DE - Module 4 - Data as a business model driver

D: DRIVE
Wie arbeitet man datengesteuert?
Dieses Programm wurde mit Unterstützung
der Europäischen Kommission finanziert.
Modul 4: Daten als Geschäftsmodell

Smart Data Smart Region | www.smartdata.how
Dieses Programm wurde mit Unterstützung der Europäischen Kommission finanziert. Der Autor
ist allein verantwortlich für diese Veröffentlichung (Mitteilung) und die Kommission übernimmt
keine Verantwortung für die Verwendung der darin enthaltenen Informationen.
Das Ziel dieses Moduls ist es, zu erfahren, welche
Möglichkeiten in der Welt des Datengeschäfts bestehen
und wie traditionelle Geschäftsmodelle mit dieser neuen
Datenmöglichkeit aktualisiert werden.
Nach Abschluss dieses Moduls werden Sie:
- Erfahren Sie, wie Sie die Möglichkeiten erkennen, wo
große Datenmengen Ihrem Unternehmen zugute
kommen können.
- die richtigen Fragen zu Ihrem Unternehmen
beantworten können und gehen dann die Schritte der
Integration der Lösungen in Ihr Unternehmen zu gehen.
- Die Säulen einer datengesteuerten Geschäftsstrategie
zu verstehen
- Erfahren Sie mehr über 6 verschiedene Daten-
Geschäftsmodelle
Dauer des Moduls: ca. 2 - 3 Stunden
Modul 4: Daten als
Geschäftsmodell

1 Erste Schritte auf der großen Datenreise
2
Dieses Programm wurde mit Unterstützung der Europäischen Kommission finanziert. Der Autor
ist allein verantwortlich für diese Veröffentlichung (Mitteilung) und die Kommission übernimmt
keine Verantwortung für die Verwendung der darin enthaltenen Informationen.
– Fünf Säulen einer datengetriebenen
Strategie
Datengetriebenes Geschäft
– Wo kann Big Data Vorteile in
Ihrem Unternehmen schaffen?
– Schritte der Integration
3
– 6 wichtige datengesteuerte
Geschäftsmodelle
• Produkt-Innovatoren
• System-Innovatoren
• Datenanbieter
• Daten-Broker
• Wertschöpfungsketten-Integratoren
• Mitarbeiter im Liefernetzwerk
– Eine andere Perspektive: Datengestützte
Geschäftsmodell-Innovation
Entwurf von datengesteuerten
Geschäftsmodellen

EINSTIEG IN DIE
GROßE DATENREISE
1. Wo kann Big Data Vorteile in Ihrem
Unternehmen schaffen?
2. Schritte der Integration

Der Aufstieg von „Big Data“ ist eine spannende -
wenn auch teilweise beängstigende - Entwicklung
für Unternehmen. Zusammen mit den sich
ergänzenden technologischen Kräften von Social,
Mobile, Cloud und Unified Communications
bringen große Daten unzählige neue
Möglichkeiten, um mehr über Kunden und ihre
Wünsche und Bedürfnisse zu erfahren. Es bringt
auch das Potenzial für Störungen und
Neuausrichtung mit sich. Unternehmen, die
wirklich große Datenmengen verarbeiten, können
in dieser Zeit des Engagements neue
Möglichkeiten zur strategischen Differenzierung
schaffen. Diejenigen, die sich nicht vollständig
engagieren oder die die Möglichkeiten
missverstehen, können verlieren.

Zu verstehen, wo große Daten
einen Wettbewerbsvorteil bringen
können, ist eine wesentliche
Voraussetzung für die Realisierung
ihres Wertes. Für viele
Unternehmen haben die
Erkenntnisse aus “Big Data” bereits
zu profitablem, nachhaltigem
Wachstum in drei Bereichen
geführt:
KUNDENNÄHE
PRODUKTNEUHEIT
BEDIENUNGEN

KUNDE
INTIMIERUNG
“Big Data” stellt den Kunden in den Mittelpunkt der Unternehmensstrategie.
Unternehmen werden mit Kundendaten aus interaktiven Websites, Online-
Communities sowie Datenbanken von Behörden und Drittanbietern
überschwemmt. Informationen auf Social-Media-Plattformen wie Facebook
sind besonders aufschlussreich, denn die Nutzer teilen täglich fast 30
Milliarden Inhalte. Gleichzeitig ist es nun möglich, Social-Media-Feeds mit
unterschiedlichen Quellen wie Wetterdaten, kulturellen Ereignissen und
internen Daten wie Kundenkontaktinformationen zusammenzuführen. Darüber
hinaus ermöglichen fortschrittliche Analysewerkzeuge eine schnellere,
effektivere und kostengünstigere Verarbeitung und schaffen das Potenzial zur
schnellen Entwicklung neuer Erkenntnisse.
1

PRODUKTNEUHEIT
Crowdsourcing und andere soziale Produktinnovationstechniken werden durch “Big
Data” ermöglicht. Es ist jetzt möglich, Hunderte von Millionen von Tweets, eine
Kakophonie unstrukturierter Daten, in Einblicke in Produkte und Dienstleistungen
umzuwandeln, die beim Verbraucher ankommen. Im Mittelpunkt dieser Arbeit steht
die Fähigkeit, mit Hilfe einer ausgefeilten maschinenbasierten Computerlinguistik
eine zeitliche Stimmungsanalyse des Produktportfolios eines Unternehmens und
seiner Kunden durchzuführen. Der daraus resultierende Output informiert über
Produktmarketing- und Produktinnovationsstrategien.
Daten und die dazugehörige Analyse werden ebenfalls zu einem eigenständigen
Produkt.
Technologie- und Analysefirmen haben sich herausgebildet, um reichhaltige
Erkenntnisse aus Daten zu gewinnen - zum Beispiel bei der Zusammenstellung und
Analyse von Transaktionsdaten zwischen Einzelhändlern und ihren Lieferanten.
Einzelhändler, die diese Daten und vor allem die Analysen besitzen, können diese
nutzen, um den Betrieb zu verbessern, den Kunden zusätzliche Dienstleistungen
anzubieten und sogar Drittunternehmen zu ersetzen, die diese Dienstleistungen
bereitstellen, wodurch völlig neue Einnahmequellen entstehen.
Stellen Sie sich schließlich vor, dass die potenziell großen Daten zu laufenden
Experimenten führen, indem Sie ein Geschäftsproblem oder eine Hypothese
aufnehmen und mit “Big Data” arbeiten, um zu modellieren, zu integrieren, zu
analysieren und zu bestimmen, was funktioniert und was nicht, den Prozess zu
verfeinern und zu wiederholen.
2

