4. Besonderheiten datenbasierter Geschäftsmodellentwicklung

In datengetriebenen Geschäftsmodellen können Kundinnen und Kunden prinzipiell mehrere Funktionen übernehmen. Grundsätzlich bezahlt eine Kundin oder ein Kunde dabei für den Wert, der durch Daten generiert wird. Insofern können sie oder er für den Erhalt der Daten oder für eine Verarbeitung dieser Daten selbst zahlen, bis hin zu maßgeschneiderten Einsichten oder Informationspaketen. Das besondere an datengetriebenen Modellen ist aber, dass häufig die Kundschaft selbst auch Ursprung der Datengenerierung ist. Erst durch die Abgabe von Daten über das eigene Verhalten oder die Nutzung eines Produkts kann der Wert generiert werden, für den die Kundin oder der Kunde anschließend bezahlt. Heidelberger Druckmaschinen bietet seiner Kundschaft zum Beispiel die Möglichkeit, Effizienzsteigerungen bei der Nutzung ihrer Produkte zu erzielen. Um diese zu realisieren, werden die aktuellen Nutzungsdaten der Kundin oder des Kunden benötigt, um darauf basierend Verbesserungsvorschläge definieren zu können. Neben den „Nutzer-Kunden“, welche selbst ein Angebot nutzen, ihre Daten einspeisen und dafür zahlen, gibt es zudem in vielen datengetriebenen Geschäftsmodellen auch Drittparteien, die Wert aus den Daten über das Konsumverhalten von Nutzenden generieren. Zu dieser Kategorie gehören vor allem Entwicklerinnen und Entwickler sowie Lösungsanbietende, welche auf der Basis dieser Daten ihre Lösungen (weiter)entwickeln.

Vor der Umsetzung eines datenbasierten Geschäftsmodells sollte Klarheit darüber bestehen, wie mit den vorhandenen Daten ein Mehrwert oder Effizienzgewinne erzielt werden sollen (Bulger et al. 2014). Am Anfang eines erfolgreichen Geschäftsmodells muss zwingend ein zu adressierendes Kundenbedürfnis stehen. Hierbei ist zu beachten, dass ein Wertversprechen eine höhere Chance auf Erfolg hat, wenn es Bedürfnisse mit hoher Intensität und/oder Frequenz befriedigt. Neben Daten und deren Auswertung werden mit datengetriebenen Geschäftsmodellen häufig auch Zusatzleistungen angeboten, die mit den Daten in Verbindung stehen. Dies können beispielsweise Beratungsleistungen oder Umsetzungsunterstützung sein, aber auch Produkte, welche die Datenübertragung oder -auswertung optimieren.

Um durch Daten Mehrwert zu generieren, müssen Firmen neue Fähigkeiten entwickeln oder bereits bestehende Fähigkeiten auf die Anforderungen des neuen Wertversprechens anpassen. Typischerweise werden bei datengetriebenen Geschäftsmodellen folgende Ressourcen und Fähigkeiten im Unternehmen benötigt:Je nach Ausprägung des Geschäftsmodells sind die oben genannten Mittel mehr oder weniger von Bedeutung. Je stärker die Stoßrichtung des Modells in Richtung Lösungsvorschläge geht, desto wichtiger wird zudem das Markt-Know-how. Nicht zu vernachlässigen ist außerdem der Aspekt des Vertrauens von Kundinnen und Kunden auf die Relevanz der Datenquellen, die richtige Kalibrierung bei der Auswertung sowie auf die Richtigkeit der aus den Erkenntnissen gezogenen Schlussfolgerungen.

Erlöse können mit datengetriebenen Geschäftsmodellen auf unterschiedliche Weise erzielt werden. Bei Nutzer-Kunden-Modellen bezahlt für gewöhnlich die Nutzerin oder der Nutzer selbst für das Angebot. Daneben gibt es aber auch viele Beispiele für den Verkauf der (verarbeiteten) Daten an Drittanbieter wie Entwicklerinnen und Entwickler oder Lösungsanbietende. In der Praxis kommen je nach Nutzungshäufigkeit und generiertem Mehrwert Pay Per Use-, Subscription- und Flatrate-Modelle am häufigsten zum Einsatz. Außerdem können in einzelnen Fällen auch weitere indirekte Erlösströme durch Zusatzleistungen oder Produkte erzielt werden, wie zum Beispiel Tools für die Auswertung von Daten oder Sensorik für eine verbesserte Datensammlung.

