Datenstrategie in vernetzten Geschäftsmodellen

Posted on by

Hinweis: Dieser Blogbeitrag ist eine Zusammenfassung des Artikels “Data strategy in connected business models”.

Verfügbar unter: https://www.henrystewartpublications.com/jdb/v8

Empfohlene Zitierweise: Berentzen, Christoph & Schaefer, Benjamin, 2023. “Data strategy in connected business models,” Journal of Digital Banking, Henry Stewart Publications, vol. 8(3), pages 210-219.

EINFÜHRUNG

Von 2019 bis 2024 hat sich das weltweite Volumen der jährlich generierten bzw. replizierten digitalen Datenmenge fast vervierfacht – ein Trend, der voraussichtlich anhalten wird (Tenzer, 2024). Die Verbreitung von Geräten und Kontaktpunkten hat zu einer Vielzahl von Datenformaten geführt, die für Unternehmen zur Entwicklung und Verbesserung ihrer Geschäftsmodelle unerlässlich sind. Technologieunternehmen zeigen, wie Daten zur Generierung von Umsätzen verwendet werden, die oft die physischen Wirtschaftsgüter in den Schatten stellen. Die Vernachlässigung von Daten kann für Unternehmen zukünftig einen erheblichen Nachteil bedeuten und sie hinter datenorientierten Wettbewerbern zurücklassen. Ein effektives Datenmanagement bietet zahlreiche Vorteile, z. B. verbesserte Produktverkäufe, besseres Kundenverständnis, Kosteneinsparungen, erhöhte Sicherheit, Kundenerfahrung, Loyalität und potenziell weitere künftige Nutzungsmöglichkeiten. Fortschritte in der Informationstechnologie, insbesondere der KI, erleichtern inzwischen die Analyse riesiger Datenmengen. Viele Unternehmen nutzen jedoch den Großteil ihrer Daten nicht und sehen sich mit Problemen wie Datenpannen und Datensilos konfrontiert (DalleMule & Davenport, 2017). Der Schlüssel liegt in der Entwicklung und Umsetzung von Datenstrategien, die darauf abzielen, durch Extraktion, Standardisierung, Speicherung, Organisation, Verwaltung, Analyse und Einsatz von Informationsressourcen einen Mehrwert aus Daten für die Stakeholder zu schaffen (DalleMule & Davenport, 2017). Datenstrategien stellen eine Denk- und Führungsweise in Unternehmen dar, bei der Daten die Grundlage der Unternehmensaktivitäten bilden. Einer der möglichen Bausteine, um das etablierte Datenmanagement voranzutreiben und zu nutzen, ist die Implementierung einer angemessenen Anwendungsprogrammierschnittstelle (API), die auf die sichere und flexible Nutzung von Daten abzielt, um die Kundenerfahrungen und Interaktionen in Unternehmen zu verbessern. APIs können die Zukunft des Datenmanagements gestalten und die Art und Weise stark beeinflussen, wie verschiedene Unternehmen miteinander interagieren und auf der Grundlage der bereits zugänglichen Informationen wertschöpfende Dienste anbieten können.

KONZEPTIONELLER HINTERGRUND

Datenstrategien werden in defensive und offensive Ansätze unterteilt (DalleMule & Davenport, 2017). Defensive Strategien konzentrieren sich auf die Minderung von Risiken durch die Kontrolle von Daten, die Gewährleistung einer zuverlässigen Speicherung, die Einhaltung von Vorschriften und den freien Datenfluss innerhalb des Unternehmens (DalleMule & Davenport, 2017). Offensivstrategien verbessern den Wettbewerbsvorteil und die Rentabilität durch fortschrittliche Datentechniken wie Analyse und Modellierung (DalleMule & Davenport, 2017).

Abbildung 1 Überblick über die Datenstrategien
Quelle: Adaptiert von DalleMule und Davenport (2017)

Beide Strategien sollten gleichermaßen genutzt werden, um den größtmöglichen Nutzen zu erzielen, wobei die Grundlage auf defensiven Strategien beruht, bevor man zu offensiven Strategien übergeht. Da die Datenmengen zunehmen, verwenden Unternehmen und Finanzinstitute APIs für den Zugriff auf interne und externe Datenquellen. APIs sind virtuelle Softwareschnittstellen, die den regelbasierten Austausch von Informationen zwischen zwei oder mehreren unterschiedlichen und nicht miteinander verbundenen Systemen ermöglichen (Software Engineering Institute, 2003). Durch eine API sind verschiedene Informationen, die in unterschiedlichen Softwareanwendungen bereitgestellt werden, für andere Informationssysteme zugänglich, übertragbar und somit replizierbar. Einer der vielen Gründe für die Entwicklung von APIs sind Anwendungen, die von getrennten Entwicklerteams mit unterschiedlichen Programmiersprachen entwickelt wurden, was die Kommunikation zwischen den Systemen behindert.