Intelligente Daten Intelligente Region | www.smartdata.how
BEDIENUNGEN
Daten aus Lieferketten bieten eine Vielzahl von informationsreichen Interaktionen,
einschließlich physischer Produktbewegungen, die durch Radiofrequenz-
Identifikation (RFID) und Mikrosensoren erfasst werden. Der Anwendungsbereich
erstreckt sich über Lieferanten, Produktionsstätten, Kunden und Servicepartner und
führt zu reduzierten Beständen, verbesserter Produktivität und niedrigeren Kosten.
Solche Möglichkeiten sind denen vorbehalten, die verstehen, dass Daten ein
Vermögenswert sind, der es zu nutzen gilt. Kundeninformationen in einem
Lagerbereich stagnieren zu lassen, ist eine verpasste Gelegenheit. Und der Wert
aller Daten ist nicht so sehr die erfasste Information, sondern wie die Information
aus der Sicht des Kunden betrachtet wird. Das bedeutet, nicht nur die Auswirkungen
auf den Gewinn zu berücksichtigen, sondern auch, wie sich veränderte
Kundenpräferenzen auf den Markt auswirken. Wenn man beispielsweise die
Wirkung einer Produktwerbung betrachtet, kann die Erhebung von Daten über die
Werbeaktionen der Wettbewerber, insbesondere über Ersatzprodukte, aufzeigen,
wie sich die Kundenpräferenzen entwickelt haben.
3

Die Transformation von analytischen Fähigkeiten und großen Datenplattformen beginnt mit einem durchdachten, dreigliedrigen
Ansatz.
INTEGRATIONSSTUFEN
Identifizieren Sie, wo
große Daten ein
Spielwechsler sein
können.
•Welche geschäftlichen und
funktionalen Schlüsselkompetenzen
sind erforderlich?
•Welche IT-Fähigkeiten werden
benötigt, um das Unternehmen zu
unterstützen und auszubauen?
•Wo sind die wichtigsten Kapazitäten
zur Unterstützung des
Unternehmens?
Erstellung von
Zukunftsszenarien für die
Zustandsfähigkeit
•Was sind die Optionen für zukünftige
Geschäftsmöglichkeiten und
Technologien?
•Wie sehen die Optionen im Vergleich
zu den Möglichkeiten, den Kosten,
dem Risiko und der Flexibilität aus?
•Welche funktionalen, analytischen
und technologischen
Entscheidungen sind erforderlich,
um diese Fähigkeiten zu
unterstützen?
Leistungen und Fahrplan
definieren
•Wie hoch ist die Amortisationszeit
der Investitionen?
•Wie sieht der Umsetzungsfahrplan
aus?
•Was sind die wichtigsten
Meilensteine?
•Welche Fähigkeiten werden
benötigt? Wo sind die Talentlücken?
•Was sind die Risiken?
•Wie sieht die Strategie für das
Engagement von Drittanbietern aus?
Schritte zur Integration von Big Data in das
eigene Unternehmen in Übung 2
Workbook #4

Ein traditionelles Einzelhandelsunternehmen hatte seit Jahren keine positiven Umsätze im gleichen Geschäft
mehr verzeichnet, und der Markt wurde immer wettbewerbsfähiger. Ein Mitglied der Geschäftsleitung
beschwerte sich, dass "Online-Händler unser Mittagessen essen". Schlechte wirtschaftliche
Rahmenbedingungen, sich änderndes Konsumverhalten, neue Wettbewerber, mehr Kanäle und mehr Daten
wirkten sich aus. Es gab einen starken Drang, aggressiv in den E-Commerce und die Online-Kanäle
vorzudringen. Der Einzelhändler hatte Millionen von Dollar für einmalige Projekte ausgegeben, um die
Probleme zu beheben, aber nichts funktionierte. Mehrere Faktoren haben das Unternehmen dazu veranlasst,
im Bereich der Analytik zu konkurrieren, von den Investitionen der Wettbewerber und einem starken Anstieg
der strukturierten und unstrukturierten Daten zu einem Bedarf an aufschlussreicheren Daten.
Wie hat ein großer Kartonhändler diese Schritte genutzt?

Identifizieren Sie,
wo große Daten
ein Spielwechsler
sein können.
Für den Kartonhändler waren neue Fähigkeiten erforderlich, wenn das
Unternehmen die Chance haben sollte, sich aus seiner derzeitigen Misere
zurückzuziehen und einen Wettbewerbsvorteil zu erlangen, der trotz der
Auswirkungen der sich ständig verändernden, volatilen Märkte und des
verschärften Wettbewerbs anhalten würde. Das Team engagierte alle Bereiche
des Unternehmens, vom Merchandising über die Prognose und den Einkauf bis
hin zum Vertrieb und Transport, um zu verstehen, wo Analytik die Ergebnisse
verbessern könnte. Der Schwerpunkt lag auf der prädiktiven Analyse und nicht
auf dem reaktiven Datenzugriff. Anstatt also zu beantworten, warum der Absatz
von Lieferpizza rückläufig ist, konzentrierte sich der Einzelhändler auf die
Vorhersage von Umsatzrückgängen und Volumenverschiebungen in der Kategorie
Lieferpizza im Laufe der Zeit und über geografische Regionen hinweg. In einem
anderen Beispiel wollte das Unternehmen von der Reaktion auf
Sicherheitsprobleme zu deren Vorhersage übergehen. Der Einzelhändler wollte
mit Hilfe von Social Media-Daten auf Probleme "hören", was das Unternehmen
nicht nur kundenorientierter machen würde, sondern auch einen Schutz vor
zukünftigen Krisen bieten würde. Geplant war der Aufbau einer
Wirtschaftsinformationsorganisation mit vier Zielen:
1. Bereitstellung von Informationen, die auf die spezifischen Anforderungen im
gesamten Unternehmen zugeschnitten sind.
2. Bauen Sie die Fähigkeiten auf, die Sie brauchen, um dem Wettbewerb heute
und morgen gerecht zu werden.
3. Schaffung einer unternehmensweiten kollaborativen Analyseplattform.
4. Verschaffen Sie sich einen konsistenten Überblick darüber, was über alle
Kanäle und Regionen hinweg verkauft wird.