Das wohl bekannteste datengetriebene Geschäftsmodellmuster ist Data-as-a-Service. In diesem Modell sammelt eine zentrale Organisation zumeist durch eine digitale Plattform (zum Beispiel soziale Netzwerke wie Facebook oder LinkedIn) Daten von Nutzerinnen und Nutzern. Die gesammelten Rohdaten werden anonymisiert und unverarbeitet oder nur leicht verarbeitet zu kommerziellen Zwecken über einen Marktplatz angeboten.

Interessentinnen und Interessenten für diese Art von Datensätzen sind Entwicklerinnen und Entwickler sowie kommerzielle Lösungsanbieter, die die Basisdaten nutzen, um Einblicke in das Verhalten von Nutzenden oder in die Nutzung von Produkten zu gewinnen. Ziel ist es, dadurch das eigene bestehende Angebot zu verbessern (zum Beispiel Produktverbesserungen, User Experience) oder zu analysieren, welche neuen Angebote potenziell am Markt erfolgreich sein können. Häufig werden diese Daten auch benötigt, um eigene, verfeinerte datengetriebene Geschäftsmodelle anzubieten.

Um Data-as-a-Service als Geschäftsmodellmuster anwenden zu können, benötigt ein Unternehmen in erster Linie die Ressourcen und Fähigkeiten, um einen großen Datenbestand zu sammeln. Hierfür ist zumeist eine Plattform notwendig, die von möglichst vielen Stakeholdern genutzt wird, um sowohl das Volumen als auch die Qualität der Daten zu erhöhen. Eine weitere Voraussetzung ist ein Marktplatz, über den die Daten verkauft werden können. Ein nicht zu unterschätzender Aufwand ist die Anonymisierung der Daten. Dieser Aspekt ist für einen Datenmarktplatz von grundlegender Wichtigkeit, nicht nur aus regulativen Gründen, sondern auch, um Vertrauen in die Plattform zu schaffen, wodurch der Zugang zu weiteren Daten erleichtert wird.

Erlöse können bei diesem Muster auf verschiedene Art generiert werden. Am häufigsten sind Pay-per-Data-Modelle zu beobachten, bei denen Käuferinnen und Käufer für einzelne Datensätze bezahlen. Weiterhin ist auch ein Subscription- oder Flatrate-Modell denkbar, bei dem die Kundin oder der Kunde periodisch für die Bereitstellung bestimmter Daten zahlen. Während die Kosten für die Entwicklung und Aufrechterhaltung der zugrunde liegenden Plattform relativ hoch sind, entstehen weniger zusätzliche Kosten für die Verarbeitung der Daten als in anderen datengetriebenen Geschäftsmodellmustern.

Data-as-a-Service ist ein besonders attraktives Geschäftsmodell für Unternehmen, die eine zentrale und dominante Rolle in einer Industrie innehaben und in der Lage sind, ein hohes Volumen an Daten zu sammeln. Je mehr Daten angeboten werden können und je höher das Vertrauen in die Daten ist, desto höher ist die Chance auf Erfolg dieses Geschäftsmodells. In der Praxis sind allerdings nur die wenigsten in der Lage, dieses Modell profitabel zu führen (zum Beispiel Amazon, Google). Neben wenigen erfolgreichen Firmen konnte man in der Vergangenheit viele gescheiterte Versuche erkennen, in denen einzelne Unternehmen oder Konsortien von Unternehmen innerhalb einer Branche versucht haben, ein solches Geschäftsmodell zu etablieren.

Dieses Geschäftsmodellmuster basiert nicht auf dem Verkauf von Rohdaten, sondern von darauf aufbauenden Analysen oder Reporten. Die zugrunde liegenden Informationen können auf einem selbst gesammelten Datenpool basieren und damit eine Ergänzung zum Data-as-a-Service-Modell (DaaS) bieten, oder auf „fremden“ Daten beruhen. Im Gegensatz zu dem DaaS-Modell sind die verkauften Produkte stärker auf das bestimmte Bedürfnis der Kundin oder des Kunden zugeschnitten, was einen Mehraufwand bei der Verarbeitung der Daten erfordert, aber zugleich zu einer höheren Zahlungsbereitschaft der Nutzenden führt.