Abbildung 2 Anwendungsprogrammierschnittstellen (APIs)
Quelle: Commerzbank AG (2023
RELEVANZ VON DATENSTRATEGIEN FÜR DIGITALE UNTERNEHMEN

In der modernen Geschäftswelt sind zwei Arten von Unternehmen zu erkennen: diejenigen, die sich selbst als datengesteuert betrachten, und diejenigen, die sich in einer hervorragenden Position befinden, um aus Daten, auf die sie bereits zugreifen können, Wert zu generieren, aber noch nicht vollständig datengesteuert sind. Der erste Typus, datengetriebene Unternehmen, entwickelt zunehmend ganze Geschäftsmodelle, die auf der Monetarisierung von Daten basieren und über die reine Datenverarbeitung und -analyse hinausgehen. Prominente Beispiele sind große Technologieunternehmen wie Google, Apple, Microsoft und Amazon, die aufgrund ihrer IT-getriebenen, innovativen und kundenorientierten Geschäftsmodelle und ihrer Beteiligung an neu entstehenden Ecosystems zu den wertvollsten Unternehmen der Welt zählen (Bean, 2021). Unternehmen, die noch nicht datengesteuert sind, müssen die neue datengesteuerte Welt akzeptieren und das erforderliche Fachwissen aufbauen, um interne Daten nutzbar zu machen und neue Geschäftsmöglichkeiten zu schaffen. Bevor sie sich entscheiden, in einer datengesteuerten Welt zu operieren, müssen zunächst immer geeignete Geschäftsmöglichkeiten, die sich aus der Nutzung von Daten ergeben, entlang der Unternehmensdimensionen identifiziert werden. Interessanterweise entwickeln sich viele produktbasierte Geschäftsmodelle zu Dienstleistungsmodellen, die weitere Daten zur Optimierung und Erweiterung künftiger Produktangebote generieren.

Mehrere Unternehmen nutzen bereits in großem Umfang Daten zu ihrem Vorteil. Tesla ist ein bemerkenswertes Beispiel für ein Unternehmen, das in einer zunehmend datengesteuerten Branche tätig ist. Tesla-Fahrzeuge erzeugen riesige Datenmengen, z. B. über den Straßenzustand, die verarbeitet und analysiert werden, um das autonome Fahren zu verbessern. Diese Daten, die zunächst für interne Zwecke verwendet werden, werden für andere Fahrzeughersteller von unschätzbarem Wert sein, um KI-Modelle für das autonome Fahren zu trainieren, sobald die rechtlichen Bedingungen dies erlauben. (Marr, 2021). Traditionelle Branchen wie die Luftfahrt nutzen Daten zunehmend zur Monetarisierung, wobei Fluggesellschaften Daten aus Kundenbindungsprogrammen verwenden, um ihre Geschäftsmodelle zu verbessern (Mwanalushi, 2019). Etablierte Unternehmen wie die Audi AG haben eine ähnlich flexible, datengesteuerte Initiative wie Tesla ergriffen, indem sie Funktionen auf Abruf anbieten, die es den Kunden ermöglichen, z. B. leistungsstärkere Scheinwerfer oder einen Einparkassistenten zu aktivieren, indem sie ein entsprechendes Paket abonnieren (Audi AG, 2023). Obwohl es zahlreiche Beispiele von Unternehmen gibt, die bereits entdeckt haben, wie sie von Daten profitieren können, befinden sich die meisten Unternehmen derzeit mitten im Umbruch, um digitaler und schließlich datengesteuert zu werden. Darunter befinden sich verschiedene Unternehmen, von kleinen und mittleren Unternehmen (KMU) bis hin zu etablierten Konzernen.