Erstellung von
Zukunftsszenarien
für die
Zustandsfähigkeit
Der Einzelhändler war bestrebt, Szenarien für die Zukunftsfähigkeit zu entwickeln,
die im Hinblick auf Gesamtkosten, Risiken und Flexibilität bewertet und im
Rahmen der Unternehmenskultur festgelegt wurden. Ist das Unternehmen zum
Beispiel datengetrieben, oder ist das Unternehmen mit hypothesenbasiertem
Denken und Experimentieren zufrieden? Beides ist die Essenz von “Big Data” . Er
hat auch Zielkonflikte für jedes Szenario ermittelt, einschließlich eines Vergleichs
der Fähigkeiten, der Migrationsprioritäten und der Zeitschätzungen. Was ist zum
Beispiel am effektivsten: eine globale Datentopologie in der Zentrale oder eine
lokal-regional-globale Kombination? Was sind die Kompromisse bei der
Verwendung von Hadoop im Vergleich zu Cassandra? Diese wurden im
Zusammenhang mit entscheidenden Chancen bewertet, wie der Nutzung von
Spitzentechnologien und der Bereitstellung einer Kollaborationsplattform, der
Integration fortschrittlicher Analytik in bestehende und zukünftige Architekturen
und dem Aufbau einer skalierbaren Plattform für mehrere Analysetypen. Diese
Technologie würde fünf Schlüsselfähigkeiten ermöglichen und als Basis für
zukünftige Vorteile dienen:
– Prognostizieren Sie das Kaufverhalten Ihrer Kunden.
– Entwicklung maßgeschneiderter Preise, Flächen und Sortimente in den
Filialen.
– Identifizieren und nutzen Sie Elastizitäten, Affinitäten und Neigungen, die bei
der Preisgestaltung verwendet werden.
– Optimieren Sie die globale Beschaffung von mehreren Standorten und
Geschäftseinheiten aus.
– Entwickeln Sie Modelle, um Wege zur Reduzierung des Energieverbrauchs
und der Kohlendioxidemissionen aufzuzeigen.

Leistungen und
Roadmap
definieren
Bewaffnet mit diesen Fähigkeiten drehten sich die nächsten Fragen um
Ressourcen. War es finanziell sinnvoll, interne Ressourcen einzusetzen? Oder
wäre es kostengünstiger, wenn externe Ressourcen die große Datenanalyse
zumindest anfänglich bereitstellen würden? Natürlich hängt die Entscheidung von
den Fähigkeiten des Unternehmens ab. Der Technologiebedarf wurde aus zwei
Perspektiven geplant: Daten und Architektur. Ein Datenplan wurde von der
Erfassung über die Speicherung bis hin zur Präsentation in einer Self-Service-
Umgebung für strukturierte und unstrukturierte Daten erstellt. Die
Systemarchitektur, die eine Hadoop-basierte Integration beinhalten kann, wurde
vor dem Hintergrund der bestehenden IT-Architektur geplant, die stark auf
relationale Data Warehouses mit Teradata- und Oracle-Plattformen angewiesen
war. Eine Roadmap skizzierte einen Multi-Millionen-Dollar-Investitionsplan, der
sich in weniger als fünf Jahren positiv auszahlen würde. Das Unternehmen ist nun
in der Lage, vier wesentliche Vorteile seiner großen Datenstrategie zu realisieren:
– Liefern Sie konsistente Informationen schneller und mit weniger Aufwand.
– Fassen Sie Informationen zusammen und verteilen Sie sie effektiver im
gesamten Unternehmen, um die Leistung und die Möglichkeiten zur
Nutzung der globalen Organisation besser zu verstehen.
– Entwickeln Sie wiederholbare BI und Analysen, anstatt dass jede Gruppe das
Rad neu erfindet, um ähnliche Fragen zu beantworten.
– Generieren Sie wertschöpfende Erkenntnisse, die noch nicht durch
fortgeschrittene Analysen entdeckt wurden.

DATENGETRIEBENES
GESCHÄFT
1. Fünf Säulen einer
datengetriebenen Strategie

Unternehmen
benötigen keine Big
Data Strategie,
sondern eine
Geschäftsstrategie, die
Big Data beinhaltet.
Bill Schmarzo

Daten sind schnell zu einem der wichtigsten
Aspekte geworden, um einen Wettbewerbsvorteil
im Unternehmen zu erzielen. Ein Unternehmen zu
schaffen, in dem Daten genutzt werden, um
echten Mehrwert zu schaffen, ist das ultimative
Ziel. Eine datengetriebene Strategie ist eine
Strategie, bei der Daten eine Grundvoraussetzung
für das Geschäft sind, ein Wertgenerator und nicht
eine Kostenposition in der Bilanz. Es gibt fünf
Säulen eines datengetriebenen Unternehmens,
die als Rahmen für die Schaffung von echtem
Mehrwert aus Geschäftsdaten dienen.

Formulieren Sie
eine
Datenstrategie, die
den strategischen
Imperativen des
Unternehmens
dient.
SÄULE 1
Die Zukunftsvision für ein Unternehmen sollte im Vordergrund stehen, wenn es darum geht zu
definieren, wie Daten zur Wertschöpfung genutzt werden. Eine klar definierte Datenstrategie muss
mit der Geschäftsstrategie beginnen. Die Verknüpfung einer Datenstrategie mit den wichtigsten
Unternehmensinitiativen ermöglicht es dem Unternehmen, seine fortschrittlichen
Analysebemühungen und Technologieentscheidungen auf die Bereiche zu konzentrieren, die für das
Unternehmen den größten Nutzen bringen. Eine Datenstrategie ermöglicht datengetriebene
Entscheidungen mit Hilfe von Technologien und Anwendungen, die einem Unternehmen helfen, seine
strategischen Ziele zu erreichen.
Die Datenstrategie muss vom Unternehmen und nicht von der Technologie gesteuert werden, die
das Unternehmen bedient. Konzentrieren Sie sich zuerst auf das, was Ihr Unternehmen antreibt,
und definieren Sie dann die taktischen Elemente der Datenstrategie.
Die Datenstrategie muss klar formuliert und den Mitarbeitern auf allen Ebenen des Unternehmens
kommuniziert werden, damit Ihr Unternehmen als Ganzes die Bedeutung Ihrer Daten für die
Wertschöpfung verstehen kann.
Die Datenstrategie sollte auf messbaren Ergebnissen und Meilensteinen basieren. Klare Schritte
mit Zeitrahmen, um vom Ist-Zustand zu den gewünschten Ergebnissen zu gelangen, werden im
gesamten Unternehmen ausgelegt und kommuniziert. Wenn Sie keinen klaren Weg zur Ausführung
der Strategie definieren können, dann haben Sie nicht den richtigen.