Die möglichen Kundengruppen in diesem Modell sind vielfältig und können von Unternehmen bis hin zu Endkonsumentinnen und -konsumenten reichen, je nachdem welche Daten verarbeitet werden. Das Kundenbedürfnis, das mit diesem Modell angesprochen wird, ist dagegen zumeist dasselbe: Spezifische Analysen basierend auf Datenpools werden zum Treffen besserer (Geschäfts-)Entscheidungen genutzt.

Um ein IaaS-Modell umzusetzen, sind neben den Rohdaten primär Analyse- und Visualisierungsfähigkeiten unabdingbar. Da die Informationen stärker auf die Kundschaft zugeschnitten sind, ist zusätzlich noch ein bestimmtes Branchen-Know-how notwendig. Letztlich hängt der Erfolg eines IaaS-Modells auch von der Nähe des anbietenden Unternehmens zur Zielgruppe und der Überzeugungskraft der jeweiligen Analysen ab.

Das Erlösmodell eines IaaS-Geschäftsmodells lässt sich grundsätzlich ähnlich aufbauen wie das eines DaaS-Modells. So lassen sich entweder einzelne Analysen beziehungsweise Informationen verkaufen oder periodisch über Abos oder Flatrates Nutzenden zur Verfügung stellen. Kosten entstehen in diesem Modell vor allem beim Ankauf der Daten, deren Verarbeitung und der Erstellung von Analysen. Dafür können für die strukturierten Analysen aber auch höhere Preise gefordert werden.

IaaS-Modelle sind besonders attraktiv für Firmen, die bereits starke Analysefähigkeiten besitzen oder diese aus strategischen Gründen aufbauen möchten. Ein gewisses Industrie-Know-how ist dabei notwendig. Wichtigster Erfolgsfaktor ist aber die Aussagekraft der Datenanalyse.

Die Königsdisziplin bei datengetriebenen Geschäftsmodellen ist Answers-as-a-Service (AaaS). Das Leistungsangebot umfasst hier die konkrete Beantwortung von Fragen, die von Nutzenden gestellt werden. Diese Antworten helfen Nutzenden dabei, bessere Entscheidungen zu treffen. Auch ermöglicht dieses Geschäftsmodell weitere, auf den Antworten aufbauende Services und Erlösquellen wie Beratungsservices oder Unterstützung bei der Umsetzung. Mögliche Kundinnen und Kunden für AaaS sind Konsumentinnen und Konsumenten oder Unternehmen, die eine konkrete Anleitung bei (Unternehmens-)Entscheidungen suchen.

Um AaaS anbieten zu können, benötigt ein Unternehmen neben den notwendigen Daten in verarbeiteter oder nicht verarbeiteter Form ein tiefes Verständnis für die Fragestellung der Kundin oder des Kunden und damit verbunden ein sehr spezifisches Markt- beziehungsweise Branchen-Know-how. Zumeist kommen Unternehmen, welche dieses Geschäftsmodell nutzen, direkt aus dem Markt, für den sie Antworten anbieten. Die Datenverarbeitung und die dafür notwendigen Algorithmen bilden die Basis für ein skalierbares Funktionieren dieses Modells und stehen im Kern des Geschäftsmodells. Zentral für das Funktionieren ist auch das Vertrauen der Kundschaft, eigene Daten an das Unternehmen freiwillig abzugeben, welche als Basis für die Fragenbeantwortung genutzt werden und den dahinterstehenden Algorithmus verbessern können.

