Data-based Customer-Retention-as-a-Service: Induktive Entwicklung eines datenbasierten Geschäftsmodells auf Basis einer Fallstudie der Automobilbranche

Big Data und Machine Learning werden von Unternehmen inzwischen in verschiedenen Bereichen gewinnbringend eingesetzt und sind Bestandteil digitaler Geschäftsmodelle (Wiener et al. 2020). Ein wichtiger Bereich ist dabei die Personalisierung von Serviceangeboten sowie die Stärkung der Kundenzufriedenheit und -bindung (Wellers et al. 2017). Für große Tech-Konzerne wie Amazon oder Netflix bilden Big Data und KI-Systeme seit Jahren einen zentralen Faktor ihres wirtschaftlichen Erfolges, indem sie durch die Prognose der „Next Best Action“ und das Aussprechen von Empfehlungen ein individualisiertes Kundenerlebnis für Millionen Nutzer schaffen (Gomez-Uribe und Hunt 2015). Gerade in klassischen Branchen mit weniger digitalen Geschäftsmodellen sind solche Ansätze bisher noch unterrepräsentiert. Neben fehlenden Daten und zu geringer Priorisierung durch das Management (Wiener et al. 2020), mangelt es hier oftmals am notwendigen Know-How komplexe KI-Services zu entwickeln und in Unternehmensprozesse zu integrieren (Coleman et al. 2016). Dennoch birgt gerade in solch gering digitalisierten Branchen der Einsatz von KI die Chance einer Wettbewerbsdifferenzierung und das Potenzial, den Kunden durch ein einzigartiges Serviceangebot zu binden. Das Konzept Software-as-a-Service (SaaS) stellt hier einen vielversprechenden Ansatzpunkt dar, um Unternehmen ohne umfassendes KI- und Big-Data-Know-How zu befähigen, das Potenzial dieser Technologien für sich nutzbar zu machen. Die Akzeptanz von SaaS-Geschäftsmodellen ist in den letzten Jahren gestiegen und es ist mit einer zunehmenden Etablierung bis zum Jahr 2025 zu rechnen (Könsgen und Schaarschmidt 2016). Vor diesem Hintergrund entwickeln wir in diesem Beitrag ein plattformbasiertes SaaS-Geschäftsmodell für datenbasierte Kundenbindungsszenarien. Zunächst wird dafür in Kap. 2 die exemplarische Entwicklung eines KI-Services an einem konkreten Use Case demonstriert. Hier beschreiben wir die Umsetzung eines KI-basierten Anwendungsfalles für eine zeitlich gezielte Kundenansprache in einer mittelständischen Autowerkstatt unter Verwendung des Cross-Industry-Standard-Process for Data Mining (CRISP-DM). Darauf aufbauend wird in Kap. 3 ein generisches Geschäftsmodell für eine Kundenbindung-as-a-Service-Plattform anhand eines Business Model Canvas beschrieben. Es folgt eine kritische Diskussion des Geschäftsmodells unter Berücksichtigung einer SWOT-Analyse.

Diese prototypische Implementierung eines KI-Services zur Steigerung der Kundenbindung dient dabei nicht nur als Lösungsvorschlag des vorliegenden Anwendungsfalls, sondern auch als Basis für die induktive Ableitung eines übergeordneten Open-Innovation-Ansatzes. Hierdurch können gerade kleinere Unternehmen zu Innovationen befähigt werden, welche aus Kosten und Risikoaspekten ansonsten nicht hätten abgebildet werden können (Gassmann und Enkel 2006). Vor allem in den Bereichen der datenbasierten Wertschöpfung fehlt es kleinen und mittleren Unternehmen häufig an Know-How und den notwendigen Ressourcen, die Potenziale datenbasierter Wertschöpfung eigenständig in ihr Geschäftsmodell zu integrieren (Rimbeck et al. 2020). Der Fokus liegt hierbei nicht nur auf der Zusammenarbeit konkurrierender und komplementärer Unternehmen, sondern viel mehr auf einer Integration aller relevanten Akteure wie Lieferanten, Forschungsinstitute und Kunden (Gassmann und Enkel 2006). Die Entwicklung und das Angebot von datenbasierten Services für Dritte entspricht dem Geschäftsmodell eines Datenbefähigers (Wiener et al. 2020). Ein Datenbefähiger ermöglicht es Datenkonsumenten – z. B. Autowerkstätten – die Vorteile