Förderung, Schulung
und Durchsetzung
einer Kultur der
"Datengetriebenheit"
SÄULE 2
Die erfolgreichsten Unternehmen schaffen eine Datenkultur, in der Daten die Entscheidungsfindung
bestimmen. Sie schaffen eine auf Daten und Analysen basierende Mess- und Abgleichkultur.
Die Kultur ist darauf ausgerichtet, die gesamte Organisation dazu zu erziehen, den Wert zu schätzen,
der durch Daten generiert werden kann. Unternehmen lehren ihre Mitarbeiter, die richtigen Fragen
zu stellen, um zu verstehen, wie sich die Daten auf bestimmte Aufgaben und Ziele beziehen. Ein
gemeinsames Verständnis von Daten und ihrem Wert hilft, Konsens und Konsistenz zu schaffen
und verhindert, dass analytische Ergebnisse vom Unternehmen skeptisch betrachtet werden.
Die Kultur der Entscheidungsfindung basiert auf fortschrittlicher Analytik. Unternehmen sollten
einen kontinuierlichen Zyklus zur Bewertung der Auswirkungen und Veränderungen auf der
Grundlage der Daten und Ergebnisse schaffen.
Die Kultur der Vorhersage von Ergebnissen und Ergebnissen durch prädiktive Analytik wird zur Norm.
Die kontinuierliche Verbesserung beinhaltet die Rückführung von Vorhersagefehlern in
Vorhersagemodelle zur kontinuierlichen Verfeinerung.
Die Kultur wird zu einer Denkweise, die aus kontinuierlichem Testen, kontinuierlicher Verbesserung,
Abwägen und Priorisieren von Entscheidungen, dem Austausch von Daten mit anderen in der
Organisation und dem Einsatz von Analysen zur Information und Beeinflussung anderer besteht.

Den Realitäten
des Human-
und Technik-
Kapitalbedarfs
Rechnung
tragen.
SÄULE 3
Eine ehrliche Anerkennung der Fähigkeiten eines Unternehmens, echten Wert aus Daten zu
generieren, ist unerlässlich, um ein datengetriebenes Unternehmen zu werden. Ein Unternehmen
muss Stärken nutzen, Fähigkeiten anpassen und Lücken schließen. Dazu gehören sowohl das
Humankapital (Fähigkeiten und Know-how) als auch das technische Kapital (Technologie, Systeme und
Infrastruktur).
Humankapital-Fähigkeiten
Die Sicherstellung des richtigen Humankapitals ist von
größter Bedeutung. Es macht wenig Sinn, Geld für teure
Systeme auszugeben, ohne das Talent zu haben, aus diesen
Systemen einen wesentlichen Wert abzuleiten.
• Während Unternehmen oft die Notwendigkeit
erkennen, mehr Fachwissen einzubringen, kämpfen sie
damit, die Fähigkeiten zu identifizieren, die bei der
Einstellung und Ausbildung am wichtigsten sind. Ein
Unternehmen sollte die Anforderungen an die
Fähigkeiten auf der Datenstrategie-Roadmap aufbauen
und die für die Ausführung kritischen Fähigkeiten
ermitteln.
• Ein Hauptziel für das Unternehmen sollte es sein, eine
breite Bank von analytischen Fachleuten in der
gesamten Organisation aufzubauen. Profis sollten nicht
nur wissen, wie man Analysen durchführt und die ihnen
zur Verfügung stehenden Analysewerkzeuge einsetzt,
sondern auch in der Lage sein, kritisch über
geschäftliche Themen nachzudenken und Werkzeuge
und Methoden auf anspruchsvolle und manchmal
abstrakte Fragen anzuwenden.
• Menschliche Fähigkeiten und Fertigkeiten müssen durch
kontinuierliche Aus- und Weiterbildung unterstützt
werden.
Technische Möglichkeiten
Neue Technologielösungen können erforderlich sein, um die
derzeitigen IT- und Kommunikationsmöglichkeiten zu
verbessern. Unternehmen sollten offen für Investitionen sein,
wenn festgestellt wird, dass neue Technologien auf die
Datenstrategie abgestimmt sind und Wert schaffen.
• Unternehmen sollten die Implementierung
anspruchsvoller IT-Systeme vermeiden, bis das
Unternehmen bereit ist, die von den Systemen
bereitgestellten Funktionen zu nutzen. Dazu gehören die
erforderliche Datenstrategie, analytisches Talent,
institutioneller Wille und Datenbeschaffung, damit das
Unternehmen den Wert, den die Technologie bieten kann,
erkennen kann.
• Nicht nur die Back-End-Infrastruktur, sondern auch
Datenreporting-, Kommunikations- und
Visualisierungstools sollten berücksichtigt werden.
Effektive Reporting-Tools sollten die Datenerfassung
rationalisieren und gleichzeitig die Abfragefunktionalität
vereinfachen, so dass die Mitarbeiter leichter auf
bestimmte Daten zugreifen und darauf zugreifen können.
• Die Eliminierung von Datensilos und die Zentralisierung
von Daten sollte in Betracht gezogen werden. Daten
werden immer leistungsfähiger, da sie mit anderen Daten
zusammengeführt werden, was die Türen zu den heutigen
fortschrittlichen Analysemethoden öffnet.

Erhalten Sie
Ihre
Kreativität bei
der
Beschaffung,
Auswahl und
Priorisierung
von
Datentypen.
SÄULE 4
Um optimale Ergebnisse aus Daten zu erzielen, müssen Unternehmen leistungsstarke Datenkombinationen erstellen
und auswählen. Die Beschaffung von externen Daten in Kombination mit internen Daten kann zu wirkungsvollen
Analysen führen. Es ist besonders wichtig, interne Datenquellen nicht zu übersehen, die neue und proprietäre
Erkenntnisse liefern können.
Ein Prozess zur Bestimmung und Sicherstellung der Genauigkeit, Aktualität und Sicherheit der Daten ist
entscheidend. Ohne die Gewissheit, dass die Daten korrekt sind, werden die gewonnenen Erkenntnisse in Frage
gestellt.
Sammeln Sie die richtigen Daten, um die Anforderungen der Dateninitiativen des Unternehmens zu erfüllen.
Die Auswahl der Daten auf der Grundlage des Datenbedarfs von Initiativen bietet mehrere Vorteile:
Interessante Daten sind nicht immer die nützlichsten. Die Erdung der Datenquellen in den Initiativen
erleichtert die Unterscheidung zwischen den beiden.
Es gibt nahezu unbegrenzte Datenquellen, so dass die Konzentration auf die Daten, die den Bedürfnissen
spezifischer Initiativen entsprechen, es dem Unternehmen ermöglicht, sich auf wertschöpfende
Aktivitäten zu konzentrieren.
Die derzeit gesammelten Daten sind möglicherweise nicht die besten Daten für die
Geschäftsanforderungen. Das Verständnis, wie die aktuellen Daten mit den Datenanforderungen in
Einklang gebracht werden, ermöglicht es dem Unternehmen, die zu erhebenden Daten und die Art und
Weise, wie sie erfasst werden, anzupassen.
Übersehen Sie nicht den potenziellen Wert von unstrukturierten Daten wie Text, Sprache und anderen
ungenutzten Datentypen. Fortschrittliche Data-Mining-Techniken, natürliche Sprachverarbeitung und
Textanalyse ermöglichen es, diese Informationen auf leistungsfähige Weise zu nutzen.
Berücksichtigen Sie die Stärke von Daten aus unkonventionellen Quellen in Kombination mit eigenen
Daten. Sensor-Daten von Smart Devices oder Daten aus dem Web und Social Media sind Beispiele für
potenziell nützliche Daten, die die Datenstrategie eines Unternehmens und die damit verbundenen
Analyse-Initiativen sinnvoll ergänzen könnten.