BEDEUTUNG VON DATENSTRATEGIEN FÜR FINANZINSTITUTE

Finanzinstitute befinden sich in einer einzigartigen Position für die Entwicklung und Umsetzung von Datenstrategien, da sie über Jahre hinweg umfangreiche Kundendaten gesammelt haben, die jedoch noch nicht zu ihrem großen Vorteil genutzt werden konnten. Die jüngsten Fortschritte in der Informationstechnologie und die Verfügbarkeit externer Datenquellen ermöglichen es ihnen, den Wert ihrer Daten zu steigern, und die potenziellen Bereiche der Wertschöpfung sind enorm. Mit einer immer größeren Bandbreite an verfügbaren technologischen Fortschritten steigt die Menge an Daten, auf die Finanzinstitute zugreifen können, exponentiell an. In Anbetracht ihrer homogenen Produktpalette müssen die Finanzinstitute jedoch ihre Strategie überarbeiten, um sich mit kundenorientierten Produktangeboten auf dem wettbewerbsintensiven Markt zu differenzieren (Al‐Hawari & Ward, 2006). In diesem Zusammenhang können Finanzinstitute, die Kernkompetenzen z.B. in den Bereichen Analytik und Vorhersagemodelle aufbauen, Wettbewerbsvorteile erhalten. Mit Hilfe von prädiktiver Analytik können Finanzinstitute zum Beispiel individualisierte und zielgerichtete Produkte und Dienstleistungen anbieten (Chintamaneni, 2016). In Zukunft müssen Finanzinstitute die künftigen Bedürfnisse ihrer Privat- und Firmenkunden daten- und ereignisgesteuert antizipieren und relevante Dienstleistungen in Echtzeit anbieten. Darüber hinaus können Daten dazu dienen, Betrugserkennungsmechanismen gegen interne oder externe Bedrohungen einzurichten (Chintamaneni, 2016).

DER WERT EINER DATENSTRATEGIE IN UNTERNEHMENSNETZEN

Mit dem Aufkommen von Ecosystems und Plattformen werden Datenstrategien immer wichtiger, da die Interaktionen zwischen Einzelpersonen und Unternehmen riesige Datenmengen erzeugen, die von Unternehmen genutzt werden können (Gawer, 2022). Darüber hinaus ermöglichen die kontinuierliche Entwicklung vernetzter Architekturen und technologischer Fortschritte den Unternehmen, die gemeinsame Nutzung von Daten und die Zusammenarbeit zu fördern. Vorteilhaft ist, dass Vermögenswerte und Ressourcen für das umfassende Angebot von Produkten und Dienstleistungen nicht mehr allein bereitgestellt werden müssen: Sie können aus der Ferne durch andere Unternehmen ergänzt werden, die am Ecosystem oder der Plattform teilnehmen (Gawer, 2022). Die Nachfrage verlagert sich in erheblichem Maße auf umfassende Produkte und Dienstleistungen anstelle von Einzelprodukten, so dass die Unternehmen ihre Aktivitäten ausweiten und sich mit anderen Unternehmen in Ecosystems verbinden müssen, um die Aufmerksamkeit der Verbraucher zu gewinnen. Die zunehmende Verlagerung von einem einzelnen Produkt zu Product-as-a-Service-Angeboten und digitalen Ecosystems treibt die Relevanz von Daten noch weiter voran. Mit der Zunahme von Kooperationen in Ecosystems kommt den Finanzinstituten eine vielversprechende Rolle zu. Finanzinstitute haben die Macht und die Fähigkeit, Ecosystems zu ermöglichen, indem sie ihre Datenstrategie in Kombination mit standardisierten APIs nutzen und sich auf ihre Kernkompetenzen konzentrieren: die Bereitstellung wesentlicher Zahlungsdienste “hinter den Kulissen”, um einen reibungslosen Betrieb innerhalb des Ecosystems zu gewährleisten. Allerdings können Finanzinstitute auch als Anbieter wichtiger technischer und finanzieller Lösungen innerhalb von Ecosystems agieren.

HERAUSFORDERUNGEN IM UMGANG MIT DATEN

Das Datenwachstum bringt Herausforderungen mit sich, z. B. den Umgang mit unstrukturierten Daten aus neuen Quellen und die Integration unterschiedlicher Datenformate. Die Kombination aus immer mehr Daten und unterschiedlichen Formaten ist für Unternehmen ein zweischneidiges Schwert: Einerseits erfordert die Integration dieser Daten ein ausgeklügeltes Datenmanagement, andererseits legt die Bewältigung dieser Situation unweigerlich die Grundlage für eine datengesteuerte Wertschöpfung (DalleMule & Davenport, 2017). Zweifellos betreffen die genannten Herausforderungen auch den Sektor der Finanzinstitute, der sich durch Kundenbeziehungen auszeichnet, die auf einer hohen Vertrauensbasis beruhen. Die enorme Menge an verfügbaren Daten besteht größtenteils aus sensiblen Kundendaten, deren Potenzial noch nicht voll ausgeschöpft werden kann. Technische Hindernisse müssen beachtet werden, da sich einige Unternehmen in einem ungünstigen technischen Zustand befinden, weil sich ihre IT-Systeme in den vergangenen Jahrzehnten nicht weiterentwickelt haben, was zu Datensilos führt (Bean, 2021).