Das Erlösmodell deckt sich oft mit denen der vorhergehenden Modelle, kann also eine Bezahlung pro Antwort oder ein Abo-Modell für die häufige Nutzung beinhalten. Da konkrete Antworten auf spezifische Fragen noch komplexer als reine Analysen sind und in den Augen der Kundschaft zumeist als wertvoller betrachtet werden, können höhere Preise für dieses Modell durchgesetzt werden. Der Aufbau der Kompetenzen ist aber auch schwieriger, da mehr Wissen über die Industrie beziehungsweise das spezifische Umfeld der Kundschaft nötig ist und die damit verbundenen Kosten entsprechend höher sind. Dieses Modell profitiert von der Skalierung, bei dem der gleiche Algorithmus für die Beantwortung verschiedenster Fragen genutzt werden kann. Zusätzlich können noch weitere Erlösströme durch Beratungs- oder Umsetzungsunterstützung generiert werden.

Das AaaS-Modell ist besonders geeignet für Firmen mit engem Kundenkontakt, die über ein tiefes Wissen zu den Problemen und Bedürfnissen ihrer Kundschaft verfügen. Die große Herausforderung ist dabei herauszufinden, welche Fragestellungen für die Kunden besonders wichtig sind und wieviel diesen die generierte Antwort wert ist.

Ein Vorteil datengetriebener Geschäftsmodelle sind die schnellen Skalierungsmöglichkeiten (Economies of Scale). Ein Beispiel hierfür ist die Onlineplattform Airbnb. Das Unternehmen hat sich innerhalb von vier Jahren als größtes Unternehmen im Reiseunterkunftsbereich etabliert und hat inzwischen mehr Gäste als die drei größten Hotelketten der Welt zusammen. Das Herzstück von Airbnbs Angebot ist die Suchfunktion. Diese wurde durch das systematische Erfassen und Auswerten von Daten der Kundschaft so optimiert, dass bei jeder Suche auf die Kundin oder den Kunden individuell zugeschnittene Angebote angezeigt werden. Die Ergebnisanzeige wird von vielen Faktoren wie beispielsweise den demografischen Nutzerdaten oder dem Urlaubsziel beeinflusst. Die Verbesserung der Suchfunktion hat Airbnb durch die Erstellung eines Modells erreicht, das die bedingte Wahrscheinlichkeit einer Buchung an einem bestimmten Ort schätzt (Charkov et al. 2013). Eine Suche nach San Francisco würde zum Beispiel Unterkünfte in Vierteln aufzeigen, in denen Menschen, die ebenfalls nach San Francisco suchen, typischerweise buchen (Charkov et al. 2013).

Gleichzeitig besitzt das Unternehmen keine Sachanlagen und kann somit sehr kostengünstig und schnell wachsen. In der Praxis ist die Realisierung dieses Vorteils nicht so einfach, denn der Kundenmehrwert der Daten und die Anzahl der Nutzenden sind entscheidend für den Erfolg.

Daneben bieten datengetriebene Geschäftsmodelle die Möglichkeit, das bestehende Geschäft durch zusätzliche Leistungen (Add-Ons) zu ergänzen. Google Maps hat dies genutzt, indem das Unternehmen nicht nur dem Endnutzenden seine Navigationsdienstleistungen anbietet, sondern den Großteil seines Umsatzes mit dem Verkauf der Daten an Drittanbieter generiert. So können zum Beispiel Unternehmen Werbung auf der Karte schalten. Wenn Nutzende den Kartenbereich auf Google Maps vergrößern und Gebiete durchsuchen, finden sie in den Suchergebnissen passende Anzeigen von Restaurants, Einzelhandel oder anderen Dienstleistenden. Für diese Anzeigen zahlen die Anbietenden eine Gebühr an Google.

Zudem haben datengetriebene Geschäftsmodelle häufig einen Vorteil durch ihre Erlösmodelle. Oft kommen in der Praxis die Erlösmodelle Subscription und Flatrate zum Einsatz. Hier zahlt die Kundin oder der Kunde für den Service einen Pauschalpreis in einem festgelegten Zeitintervall. Dies macht beispielsweise der Musikstreamingdienst Spotify. Nutzende können keine einzelnen Songs oder Alben kaufen. Stattdessen erhalten sie gegen eine monatliche Gebühr Zugang zu tausenden von Songs auf der Plattform und erhalten Musikempfehlungen auf Grundlage ihres Streamingverhaltens. Diese Erlösmodelle bieten den Vorteil wiederkehrender und besser vorhersehbarer Einnahmen.