Maximieren Sie den
Wert Ihrer Daten bei
gleichzeitig hoher
Datensicherheit,
Qualität und Agilität.
SÄULE 5
Unternehmen erkennen oft die Notwendigkeit, Daten zu nutzen, haben aber Schwierigkeiten, wenn es um die
Umsetzung einer unternehmensweiten Datenstrategie geht. Dies resultiert oft aus einer schlecht definierten
Datenverwaltungs-Struktur. Es ist einfach für ein Unternehmen, in eines von zwei Lagern zu fallen: 1) Daten- und
Analyseinitiativen werden strukturell vom laufenden Betrieb des Unternehmens getrennt, oft in ihrer eigenen Abteilung
oder Abteilung, was die Fähigkeit des Unternehmens behindert, eine Kultur der "Datengetriebenheit" zu schaffen; oder
2) alle Daten und Systeme sind unternehmensweit offen, was zu Datenqualitäts- und Sicherheitsproblemen führt.
Daten und Analysen sollten nicht allein den Datenwissenschaftlern und IT-Abteilungen überlassen werden - sie
erfordern technisches Geschick und organisatorische Koordination. Um erfolgreich zu sein, müssen Unternehmen
Daten und Analysen tief in ihr Unternehmen einbetten, um sicherzustellen, dass Informationen und Erkenntnisse über
Geschäftseinheiten und Funktionen hinweg ausgetauscht werden.
Unternehmen sollten erkennen, wie analytische Entscheidungen derzeit getroffen werden. Prüfen Sie, wie dieser
Entscheidungsprozess durch Daten und Feedback verstärkt und verändert werden kann.
Es sollte klar sein, wer dafür verantwortlich ist, eine bestimmte Analyse zu erleichtern und ihre Erkenntnisse zu
nutzen. Von der Führungsebene bis zum Analysten sollte es keine Eigentumsfragen geben.
Unternehmen müssen das Angebot und die Nachfrage nach Analysedienstleistungen im gesamten Unternehmen
effektiv managen. Dies kann die Nachverfolgung von Abteilungen oder Einheiten umfassen, die die Analysefähigkeiten
konsequent nicht ausnutzen, was die Bereiche aufdecken wird, die möglicherweise hinterherhinken, um
datengesteuert zu werden.
Der Abbau von organisatorischen Mauern zwischen Initiativen, Workflows und Mitarbeitern kann der Schlüssel zu
einer leistungsstarken Kombination von Daten sein. Datensilos werden oft von Abteilungen oder Einheiten erstellt,
die ihre Daten nicht nur technisch, sondern auch strukturell getrennt halten.
Achten Sie auf regulatorische und Compliance-Anforderungen, sowohl um branchenspezifische Anforderungen zu
erfüllen als auch um sicherzustellen, dass die Daten auf individueller Ebene den Anforderungen des Unternehmens -
Kunden/Kundenerwartungen - entsprechen.

Der Aufbau eines datengesteuerten
Unternehmens erfordert einen erheblichen
Vorlauf und kontinuierliche Anstrengungen.
Dieser Aufwand hat sich immer wieder bewährt,
um einen Nutzen zu erzielen, der die Kosten bei
weitem übertrifft. Die fünf Säulen, die hier
beschrieben werden, bilden den Rahmen für diese
Art von Erfolg, aber die konkrete Anwendung
hängt von der Branche, der Branche und dem
Kontext ab.

GESTALTUNG VON
DATEN-
GESCHÄFTSMODELLEN
1. 6 wichtige datengesteuerte
Geschäftsmodelle
– Produkt-Innovatoren
– System-Innovatoren
– Datenanbieter
– Daten-Broker
– Wertschöpfungsketten-
Integratoren
– Mitarbeiter im Liefernetzwerk
2. Eine andere Perspektive:
Datengestützte
Geschäftsmodell-Innovation

Situation
• Kostenlose Technologien wie
vernetzte Geräte, mobile,
kostengünstige Datenspeicherung
und Datenanalyse bieten
Unternehmen unzählige
Möglichkeiten, sich über die
Wünsche und Bedürfnisse ihrer
Kunden zu informieren und ihre
Produkte zu diversifizieren.
• Die Datenexplosion bietet auch
die Möglichkeit, mit diesen Assets
neue Geschäftsmodelle zu
schaffen.
• Organisationen, die große
Datenmengen verarbeiten,
können neue Möglichkeiten zur
strategischen Differenzierung
schaffen.
Komplikation
• Organisationen, die nicht direkt
im Datengeschäft sind, haben
Probleme damit die Möglichkeiten
ihrer Daten mit ihren aktuellen
Produkten und Dienstleistungen
zu verbinden.
• Dies wird in der Regel durch
mangelnde Strategie, fehlende
Fähigkeiten oder unterstützende
Prozesse und Systeme verursacht.
• Dies führt oft zum Scheitern
großer Datenprojekte oder zu
Schwierigkeiten bei der Einleitung
neuer Initiativen aufgrund von
Skepsis.
Frage
• Um Unternehmen bei der
Definition einer datengetriebenen
Strategie zu unterstützen, müssen
die folgenden Fragen beantwortet
werden:
• Welche datengetriebenen
Geschäftsmodelle entstehen
heute auf dem Markt?
• Welchen Wert kann man mit
Daten für ein neues
Geschäftsmodell mit Daten
schaffen?
• Wie wird ein neues
Geschäftsmodell mit Daten
erstellt und umgesetzt?
• Welche Aspekte muss eine
Organisation berücksichtigen,
um ein neues Geschäftsmodell
mit Daten umzusetzen?
Unternehmen sind
bestrebt, den Wert der
Daten, die sie erzeugen,
verarbeiten oder
erwerben, zu nutzen.