SCHLUSSFOLGERUNG

Ecosystems, IoT und As-a-Service-Produkte bestimmen die wachsenden Märkte. Wachsender Wettbewerb und stark umkämpfte Märkte, angeheizt durch sinkende Transaktionskosten, behindern jedoch die Fähigkeit von Unternehmen, sich auf dem Markt zu etablieren. Datenstrategien werden für Unternehmen und Finanzinstitute immer wichtiger, um in der heutigen datengesteuerten Umgebung erfolgreich zu sein. Ein angemessenes Datenmanagement innerhalb der Organisation und darüber hinaus ist unerlässlich, um an neuen Geschäftsmodellen und kollaborativen Strukturen teilzunehmen. Unternehmen und Finanzinstitute müssen die Zuweisung von Ressourcen für Datenmanagement-Initiativen in die Wege leiten, um auf abweichende Marktbedingungen zu reagieren. Finanzinstitute können sich als Anbieter wichtiger technischer Lösungen positionieren und gleichzeitig ihre etablierte Datenstrategie nutzen, um das Kundenerlebnis durch innovative Produkte zu verbessern. Standardisiertes Datenmanagement und Schnittstellen, wie z.B. APIs, werden wesentlich dazu beitragen, dass sich Unternehmen und Finanzinstitute langfristig nachhaltig positionieren können.

Für weiterführende Informationen zur Dekomposition generischer Datenstrategien in detailliertere Handlungsoptionen für Unternehmen schauen sie gern zur im Rahmen des Competence Center Ecosystems entwickelten «Data Value Creation Matrix» unter diesem Link (Kakuschke, 2024).

Referenzen

Al‐Hawari, M., & Ward, T. (2006). The effect of automated service quality on Australian banks’ financial performance and the mediating role of customer satisfaction. Marrketing Intelligence & Planning, 24(2), 127-147. doi:10.1108/02634500610653991

Audi AG. (2023). Functions on Demand. Von Audi: https://www.audi.de/de/brand/de/service-zubehoer/audi-digital-service/functions-on-demand.html abgerufen

Bean, R. (2021). Why Is It So Hard to Become a Data-Driven Company? Von Harvard Business Review: https://hbr.org/2021/02/why-is-it-so-hard-to-become-a-data-driven-company abgerufen

Chintamaneni, P. (2016). How Banks Are Capitalizing on a New Wave of Big Data and Analytics. Von Harvard Business Review: https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=&cad=rja&uact=8&ved=2ahUKEwimnZrqiqGGAxWUgv0HHXk0DlwQFnoECA4QAw&url=https%3A%2F%2Fhbr.org%2Fsponsored%2F2016%2F11%2Fhow-banks-are-capitalizing-on-a-new-wave-of-big-data-and-analytics%23%3A~%3At abgerufen

DalleMule, L., & Davenport, T. (2017). What’s Your Data Strategy? Harvard Business Review. Von What’s Your Data Strategy?: https://hbr.org/2017/05/whats-your-data-strategy abgerufen

Gawer, A. (2022). Digital platforms and ecosystems: Remarks on the dominant organizational forms of the digital age. Organization & Management, 24(1), 110-124. doi:10.1080/14479338.2021.1965888

Kakuschke, N. (2024). Data Value Creation Matrix — Options for Organizations to Create Value from Data. ECIS 2024 Proceedings. 9.

Marr, B. (2021). Data Strategy: How to Profit from a World of Big Data, Analytics and Artificial Intelligence. London: Kogan Page Publishers.

Mazzei, M., & Noble, D. (2017). Big data dreams: A framework for corporate strategy. Business Horizons, 60(3), 405-414. doi:10.1016/j.bushor.2017.01.010

Mwanalushi, K. (2019). Opportunity rising: How the airline industry is monetising data. Von Aviation business news: https://www.aviationbusinessnews.com/low-cost/airline-industry-data-monetisation/ abgerufen

Software Engineering Institute. (2003). Application Programming Interfaces. Carnegie Mellon University.

Tenzer, F. (2024). Statista. Von Volumen der jährlich generierten/replizierten digitalen Datenmenge weltweit von 2010 bis 2022 und Prognose bis 2027: https://de.statista.com/statistik/daten/studie/267974/umfrage/prognose-zum-weltweit-generierten-datenvolumen abgerufen

Benjamin Schaefer
Latest posts by Benjamin Schaefer (see all)
0
Alle, Branchennews, Daten, Digitalisierung, Ecosystem, Uncategorized , , ,

Was sind Deine Erfahrungen mit dem Thema? (Kommentieren geht auch ohne Anmeldung oder Einloggen; einfach kommentieren, auf Freigabe warten und fertig!)