Daten, was nun? – Optionen für Unternehmen zur Wertschöpfung aus Daten
Hinweis: Dieser Blogbeitrag enthält Auszüge aus dem Artikel “Data Value Creation Matrix – Options for Organizations to Create Value from Data”.
Verfügbar unter: https://aisel.aisnet.org/ecis2024/track07_busanalytics/track07_busanalytics/9/
Empfohlene Zitierweise: Kakuschke, Nick, “Data Value Creation Matrix – Options for Organizations to Create Value from Data” (2024). ECIS 2024 Proceedings. 9.
Wie bereits in früheren Blogbeiträgen (Data Value Creation, GenAI) beschrieben, ist es für Unternehmen unerlässlich, sich mit der Wertschöpfung aus Daten zu beschäftigen, insbesondere da aktuell Anwendungen der GenAI immer weiter Einzug in Unternehmen halten. Dementsprechend untersuchen wir im Rahmen der Forschung des CC Ecosystems unter anderem die Konzeptualisierung der Wertschöpfung aus Daten für Organisationen, insbesondere der Finanzindustrie.
In unserem Forschungsschwerpunkt konzentrieren wir uns darauf, Möglichkeiten der Datenwertschöpfung für Unternehmen zu identifizieren, um den Unternehmen eine Orientierungshilfe zu geben. Daten stellen nicht in allen Fällen wertbringende Assets dar, sondern können auch beispielsweise aufgrund von regulatorischen Anforderungen und Aspekten der Cyber Security eine Belastung für Unternehmen werden. Dieser Blogbeitrag widmet sich den Möglichkeiten der Datenwertschöpfung für Unternehmen und stellt Auszüge aus einem Forschungspaper vor, das im Rahmen der Forschung des CC Ecosystems verfasst wurde.
Data Value Creation Matrix
Auf der Grundlage einer systematischen Literaturrecherche nach vom Brocke et al. (2009) wurden in der Studie im Rahmen des CC Ecosystems 12 Optionen zur Wertschöpfung aus Daten für Organisationen identifiziert (vgl. Kakuschke (2024)).
Als Ausgangspunkt für die Konzeptualisierung der Datenwertschöpfung dient deren Definition, die sich darauf bezieht, den potenziellen Wert von “Daten, Analytik oder verwandten Themen” in tatsächlichen Wert umzuwandeln (Baecker et al., 2021, S. 4). Als Basis für die Unterscheidung des zugrundeliegenden Wertobjekts für die Datenwertschöpfung können Daten und Informationen unterschieden werden (Dehnert et al., 2021; Lim et al., 2018). Basierend auf der Daten-Informations-Wissens-Hierarchie (Braganza, 2004) stellen Daten Fakten und Beobachtungen ohne zugehörige Bedeutung dar, während Informationen durch die Analyse und Interpretation von Daten entstehen, die häufig auch als Erkenntnisse bezeichnet werden. (Fayyad et al., 1996; Hartmann et al., 2016). Informationsbasierte Objekte wie Algorithmen und AI-Modelle, mithilfe derer Erkenntnisse generiert werden können, wurden ebenfalls in die Kategorie Informationen aufgenommen.
Andererseits unterscheiden sich die Ansätze zur Wertschöpfung aus Daten je nach der Art des Wertes, den sie für ein Unternehmen bieten. Nach Repo (1986) lassen sich Werte aus Daten in Tauschwerte (Exchange Values) und Nutzungswerte (Use Values) unterteilen, die sich durch den Zeitpunkt der Wertentstehung unterscheiden. Der Zeitpunkt einer Ressourcennutzung beschreibt den Nutzungswert, der den Wert für einen Nutzer aus der Nutzung einer Ressource darstellt. Tauschwerte beziehen sich auf den Zeitpunkt, zu dem Ressourcen mit anderen Akteuren gegen eine Gegenleistung getauscht werden, wobei der Wert für einen Empfänger in der getauschten Ressource enthalten ist (Bowman & Ambrosini, 2000; Chesbrough et al., 2018).