Datenfähige Differenzierung Datenvermittlung Datenbasierte Liefernetzwerke
• Das Produkt ist nach wie vor die primäre
Wertquelle, aber Daten über Produkt werden
verwendet, um das Produkt- oder
Dienstleistungsangebot zu verbessern.
• Datenbasierte Differenzierung ist in der Regel
eine Einmalchance - Produkte eines einzigen
Anbieters sind das dominierende Tor zur
Chance.
• Es gibt Situationen, in denen
Unternehmensdaten nur dann einen
ausreichenden Wert liefern, wenn sie mit
anderen Quellen kombiniert werden oder das
Unternehmen nicht in der Lage ist, die Chance
allein zu nutzen.
• Wenn die Chance nicht von einem einzigen
Anbieter mit einem einzigen Produkt genutzt
werden kann, ergeben sich
Datenvermittlungsmöglichkeiten.
• Mehrere Unternehmen arbeiten zusammen
und tauschen Daten aus, um
Datenmöglichkeiten zu nutzen.
• Unternehmen spezialisieren sich auf eine oder
zwei Funktionen, die für die Bereitstellung des
Netzwerks erforderlich sind.
Solo-Möglichkeiten Möglichkeiten der Zusammenarbeit
1. Produkt-Innovatoren
ihre Produkte und
Dienstleistungen mit Daten zu
erweitern.
2. System-Innovatoren
Verwendung von Daten zur
Integration mehrerer
Produkttypen
3. Datenanbieter
Sammeln und Verkaufen von
Rohdaten ohne zu viel
Wertzuwachs
4. Daten-Broker
Sammeln und Kombinieren von
Daten aus verschiedenen Quellen,
Schaffen von zusätzlichem Wert
durch Analysen und Verkaufen von
Erkenntnissen.
5. Wertschöpfungsketten-
Integratoren
Daten mit Systemintegratoren
austauschen, um das
Produktangebot zu erweitern oder
Kosten zu senken.
6. Mitarbeiter im
Liefernetzwerk
Daten auszutauschen, um
Geschäfte zu tätigen, Marktplätze
zu fördern und Werbung zu
ermöglichen.
6 WESENTLICHE DATENGESTEUERTE GESCHÄFTSMODELLE

Ein Format zur Erläuterung der folgenden Geschäftsmodelle
Geschäftsmodell
Schematische Darstellung der
wichtigsten Elemente des
Geschäftsmodells anhand der
Geschäftsmodell-Leinwand
• Tätigkeitsschwerpunkt
• Wert-Angebot
• Kunden
• Daten-Repository
• Kanäle
• ….
Fähigkeitsanforderungen
Angabe der notwendigen
Fähigkeiten zur Umsetzung
des Geschäftsmodells über
die vier Stufen der
Datenwertschöpfungskette:
• Datengenerierung
• Datenspeicherung
• Datenanalyse
• Datenverwendung
Eigenschaften
Wesentliche
Merkmale des
Geschäftsmodells
Beispiel
Beispiel eines
Unternehmens, das
dieses
Geschäftsmodell
umgesetzt hat
Realisierter Wert
Welchen Wert hat
das
Beispielunternehme
n aus dem
Geschäftsmodell?
BEISPIEL

Geschäftsmodell
Eigenschaften
Beispiel: Tvilight
1. Produkt-Innovator
Tätigkeitsschwerpunkt
Daten-Repository
Wert-Angebot Kunden
Datengenerierung Datenspeicherung Datenanalyse Datenverwendung
Nutzungs- oder Verkaufsdaten eines einzelnen Produkttyps eines einzelnen Anbieters
werden verwendet, um dem Produkt Funktionen hinzuzufügen, das Serviceangebot zu
verbessern oder ein zusätzliches Produkt zu erstellen.
Tvilight ist ein niederländisches Start-up-Unternehmen, das ein intelligentes
Straßenlampensystem entwickelt hat. Lampen leuchten nur in Anwesenheit einer Person,
eines Fahrrads oder eines Autos und bleiben für den Rest der Zeit dunkel.
• Haupttätigkeit (1) von Tvilight ist die Entwicklung und Herstellung von eingebetteten
Straßenlampensensoren.
• Das Hauptwertversprechen (2) ist eine sensorgestützte drahtlose Straßenleuchte, die an
Kommunen verkauft wird (3), wodurch der Kunde seine Energiekosten um 80% senken
kann.
• Die Überwachungsdaten der einzelnen Straßenlampen werden drahtlos an das Data
Repository von Tvilight gesendet (4).
• Die Daten werden in einem neuen Leistungsversprechen (5) verwendet, das das
Serviceangebot verbessert: webbasierte Software zur Fernüberwachung, -verwaltung
und -steuerung von Straßenbeleuchtungsinfrastrukturen.
Wert realisiert:
• Die Funktionalität des Originalproduktes (Straßenleuchte) wird durch Sensoren und
drahtlose Kommunikation verbessert.
• Nutzungsdaten aus dem Produkt werden zur Erstellung eines zweiten
Leistungsversprechens verwendet (Software zur Fernverwaltung).
1 2 3
4 5

Geschäftsmodell
Eigenschaften
Beispiel: Nike+
2. System-Innovator
Tätigkeitsschw
erpunkt
Daten-Repository
Wert-Angebot Kunde
Beziehung
Blickt über eine einzelne Produktkategorie hinaus auf ein breiteres Angebot an intelligenten
Systemen - verschiedene Produkttypen eines einzigen Herstellers sind architektonisch
verwandt und können interagieren, um dem Kunden einen Mehrwert zu bieten.
Im Jahr 2006 führte Nike eine neue Reihe von Produkten zur Personenortung und -messung
ein.
• Haupttätigkeit (1) von Nike ist die Herstellung von Sportbekleidung.
• Wertversprechen (2) an Kunden (3) ist eine Reihe von verwandten Produkten: Eine
laufende App für Handy, netzwerkfähiges Tracking-Armband und Sportuhr.
• Produktnutzungsdaten werden per Handy (4) an Nike gesendet und gespeichert (5)
• Die Daten werden dem Benutzer über die Nike+ Plattform (6) mitgeteilt, wo der Athlet
seine sportlichen Aktivitäten verfolgen, analysieren und mit anderen teilen kann.
• Die Nike+ Plattform bietet einen neuen Kanal, um den Produktverkauf kontextspezifisch
zu stimulieren oder Werbung von Dritten zu ermöglichen.
• Kundenbindung wird durch Community-Building realisiert und ermöglicht es dem Nutzer,
seine persönlichen Errungenschaften in Social Media zu teilen.
Wert realisiert:
• Kundenbindung - Produkte gewinnen an Nutzen, wenn sie kombiniert werden, die
Wechselkosten sind hoch.
• Kundenbindung - Social Media Integration, Community
• Neuer Vertriebskanal für Produkte (Nike+ Plattform)
1 3
5
Kunden
Kanal
2
6
4

