Smart-Data-Ertragsmodelle

Von Smart Data Begleitforschung Vor 2 WochenKeine Kommentare
Home  /  Allgemein  /  Smart-Data-Ertragsmodelle

Aus der Publikation „Smart Data Geschäftsmodelle“ der Fachgruppe „Wirtschaftliche Potenziale & gesellschaftliche Akzeptanz“.

 

Von Dr. Eva Anderl, FELD M GmbH/ExCELL und James Löll, data experts GmbH/SAHRA.

Neben den technischen Innovationen selbst sind Ertragsmodelle essentielle Bestandteile erfolgreicher Geschäftsmodelle: Erst die konkrete Erlösmechanik bestimmt, wie Einnahmen erwirtschaftet werden. Den Erlösarten und -quellen steht die Kostenstruktur als Gegenstück zur Erlösgenerierung gegenüber. Das grundsätzliche Spannungsfeld zwischen Erlösen und Kosten ist bei Geschäftsmodellen für Smart Data mit einigen Besonderheiten und Herausforderungen verbunden.

Bei der Identifikation von Erlösquellen für Smart-DataAngebote liegen Herausforderungen insbesondere darin, dass

  • neben den traditionellen Szenarien (Kunde und Lieferant) teilweise mehrere Parteien beteiligt sind (sogenannte mehrseitige Märkte),
  • Endanwender nicht immer direkt für die Dienstleistung bezahlen und
  • der Nutzen für den Endanwender sich nicht immer direkt in Umsatz oder Profit darstellen lässt, sondern in nichtmonetären Anreizen wie z. B. einem reduzierten Risiko oder gesteigerter Produktivität bzw. Effizienz liegt.

Mehrseitige Märkte

Smart-Data-Lösungen adressieren häufig gleichzeitig unterschiedliche Zielgruppen, wie z. B. private Anwender und Unternehmen. Ein Beispiel: Krankenkassen stellen anonymisierte Versicherteninformationen zur regionalen und überregionalen Analyse zur Verfügung. Je mehr Teilnehmer aus dem Gesundheitswesen ihre Daten auf diese Weise bereitstellen, desto attraktiver wird es z. B. für Forschungseinrichtungen, sie für Studien zu nutzen. Zusätzlich erhöht die Vollständigkeit der Daten auch die Attraktivität für Ärzte oder weitere Lösungsanbieter, diese Daten bei der Patientenbehandlung zur Unterstützung heranzuziehen.

Für den Erfolg einer Smart-Data-Lösung ist es entscheidend, die verschiedenen Marktteilnehmer zu identifizieren und schnell in den Aufbau der Lösung zu integrieren. Das Thema „Masse“ ist hier zentral, um für die bezahlenden Anwender den entsprechenden Mehrwert zu schaffen.

 

Direkte und indirekte Erlösquellen

Aufgrund der Positionierung in mehrseitigen Märkten muss bei der Entwicklung von Ertragsmodellen für Smart-Data-Angebote zwischen direkten und indirekten Erlösquellen unterschieden werden.

Direkte Erlösquellen

Bei direkten Erlösquellen zahlt der Anwender entweder direkt für die Nutzung (Dienstleistung) oder er integriert Smart-Data-Technologien im Rahmen einer ganzheitlichen Lösung. Anstatt einer isolierten Hardware wird hier eine kombinierte Dienstleistung verkauft.

Ein Beispiel für die direkte Nutzung ist die Beauftragung eines Smart-Data-Anbieters für Forschungsstudien oder Marktanalysen: Der Anbieter wird beauftragt, eine Analyse der vorhandenen Daten entsprechend einer Hypothese durchzuführen und direkt für diese Dienstleistung bezahlt. Vorstellbar ist auch, dass ein Forschungsinstitut im Rahmen einer Studie einen zeitbegrenzten Zugang zu den Daten erhält, um Recherchen und Analysen durchzuführen.

Für Anbieter von Smart-Data-Technologien ist es zudem möglich, Märkte zu transformieren. Ein Hersteller von Produktionsanlagen könnte etwa sein Angebotsportfolio eines traditionellen Hardwareverkaufs durch Smart Data um Serviceangebote erweitern. Diese Serviceangebote könnten transaktions- bzw. nutzungsbasiert sein, mit der Möglichkeit einer Ergänzung um weitere Zusatzangebote wie z. B. System- bzw. Prozessüberwachung. Die Prozessüberwachung ermöglicht es dem Dienstleister, bei potenziellen Problemen den Stillstand von Produktionsanlagen proaktiv mit dem Kunden zu planen. Der Kunde reduziert so unerwartete Produktionsausfälle, welche zu Mehrarbeit und somit zu höheren Produktionskosten führen können.

