Strategisches
Datenproduktmanagement
› Identify
› Analyze
› Check
› Strategy
› Consolidate
Technisches
Datenproduktmanagement
› Build Team
› Delivery
› Control
Go-to-Market
› Build Team
› Plan
› Maintenance
Aktueller
Untersuchungs-
gegenstand

11. 11
Identify Problem
Probleme jeglicher Art können
untersucht werden
Werttreiber mit
›kognitivem Nutzen
›sozialem Nutzen
Klassisches Produktmanagement Datenproduktmanagement

12. 12Quelle: Laura Dorfer: Datenzentrische Geschäftsmodelle als neuer Geschäftsmodelltypus …, 2016.
Wertversprechen und Zahlungsbereitschaft
Zahlungsbereitschaft steigt mit Wert der Entscheidung
Nutzer Käufer
Soziale Interaktion
Entertainment
Neugierde
Entscheidungsunterstützung
Transparenz
Informationsbedarf
ZahlungsbereitschaftWerteversprechen

13. › Alle Interviewten setzen das Werteversprechen ein, mit Daten Entscheidungen
zu unterstützen
› Die soziale Komponente von Daten wird weniger systematisch betrachtet
› Als Motivation im Kontext des Feedback Loop werden soziale Aspekte noch nicht
betrachtet
13
Interviewergebnis
Werteversprechen
Empfehlung Werteversprechen sollten besonders im Kontext von sozialer
Interaktion, Neugierde und Entertainment betrachtet werden,
insbesondere um Anreize für die Nutzung zu schaffen.
!

14. 14
Positioning
An Customer Value Proposition
orientiert
Ergänzung: Unternehmen ist auch
Kunde des Nutzers (Umkehrung
der Value-Proposition-Perspektive)
Klassisches Produktmanagement Datenproduktmanagement

15. 15* Osterwalder A.: https://strategyzer.com/books/value-proposition-design
Teil des Business Model Canvas
Alleinstellungsmerkmal finden: Value Proposition Design
Value Proposition Design*1

16. 16
Masterdata
Transaktionsdaten: Basis für den USP
Transaktionsdaten
Bsp.: Google Maps

17. 17

18. 18* Osterwalder A.: https://strategyzer.com/books/value-proposition-design
Methodenvorschlag
Invertierter Value Proposition Canvas
Value Proposition Design*12

19. › Der Datenrückfluss in das Produkt wird aktuell noch nicht systematisch bei der
Positionierung berücksichtigt
› A/B-Tests sind der erste Schritt
› Mit der Umkehrung des Value Proposition Canvas konnte nicht jeder etwas
anfangen
› Trennung Master Data vs. Transaktionsdaten unterschiedlich bewertet
19
Interviewergebnis
Feedback Loop und Positionierung
19Empfehlung Es lohnt sich einen Weg zu finden, Feedback in das Produkt
einzubinden. Das invertierte Value Propostion Canvas kann
dabei helfen.
!

20. 20
Data Security
›Personenbezogene Daten,
›länderspezifische Richtlinien,
›Verfügbarkeit gewährleisten, etc.
Klassisches Produktmanagement Datenproduktmanagement

21. 21
Identify Data
›Identifizierung von passenden
Datenobjekten
›Bewertung der intern
vorhandenen Daten und
Identifizierung von Lücken
›Definition einer
Datenerhebungsstrategie (Buy,
Build, Partner)
Klassisches Produktmanagement Datenproduktmanagement

22. 22
Weitere anzupassende Standardprozesse
› Pricing Strategy
› Portfolio Strategy
› Market Strategy
› Identify Persona

23. › Kategorisierung von Datenprodukten unterstützt die
Geschäftsmodell- und die Produktdefinition.
› Bewusste Unterscheidung der Werteversprechen
unterstützt die Ansprache der Nutzer.
› Feedback Loops werden noch nicht systematisch
designed. Methoden müssen noch etabliert werden.
23
Zusammenfassung
Datenprodukte sind etwas anders

24. Vielen Dank
inovex GmbH
Ludwig-Erhard-Allee 6
76131 Karlsruhe
Weitere Standorte: Hamburg, Köln,
München, Stuttgart
Dr. Christoph Tempich
@ctempich
Thomas Leitermann
@thomasleiterman
www.datenprodukte.de
blog.inovex.de
www.inovex.de

25. ^
Dr. Christoph Tempich
Mobile
Development
Dominik Helleberg
Portal
Development
Peter Dimitri
Project
Management &
Quality Assurance
Max Wippert
Application
Development
Tobias Joch
IT Engineering
& Operations
Matthias Albert
Data Management
& Analytics
Patrick Thoma Collin Rogowski
Operations
Daniel Bäurer
DevOps
Engineering
Alexander Pacnik
Hosting
Nils Domrose
Big Data Solutions
Dr. Stefan Igel
BI Solutions
Stefan Kirner
Data Science
Dr. Lars Perchalla
Search
& Text Analytics
Product Discovery
Product Ownership
Datenprodukte
Agile Audits,
Trainings
und Coachings
Technologie-
Trainings
Lean Product
Development
Product Discovery
and Ownership
inovex Academy
25