Von Daten zu Wert

Data MonetizationCanvas

Verwandeln Sie Rohdaten in wertvolle Assets mit dem Data Monetization Canvas. Dieses Tool erleichtert die Entwicklung und Umsetzung wirkungsvoller Analytics- und KI-Lösungen.

Zum Canvas

Kontakt aufnehmen

Was ist das Data Monetization Canvas?

Das Data Monetization Canvas unterstützt Unternehmen dabei, Daten- und KI-Produkte gezielt zu planen und zu entwickeln, um messbaren Geschäftswert zu generieren. Es bietet eine strukturierte Vorgehensweise, um den gesamten Prozess der Wertschöpfung aus Daten abzubilden – von der Identifikation relevanter Datensätze über die Gestaltung von Analytics-Prozessen bis hin zur Definition und Bewertung der Datenprodukte. So stellt das Canvas sicher, dass alle Aspekte der Datenmonetarisierung umfassend berücksichtigt werden.

Das Canvas führt Sie durch folgende Schlüsselschritte:

Datenwert-Identifikation: Klärung des monetären Werts, den Datenprodukte generieren sollen – oft verknüpft mit geschäftlichen Leistungskennzahlen (KPIs).
Definition von Datenprodukten: Festlegung der spezifischen Ergebnisse von Datenanalysen, z. B. Berichte, Dashboards, prädiktive Modelle oder APIs, die wertvolle Informationen liefern.
Analytics-Planung: Beschreibung der erforderlichen Analyseschritte – von der Datenerfassung über Bereinigung, Transformation und Modellierung bis hin zur Visualisierung.
Datenquellen bestimmen: Identifikation der benötigten Datensätze, sowohl aus bestehenden als auch aus neuen Quellen.
Technische Anforderungen: Definition der technologischen Infrastruktur zur Implementierung und Nutzung von Daten, Analytics-Prozessen und Datenprodukten – einschließlich Tools, Plattformen und Systemen.
Organisatorische Struktur: Klärung der Verantwortlichkeiten innerhalb des Unternehmens für verschiedene Komponenten der Datenmonetarisierung.
Personalbedarf: Festlegung der erforderlichen Rollen, Fähigkeiten und Kapazitäten zur Entwicklung und Wartung der Datenprodukte sowie der unterstützenden Infrastruktur.

Durch den strukturierten Ansatz des Data Monetization Canvas wird sichergestellt, dass Daten- und KI-Produkte nicht nur technisch machbar sind, sondern auch klaren geschäftlichen Zielen entsprechen und nachweisbaren Mehrwert liefern.

Canvas im Detail

Das Canvas als PDF herunterladen

Das Canvas als PNG herunterladen

Das Data Monetization Canvas steht kostenlos unter einer Creative-Commons-Lizenz zur Verfügung:
Sie dürfen das Canvas nutzen und anpassen, solange Sie Datentreiber als Quelle nennen.

Wann sollte das Data Monetization Canvas eingesetzt werden?

Das Data Monetization Canvas ist in verschiedenen Szenarien besonders nützlich:

Daten- und KI-Produkte entwickeln: Wenn eine Idee oder ein Konzept für ein daten- oder KI-basiertes Produkt vorliegt und eine analytische Lösung entworfen werden muss – inklusive Datenfluss, Analyseprozesse und gewünschter Ergebnisse.
Entwicklungsanforderungen identifizieren: Zur Ableitung der technischen, organisatorischen und personellen Voraussetzungen für die erfolgreiche Entwicklung und Implementierung eines Daten- oder KI-Produkts.
Datenfluss und Analyseprozesse strukturieren: Bei der Planung der benötigten Datensätze, Analytics-Methoden und Verarbeitungsschritte, um aus Daten wertvolle Informationen zu generieren.
Datenprodukte an Geschäftsziele ausrichten: Um sicherzustellen, dass das Datenprodukt mit relevanten Leistungskennzahlen und geschäftlichen Zielen verknüpft ist und einen messbaren Mehrwert liefert.

Wie verwende ich das Data Monetization Canvas?

Datenmonetarisierung bedeutet, aus Daten wirtschaftlichen Nutzen zu ziehen. Dies kann intern geschehen – durch effizientere Geschäftsprozesse und bessere Entscheidungsfindung – oder extern, indem Datenprodukte oder -services neue Umsatzquellen erschließen.