datenbasierter Services zu nutzen, ohne dass diese selbst größeres Know-How und Ressourcen in diesem Bereich aufbauen müssten. In den vorangegangenen Kapiteln konnten wir zeigen, dass die Nutzung eines datenbasierten Kundenbindungsservice auch für kleine Kfz-Werkstätten großes Vertriebspotenzial birgt. An dieser Stelle setzt das durch uns entwickelte Geschäftsmodell an, welches KI- und Software-Know-How zu Kundenbindungszwecken gebündelt als SaaS-Lösung auf einer Plattform zur Verfügung stellt. Hier werden allgemeine Lösungen für optimierte Maßnahmen zur Kundenbindung entwickelt, die innerhalb einer Branche übertragbar sind. Gleichzeitig können auch individuell an spezifische Kundenunternehmen angepasste Lösungen entwickelt werden. Neben der Bereitstellung technischer Services wird auch das Potenzial der Plattform als Datenökosystem diskutiert. Datenökosysteme fördern das Zusammenspiel verschiedener Akteure, wie z. B. Organisationen und Einzelpersonen, die Daten in Netzwerken bereitstellen, transformieren, als Ressourcen nutzen und Dienstleistungen in diesem Umfeld anbieten (Oliveira und Lóscio 2018). Somit verbinden Datenökosysteme die Geschäftsmodelle von Datennutzern, Datenlieferanten und Datenbefähigern (Wiener et al. 2020) miteinander. Im Rahmen der Fokusgruppe wurden daher nicht nur Rahmenbedingungen und Anforderungen des oben beschriebenen Anwendungsfalls definiert, sondern auch die Strukturierung und Konkretisierung eines skalierbaren, plattformbasierten Geschäftsmodells anhand des Business Model Canvas Frameworks (Osterwalder und Pigneur 2010) vorgenommen (siehe Abb. 3).

Bei den Werteangeboten des Geschäftsmodells ist zwischen direktem Kundennutzen (B2B) und dem indirekten Nutzen für die Endkunden (B2B2C) zu differenzieren. Der direkte Geschäftskunde kann als Datenkonsument mithilfe der über die Plattform angebotenen Dienstleistungen eine höhere Endkundenbindung erreichen. So können mithilfe von KI-Services z. B. gezieltere Zeitpunkte für eine Kundenansprache oder Produkte für ein Cross Selling vorgeschlagen werden. Ziel der Datenkonsumenten ist es eine höhere Endkundenbindung aufzubauen, die Loyalität der Endkunden zu steigern und die Kundenabwanderung zu vermeiden. Auch Endkunden profitieren bei diesem Wertschöpfungsmodell vom Werteangebot durch eine Steigerung des Komforts: sie erhalten individualisierte Betreuung, attraktivere Angebote sowie Dienstleistungsvorschläge. Darüber hinaus bietet die Plattform Datenlieferanten die Möglichkeit, ihre Daten und zugehörige Services gebündelt einer breiten Menge an Kunden anzubieten. Andere Serviceanbieter (Datenbefähiger) erhalten durch die Plattform eine Möglichkeit ihre Services Datennutzern zu offerieren. Um dieses Werteangebot herzustellen, werden wesentliche Partner und Ressourcen benötigt. Daneben sind Schlüsselaktivitäten durchzuführen. Als Schlüsselpartner wurden verschiedene Branchennetzwerke, Cloud-Plattform-Betreiber und Datenlieferanten sowie -nutzer aber auch weitere Datenbefähiger bzw. Serviceanbieter identifiziert. Über einen stetigen Austausch mit Branchennetzwerken und Spezialisten aus den Kernbranchen können individuelle Bedürfnisse abgefragt sowie branchenspezifisches Know-How aufgebaut werden. Cloud-Plattform-Betreiber sind ein weiterer Schlüsselpartner, da durch Cloud-Plattformen eine Möglichkeit zur Verfügung steht, die eigenen digitalen Services oder auch die gesamte KI-Service-Plattform zu hosten und die verschiedenen Datenquellen bereitzustellen. Da das Geschäftsmodell einen Open-Innovation-Ansatz verfolgt, lassen sich ex ante nicht sämtliche potenziell relevanten Partner abschließend identifizieren. Im Laufe der Zeit werden sich die Plattform und deren Nutzergruppen weiterentwickeln. Damit sich die Plattform zu einem attraktiven