G · DiagnoseExtern belegt

Datenmonetarisierung: verbessern, umhüllen, verkaufen

Modell des MIT Center for Information Systems Research (Barbara Wixom, Jeanne Ross und Kollegen): Daten werden auf genau drei Wegen zu Geld, nämlich indem sie interne Prozesse verbessern, das Kernangebot mit Analysefunktionen umhüllen oder als eigenes Informationsangebot verkauft werden. Jeder Weg zieht dieselben fünf Unternehmensfähigkeiten heran, verlangt sie aber in unterschiedlicher Reife. Der letzte Schritt ist der schwerste: den erzeugten Wert tatsächlich abholen und in der Ergebnisrechnung wiederfinden.

Wann Sie diese Methode brauchen

Sie haben Daten, Dashboards und inzwischen ein KI-Budget, aber niemand im Haus kann sagen, welche Zeile der Ergebnisrechnung sich dadurch bewegt hat. Vorhaben werden mit Potenzial begründet statt mit eingelöstem Wert, und weil der Weg zum Geld nie festgelegt wurde, bauen Fachbereich, Data Science und Governance an verschiedenen Dingen. Am Ende steht eine Datenlandschaft, die Kosten trägt und Wirkung behauptet.

Vorgehen

1Je Dateninitiative festlegen, welcher der drei Wege verfolgt wird: interne Prozesse verbessern, das eigene Angebot mit Analysefunktionen umhüllen, oder ein Informationsangebot verkaufen. Mischformen offenlegen statt sie zu verwischen.
2Die fünf Fähigkeiten für genau diesen Weg bewerten, also Datenbestand, Datenplattform, Data Science, Data Governance und Kundenverständnis, und die schwächste benennen. Bei KI-Vorhaben kommt Erklärbarkeit als sechste hinzu, weil Modelle undurchsichtig, formbar, unsicher und unerprobt sind.
3Je Datenbestand einen Eigentümer mit Verantwortung über den gesamten Lebenszyklus einsetzen, so wie bei einem Produkt. Ohne benannten Eigentümer verwaltet niemand Qualität, Zugriff und Weiterverwendung.
4Zugang und ein gemeinsames Vokabular über Funktionsgrenzen hinweg herstellen, damit Fachbereich, Data Science, Recht und Vertrieb über dieselbe Sache reden. Datenmonetarisierung scheitert selten an einer Fähigkeit allein.
5Vor dem Start festlegen, welche Ergebnisgröße sich bewegen soll, wer sie misst und wann nachgeprüft wird. Wird dieser Schritt übersprungen, bleibt der Wert eine Behauptung, auch wenn die Technik funktioniert.

Typische Anwendung

Ein typisches B2B-SaaS im Industrieumfeld sammelt seit Jahren Telemetriedaten aus den Anlagen seiner Kunden und startet daraufhin ein KI-Vorhaben, das nach zwölf Monaten in einem Dashboard endet, für das niemand zahlt. Die Zuordnung zeigt: Der gewählte Weg ist Umhüllen, nicht Verkaufen. Die schwächste Fähigkeit ist nicht die Technik, sondern das Kundenverständnis, weil niemand weiß, welche Entscheidung ein Instandhaltungsplaner morgens tatsächlich trifft, dicht gefolgt von der Governance, denn die Altverträge decken eine kundenübergreifende Auswertung nicht ab. Das Team setzt einen Eigentümer für den Telemetriebestand ein, klärt die zulässige Nutzung vertraglich nach und legt vorab fest, dass die Zahl der Serviceeinsätze je Anlage die Zielgröße ist und der Servicebereich sie misst. Zwei Quartale später ist die Funktion ein Argument in Verlängerungsverhandlungen, und der Beitrag steht an einer benannten Stelle in der Ergebnisrechnung statt in einer Präsentation.

Grenzen und Gegenindikationen

Die Belege stammen weit überwiegend aus den eigenen Erhebungen und Fallstudien einer Forschungsgruppe, sind selbst berichtet und im Querschnitt erhoben. Der Zusammenhang zwischen starken Fähigkeiten und höheren Erträgen ist damit belastbar beschrieben, aber nicht als Ursache belegt: Erfolgreiche Unternehmen können sich starke Datenfähigkeiten auch schlicht leisten. Eine unabhängige Literaturübersicht ordnet das Feld insgesamt als jung ein, mit dünner empirischer Basis besonders bei der Preisbildung für Informationsangebote. Das Modell entstand in Konzernen mit eigener Datenorganisation; ein Softwarehaus mit dreißig Leuten kann fünf Fähigkeiten nicht getrennt besetzen, und das Prinzip Mannschaftssport setzt Abteilungsgrenzen voraus, die dort gar nicht existieren. Beim dritten Weg ist die rechtliche Zulässigkeit kein Reifegrad, sondern ein Veto: Was Verträge oder Datenschutz nicht hergeben, wird auch mit perfekter Plattform nicht verkäuflich. Und die geforderte Zurechnung auf eine Zeile der Ergebnisrechnung gelingt sauber nur dort, wo das Controlling sie überhaupt hergibt.