Rohdaten haben keinen Wert, bis sie durch Datenanalyse in verwertbare Informationen umgewandelt werden. Das Ergebnis dieser Analyse ist ein Datenprodukt, das oft in eine größere Lösung eingebettet ist, z. B. eine IT-Anwendung.

Der Wert von Daten hängt vom Use Case ab: Wie verbessert die gewonnene Information Entscheidungen und Maßnahmen? Wie trägt sie dazu bei, dass Nutzer ihre Ziele besser erreichen? Der Datenwert ergibt sich daher als Summe der Informationswerte aller relevanten Use Cases.

⇨ Nutzen Sie das Analytics & AI Use Case Canvas, um Datenanalyse- und KI-Anwendungsfälle zu definieren.

Interne vs. externe Datenmonetarisierung:

Intern:
Daten helfen dabei, Kosten und Risiken zu senken oder Umsätze und Effizienz zu steigern. Datenprodukte sind häufig in Reporting- oder Dashboard-Anwendungen integriert und werden von Mitarbeitenden, Lieferanten oder Dienstleistern genutzt.

Extern:
Daten können als Teil bestehender Produkte oder Services genutzt oder eigenständig verkauft werden – z. B. durch Datenlizenzen (Data Licensing), als Data-as-a-Service (DaaS) oder als Software-as-a-Service (SaaS) in Kombination mit analytischer oder KI-gestützter Software. Selbst direkt verkaufte Daten werden zunächst durch Analytics-Prozesse verarbeitet – etwa bereinigt, normalisiert, aggregiert oder anonymisiert, um ihre Nutzbarkeit, Wertigkeit und Compliance sicherzustellen. Die Nutzer sind in diesem Fall die Kunden des Unternehmens.

KI-Produkte als Form der Datenmonetarisierung:

KI-Produkte sind eine besondere Form von Datenprodukten, da sie auf Daten und Machine Learning basieren. Sie sind integraler Bestandteil der Datenmonetarisierung und werden immer dann mitgedacht, wenn von Datenprodukten die Rede ist.

Die Anforderungen an Infrastruktur, Organisation und Personal:

Für eine erfolgreiche Datenmonetarisierung benötigt ein Unternehmen die richtige technologische Infrastruktur zur Speicherung, Analyse und Bereitstellung von Datenprodukten. Diese muss auf die Anforderungen der jeweiligen Daten, Analytics-Prozesse und Produkte abgestimmt sein – nicht zu groß und nicht zu klein.

Laut Conway’s Law spiegelt die Struktur eines technologischen Systems die Kommunikationsstruktur der Organisation wider. Deshalb muss die organisatorische Teamstruktur zur technologischen Architektur passen.

Letztendlich hängt der Erfolg von den richtigen Mitarbeitenden und Kompetenzen ab. Eine passende Personalstruktur und Unternehmenskultur sind essenziell für eine nachhaltige Datenmonetarisierung.

Fazit: Erfolgreiche Datenmonetarisierung erfordert eine ganzheitliche Struktur aus Technologie, Organisation und Personal – eine TOP-Struktur.

①a Header

Der Header definiert den Inhalt des Canvas und sollte folgende Informationen enthalten:

Designed for: Welche Organisation (Unternehmen, Abteilung, Team etc.) betrifft der Inhalt des Canvas?
Designed by: Welche Organisation (Unternehmen, Abteilung, Team etc.) hat den Inhalt erstellt?
Date: Wann wurde der Inhalt erstellt oder zuletzt aktualisiert?
Focused on: Auf welchen Bereich/Thema/Case/etc. konzentriert sich der Inhalt dieses Canvas?

Es sollte keine mehrfachen Kopien desselben Canvas mit identischem Header geben. Der Header identifiziert eindeutig die Version (Kopie) des Canvas und dokumentiert den aktuellen Stand seines Inhalts.

①b Footer

Der Footer erläutert die Farbgebung der Sticky Notes (sowie andere Formatierungen) auf dem Canvas.

Für jede Farbe der Sticky Notes sollte es im Footer ein identisch gefärbtes oder formatiertes Beispiel mit einem Titel geben, der diese Kategorie beschreibt.

②a Data Value

Was ist der monetäre Wert der Daten (Produkte) und wie kann er gemessen werden?

Wenn Daten mithilfe von Data Products genutzt werden, entsteht ein Nutzen für deren Anwender und damit ein Wert für das Unternehmen, idealerweise in Geld messbar oder zumindest indirekt an einen finanziellen Vorteil gekoppelt.