Datenökosystem entwickeln kann, sollten alle Interessierten möglichst einfach Zugang erhalten können. Nur wenn über das Ökosystem der Plattform genügend Daten zur Verfügung stehen, können die entsprechenden KI-Services entwickelt werden. Deswegen stellen Daten die wichtigste Schlüsselressource der Plattform dar. Es sind verschiedene Szenarien der Datenakquise denkbar. Einerseits könnte für konkrete Services ein „bring your own data“ Ansatz verfolgt werden, bei dem für einen Konsumenten einen Service gezielt auf Basis seiner eigenen Daten entwickelt wird. Andererseits birgt die Plattform aber gerade das Potenzial Daten verschiedener Datenlieferanten zu bündeln, um auf dieser Basis bessere Modelle zu entwickeln und so weitere Anreize für die Plattformnutzung zu schaffen. Um Datenlieferanten dazu zu bringen, Daten auf der Plattform bereitzustellen, könnten sie z. B. monetär an den Erlösen der Services, die ihre Daten nutzen, beteiligt werden. Weitere Schlüsselressourcen sind KI-, Software- und Branchen-Know-How sowie Fähigkeiten im Bereich des Plattformmanagements. Damit die Plattform initial Nutzer in Form von Datenlieferanten und Datennutzern gewinnen kann, muss sie über ein Basisangebot an Services verfügen. Nach der Etablierung der Plattform und der Ansiedlung von weiteren Service-Anbietern (Datenbefähigern) rückt die Notwendigkeit der Entwicklung eigener KI-Services in den Hintergrund und das Plattformmanagement gewinnt an Bedeutung. Die Schlüsselaktivitäten zielen darauf ab, a) die KI-Services zu entwickeln und bereitzustellen, b) den Aufbau von Branchen-Know-How voranzutreiben, um die Perspektive des Kundennutzens nicht zu vernachlässigen und in den Vordergrund zu rücken und c) den Aufbau der Plattform in Richtung eines Datenökosystems voranzutreiben. Damit verbunden ist die Kostenstruktur des Geschäftsmodells, wobei die wesentlichen Kosten für qualifiziertes Personal für die Service Entwicklung und das Plattformmanagement anfallen. Weiterhin entstehen nutzungsabhängige Kosten für die Cloud-Nutzung und für die Akquisition von Plattformnutzern und Daten. Dagegen stehen die Einnahmen, welche sowohl über Pay-per-Use-Modelle als auch Abonnements für eigene Services und die Plattformnutzung erzielt werden können. Zudem erfolgt eine Beteiligung der Plattformbetreiber an den Erlösen, die durch Services Dritter erbracht und über die Plattform angeboten werden. Mit fortschreitendem Wachstum der Plattform gewinnt vor allem die Beteiligung an Transaktionen Dritter an monetärer Bedeutung. Potenzielle Kunden stellen in diesem Geschäftsmodell alle Unternehmen dar, die ein wiederkehrendes Angebot von Produkten oder Services anbieten und zu deren Unterstützung Datenservices über die Plattform erwerben. Vor allem Unternehmen, bei denen traditionelle Wertschöpfung im Fokus steht, sind Zielgruppe des Geschäftsmodells, da sie nicht über das Know-How verfügen, diese selbst zu entwickeln. Daneben sind aber auch die Schlüsselpartner der Kategorien Datenlieferanten und Datenbefähiger als Kunden des Geschäftsmodells zu verstehen. Die Kunden sollen über verschiedene Kanäle erreicht werden: über die Plattform selbst, aber auch über Branchennetzwerke und Messen. Um eine langfristige und gute Basis für die Kundenbeziehung aufzubauen, steht der persönliche Kontakt zu den Kunden vorerst im Vordergrund. Die Kunden werden bei der Technologie- und Serviceauswahl unterstützt und es werden Evaluierungstools zur Verfügung gestellt, damit der Nutzen der Plattform messbar wird. Über ein Keyaccount Management soll der Aufbau der Plattform zum Datenökosystem gezielt vorangetrieben werden. Auch sollte die Plattform selbst Raum für Austausch und Kommunikation zwischen Akteuren des Ökosystems bieten, damit sich eine Plattformcommunity entwickelt.

