Datenökosysteme als neuer Wirtschaftlicher Motor

Nicht erst mit dem Siegeszug großer Plattformunternehmen wird die Bedeutung von Daten für die digitale Ökonomie offenkundig. Datenaustausch innerhalb von Unternehmen und darüber hinweg ist ein bedeutsamer Motor der Innovationsfähigkeit im 21. Jahrhundert. Während sich vor allem die internationalen Hyperscaler bemühen, ihre Datensilos geschlossen und ausschließlich für eigene Zwecke nutzbar zu machen, benötigen gerade europäische Unternehmen einen sicheren und effizienten Umgang mit heterogenen Daten, um ihre Wettbewerbsfähigkeit zu sichern. In einer Unternehmenslandschaft wie der österreichischen sind daher Datenökosysteme ein entscheidender Faktor, mittels Innovation die Transformation von Geschäftsmodellen zu gestalten. 

Daten sind heute die kleinsten Teilchen, aus denen sich der betriebswirtschaftlichen Kosmos aufbaut. Während früher eine reine Datenverarbeitung auf Basis analoger Geschäftsmodelle stattfand, dienen sie heute als Strukturgrundlage neuartiger, verknüpfter betriebswirtschaftlicher Wertschöpfung. Daten folgen nicht mehr Geschäftsmodellen, sondern Geschäftsmodelle entstehen aus iterativen, mitunter in Echtzeit von Produktion und Konsum oder Weiterverarbeitung ablaufenden Prozessen rund um Datenbestände, ihrer Analyse, ihres Zusammenfügens und Verwertens. Data Driven Businesses nutzen nicht nur die reinen Online-Dienstleister, sie stellen künftig sogar die Basis industriell oder agrarisch geprägter Branchen dar. Sei es durch die Verknüpfung mit Sensorik, mit Produktions-, Logistik oder gar Wetterdaten. Datenwirtschaft bedeutet Wertschöpfung. Und die Kombination von Daten über verschiedene Bestände, Unternehmen oder sogar Branchen hinweg bedeutet oftmals neue Opportunitäten, die für alle Beteiligten weit über ihr bisheriges betriebswirtschaftliches Spektrum hinaus gehen. 

Eine Studie der Unternehmensberatung McKinsey aus dem vergangenen Jahr identifiziert Datenökonomie als eines der größten Wachstumsfelder unserer Zeit. Dabei sind es drei wesentliche Wachstumsfaktoren, die deren Entwicklung ausmachen: 

1) Wachstum über das Kerngeschäft hinaus. Damit geht einer Steigerung des Innovationspotentials bzw der Eröffnung neuer Business Streams einher. Daten werden also zu einem werthaltingen Gut für Unternehmen. 

2) Produktivitätssteigerung durch Datennutzung im operativen Geschäft: durch die Verschneidung und die Verwendung unterschiedlicher Daten können neue Insights generiert werden und neue Business Potenziale ausgeschöpft werden. 

3) Risikominimierung durch Big Data und gemeinschaftliche Datenanalyse: Mehr Datengrundlagen bedeutet auch ein geringeres Risiko da die Modelle immer besser und zuverlässiger werden. 

Herausforderungen

Doch was hindert viele Unternehmen und Betriebe daran, die Chancen zu nutzen? Oft ist es Angst vor Neuem, Verunsicherung oder schlichtes Unwissen. Diese Faktoren stehen einem effizienten Datenaustausch leider zu oft im Wege. Drei wesentlichen Herausforderungen in der Datenaustauschpraxis lauten:

1. Datensilos öffnen:

Ein Datensilo ist eine Gruppe von Rohdaten, auf die eine Abteilung zugreifen kann, die jedoch vom Rest dieser Organisation isoliert ist. Dies führt zu einem gravierenden Mangel an Transparenz und Effizienz innerhalb dieser Organisation. Hinzu kommt, dass in einem Unternehmen normalerweise viele Datensysteme und -quellen verwendet werden, die häufig nicht miteinander kommunizieren können und verschiedene Standards aufweisen. Verteilte, nicht interagierende Systeme müssen zusammengefügt und die Wände der Datensilos aufgebrochen werden.

2. Vertrauen und Sicherheit schaffen:

Obwohl vom Datenaustausch viele unternehmensinterne und -externe Stakeholder profitieren, machen der Mangel an geteilter Erfahrung eine unübersichtliche Anzahl an Partnern den Prozess unzuverlässig. Dies führt zu einem Mangel an der Kernressource „Vertrauen“ und damit zu einer Vielzahl anscheinend unüberwindbarer Hürden. Dies zu überwinden, ist eine zentrale Führungsaufgabe. 

3. Komplexität der Datenintegration verringern:

Unterschiedliche Datenformate, die zusammen mit Unvergleichbarkeit und Unvollständigkeit gespeichert werden, behindern einen wertvollen und nutzbringenden Datenaustausch. Hinzu kommt, dass unterschiedliche Verträge, Fragen interner Compliance und rechtliche Aspekte den Wert des Datenaustauschprozesses überwiegen. Daher ist es essentiell, die Komplexität in der Datenintegration zu verringern und die Strukturen rund um die unternehmensinterne Datenwirtschaft schlank zu halten. 

Data Connection als Business Modell der Zukunft

Ein Datenökosystem baut dabei auf eine Struktur von vielen kleineren Verbindungen auf, welche untereinander Daten verbinden, austauschen und Verträge knüpfen. Eine dieser Lösungen findet man bereits im heimischen Startup-umfeld. Die Firma nexyo will mit DataHubs operative Datenökosysteme aufbauen und so die oben genannten Herausforderungen lösen. 

Im Kern des Business steht der  DataHub – eine Technologie welche dezentral liegende Daten virtuell bündelt und steuerbar macht. Dadurch lassen sich interne Datenbestände verwalten, mit individuellen Rechten versehen und ihnen ein Wert zuweisen. Es ermöglicht, dass jeder Datensatz für sich einen Wert erzeugen und diesen auch steigern kann. DataHubs können sich auch in Netzwerke zusammenschließen und so individuelle Datenverbindungen mit ausgewählten Partnern ermöglichen. Wenn sich mehrere dieser Netzwerke verbinden entsteht daraus ein Datenökosystem und bringt den Playern gänzlich neue Möglichkeiten, denn es ermöglicht datengetriebene Business Ecosystems. Damit entfalten sich neue Möglichkeiten der Innovation denn neue Daten bedeuten auch mehr über die eigenen zu erfahren.  

Die beschriebene Technologie bau auf den Grundpfeilern einer Shared Data Economy auf: Manage, Govern, Share, Trust. Diese Aspekte ermöglichen es drei bisher eigene Teilbereich des Datenmanagments zusammen zu bringen, nämlich Data Management, Data Integration und Data Contracting und eröffnen damit den Weg hin zu einem operativen Datenökosystem. Damit ergibt sich die Möglichkeit einer Industrieagnostischen Verknüpfung von Daten über den gesamten Data Life Cylce hinweg und damit einer noch nie dagewesener Möglichkeit neue Daten Insights durch Verschneiden und Analysen diverser Datenquellen.