Des Weiteren können datengetriebene Geschäftsmodelle Verbundeffekte (Economies of Scope) ermöglichen. Diesen Vorteil hat auch das im vorherigen Abschnitt erwähnte Unternehmen Runtastic genutzt. Neben dem maßgeschneiderten Trainingsprogramm in der App, hat das Unternehmen ein darauf basierendes Ökosystem von Begleitangeboten entwickelt. Dieses umfasst unterschiedliche Hardwareprodukte, wie das Fitnessarmband Runtastic Orbit oder Sportbekleidung. Diese Verbundeffekte sind möglich, da durch die Kundendaten Trends frühzeitig erkannt und Potenziale für neue Innovationen genutzt werden können (Bergs et al. 2020).

Dies führt auch zu einem weiteren Vorteil datengetriebener Geschäftsmodelle, der insgesamt kürzeren Feedbackschleife. Da Unternehmen wie Facebook oder Airbnb kontinuierlich Nutzungsdaten sammeln und auswerten, können sie Veränderungen im Nutzungsverhalten und in den -reaktionen erkennen. Facebook hat sich das zunutze gemacht und zum Beispiel neue Funktionen zunächst als Minimum Viable Products (MVPs), eine erste funktionstüchtige Iteration eines Produkts mit minimalem Initialinput (Ries 2014), auf der Plattform getestet. Anhand der Kundenreaktionen wurde dann entschieden, ob und wie eine Weiterentwicklung erfolgen soll.

Eine Herausforderung datenbasierter Geschäftsmodelle ist die Sicherstellung einer hohen Datenqualität. Denn einheitliche Formate, Einheiten und Standards sind als Grundlage datenbasierter Geschäftsmodelle essenziel (Bulger et al. 2014). Ein Beispiel für ein Unternehmen mit Problemen bei der Datenqualität von Geschäftsprozessen ist Johnson & Johnson (Otto 2014). Das Unternehmen hatte für logistische Daten zu Artikeln (zum Beispiel Gewicht oder Abmessungen des Artikels) einen Fehlertoleranzbereich von 5 % (Otto 2014). Im Jahr 2007 stellte sich jedoch heraus, dass 70 % der logistischen Daten nicht korrekt waren und somit der Fehlertoleranzbereich von 5 % weit überschritten wurde (Otto 2014). Infolgedessen wurde die Datenverwaltung verbessert, regelmäßige Qualitätsmessungen eingeführt und neue Arbeitsabläufe definiert (Otto 2014). Durch dieses neue Datenmanagementsystem konnte die Fehlertoleranz auf null gesenkt werden (Otto 2014).

Ein weiterer wichtiger Aspekt ist eine kritische Bewertung der vorhandenen Daten und der Datenanalyse, d. h. den Kontext zu kennen, sich der Grenzen der Analyse bewusst zu sein und der Aussagefähigkeit der Daten nicht blind zu vertrauen (Bulger et al. 2014). Eine Überschreitung dieser Grenze lässt sich beispielhaft an fehlerhaften Analysen des Unternehmens für persönliche Genomik und Biotechnologie, 23andme, beobachten. Über Speichelproben werden genetische Informationen ausgewertet und identifizierte Krankheiten an den Kunden übermittelt. Nach zahlreichen Falschauswertungen der genetischen Daten wurde gegen das Unternehmen 2013 ein Gerichtsprozess angestrengt, in dem rund 5 Millionen US-Dollar Schadensersatz gefordert wurden, wobei viele tausend weitere US-Kundinnen und Kunden Ansprüche gegen das Unternehmen geltend machten (Murphy 2019).

Daneben stellt das Finden von passenden Mitarbeitenden zur Entwicklung von datenbasierten Geschäftsmodellen eine Herausforderung dar. Insbesondere Fähigkeiten im Bereich Statistik, Programmierung aber auch Business Skills werden vermehrt gesucht (Bulger et al. 2014). Aus diesem Grund locken zum Beispiel Unternehmen wie Google Talente im Bereich Software Engineering mit sehr hohen Einstiegsgehältern und attraktiven Arbeitszeitmodellen sowie weiteren Benefits.

