Data Economy in Deutschland

Allerdings haben viele Unternehmen das Wertschöpfungspotential (bereits vorhandener) Daten als Ressource noch nicht vollumfänglich erkannt und ca. 85% der gesammelten Daten von Unternehmen bleiben ungenutzt – ohne Mehrwert für das Unternehmen oder seine Kunden zu generieren.

Doch selbst wenn der Mehrwert von Daten für das zukünftige Wachstum und die Wettbewerbsfähigkeit des eigenen Unternehmens erkannt wird, werden gesammelte Daten oft lediglich dazu verwendet unternehmensinterne Prozesse zu steuern und zu verbessern – die Entwicklung neuer, datengetriebener Geschäftsmodelle steht oft hinten an.

Dabei wird übersehen, dass „datengetriebene“ Geschäftsmodelle nicht ausschließlich nur mit dem Verkauf von Informationen gleichzusetzen ist, sondern Wertschöpfung auch aus der Bearbeitung von Daten entstehen kann. Das Generieren bzw. Organisieren von Daten, oder die Vereinfachung von Analyse und Visualisierung von Daten und der daraus entstehenden Entscheidungsfindung sind populäre Anwendungsfälle. Das daraus resultierende Angebot, das datengetriebene Unternehmen ihren Kunden zur Verfügung stellen, kann variieren: So kann dies z.B. durch das Anbieten der reinen Daten(sätze) für Algorithmus-Training erfolgen, wie es oft im Forschungsbereich der Fall ist, oder durch das Anbieten von strukturierten Informationen (z.B. mögliche Kundencluster oder Signale für Ersatzteilwechsel), die auf der Datengrundlage gewonnen wurden.

Auch in Deutschland gibt es einige Innovatoren der Data Economy, die innovative und datengetriebene Geschäftsmodelle entwickelt haben. Diese Innovationen haben hohe Relevanz für das Geschäftsmodell von etablierten Unternehmen, sowohl von KMUs als auch Konzernen.

Geschäftsmodell: Tracebloc GmbH wurde 2019 in Berlin gegründet. Das Start-up mit Fokus auf intelligente Fertigungslösungen für das produzierende Gewerbe setzt Blockchain-Technologie in Kombination mit „Machine Learning“ ein, um den Ausschuss zu reduzieren und Fertigungsdaten zu monetarisieren.

Relevanz: Ihr 3-Phasen Vorgehen spart Industrieunternehmen Produktionskosten und generiert zusätzliche Einnahmen. In der ersten, ca. 6-wöchigenn Phase werden im Rahmen eines Data Assessments die Daten der Produktionslinie gesammelt und analysiert. Ziel dabei ist die Effizienzerhöhung in der Fertigung und das Wertschöpfungspotential durch deren Technologie abzuschätzen.

In der zweiten Phase wirkt das Machine Learning Modul zur Reduktion des Ausschusses, dabei ist der Kunde selbst in der Lage durch „compute–to-date“ seine Daten zu monetarisieren. In der dritten und letzten Phase werden sogenannte Manufacturing Agents implementiert um Steuerungsparameter der Produktion autonom einzustellen. Im Ergebnis wird die Produktionslinie datengetrieben gesteuert.

Geschäftsmodell: Demokratisierung von Kundendaten. Auf Grundlage der neuen DSVGO können Privatpersonen zentralisiert ihre eigenen Daten bei sämtlichen Unternehmen aggregieren, verwalten und monetarisieren.

Das Geschäftsmodell richtet sich als Data-Ecosystem an Privatpersonen und Unternehmen. Privatpersonen können über itymydata Übersicht über ihre Daten bei Unternehmen erlangen zu denen eine Kundenbeziehung existiert (Versicherungen, Banken, Automobil-Hersteller, Einzelhandel, E-Commerce, Auskunfteien etc.). Die aggregierten Daten können Nutzer dann selbst verwalten und durch Handel mit den eigenen Daten monetarisieren. Die Vision des Münchner Start-ups ist die Demokratisierung von Kundendaten.

Relevanz: itsmydata hat Relevanz für Unternehmen durch den Zugang zu ganzheitlichen Kundendaten. Durch das branchenübergreifende Aggregieren der Daten von verschiedenen Unternehmen aus unterschiedlichen Branchen werden Kundenpersonas holistisch („360° Data“). Als Konseqeunz können Unternehmen personalisierte Produkte anbieten und ihre Kundenansprachen optimieren. Aktuell wird das Geschäft der Auskunfteien (z.B. Schufa) angegriffen, indem Bonitäts-Zertifikate automatisiert für einen geringen Preis angeboten werden.

Geschäftsmodell: Das Berliner Start-up ermöglicht es mehreren Unternehmen Ihre Daten zielgebunden zusammenzulegen mit dem Ziel, allen beteiligten Unternehmen eine bessere Datengrundlagen für das Training von Algorithmen zu bieten. Das Ökosystem für Daten-Sets ermöglicht entsprechend umfassendere Datenanalysen und genügt dabei gleichzeitig den Anforderungen von Compliance, Privatsphäre und IP-Rechten dank kryptografischer Techniken.

Relevanz: Für Unternehmen hat die Technologie Relevanz, da Silostrukturen und Compliance-Bedenken allzu oft die Zusammenführung verschiedener Datenquellen verhindern. Apheris AI begegnet dem, da trotz der Zusammenführung die Daten rechtlich bei den Eigentümern verbleiben. Um keine Rückschlüsse aus dem Modell auf die ursprünglichen Daten zu ziehen, werden kryptografische Methoden und mathematische Techniken wie Differential Privacy eingesetzt.  Dies ermöglicht Datenwissenschaftlern den Zugriff auf Daten von Drittanbietern und deren Berechnungen, ohne die zugrunde liegenden Daten zu gefährden oder preiszugeben. Zusammen mit Datensätzen aus anderen Unternehmen kann so die Datenbasis für maschinelles Lernen verbessert werden und damit die von Unternehmen entwickelte AI auf ein höheres Niveau gehoben werden.