Hat ein Data Product mehrere Use Cases, ergibt sich der Data Value aus der Summe der Information Values für jeden Use Case. Die Messung und das Monitoring des Data Value sollten Teil des Data Products sein, damit Nutzer den Mehrwert erkennen – also den Proof of Value. Häufig werden bestehende Key Performance Indicators (KPIs) genutzt, um die geschäftliche Performance von Data Products zu messen.

Da der Wert der Daten von der Güte der gelieferten Informationen abhängt und diese wiederum von der Datenqualität, sind auch Indikatoren für Information und Data Quality wichtig. Eine Möglichkeit, Information Quality zu bestimmen, ist etwa die Modellgüte bei prädiktiven Modellen.

②b Data Products

Welche Produkte entstehen aus der Anwendung von Data Analytics auf die Data Sets?

Ein Data Product ist das Ergebnis aus Daten und Analysen und dient einem oder mehreren analytischen oder KI-basierten Use(r) Cases. Es liefert Informationen an Nutzer mit bestimmten Anforderungen (d. h. Fragen im Kontext von Entscheidungen und Zielen).

Einmalige Reports als statische Präsentation oder Dokument (z. B. PDF)
Interaktive Dashboards mit benutzerfreundlicher grafischer Oberfläche (GUI)
Intelligente Chatbots mit einer sprachbasierten Nutzeroberfläche (LUI)
Einfache Konsolenanwendungen mit einer Befehlszeilenoberfläche (CLI)
Eigenständige (Web-)Services über Application Programming Interfaces (API)
In operative Anwendungen integriert, z. B. eine Recommendation Engine als Teil eines E-Commerce-Systems

Ein Data Product sollte wiederverwendbar, skalierbar und benutzerfreundlich sein. Das Detailniveau richtet sich nach dem Fokus:

Liegt der Fokus auf einem Data Product, ist das Detailebene „individuelle Information“.
Liegt der Fokus auf einem Anwendungsbereich mit mehreren Data Products, ist das Detailebene „Use Case“.
Liegt der Fokus auf einer ganzen Organisation, ist das Detailebene „Application Domain“.

③ Data Analytics

Welche Analyseschritte sind nötig, um die gewünschten Informationen aus den Daten zu gewinnen? Data Analytics bezeichnet die rechnergestützte Auswertung von Daten mithilfe statistischer und probabilistischer Methoden.

Ziel von Data Analytics ist es, das „Signal vom Rauschen“ zu trennen, also Informationen aus den Daten zu extrahieren.

Der Prozess von Data Analytics durchläuft häufig folgende Phasen:

Data Collection: Daten aus verschiedenen Quellen (z. B. Datenbanken, Sensoren) sammeln und zusammenführen.
Data Cleaning: Sicherstellen der Datenqualität, z. B. durch Entfernen fehlerhafter, doppelter oder abweichender Werte.
Data Transformation: Umwandeln der Daten in ein geeignetes Format oder eine passende Struktur für die Analyse.
Data Modeling: Anwenden statistischer, mathematischer oder Machine-Learning-Verfahren, um ein (deskriptives, diagnostisches, prädiktives etc.) Modell zu entwickeln.
Data Visualization: Aufbereitung der Daten und Analyseergebnisse in grafischer Form, z. B. Diagramme, Grafiken, Dashboards.

Abhängig von Fragestellung und Komplexität bzw. Reifegrad der Analysen wird Data Analytics oft in folgende Kategorien eingeteilt:

Descriptive Analytics: Was ist passiert?
Diagnostic Analytics: Warum ist es passiert?
Predictive Analytics: Was könnte passieren?
Prescriptive Analytics: Was sollte passieren?
Autonomous Analytics: Mach es automatisch!

Weitere Informationen zum Reifegrad von Analytics und KI finden Sie im Analytics & AI Maturity Canvas.

④ Data Sets

Welche Datenbestände enthalten die benötigten Informationen?

Ein Data Set ist eine Sammlung zusammenhängender Datenpunkte, oft in einem strukturierten Format wie einer Tabelle in einer relationalen Datenbank oder in einer Tabellenkalkulation. Daneben gibt es semistrukturierte Daten (z. B. XML, HTML, JSON) und unstrukturierte Daten (z. B. Textdokumente, Multimedia-Dateien oder Social-Media-Posts).