Neue integrierte Serviceangebote könnten z. B. im Krisen- und Epidemiemanagement, in der Versorgungsplanung, der Risikobewertung im Immobilienhandel oder in der City-Routenplanung liegen.

Indirekte Erlösquellen

Für manche Smart-Data-Lösungen ist ein gewisses Volumen von Daten und Informationen erforderlich, um einen Mehrwert für Kunden erzeugen zu können. Das Problem: Die Sammlung der Daten ist kostspielig, wenn hierfür z. B. eine dedizierte technische Infrastruktur aufgebaut werden muss oder Daten nicht öffentlich verfügbar sind. Um dieses Problem zu adressieren, kann zwischen zahlenden und nichtzahlenden Anwendern unterschieden werden. Eine kostenfreie Anwendung dient dazu, möglichst hohe Nutzerzahlen zu erreichen. Im Gegenzug für die kostenfreie Nutzung der Lösung liefern die Nutzer automatisch wichtige Daten. Auf Basis dieser Daten ist es möglich, für gewerbliche Kunden ein kostenpflichtiges Angebot bereitzustellen. In Bezug auf die Wirtschaftlichkeit der Lösung ist es dabei wichtig, dass die bezahlenden Kunden die nicht zahlenden Nutzer mitfinanzieren.

Ein besonderes Problem stellt in diesem Zusammenhang die sinkende Zahlungsbereitschaft von privaten und gewerblichen Kunden dar. Anbieter wie Apple haben beispielsweise mit der Einführung des iPhones und der gleichzeitigen Softwarepaketierung (inklusive regelmäßiger Softwareupdates) den Kunden den Eindruck vermittelt, dass Software kostenlos ist.1 Durch eine Querfinanzierung z. B. über Hardwareverkauf und App-Store ist dies möglich. Angesichts der geringen Zahlungsbereitschaft stehen Anbieter von Smart-DataLösungen vor der Herausforderung, eine kostenlose Lösung über diverse Zusatzangebote zu finanzieren. In Abhängigkeit von der jeweiligen Branche und Lösung ist als zusätzliche Erlösquelle das Einblenden von Werbung möglich.

 

Darstellbarkeit nichtmonetärer Anreize

Der Vorteil einer Smart-Data-Lösung ist nicht immer direkt in Umsatz oder Profit darstellbar. Häufig helfen Smart-Data-Lösungen Unternehmen dabei, die Produktivität zu steigern oder auch Risiken bei Investitionen oder Entscheidungen zu reduzieren. Ergebnisse von Smart-Data-Lösungen können helfen, frühzeitig auf potenzielle Probleme aufmerksam zu machen und zu reagieren. Smart-Data-Lösungen können unter anderem dazu beitragen, Produktionsausfälle zu vermeiden, Änderungen prozesseffizient umzusetzen und Daten für bessere bzw. schnellere Entscheidungen einfacher zugänglich zu machen.

So könnten z. B. die gesetzlichen Krankenkassen in den Aufbau einer E-Health-Smart-Data-Lösung investieren und Ärzten, Kliniken und ggf. Patienten die Nutzung gewähren. Während die Krankenkassen diese Lösung finanzieren, würden die beteiligten Parteien, indem sie Daten zeitnah zur Verfügung stellen, den Mehrwert für alle steigern, auch wenn dieser nicht immer direkt quantifizierbar ist. Der Mehrwert für Ärzte oder Kliniken liegt in diesem Fall in der Unterstützung bei der Patientenversorgung, z. B. durch individualisierte Behandlungshinweise oder -empfehlungen oder Informationen über regional auftretende Erkrankungen. Der Mehrwert für Patienten besteht in einer Verbesserung der Versorgung, weniger Falschdiagnosen und ggf. in einer schnelleren Identifikation schwerwiegender Erkrankungen. Krankenkassen können schließlich profitieren, da eine frühe Identifikation und Behandlung von Krankheiten auch für sie wesentlich günstiger ist.