Woran Sie Wirkung messen

Führen Sie je Dateninitiative drei Angaben mit: den gewählten Weg, die benannte Ergebnisgröße und den Termin der Nachprüfung. Als Portfoliokennzahl eignet sich der Anteil der Initiativen, für die ein Wert nachgewiesen und in der Ergebnisrechnung wiedergefunden wurde.

Quellen

1.Wixom, Someh, Zutavern, Beath: Explanation. A New Enterprise Data Monetization Capability for AI, MIT CISR Working Paper No. 443 (öffnet in neuem Tab) · MIT Sloan Center for Information Systems Research / AlixPartners · 2020-07 · Wissenschaft und Fachliteratur · beschreibt das VerfahrenTrägt das Verfahren im Detail und ist frei im Volltext verfügbar: die drei Wege zum Geld sowie die fünf Unternehmensfähigkeiten mit Definition und Aufbaupraxis, also Datenbestand, Datenplattform, Data Science, Data Governance und Kundenverständnis. Für KI-Vorhaben wird Erklärbarkeit als sechste Fähigkeit eingeführt, mit vier benannten Praktiken gegen Undurchsichtigkeit, Verzerrung, Wahrscheinlichkeitscharakter und fehlende Erprobung. Grenze: Der Kapazitätsvergleich zwischen starken und schwachen Firmen beruht auf einer Selbstauskunft von 315 Unternehmen im Querschnitt und zeigt Zusammenhänge, keine Ursachen; der Abschnitt zu Erklärbarkeit ist ausdrücklich als vorläufiger Befund gekennzeichnet.
2.Wixom, Ross: How to Monetize Your Data, MIT Sloan Management Review 58(3) (öffnet in neuem Tab) · MIT Sloan Management Review · 2017-01-09 · Wissenschaft und Fachliteratur · belegt den WirkmechanismusÄlteste Fassung der Dreiteilung in ihrer heutigen Form: interne Prozesse und Entscheidungen verbessern, Informationen um Produkte und Leistungen legen, Informationsangebote an neue und bestehende Märkte verkaufen. Die Quelle trägt außerdem den Rat, mit der aussichtsreichsten Gelegenheit zu beginnen statt alle drei Wege gleichzeitig zu verfolgen. Grenze: Der Volltext ist kostenpflichtig, überprüfbar ist der frei zugängliche Anfang; die Fähigkeitsliste wird hier noch nicht ausbuchstabiert.
3.van der Meulen, Wixom, Beath, MIT CISR Data Research Advisory Board: Mind and Hand. A Decade of Data Monetization Research, Research Briefing XXVI-7 (öffnet in neuem Tab) · MIT Sloan Center for Information Systems Research · 2026-07-16 · Wissenschaft und Fachliteratur · belegt die WirksamkeitTrägt die drei Führungsprinzipien, also Datenbestände als Produkte führen, Datenmonetarisierung als Mannschaftssport betreiben und den erzeugten Wert diszipliniert einlösen, sowie die Zahlen zur Wirkung: In einer weltweiten Befragung von 349 Führungskräften führten die stärksten Unternehmen elf Prozent ihres Umsatzes auf Datenmonetarisierung zurück, die schwächsten zwei Prozent. Grenze: Es handelt sich um selbst zugerechnete Umsatzanteile in einer Querschnittsbefragung, nicht um geprüfte Zahlen aus Abschlüssen; die Richtung des Zusammenhangs bleibt offen.
4.Ofulue, Benyoucef: Data monetization. Insights from a technology-enabled literature review and research agenda, Management Review Quarterly (öffnet in neuem Tab) · Springer / Management Review Quarterly · 2022-11-28 · Wissenschaft und Fachliteratur · begrenzt das VerfahrenUnabhängige Gegenprobe außerhalb der Forschungsgruppe des MIT: Die Übersicht von 54 begutachteten Arbeiten aus den Jahren 2013 bis 2022 ordnet Datenmonetarisierung anders, nämlich zuerst nach intern gegen extern und erst danach nach Umhüllen, Tauschen und Verkaufen. Sie stuft das Feld als jung mit schwacher empirischer Grundlage ein, nur ein Fünftel der Arbeiten arbeitet mit Fallstudien, und benennt als Lücken unter anderem die Preisbildung für Datenprodukte und die Vertragsgestaltung. Das dämpft den Anspruch, es handle sich um ein abgesichertes Steuerungsmodell.

Ursprung: Wixom / MIT CISR

← Zurück zum Katalog