Dementsprechend können die Optionen für die Wertschöpfung aus Daten für Organisationen auf der Grundlage der am Wertschöpfungsprozess beteiligten Objekte in Daten und Informationen und auf der Grundlage von Nutzungs- und Austauschwert kategorisiert werden, was zu einem zweidimensionalen Klassifizierungsrahmen für Datenwertschöpfungsoptionen mit vier Quadranten führt: Use Data, Use Information, Exchange Data und Exchange Information. Die folgende Abbildung veranschaulicht die Data Value Creation Matrix mit den in den vier Quadranten systematisierten Optionen für Unternehmen.
Diese Systematisierung kann Unternehmen helfen, die notwendigen Anforderungen des jeweiligen Ansatzes zur Datenwertschöpfung zu umreißen. Die Positionierung innerhalb der Dimension Data verdeutlicht die direkte Nutzungsmöglichkeit vorhandener Daten. Andererseits müssen Unternehmen ihre Daten zunächst in Informationen umwandeln, was zusätzliche Ressourcen und Fähigkeiten erfordert. Die Kategorisierung entlang der Werttypendimension hat wiederum Implikationen für die am Wertschöpfungsprozess beteiligten Akteure, wobei zwischen intern ausgerichteten Optionen (Use Value), bei denen bestehende Aspekte eines Geschäftsmodells adressiert werden, und extern ausgerichteten Optionen (Exchange Value), bei denen für neue oder bestehende Kunden des Unternehmens datenbasierte Produkte oder Dienstleistungen angeboten werden, unterschieden werden kann.
Abbildung: Data Value Creation Matrix
Der Quadrant Use Data umfasst Optionen, bei denen Daten, die als rohe Symbole, Fakten oder Zahlen beschrieben werden (Ackoff, 1989; Alavi & Leidner, 2001), von dem jeweiligen Unternehmen genutzt werden, um den Wert ihrer Datenbestände zu erhöhen. Dazu gehören die Vorverarbeitung und Anreicherung von Daten zur Verbesserung der Datenqualität (Baecker et al., 2020) sowie alle Änderungsaktivitäten, die Rohdaten in aufbereitete Daten umwandeln (01) (z. B.: das Preprocessing von Daten bevor diese mit Machine Learning-Algorithmen analysiert werden können). Obwohl diese aufbereiteten Daten einen höheren Wert enthalten als die ursprünglichen Rohdaten, z. B. aufgrund einer höheren Datenqualität, wird das Wertobjekt Daten beibehalten. Darüber hinaus könnten sich Organisationen in diesem Quadranten auf die Schaffung von Informationen aus Daten (02) konzentrieren und so ihren Bestand an Informationsobjekten erhöhen, indem sie Daten verarbeiten und analysieren, z. B. die Verarbeitung von Volkszählungsdaten zu statistischen Auswertungen der Altersentwicklung der Bevölkerung (Ackoff, 1989). Obwohl diese ersten Optionen zur Wertschöpfung aus Daten oft Vorläufer für die Umsetzung nachfolgender Optionen sind, erhöhen sie den Wert der immateriellen Vermögenswerte in Form von Daten oder Informationen, die eine Organisation besitzt.