Um das Geschäftsmodell im Detail zu analysieren, wurde eine SWOT-Analyse durchgeführt. Die Stärken des Geschäftsmodells bestehen im hohen Skalierbarkeitspotenzial in Verbindung mit den geringen Investitions- und Betriebskosten. Ermöglicht wird dies durch die Nutzung von Cloudinfrastruktur und der Umsetzung von generalisierbaren Anwendungsfällen. Eine weitere Stärke des Geschäftsmodells ergibt sich aus der hohen thematischen Relevanz von Kundenbindung für Unternehmen. Besonders deutlich wird dies vor dem in der Fallstudie beschriebenen Hintergrund, dass Unternehmen ihre herkömmlichen Geschäftsmodelle überdenken müssen, um sich vom Wettbewerb zu differenzieren. Mithilfe von Kundenbindung-as-a-Service können Unternehmen einer Art Differenzierung gerecht werden und sich gleichzeitig auf ihre Kernkompetenzen konzentrieren. Eine potenzielle Schwäche des Geschäftsmodells ist das Fehlen von eigenem Datenbesitz und damit ein erschwerter Zugang zu Daten als Ressource. Das Datenökosystem der Plattform verfügt im Startzeitpunkt nicht über hinreichende Datenmengen, um eine breite Masse an Services umzusetzen. Hinzu kommt fehlendes Branchen-Know-How der Plattformbetreiber, was die Identifikation relevanter Anwendungsfälle erschwert. So sind die Wettbewerbsnachteile unabhängiger Werkstätten im Vergleich zu Vertragswerkstätten, die zentrale Faktoren im beschriebenen Anwendungsfall darstellen, Software- und KI-Entwicklern nicht zwingend bekannt. Chancen für das Geschäftsmodell ergeben sich vor allem aus der potenziellen Weiterentwicklung der Plattform in ein vollwertiges Datenökosystem. Aufgrund der zunehmenden Bedeutung von Daten als Rohstoff zeichnet sich die Tendenz für die Etablierung von Datenmarkplätzen bereits heute ab (Lange et al. 2018). Auf diese Weise wird der Zugang zu verschiedensten Datenquellen ermöglicht. Im Optimalfall tritt so ein selbstverstärkender Effekt ein: Je mehr Daten durch Datenlieferanten bereitgestellt werden, um so besser sind die durch Datenbefähiger entwickelten KI-Services, die von um so mehr Datenkonsumenten genutzt werden, was wiederum zu größeren Umsatzpotenzialen der Plattform-Services führt und damit die Attraktivität der Datenbereitstellung für Datenlieferanten erhöht. In Zusammenhang mit dem Zugang zu mehreren Datenquellen steht auch die Skalierbarkeit des Geschäftsmodelles auf den gesamten Prozess der Customer Journey. Im aktuellen Konzept ist die Kundenbindungsplattform der Phase Retention zuzuordnen. Eine Ausweitung des Konzeptes auf die Phasen Awareness, Consideration, Purchase sowie Advocacy ist denkbar. Der weitgehend offene Plattformansatz fördert das Aufkommen von Innovationen und damit die Weiterentwicklung des Geschäftsmodells. Ein Risiko besteht darin, dass nicht genügend generalisierbare Anwendungsfälle analog zur Prognose der täglichen Fahrleistung identifiziert werden. Dann besteht die Gefahr, dass keine skalierbare Plattform entsteht. Ein weiteres Risiko stellt eine möglicherweise fehlende Akzeptanz der angebotenen Dienstleistung bei Unternehmen dar. Zielgruppe sind Unternehmen, die zwar nicht per se einen hohen digitalen Reifegrad aufweisen, aber den Bedarf für KI-basierte Dienstleistungen erkennen. Dennoch stellt eine zu geringe Digitalisierung bei Kundenunternehmen ein weiteres Risiko des Geschäftsmodells dar, da die Verwendung der hier konzipierten Kundenbindungs-Plattform einen gewissen Digitalisierungsgrad voraussetzt. Weiterhin besteht das Risiko, dass potenzielle Datenlieferanten, die zur Entwicklung von KI-Services benötigten Daten trotz monetärer Anreize nicht teilen wollen. Allgemein besteht das Risiko, dass die Plattform nicht die kritische Masse an Teilnehmern erreicht, die notwendig ist, um sich als Datenökosystem zu etablieren.