Zudem existiert eine spezifische Herausforderung für datenbasierte Geschäftsmodelle, das sogenannte „Cold Start Problem“. Mit dieser Herausforderung kämpfen Unternehmen, die das disruptive Potenzial durch das Sammeln, Analysieren und Weitergeben bestimmter Daten erkannt haben und nun das angestrebte Wertversprechen mit einer zunächst begrenzten Datenmenge realisieren müssen. Je weniger Daten zur Verfügung stehen, desto geringer ist der erzielte Mehrwert. Auf der anderen Seite muss das Unternehmen aber einen größeren Mehrwert schaffen, damit mehr Daten über Bestandskunden oder neue Kunden in das System fließen. Um dieses Problem zu lösen, ist es häufig notwendig, Zwischenlösungen zu finden, die für Kundinnen und Kunden attraktiv genug sind, um weiter Daten an das Unternehmen abzugeben.

In der zweiten Phase wird mittels Interviews mit potenziellen Kundinnen und Kunden validiert, ob und in welcher Form das mit dem Geschäftsmodell anvisierte Problem oder Bedürfnis tatsächlich existiert und ob das Geschäftsmodell dieses wirklich löst oder befriedigt (WER-Dimension). Hierfür müssen die Kundensegmente und deren Probleme klar definiert sein. Der Fokus liegt darauf, zunächst das zugrunde liegende Problem klar herauszuarbeiten: Existiert dieses wie angenommen? Gibt es weitere Aspekte, die problematisch sind und bisher unklar waren? Welche Workarounds nutzt die Kundschaft?

Im Interview muss unbedingt vermieden werden, zu früh auf die erarbeitete Lösung einzugehen. Die Abfrage, ob die angedachte Lösung das Problem behebt, sollte erst am Ende der Interviews erfolgen, wenn das grundlegende Verständnis der Gesamtsituation bei der Kundin oder dem Kunden besteht.

Abhängig davon, ob für das Geschäftsmodell die Daten der Kundschaft selbst benötigt werden, sollte die Bereitschaft zur Teilung dieser Daten bereits hier abgeschätzt werden. Dabei kann im Falle von starker Zurückhaltung direkt erörtert werden, woher diese kommt, um mögliche Alternativen frühzeitig zu evaluieren.

Hier wird überprüft, ob die Zielgruppe (WER-Dimension) Interesse am konkreten Geschäftsmodell in seiner Gesamtheit hat, inklusive der Mischung aus Service, Produkt und dessen Ausprägungen (WAS-Dimension). Dabei sollten vor allem die „Must-haves“ (WAS-Dimension) sowie im Falle einer technisch neuartigen Lösung die theoretische Machbarkeit dieser herausgearbeitet werden (Vorgriff auf die WIE-Dimension). Das Ziel ist es, ein Produkt beziehungsweise Angebot so zu gestalten, dass es auf eine klare Nachfrage bei den adressierten Zielgruppen trifft. Dies ist wichtig, da ein validierter Problem-Solution Fit nicht zwangsläufig in einem Produkt mündet, das am Markt akzeptiert wird. Beispielsweise kann aufgrund von fehlender organisatorischer Aufstellung bei den Zielkundinnen und -kunden das Angebot zwar als wünschenswert empfunden, jedoch nicht angenommen werden, falls die Zuständigkeiten nicht klar geregelt sind. Dies ist beispielsweise der Fall, wenn der Nutzen in einer bestimmten Abteilung anfällt, diese jedoch über kein ausreichendes Budget verfügt oder das Angebot zu effektiveren Prozessen bei den Kundinnen und Kunden führt, die Nutzenden jedoch dadurch Stellenabbau befürchten und den Kauf verhindern. Auch kann das Angebot zwar zu besseren Daten in einer Abteilung führen, wenn dies jedoch zu keinem produktiven Nutzen beim Budgetverantwortlichen führt, wird dafür kein Budget zur Verfügung gestellt werden.