Jedes Data Set hat mindestens eine Datenquelle, und eine Datenquelle kann mehrere Data Sets bereitstellen. Typische Datenquellen sind Datenbanksysteme (SQL, NoSQL, Graphendatenbanken). Ein Data Set kann aber auch aus einem Export einer Unternehmensanwendung stammen oder über Application Programming Interfaces (API) bzw. Web-Services bereitgestellt werden.

Webseiten von Websites oder Dateien auf lokalen oder Netzlaufwerken sind ebenfalls mögliche Datenquellen.

Weitere Informationen zu Datenquellen finden Sie im Data Landscape Canvas.

⑤a Technology

Welche technische Infrastruktur ist nötig, um die Data Sets, Analytics und Data Products zu implementieren und zu betreiben?

Technology umfasst Werkzeuge, Methoden, Komponenten, Systeme, Plattformen, Maschinen, Netzwerke sowie weitere Hardware und Software. Das Zusammenspiel dieser Bestandteile nennt man technische Infrastruktur; sie bildet die Basis für Implementierung und Betrieb von Analytics- und KI-Lösungen.

Das spezifische Design der technischen Infrastruktur wird meist als (IT-)Architektur bezeichnet, die oft in Schichten unterteilt ist:

Physical Layer (unterste Schicht): Server, Speichersysteme, Netzwerkgeräte und andere Hardware.
Platform Layer (mittlere Schicht): Betriebssysteme oder Cloud-Systeme.
Data Layer (oben links): Datenbanken, Data Warehouses, Data Lakes, ETL-Tools etc.
Analytics/AI Layer (oben Mitte): Machine-Learning-Bibliotheken, Data-Science-IDE, Middleware, MLOps-Tools etc.
Presentation Layer (oben rechts): Data-Visualisierungs-Tools, Dashboard- und Reporting-Werkzeuge, GUI-Frameworks etc.

Die technische Infrastruktur definiert die technischen und analytischen Fähigkeiten und erfordert technologische Initiativen, um diese Fähigkeiten zu verändern oder aufzubauen. Sie stützt sich auf die organisatorische Struktur und spiegelt sie zugleich wider.

⑤b Organization

Welche Organisationsstruktur ist nötig und welche organisatorischen Einheiten sind verantwortlich für Implementierung und Betrieb der technischen sowie analytischen Komponenten und der Data Sets und Data Products?

Eine Organisation ist eine strukturierte Gruppe von Menschen, die gemeinsam auf gemeinsame Ziele hinarbeitet. Eine organisatorische Einheit kann ein Team, eine Abteilung, ein Bereich oder eine eigene Firma sein. Organisationen zeichnen sich durch eine festgelegte Struktur, Rollen, Regeln, Verantwortlichkeiten und Prozesse aus, die bestimmen, wie Aktivitäten ablaufen und wie Ressourcen eingesetzt werden, um die Ziele zu erreichen.

Best Practice ist, dass jede Komponente (Daten, Analytics, Software, Hardware) von genau einer organisatorischen Einheit verantwortet wird. Im schlimmsten Fall fühlt sich keine Einheit zuständig, oder die Verantwortung ist auf mehrere Einheiten verteilt.

⑤c People

Welche personelle Struktur und Kultur werden benötigt, um die Organisationsstruktur, die technische Infrastruktur sowie die darauf basierenden Data Sets, Analytics und Data Products einzuführen und zu betreiben?

Menschen sind das Fundament erfolgreicher Unternehmen. Ihre Fähigkeiten, Expertise, Erfahrungen und ihr Wissen definieren die technischen und analytischen Möglichkeiten, während ihr Verhalten, ihre Werte, Einstellungen und Ambitionen die Organisation und ihre Kultur prägen. Daher benötigen Unternehmen die richtigen Personen mit passenden Kompetenzen und ausreichender Kapazität.

Diese Personen müssen die richtigen Rollen übernehmen und gute Beziehungen zu anderen aufbauen.

Um ihre personelle Struktur und Kultur anzupassen und auszubauen, müssen Organisationen geeignete Maßnahmen ergreifen: Rekrutierung, Weiterentwicklung, Change Management und mehr.

Wo finde ich weitere Informationen

Detaillierte Anleitungen und Praxisbeispiele zur Nutzung des Canvas im Kontext einer ganzheitlichen Daten- & KI-Strategie finden Sie in unserer Data & AI Design Bench.
Lesen Sie diesen Artikel darüber warum eine Daten- und KI-Strategie unabdingbar ist.
Watch this presentation by Martin Szugat (in english).