Im Quadranten der Nutzung von Informationsobjekten (Use Information) durch eine Organisation können Informationen die Grundlage für die Verbesserung bestehender Produkte und Dienstleistungen einer Organisation bilden oder für die Entwicklung neuer Angebote genutzt werden (03) (Choo, 1996), zum Beispiel im Rahmen der Marktforschung, bei der Informationen über Kunden und Produkte genutzt werden, um den Entwicklungsprozess von Produkten oder Dienstleistungen voranzutreiben (Baecker et al., 2020). Dabei sind die verwendeten Informationen nur indirekt Teil des tatsächlichen Angebots. Darüber hinaus können Unternehmen Informationen nutzen, um die Preisgestaltung ihrer Angebote zu optimieren (04), z. B. durch die Anpassung an Kundengruppen, die Individualisierung wie beim Revenue Management oder die dynamische Anpassung in Abhängigkeit vom Kontext, wie Wetter oder Standort (Schüritz & Satzger, 2016). Eine weitere Möglichkeit der organisatorischen Datenwertschöpfung ist die Nutzung von Informationen für die Kundeninteraktion (05). Informationen über Kundenbedürfnisse und -verhalten können genutzt werden, um das Marketing zu optimieren, zum Beispiel durch gezielte Werbung und personalisierte Produktempfehlungen (Fast et al., 2021) oder zur Anpassung der Außendarstellung eines Unternehmens, z. B. durch zielgruppengerechte Gestaltung der Website (Chen et al., 2012). Die letzte Option in diesem Quadranten ist die Optimierung von Organisationsprozessen (06) (Lange et al., 2021), zum Beispiel zur Verbesserung der betrieblichen Effizienz durch Prozessautomatisierung, zur Ergänzung und Beschleunigung der Entscheidungsfindung in Organisationen (Zolnowski et al., 2016), um Risiken wie Betrug, Sicherheitsverstöße oder Datenschutzprobleme zu verringern (Pierce, 2022) oder zur Optimierung des Umgangs mit organisatorischen Ressourcen bei der Lagerbestandsoptimierung oder dem Predictive Talent Management (Möller et al., 2020).
In Bezug auf die Optionen im Quadranten des Austauschs von Daten als Wertobjekte können Daten in einfachste Weise in roher oder reiner Form (07) mit anderen Akteuren ausgetauscht werden (Thomas & Leiponen, 2016), z. B. Einzelhändler, die Point-of-Sale-Daten an Konsumforschungsunternehmen verkaufen (Wixom, 2014). Die Rohdaten müssen jedoch in der Regel aufbereitet werden, um ihre Weiterverwendung in Anwendungsszenarien zu gewährleisten, beispielsweise durch Aggregation, Anonymisierung oder andere Manipulationen, die den Austausch von aufbereiteten Daten ermöglichen (08) (Buff et al., 2015), die gebrauchsfertig sind und direkt in die Organisationssysteme des Empfängers integriert werden können, wie die Mizuho Financial Group, die aggregierte und anonymisierte Daten über das Ausgabeverhalten ihrer Kunden verkauft (vgl. Bloomberg).
Im letzten Quadranten der Matrix können Erkenntnisse, die Ergebnisse von Datenanalyseprozessen darstellen, mit anderen Akteuren ausgetauscht werden (09) (Parvinen et al., 2020). Zu den Erkenntnissen gehören deskriptive Berichte, aber auch fortgeschrittenere prädiktive und präskriptive Analyseergebnisse, zum Beispiel durch Machine Learning Modelle (Buff et al., 2015). Beispielsweise verkauft State Street einen Index für die Performance der Private-Equity-Branche aus aggregierten und anonymisierten Assetdaten von Private-Equity-Kunden (vgl. State Street). Über diese Analyseergebnisse hinaus können auch sogenannte Wissensprodukte (10) wie die zugrunde liegenden Modelle, die zur Interpretation von Daten verwendet werden, oder Modellkomponenten wie Algorithmen und Parameter, die Wissen enthalten, um durch ihre Anwendung Erkenntnisse zu generieren, mit anderen Akteuren ausgetauscht werden (Hirt & Kühl, 2018). Beispielsweise bietet OpenAI ChatGPT als GenAI-Modell an, auf Basis dessen die Anwender eigenständig Erkenntnisse generieren können (vgl. OpenAI). Neben diesen eigenständigen Daten- oder Informationsangeboten können Informationen um Kernprodukte oder -dienstleistungen herum «gewickelt» werden (11), um bestehende Produkte oder Dienstleistungen durch zusätzliche Informationsfunktionen zu erweitern, wie bei FedEx, das als eines der ersten Unternehmen die Paketverfolgung als zusätzlichen und kostenlosen Service zur Paketzustellung angeboten hat (Wixom & Ross, 2017). Weiterhin können Unternehmen Dienstleistungen anbieten, die auf Informationen beruhen und selbst für Kunden tätig werden (12), wie Consulting, Prozessautomatisierung und Outsourcing (Buff et al., 2015). Beispielsweise warten bei Predictive Maintenance Machinenanbieter bereitgestellte Geräte proaktiv, wenn Anomalien und potenzielle Defekte auf der Grundlage einer vorausschauenden Datenanalyse erkannt werden, bevor es zu Ausfällen kommt (Dehnert et al., 2021).