Je nach Ausrichtung des Unternehmens ist es in dieser Phase entscheidend, die richtigen Partner auszuwählen, um das Wertversprechen nicht nur umzusetzen, sondern ebenfalls richtig validieren zu können. Je nach Modell (vor allem IaaS und AaaS) sowie Ausrichtung des Unternehmens sind häufig nicht die richtigen technischen und industriellen Expertisen gleichzeitig vorhanden. Damit ist es von entscheidender Bedeutung, passende Partnerschaften zu schließen, welche die eigenen Fähigkeiten entsprechend ergänzen. Dabei kann es sich zum Beispiel um Implementierungspartnerinnen und -partner handeln, die von der MVP-Erstellung über das Design bis hin zur Umsetzung die Entwicklung der technologischen Lösung übernehmen. Entscheidend ist, dass die Schnittstellen zwischen dem Unternehmen und dem Dienstleister klar aufgesetzt sind, sodass dieser trotz der fehlenden Branchenexpertise die Entwicklung angemessen steuern kann. Fähigkeiten im Bereich des Produktmanagements oder als Product Owner nach SCRUM kann der Dienstleister dem Unternehmen häufig selbst beibringen. Da sich das Unternehmen bei diesem Vorgang neue Fähigkeiten im Bereich des Produktmanagements aneignet, sollte der Partner eher als strategischer Partner betrachtet werden, der im besten Fall die Weiterentwicklung des Unternehmens begleiten kann. Dies kann je nach strategischer Positionierung des eigenen Unternehmens über die Ausbildung der entsprechenden Schnittstellenfähigkeiten bis hin zum Aufbau eigener Digitalabteilungen reichen. Bei komplexen Datenstrukturen oder Zusammenhängen ist ein weiterer wichtiger Baustein die Aufbereitung und Interpretation der Daten. Diese Fähigkeiten sollten intern oder beim Partner vorhanden sein oder entsprechend zusätzlich hinzugezogen werden. Fähigkeiten im Bereich Data Science sowie weiterführend Machine Learning oder Deep Learning sind vor allem für Information-as-a-Service- oder Answers-as-a-Service-Modelle von großer Bedeutung.

Die Besonderheit bei der Entwicklung datengetriebener Geschäftsmodelle liegt in dieser Phase jedoch darin, dass es bereits hier notwendig sein kann, mit dem Partner gemeinsam einen PoC zu entwickeln, um zu beweisen, dass die gewünschten Ergebnisse und „Must-haves“ prinzipiell geliefert werden können. Typischerweise geschieht dies erst später in der fünften Phase (Value Delivery). Allerdings liegt bei neuartigen, datengetriebenen Geschäftsmodellen häufig eine grundsätzliche Unsicherheit bezüglich der tatsächlichen technischen Machbarkeit der Lösung vor.

Durch die häufig fehlende Expertise sollte an dieser Stelle ein Partner hinzugezogen werden, der dabei helfen kann einzuschätzen, ob das angedachte Wertversprechen (die Lösung des Kundenproblems oder Befriedigung des Bedürfnisses) überhaupt technisch machbar ist – und anschließend hierfür einen PoC entwickeln kann. Zudem sollte überprüft werden, ob die Datennutzung datenschutzkonform erfolgen kann. Es muss allen Beteiligten zudem klar sein, dass sich im Laufe der Geschäftsmodellentwicklung die Ausgestaltung noch stark verändern kann, gegebenenfalls in eine Richtung, die die Lösung für einen Partner obsolet macht und nicht mehr benötigt wird.

Ein weiteres Risiko besteht in dieser Phase, wenn ein Partner aus dem Bereich UI/UX auch Interviews und Validierungen übernimmt. Dabei kann es dazu kommen, dass einzig das Produkt und dessen UX überprüft wird – und nicht die generelle Zustimmung zum Produkt, den Features und damit dem Geschäftsmodell. Dabei ist unbedingt sicherzustellen, dass die Validierung der Annahmen zur Attraktivität des Angebots in dieser Phase an erster Stelle steht.

Erst wenn die Lösung ausgereift genug ist und klar kommuniziert werden kann, was genau angeboten wird, kann eine erste belastbare Einschätzung der Zahlungsbereitschaft erfolgen. Ansonsten laufen Unternehmen Gefahr, unspezifische Zustimmung aus den vorherigen Phasen überzubewerten und zu schnell zu viel zu riskieren. Gerade bei datengetriebenen Geschäftsmodellen werden sehr leicht zu hohe Erwartungen bei Kundinnen und Kunden geweckt: die Daten könnten zu extrem hohen Effizienzgewinnen führen oder sehr schnell zur Ermittlung weiterer, attraktiver Services führen.