Kosten

Auf der Kostenseite sehen sich Anbieter von SmartData-Geschäftsmodellen ebenfalls Herausforderungen gegenüber. Der Erbringungsaufwand in der Zukunft ist für viele Unternehmen schwer abschätzbar. Denn zum einen ist die Entwicklung der Kosten für Datenspeicherung und -verarbeitung schwer abschätzbar. Während die letzten Jahrzehnte maßgeblich durch das sogenannte Moore‘sche Gesetz geprägt waren, nach dem sich die Komplexität integrierter Schaltkreise mit minimalen Komponentenkosten regelmäßig verdoppelt, besteht zunehmend Unsicherheit, wie lange diese Entwicklung noch fortgesetzt werden kann.2

Zudem besteht – gerade bei mehrseitigen Märkten mit übergreifenden Anbieter- und Anwenderstrukturen – eine hohe Abhängigkeit von Datenlieferanten. Werden Daten nicht direkt im eigenen Unternehmen gewonnen, sondern gemeinsam mit anderen Unternehmen erhoben oder durch Dritte zur Verfügung gestellt, bergen Änderungen der Kooperationsbedingungen ein hohes Risiko für Smart-Data-Geschäftsmodelle. Bei Änderungen der Monetarisierungsschemata für die Verfügbarmachung von Daten können erhebliche zusätzliche Kosten anfallen. Wenn Datenquellen vollständig wegfallen, müssen, sofern möglich, andere Quellen erschlossen werden, wodurch zusätzliche Kosten sowohl für die Datenbereitstellung als auch die Datenintegration entstehen können. Falls Daten einzigartig sind und nicht ersetzt werden können, kann dies ein existentielles Risiko für Smart-Data-Geschäftsmodelle darstellen. Um diesbezügliche Risiken zu minimieren, sollten Fragen zur Datenverfügbarkeit und insbesondere zu Vergütungsmodellen frühzeitig und langfristig geklärt werden (weitere Ausführungen hierzu im Beitrag „Hemmnisse und Herausforderungen“).

Ertragsmodelle sind zentral für den Erfolg von Smart Data. Denn der Wert von Smart Data kommt nicht aus der Technologie an sich, sondern erst aus deren erfolgreicher Einbindung in ein innovatives Geschäftsmodell. Die Erfahrung zeigt, dass sich am Markt häufig nicht die bessere Technologie durchsetzt, sondern diejenige, die in ein besser akzeptiertes Geschäftsmodell eingebunden ist.3 Anbieter von Smart-Data-Technologien sollten sich daher frühzeitig mit möglichen Ertragsmodellen auseinandersetzen, um ihre Innovationen nachhaltig vermarkten zu können.

 

Dieser Beitrag stammt aus der Publikation „Smart Data Geschäftsmodelle“ der Fachgruppe „Wirtschaftliche Potenziale und gesellschaftliche Akzeptanz“ der Begleitforschung. Das Positionspapier untersucht künftige Smart-Data-Geschäftsmodelle und beschäftigt sich mit der Frage nach geeigneten Anreizstrukturen, mit denen die Bereitschaft zur Preisgabe von Daten erhöht werden soll. Aus der Publikation sind außerdem die Beiträge „Mehrwert und Mehrwertgenerierung“ und „Hemmnisse und Herausforderungen“ auf dem Smart Data Blog erschienen. Das gesamte Positionspapier steht hier als kostenloser Download zur Verfügung.

Zu den Beiträgen: „Mehrwert und Mehrwertgenerierung“  und „Hemmnisse und Herausforderungen“

Im Kontext von Big bzw. Smart Data wird eine klare Abgrenzung zwischen Daten mit Personenbezug und reinen Sachdaten zunehmend schwieriger. Die Fachgruppe Sicherheit der Smart-Data-Begleitforschung hat in gebündelter Form die Kernaspekte zum Thema Anonymisierung sowie die relevantesten Techniken zu ihrer Umsetzung in einem Leitfaden zusammengefasst, den Sie hier finden können.

„Für den Erfolg einer Smart-Data-Lösung ist es entscheidend, die verschiedenen Marktteilnehmer zu identifizieren und schnell in den Aufbau der Lösung zu integrieren.“ - Eva Anderl / James Löll https://bit.ly/2RlWjV0 Klick um zu Tweeten

 


  1. https://www.horizont.net/medien/nachrichten/Umfrage-Zahlungsbereitschaft-fuer-Online-Inhalte-ist-nach-wie-vor-gering-134479
  2. https://www.zeit.de/2005/16/Moore_s_Gesetz
  3. Chesbrough, H. (2007): Business model innovation: It‘s not just about technology anymore. In: Strategy & Leadership 35 (6), S. 12–17
Kategorien:
  Allgemein, Begleitforschung, Datenanalyse

Artikel teilen

[easy-social-share buttons="twitter,facebook,google,xing,linkedin,flipboard" counters=0 style="icon" url="http://www.smartdata-blog.de/2018/11/28/smart-data-ertragsmodelle/" text="Smart-Data-Ertragsmodelle"]
Über

 Smart Data Begleitforschung

  (43 Artikel)

Hinterlassen Sie einen Kommentar

Die E-Mail Adresse wird nicht veröffentlicht.