Beiträge der Data Value Creation Matrix und weitere Forschung in CC-Ecosystems
Die Data Value Creation Matrix führt unterschiedliche Erkenntnisse aus der bestehenden Forschung, z.B. aus den Bereichen Datenmonetarisierung, datengetriebene Geschäftsmodelle und Business Analytics, zusammen und bietet eine ganzheitliche Sicht auf die Datenwertschöpfung für Organisationen. Durch das Aufzeigen der Bandbreite verfügbarer Optionen zur Datenwertschöpfung werden Organisationen dabei unterstützt, Daten für sich selbst zu nutzen, beispielsweise im Rahmen einer Orientierungshilfe oder einer White-Spot-Analyse, insbesondere durch die Klassifizierung der Optionen nach Wertobjekt und Werttyp (siehe obiger Abschnitt zur Systematisierung).
Dennoch sind die identifizierten Optionen in einigen Fällen zu allgemein, um spezifische Daten-Use Cases zu identifizieren und diese für eine Organisation in praktischen Anwendungsszenarien anzugehen. Dementsprechend werden die Optionen zur Datenwertschöpfung im Rahmen der Forschung des CC Ecosystems weiter detailliert, um spezifische Muster für Organisationen zu ermitteln, die wiederum als Ausgangspunkt für ganze Datenwertschöpfungsportfolios dienen können.
Referenzen
Ackoff, R., L. (1989). From data to wisdom. Journal of Applied Systems Analysis, 16(1), 3–9.
Alavi, M., & Leidner, D. E. (2001). Review: Knowledge Management and Knowledge Management Systems: Conceptual Foundations and Research Issues. MIS Quarterly, 25(1), 107–136. https://doi.org/10.2307/3250961
Baecker, J., Böttcher, T. P., & Weking, J. (2021). How Companies Create Value From Data – A Taxonomy on Data, Approaches, and Resulting Business Value. ECIS 2021 Research Papers. https://aisel.aisnet.org/ecis2021_rp/124
Baecker, J., Engert, M., Pfaff, M., & Krcmar, H. (2020). Business Strategies for Data Monetization: Deriving Insights from Practice. 15th International Conference on Wirtschaftsinformatik, 972–987. https://doi.org/10.30844/wi_2020_j3-baecker
Bowman, C., & Ambrosini, V. (2000). Value Creation Versus Value Capture: Towards a Coherent Definition of Value in Strategy. British Journal of Management, 11(1), 1–15. https://doi.org/10.1111/1467-8551.00147
Buff, A., Wixom, B. H., & Tallon, P. (2015). Foundations for Data Monetization. MIT Sloan Management Review.