Auf Basis der identifizierten Ergebnisse lassen sich verschiedene Strategien ableiten. (1) Ausbauen: Als SO-Strategie (Stärken-Chancen-Kombinationen) kann die Erweiterung des Dienstleistungsportfolios auf den gesamten Prozess der Customer Journey dienen. Unter der Voraussetzung von geringen Investitions- und Betriebskosten stellt diese Ausdehnung des Geschäftsmodells eine risikoarme, aber erfolgversprechende Option dar. Zudem sollte der Fokus auf dem breiten Ausbau der Plattform als Datenökosystem und der Gewinnung von Plattformnutzern gelegt werden, um möglichst schnell eine kritische Masse zu erreichen. (2) Absichern: Im Sinne einer SR-Strategie (Stärken-Risiken-Kombination) ist aber auch eine Spezialisierung möglich. Die Gefahr fehlender generalisierbarer Anwendungsfälle wird durch die geringen Kosten abgefangen. In dieser Strategie gilt es, den globalen Anspruch des Geschäftsmodells einzuschränken und den Fokus auf wenig digitalisierte Branchen zu legen. Eine weitere Spezialisierung kann durch das Anbieten von individualisierten KI-Services erfolgen, wie es beispielsweise im Anwendungsfall der gezielten Kundenansprache der Kfz-Werkstatt der Fall ist. Im Falle einer Fokussierung sollte auf eine hohe Qualität der angebotenen Services in Kombination mit einem Key Account Management für die gezielte Gewinnung von Plattformnutzern gesetzt werden. (3) Aufholen: Bei der WO-Strategie (Schwäche-Chancen-Kombination) wird die Schwäche, dass ein Betreiber einer Kunden-Plattform zunächst nicht im Besitz von großen Daten ist, mit der Chance der weiteren Etablierung als Datenökosystem kombiniert. In dieser Strategie besteht das Ziel in dem Ausbau einer engen und strategischen Kooperation mit bereits bestehenden, externen Plattformen für Datenlieferanten. Dadurch kann der Abwesenheit von Daten entgegengewirkt und der Zugang zu Daten aus diversen Branchen ermöglicht werden. (4) Vermeiden: Als WT-Strategie (Schwächen-Gefahren-Kombination) wird empfohlen, zunächst mit digitalen Pionieren, die über Know-How und Daten verfügen aus den verschiedenen Branchen zu kooperieren. Dadurch entstehen erste Leuchtturmprojekte, die Strahlkraft auf andere Unternehmen ausüben. Durch diese Strategie wird dem Risiko der teilweise zu wenig digitalisierten Unternehmen sowie der Schwäche der unzureichenden Datenverfügbarkeit entgegengewirkt. In Abb. 4 sind die Strategien in einer Vier-Felder-Matrix zusammengefasst.

In diesem Beitrag wurde zunächst exemplarisch demonstriert, wie eine KI-Applikation für ein Kundenbindungsszenario entwickelt werden kann. Durch die systematische Analyse des Datensatzes einer mittelständischen Kfz-Werkstatt und der Entwicklung eines KI-Modells lässt sich die durchschnittliche Fahrleistung von Kundenfahrzeugen prognostizieren, welche als Indikator für eine Kundenansprache verwendet werden kann und somit einen Beitrag zur Optimierung von Service- und Vertriebsprozessen leistet. Die Umsetzung der Fallstudie dient zum einen als Inspiration für Praktiker und zeigt Ansatzpunkte für den Einsatz von KI in Kundenbindungsszenarien auf. Anschließend erfolgte die induktive Ableitung eines plattformbasierten Geschäftsmodells für die zentrale Bereitstellung von KI-basierten Kundenbindungsservices. Die Wertschöpfung und Werteangebote des entwickelten Geschäftsmodells werden im Kern durch die intelligente Analyse von Daten erzeugt, wobei die Daten von Datenlieferanten bereitgestellt, die Analysen durch Datenbefähiger entwickelt und durch Datenkonsumenten nachgefragt werden. Stärken des Geschäftsmodells bestehen vor allem im hohen Skalierbarkeitspotential sowie den geringen Investitions- und Betriebskosten, wohingegen eine Schwäche z. B. im initial fehlenden Zugang zu Daten liegt. Damit das konzipierte Geschäftsmodell erfolgreich umgesetzt werden kann, ist der Zugang zu Datenquellen diverser Datenlieferanten unabdingbar. Zentraler Erfolgsfaktor ist daher die Weiterentwicklung der Plattform zu einem Datenökosystem durch die Gewinnung weiterer Akteure als Plattformnutzer. Datenökosysteme bergen in diesem Zusammenhang das Potenzial, den Austausch von Daten zu fördern und Angebot und Nachfrage zusammenzubringen (Oliveira und Lóscio 2018). Datenlieferanten, die bereit sind ihre Daten mit Serviceanbietern bzw. Datenbefähigern zu teilen, könnten die Serviceleistung beispielsweise zu einem reduzierten Preis beziehen oder an den Umsätzen des Serviceanbieters beteiligt werden. Auf diese Weise entsteht eine datenbasierte Wertschöpfungskette und das vorgestellte Geschäftsmodell schafft Mehrwerte für sämtliche Akteure des Datenökosystems (Ha et al. 2014).