Am Ende dieser Phase muss ein Business Case erarbeitet oder detailliert werden. Dieser sollte explizit darstellen, welche Annahmen den Berechnungen zugrunde liegen und wie deutlich diese bereits validiert sind. Dabei ist neben einer realistischen Markteinschätzung darauf zu achten, ein klares Preismodell zu erarbeiten, das einen gewissen Spielraum in den ersten Gesprächen zulässt, der Kundschaft leicht erklärt werden kann und somit schnelle Rückmeldungen ermöglicht.

In dieser Phase wird konkret erarbeitet, wie die Produktions- und Logistikprozesse, die Zusammenarbeit mit Partnerinnen und Partnern sowie die exakte Kostenstruktur aussehen werden.

Zu diesem Zeitpunkt sollten die notwendigen technischen Fähigkeiten intern aufgebaut werden, das Geschäftsmodell strategisch zur Ausrichtung des Unternehmens passen und die Rückmeldungen vom Markt eindeutig zeigen, dass ein Interesse an der Lösung besteht. Hierbei sollte eine ausreichende Übergangsphase für die Einarbeitung in die bestehenden Systeme und Prozesse durch Partnerinnen und Partner einkalkuliert werden.

Eine Herausforderung im aktuellen Umfeld ist es, qualifizierte Mitarbeitende mit technischen Kenntnissen wie Data Analytics, Cloud-Ingenieurswesen und Software-Systemarchitekturen, die im Unternehmen nicht vorhanden sind, zu finden und deren Kompetenzen realistisch zu bewerten. Dies ist einer der Gründe, weswegen die Wahl passender und vertrauenswürdiger Partnerinnen und Partner, die nicht nur bei der Umsetzung, sondern ebenfalls beim Finden und Einarbeiten von neuen Mitarbeitenden unterstützen können, von entscheidender Bedeutung ist.

Gerade wenn das Unternehmen aus der gleichen Branche stammt, für die das datenbasierte Geschäftsmodell entwickelt wird, ist das Know-how bezüglich der möglichen Datenquellen und Schnittstellen entscheidend für die Erarbeitung einer funktionsfähigen Lösung. Die Anbindung einer Vielzahl unterschiedlichster Schnittstellen ist in der Praxis häufig der zeitaufwändigste Aspekt – dadurch allerdings auch die beste Strategie gegen Nachahmer. Es ist davon auszugehen, dass trotz guter Schätzungen hierfür meist mehr Zeit benötigt wird als gedacht; daher bedarf es eines ausreichenden zeitlichen Vorlaufs mit dem Partnerunternehmen für die Integration der Schnittstellen.

An dieser Stelle ist darauf zu achten, woher die Daten kommen, wie diese verarbeitet werden sollen und, je nach Art des datenbasierten Geschäftsmodells, dass mindestens das Lösungskonzept bereits datenkonform ausgearbeitet ist.

Im letzten Schritt vor dem (Pilot-)Markteintritt wird festgelegt, wie ein Erfolg des Geschäftsmodells überhaupt aussehen und gemessen werden kann.

Hierbei muss insbesondere darauf geachtet werden, sinnvolle Key Performance Indicators (KPIs) festzulegen, die die Ziele des neuen Geschäftsmodells messen können. Im Gegensatz zum bestehenden Geschäft sind diese typischerweise eher auf Lernerfolge und Wachstum ausgerichtet als auf Profit und Effizienz. Zudem muss bei datenbasierten Geschäftsmodellen insbesondere die weitere Gewinnung von Daten und deren Nutzung einen besonderen Stellenwert erhalten. Entscheidend ist dabei eine enge Rückkopplung mit den Nutzenden, um zu validieren, dass die gelieferten Mehrwerte mit den Wertversprechen übereinstimmen und dies gleichzeitig für die Verbesserung der Ergebnisse zu nutzen.