3.4.1 Chancen und Grenzen der Daten-Monetarisierung

Eine gängige Definition des Analysten Hauses Gartner beschreibt Data Monetization als den Prozess der Nutzung von Daten zur Erzielung betriebswirtschaftlicher Ergebnisse[1]. So können Gewinne sowohl durch den direkten Verkauf von im Unternehmen gesammelten Daten entstehen als auch indirekt durch das bessere Verständnis des Kundenverhaltens oder sogar die Entwicklung von neuen Produkten und Dienstleistungen.

Vor allem im Business-to-Customer (B2C) Geschäft wurden bereits früh Daten über Kundenverhalten gesammelt und gewinnbringend verwendet. Das US-amerikanische Einzelhandelsunternehmen Walmart kann hier als einer der Vorreiter der Data Monetization gelten. Bereits im Jahr 1991 führte Walmart das System Retail LinkÒ ein, um seine Lieferanten mit wertvollen Daten und Auswertungen aus seinen Stores zu versorgen und damit den Umsatz zu optimieren. Hier kommt die klassische Warenkorbanalyse zum Einsatz, aber auch eine umfangreiche Auswertung von Wetterdaten und deren Einfluss auf das Kaufverhalten der Kunden, sodass die richtigen Produkte zum richtigen Zeitpunkt in der angemessenen Menge vorhanden sind und damit sowohl der Lieferant als auch Walmart selbst von einem höheren Absatz profitieren können[2].

Auch der populäre Film Streaming Dienst Netflix verdankt einen entscheidenden Teil seines Erfolges der Auswertung von Daten. Durch die Analysen von Massendaten über die Inhalte von Filmen und Fernsehsendungen, die Bewertungen der eigenen Abonnenten aber auch Suchabfragen aus Suchmaschinen gelang es Netflix erfolgreiche Eigenproduktionen wie zum Beispiel die weltweit erfolgreiche Serie „House of Cards“ zu produzieren. Durch die Erstellung von Nutzerprofilen mit den Sehgewohnheiten der Abonnenten, gelingt es den Algorithmen auch, immer wieder neue Serien oder Filme anzubieten, die dem Nutzer gefallen könnten und ihn dazu zu bewegen immer mehr Angebote zu konsumieren und das Abonnement zu verlängern.

Das Geschäftsmodell des Mobilitätsdienstes UBER basiert zu einem sehr hohen Grad auf der effizienten Nutzung von Datenanalysen. Die Dienstleistung zur Beförderung von Personen von Punkt A nach Punkt B wird hier nicht wie klassisch über das Einsteigen in ein Taxi an einem Halteplatz, das Heranwinken an der Straße oder den Taxi Ruf per Telefon angeboten. Vielmehr sind die UBER Fahrzeuge ständig in Bewegung und das nächste freie Taxi wird dem Fahrgast automatisch zugeordnet. Über Software wird hier unter Berücksichtigung der geographischen Position und dem aktuellen Verkehrsaufkommen der Fahrer ermittelt, der den Fahrgast am schnellsten erreichen kann. Die Fahrer erhalten zudem über die Auswertung historischer Daten unter Berücksichtigung von weiteren Faktoren wie zum Beispiel Wetterdaten Empfehlungen in welchen Bereichen der Stadt zu welchem Zeitpunkt eine hohe Nachfrage herrscht und können so Angebot und Nachfrage auf eine sehr effiziente Weise verknüpfen. Auch das Preismodell lässt sich aufgrund von Datenanalysen dynamisch auf die Nachfrage anpassen und somit die Umsätze für Fahrer und Plattform steigern. Durch die Anwendung weiterer statistischer Verfahren wie A/B Tests, Cluster und Segmentierungsanalysen konnte auch die Auslastung der Fahrer optimiert werden. Bei dieser Fragestellung ging es in erster Linie darum, wie man auch Teilzeitkräften gute Chancen auf Umsätze ermöglicht und Arbeitszeiten anbietet, in denen die Nachfrage voraussichtlich ausreichend hoch ist[3].

[1]

Gartner Glossary „Data Monetization“

[2] Waltmart Retail LinkÒ https://www.8thandwalton.com/blog/what-is-retail-link-for/

[3] Bhasker Gupta, 2016