Geschäftsmodell
Eigenschaften
Beispiel: Vodafone
3. Datenprovider
Tätigkeitsschwerpunkt
Daten-Repository
Wert-Angebot Kunden
• Zusätzlich zum Kerngeschäft des Unternehmens werden Rohdaten oder aggregierte
Daten aus dem Datenspeicher gegen Entgelt oder Gewinnbeteiligung an einen anderen
Geschäftskunden verkauft.
• Es werden zwei Typen unterschieden: Rohdatenverkauf und Verkauf von
Insights/Benchmarking
Seit 2012 verkauft Vodafone anonymisierte Netzwerk-Rohdaten gegen eine Gebühr an ein
Partnerunternehmen (Mezuro).
• Die Haupttätigkeit (1) von Vodafone ist die Bereitstellung von
Telekommunikationsdiensten.
• Wertversprechen (2) für Kunden (3) sind Sprachanrufe, Textnachrichten und
Internetdienste über das Mobilfunknetz des Unternehmens.
• Mobilfunknutzungsdaten (4) werden im Rahmen der Kerntätigkeit des Unternehmens
erhoben.
• Daten (5) über die geografische Lage der Mobilfunkstandorte des Unternehmens werden
zu den Mobilfunknutzungsdaten hinzugefügt.
• Der Datensatz wird durch Hashing (6) anonymisiert und gegen eine monatliche Gebühr
an ein Partnerunternehmen, Mezuro (7), verkauft.
• Mezuro verwendet die Daten zusätzlich zu anderen Quellen, um dem öffentlichen Sektor
Massenanalysen zur Verfügung zu stellen und die Nutzungsintensität von Stadtzentren,
Bahnhöfen und Straßen abzuschätzen.
Wert realisiert:
• Vorhersehbare Einnahmequellen durch die Verwendung eines auf Abonnements
basierenden Modells zum Verkauf von Daten
• Zugang zu einem neuen Markt / Kundensegment
1 2 3
4
5
76

Glooko entwickelte ein Blutzuckerspiegel-Logbuch und eine Analyseapplikation, die auf dem
vorhandenen Blutzuckerdatenstrom basiert.
• Haupttätigkeit (1) von Glooko ist die Verwaltung und Analyse von Datenbanken.
• Glooko lizenziert die Datenspezifikationen und Standards von Herstellern von
Glukosemessgeräten (2), um das Produkt kompatibel zu machen.
• Der erste Teil des Werteversprechen ist ein Link-Kabel (3), das an Diabetes-Patienten
verkauft wird (4), um ihr Handy an ihr Blutzuckermessgerät anzuschließen.
• Die Blutzuckermessdaten des Patienten (4) werden vom Telefon des Patienten
übertragen und in eine Ablesedatenbank (5) aufgenommen.
• Der zweite Teil des Werteversprechens(6) ist eine Logbuch- und Inzidenz-Reporting-
Lösung, die über eine kostenlose App an Patienten (4) und gegen eine
Abonnementgebühr an Krankenhäuser (7) geliefert wird.
Geschäftsmodell
Eigenschaften
Beispiel: Glooko
4. Daten-Broker
Wichtige Partner
Daten-Repository
Tätigkeitssch
werpunkt
Wert
Vorschlag
• Unternehmen beziehen Daten von wichtigen Partnern, aus offenen Quellen oder durch
Data Mining.
• Das Unternehmen Data Brokering setzt auf exzellente Datenanalyse und
Datenverwendung und überlässt die Datengenerierung Dritten
Wert realisiert:
• Kostenlose Produkte werden an den Kunden verkauft - eine mobile App und ein Kabel
zur Anbindung von Blutzuckermessgeräten an ein Mobiltelefon.
• Eine vorhersehbare Einnahmequelle ist das Angebot eines Abonnements für
Krankenhäuser.
• Bessere Effektivität für Krankenhäuser und Versicherungen
2
5
Kunden
1
6
3 4
7

DuPont und John Deere arbeiten zusammen, um den Landwirten Daten auf Feldebene
nahezu in Echtzeit zur Verfügung zu stellen und so die Entscheidungsfindung in Bezug auf
Anpflanzung, Feldbewirtschaftung und Ernte zu unterstützen.
• John Deere's Haupttätigkeit ist die Herstellung von Landmaschinen (1)
• Die Haupttätigkeit von DuPont ist der Verkauf von Saatgut und landwirtschaftliche
Beratung (2)
• Beide Unternehmen bedienen das gleiche Kundensegment: Landwirte (3)
• Das Leistungsversprechen von John Deere sind Landmaschinen mit Sensoren, GPS und
drahtloser Übertragungstechnik (4)
• John Deere Geräte sammeln Daten über Ernteerträge, Feuchtigkeit und Standort, die
drahtlos an einen Datenspeicher von Deere gesendet werden (5).
• DuPont integriert die Daten von John Deere (6) in sein Leistungsversprechen(7), eine
Precision Farming Software, die feldspezifische Daten zur Unterstützung der
Entscheidungsfindung verwendet.
Geschäftsmodell
Eigenschaften
Beispiel: John Deere & DuPont
5. Wertschöpfungsketten-Integratoren
Unternehmen 1: John Deere
• Unternehmen, die dasselbe Kundensegment bedienen, tauschen Daten mit Distributoren
und Systemintegratoren aus, um das bestehende Produktangebot zu erweitern oder
Kosten zu senken.
• Das Geschäftsmodell ist nicht auf den Verkauf oder die Auslizenzierung von Daten
ausgerichtet, sondern auf die Integration zur Optimierung der operativen Ergebnisse.
Wert realisiert:
• Produkte beider Unternehmen profitieren von der gemeinsamen Nutzung von Daten
• Risiken und Erträge werden geteilt und der individuelle Wettbewerbsvorteil verbessert.
• Ein Hindernis für den Wettbewerb wird geschaffen, da die Verwendung von
produktgenerierten Daten es ermöglicht, Dienstleistungen intelligenter anzubieten als
Wettbewerber.
1
7
Kunden
3Unternehmen 2: DuPont
5
4
26

