Schritt 1: Digitalisieren und Vernetzen (intern): Der Maschinen- und Gerätepark eines Unternehmens ist oft heterogen. Daher sollten Unternehmen in einem ersten Schritt eine geeignete Edge-KI-Infrastruktur aufbauen. Hierbei wird der erste Meter jeder Maschine spezifisch umgesetzt und hinter einem Edge-Device harmonisiert, z.B. in einen gemeinsamen oder mehreren unterschiedlichen Data-Lake-Servern.
Schritt 2: Visualisieren und Analysieren (intern): Die einfachste Möglichkeit, damit Maschinenbediener, Bereichsleiter oder C-Level-Manager in Kombination mit ihrer Expertise Prozessanomalien ausfindig machen können, ist die Visualisierung der Daten. Insbesondere für die interne Datenmonetarisierung ist das ein wichtiges Instrument.
Schritt 3: Umsetzen und Optimieren (intern): Das Ziel einer internen Datenmonetarisierung ist der messbare ökonomische Vorteil gegenüber dem Status Quo. Hierfür müssen die gefundenen Erkenntnisse in einem Testszenario evaluiert und validiert werden. Es ist in der Verantwortung des Managements einen starken Use Case zu definieren, der gewisse Iterationen verträgt und immer noch profitabel sein wird. Erst nach der erfolgreichen Umsetzung können Daten intern monetarisiert werden.
Schritt 4: Data as a Service (extern): In Unternehmen fallen neben den Daten der Kernprozesse auch Nebeninformationen an. Das sind in der Regel Daten, die nichts über Produkte oder Prozesse preisgeben, dennoch für Zulieferer und Lieferanten einen Wert haben und somit eine Handelsgrundlage sein können.
Schritt 5: Data Solutions as a Service (extern) In einer digitalen Marktwirtschaft, in welcher Hersteller mit Zulieferern, Lieferanten und KI-Experten Daten austauschen und handeln, wird sich wahrscheinlich, wie in der analogen Marktwirtschaft, eine erhöhte Nachfrage nach beliebten Datentypen einstellen. Es ist die Aufgabe des Managements diese Nachfrage vor dem Kontext des Unternehmens zu interpretieren und eine Datenlösung zu konstruieren, die den Kunden des Unternehmens zusätzlichen Mehrwert gegenüber dem Datum alleine liefert. Zur Überführung der Daten in eine Datenlösung bietet sich nun die in Schritt 2 implementierte Datenverarbeitungsarchitektur an, da dabei Modelle und Algorithmen abgeleitet werden, die die Kundenproblematik lösen können. Mithilfe von Schritt 4 können zudem ebenfalls externe Daten hinzugekauft werden, die den Service basierend auf den eigenen Daten ergänzen. Managementaufgabe wird sein, zu entscheiden, wie dieser Mehrwert an den Kunden gebracht wird.
Use Case umsetzen
Datenmonetarisierung birgt das Potenzial, die eigenen Prozesse als auch die der Kunden zu verbessern. Um mit der Datenmonetarisierung zu beginnen, sollten Unternehmen innerhalb von einem Jahr einen Use Case zum Verkaufen von eigenen Maschinendaten an einen externen Zulieferer umsetzen. Auch wenn dies nicht intuitiv ist, ist das der beste Weg, um schnell monetäre Mehrwerte zu erlangen, ohne wichtige Geheimnisse preiszugeben. In dem Jahr darauf sollten Daten von Dritten, z.B. Lieferanten oder Zulieferern, eingekauft werden, um die eigenen Prozesse zu verbessern. Dadurch müssen zwar monetäre Mittel investiert werden, aber durch die zusätzlichen Daten können neue Erkenntnisse gewonnen, die Kosten reduziert, die Produktivität gesteigert und das Risiko minimiert werden, so dass sich mittelfristig die Investitionen amortisieren werden. Letztlich sollten sich die Unternehmen fragen, welche Kundenprobleme sie mit ihren eigenen Daten lösen können. Hier helfen wichtige Erkenntnisse aus dem Handel der Daten, um zu verstehen, welche Probleme und Nutzen ein Kunde haben könnte. Werden dann die eigenen Daten, idealerweise durch Aggregation mit Daten, die extern erworben wurden, zu einem skalierbaren Service, einer App oder eines Algorithmus entwickelt, steht dem anbietenden Unternehmen eine exponentielle Einnahmequelle bevor.