Chen, H., Chiang, R. H. L., & Storey, V. C. (2012). Business Intelligence and Analytics: From Big Data to Big Impact. MIS Quarterly, 36(4), 1165–1188. https://doi.org/10.2307/41703503
Chesbrough, H., Lettl, C., & Ritter, T. (2018). Value Creation and Value Capture in Open Innovation. Journal of Product Innovation Management, 35(6), 930–938. https://doi.org/10.1111/jpim.12471
Choo, C. W. (1996). The knowing organization: How organizations use information to construct meaning, create knowledge and make decisions. International Journal of Information Management, 16(5), 329–340. https://doi.org/10.1016/0268-4012(96)00020-5
Dehnert, M., Gleiss, A., & Reiss, F. (2021). What makes a data-driven business model? A consolidated taxonomy. ECIS 2021 Research Papers. https://aisel.aisnet.org/ecis2021_rp/139
Fast, V., Schnurr, D., & Wohlfarth, M. (2021). Data-driven Competitive Advantages in Digital Markets: An Overview of Data Value and Facilitating Factors. In Wirtschaftsinformatik 2021 Proceedings. https://aisel.aisnet.org/wi2021/GFuture18/Track18/9
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From Data Mining to Knowledge Discovery in Databases. AI Magazine, 17(3), Article 3. https://doi.org/10.1609/aimag.v17i3.1230
Hartmann, P. M., Zaki, M., Feldmann, N., & Neely, A. (2016). Capturing value from big data – a taxonomy of data-driven business models used by start-up firms. International Journal of Operations & Production Management, 36(10), 1382–1406. https://doi.org/10.1108/IJOPM-02-2014-0098
Hirt, R., & Kühl, N. (2018). Cognition in the Era of Smart Service Systems: Inter-organizational Analytics through Meta and Transfer Learning. 5. https://aisel.aisnet.org/icis2018/service/Presentations/5
Kakuschke, N. (2024). Data Value Creation Matrix—Options for Organizations to Create Value from Data. ECIS 2024 Proceedings, 9. https://aisel.aisnet.org/ecis2024/track07_busanalytics/track07_busanalytics/9
Lange, H.E., Drews, P. and Höft, M. (2021) ‘Realization of Data-Driven Business Models in Incumbent Companies: An Exploratory Study Based on the Resource-Based View’, Forty-Second International Conference on Information Systems [Preprint].
Lim, C., Kim, K.-H., Kim, M.-J., Heo, J.-Y., Kim, K.-J., & Maglio, P. P. (2018). From data to value: A nine-factor framework for data-based value creation in information-intensive services. International Journal of Information Management, 39, 121–135. https://doi.org/10.1016/j.ijinfomgt.2017.12.007
Möller, F., Stachon, M., Hoffmann, C., Bauhaus, H., & Otto, B. (2020). Data-driven Business Models in Logistics: A Taxonomy of Optimization and Visibility Services. In Hawaii International Conference on System Sciences 2020 (HICSS-53). https://aisel.aisnet.org/hicss-53/os/org_issues_in_bi/5
Parvinen, P., Pöyry, E., University of Helsinki, Gustafsson, R., Aalto University, Laitila, M., Futurice, Rossi, M., & Aalto University. (2020). Advancing Data Monetization and the Creation of Data-Based Business Models. Communications of the Association for Information Systems, 47(1), 25–49. https://doi.org/10.17705/1CAIS.04702
Pierce, E. (2022). A Balanced Scorecard for Maximizing Data Performance. Frontiers in Big Data, 5, 821103. https://doi.org/10.3389/fdata.2022.821103
Repo, A. J. (1986). The dual Approach to the Value of Information: An Appraisal of Use and Exchange Values. Information Processing & Management, 22(5), 373–383.
Schüritz, R., & Satzger, G. (2016). Patterns of Data-Infused Business Model Innovation. 01, 133–142. https://doi.org/10.1109/CBI.2016.23
Thomas, L. D. W., & Leiponen, A. (2016). Big Data Commercialization. IEEE Engineering Management Review, 44(2), 74–90. IEEE Engineering Management Review. https://doi.org/10.1109/EMR.2016.2568798
vom Brocke, J., Simons, A., Niehaves, B., Reimer, K., Plattfaut, R., & Cleven. (2009). Reconstructing the Giant: On the Importance of Rigour in Documenting the Literature Search Process. ECIS 2009 Proceedings, 372, 2206–2217.
Wixom, B. H. (2014). Cashing In on Your Data. Research Briefing. MIT CISR. https://cisr.mit.edu/publication/2014_0801_DataMonetization_Wixom
Wixom, B. H., & Ross, J. W. (2017). How to Monetize Your Data. MIT Sloan Management Review, 58(3), 10–13.
Zolnowski, A., Christiansen, T., & Gudat, J. (2016). Business Model Transformation Paterns of Data-Driven Innovation. Twenty-Fourth European Conference on Information Systems. https://aisel.aisnet.org/ecis2016_rp/146