Das links abgebildete Liefernetz ist ein Beispiel für Werbung:
• KLM (hellblau), eine Fluggesellschaft, (1) verkauft Flüge (2) an Reisende (3)
• Buchungsdaten werden in einer Datenbank (4) gespeichert, mit Flugplaninformationen (5)
kombiniert und mit einer Werbeagentur geteilt.
• Die Werbeagentur (grün) (6) kann den Reisenden durch ein Tracking-Cookie identifizieren
und bestimmt Datum und Ziel des Fluges des Reisenden (7).
• Hertz (schwarz), eine Autovermietung (8), versucht Mietwagen an Reisende zu vermieten (9)
• Hertz teilt Daten über verfügbare Fahrzeuge mit der Werbeagentur, um den Algorithmus zu
erweitern (10)
• Die Werbeagentur zeigt dann die verfügbaren Mietwagen über Websites, die der
Verbraucher besucht (weggelassen), auf die Stadt und das Datum, an dem der Reisende dort
ankommen wird.
Geschäftsmodell
Eigenschaften
Beispiel: John Deere & DuPont
6. Mitarbeiter im Liefernetzwerk (1/2)
• Stakeholder arbeiten in einem Wertschöpfungsnetzwerk und nicht in einer traditionellen
Wertschöpfungskette zusammen. Oft ist unklar, wer der Verkäufer und wer der Kunde
oder Konsument ist, alle Beteiligten profitieren.
• Unternehmen tauschen Daten aus, um Geschäftsabschlüsse voranzutreiben, Werbung zu
ermöglichen und Marktplätze zu fördern.
Wert realisiert:
• Hertz erhält einen neuen Kanal, um Verbraucher zu erreichen
• Eine Gebühr wird von Hertz an die Werbeagentur und an KLM gezahlt, wenn ein
Verbraucher auf die Anzeige klickt, um ein Auto zu mieten.
2
Kunden
3
Firma 1: KLM
1
9
Firma 3: Hertz
8
7
Firma 3:
Werbeagentur
6
10
5
4

Kaggle hat ein Geschäftsmodell für das Liefernetzwerk entwickelt, bei dem Datenprobleme
von Unternehmen an eine Gemeinschaft von Datenwissenschaftlern weitergegeben
werden.
• Die beiden Hauptaktivitäten für Kaggle (dunkelblau) sind die Förderung einer Community
für Datenmodellierungswettbewerbe und die Anbindung von Unternehmen an Top-
Datenwissenschaftler.
• Firma 1 (schwarz) bezahlt Kaggle für die Organisation eines
Datenmodellierungswettbewerbs. Es liefert die Rohdaten und die Herausforderung und
erhält die gewonnenen Datenmodelle.
• Firma 2 (hellblau) zahlt Kaggle für das Matchmaking mit den besten
Datenwissenschaftlern der Community.
• Kaggles Gemeinschaft von Datenwissenschaftlern (grün) nimmt an Wettbewerben zur
Lösung von Datenproblemen teil.
Geschäftsmodell
Eigenschaften
Beispiel: Kagle
6. Mitarbeiter im Liefernetzwerk (2/2)
• Stakeholder arbeiten in einem Wertschöpfungsnetzwerk und nicht in einer traditionellen
Wertschöpfungskette zusammen. Oft ist unklar, wer der Verkäufer und wer der Kunde
oder Konsument ist, alle Beteiligten profitieren.
• Unternehmen tauschen Daten aus, um Geschäftsabschlüsse voranzutreiben, Werbung zu
ermöglichen und Marktplätze zu fördern.
Wert realisiert:
• Kaggle - Gebühren durch Wettbewerbe und Matchmaking
• Unternehmen 1 - Lösung des Datenproblems
• Unternehmen 2 - Findet qualifizierte Datenwissenschaftler
• Data Scientist Community - Exposure, Kontakt zu anderen Experten, Preisgeld für die
besten Datenforscher
Kaagle Corp.
Kaagle Gemeinschaft
Firma 1
Firma 2
Kaagle
Wettbewerb
Kaagle
Verbinden
Daten-
Wissenschaftler
Gewinnender
Modell-
Wissenschaftler
Top 0,5 %.Belichtung
Gebühr
Rohdaten + Herausforderung
Datenmodelle
Sieger-
Modell
Preisgeld
Rohdaten+Briefing,
Geld
Datenmodell
Gebühr
Den besten Datenwissenschaftler
finden
Zugang zur Community

Wert
Kunden
Bestehende
Bestehende / neue
Angebote
Neu
Angebot
Kategorie
Systeme
Daten
Preisgestaltung
Einheitsbasiert
Volumenbasiert
Aktivitätsbezogen
Wertorientiert
Kanäle
Integrierte
Wertschöpfungskette
Liefernetzwerk
• Deep Sell: Verkauf von mehr aktuellen Angeboten an bestehende Kunden
• z.B.: Interne Versorgungsoptimierungen, datengestützte Nachschubplanung
• Cross Sell: Datengestützter Verkauf neuer Angebote an bestehende Kunden
• Z.B. Amazon, Bol.com, ("andere Kunden haben auch gekauft....")
• Neuer Verkauf: datengestützter Verkauf neuer Angebote an neue Kunden
• z.B. Versicherungen, Bankdienstleistungen, Online-Händler
• Funktionalität zu bestehenden Produktkategorien hinzugefügt
• z.B. Smart Metering, intelligente Beleuchtung
• Kombinierte Angebotskategorien, potenziell im Ökosystem
• z.B. Lifestyle-Geräte (Nike+, iPod mit Itunes, FitBit)
• Kommerzialisierung der Daten durch Bereitstellung oder Brokerage
• Z.B. Finanzinformationen (Experian); Nutzungsstatistiken (Vodafone)
• Dynamische Preisgestaltung pro Einheit basierend auf ökonomischer Modellie
• z.B. Flugticketverkauf, Online-Werbung
• Preisfindung auf Basis der (erwarteten) Mengen
• Z.B. Mengenrabatte (, Freemium-Modelle (Spotify, LinkedIn)
• Preise für (erwartete) Zeit & Material
• z.B. Ingenieur- und Installationsunternehmen; Dienstleistungsunternehmen
• Preisgestaltung auf Basis der (erwarteten) Bewertung des Kunden
• z.B. Aktienmärkte; Telekommunikationsunternehmen
• Datenfähige Partnerschaften mit erweitertem Angebot
• Z.B. Tomtom & Apple; John Deere & DuPont
• Datenfähiges Liefernetzwerk zur Verteilung von Inhalten / Produkten
• Z.B. KLM & Hertz, Kaggle
EINE ANDERE
PERSPEKTIVE:
Daten haben die
Fähigkeit,
Geschäftsmodelle
auf vielen
verschiedenen
Ebenen zu
transformieren.
Datengestützte
Geschäftsmodell-
Innovation

www.smartdata.howwww.facebook.com/smartdatasr

DE - Module 4 - Data as a business model driver

Weitere ähnliche Inhalte

Was ist angesagt?

Ähnlich wie DE - Module 4 - Data as a business model driver

Mehr von caniceconsulting

DE - Module 4 - Data as a business model driver