Die Antwort könnte ganz einfach sein: Durch den Fokus auf das Datenprodukt. In der Umsetzung erweist es sich als deutlich schwieriger. Schließlich handelt es sich um ein komplexes Umfeld, bestehend aus Märkten und Unternehmen im Wandel und vielen Stakeholdern mit unterschiedlichen Zielen.
Kundenorientierung bei Datenprodukten
Werfen wir zuerst einen Blick auf den Endkunden: Es erscheint fast einfach zu sein ein bestehendes Produkt zu finden, dessen Daten sich zur Monetarisierung eignen. Ein Datenprodukt oder ein Daten angereichertes Produkt zu entwickeln, entpuppt sich in der Umsetzung als herausfordernd, bietet dem Käufer (also dem Endkunden) aber meistens einen deutlichen Mehrwert, z.B. bei der Optimierung von Prozessen oder beim Steigern seiner internen Produktivität – die Aussage hat universelle Gültigkeit erreicht, über alle Branchen hinweg. Allein die Verfügbarkeit eines zusätzlichen Datenservices kann Grund genug sein, ein bestimmtes Produkt zu kaufen oder nicht. Wenn ein Marktbegleiter sein Produkt um Daten ergänzt, sind Sie als Unternehmen oft selbst dazu gezwungen, nachzuziehen und die eigenen Produkte ebenfalls mit Daten anzureichern. Darüber hinaus steht jedes Unternehmen vor der Frage, ob es das Produkt des Mitbewerbers kopieren oder es differenzieren möchte. Produktdifferenzierung durch Daten ist aber einen eigenen Artikel wert und deshalb hier nicht alleiniges Thema.
Digitalisierung und Datenverfügbarkeit
Unsere Fragestellung ist, welche Voraussetzungen man für ein gutes Datenprodukt benötigt. Zunächst müssen die richtigen Daten im Unternehmen vorhanden sein. Durch die zunehmende Digitalisierung von Prozessen werden diese Daten vermehrt generiert. Jedes Unternehmen kann die strategische Entscheidung treffen, Datenprodukte anzubieten oder den Fokus auf andere Produktmerkmale zu legen. Ich bin der Meinung, dass es im komplexen B2B Umfeld nahezu unmöglich ist, seinen Kunden den Datenzugriff zu verwehren. Die entscheidende Frage ist daher nicht mehr, ob ein Unternehmen Datenprodukte anbietet, sondern vielmehr, wie weit Daten in Produkte eingebunden werden.
Datenqualität als Schlüsselfaktor
Daten sind nicht gleich Daten. Es gibt sie hochaufgelöst, in Echtzeit und in beliebig hoher und niedriger Qualität. Daten, die falsch sind oder schlechte Qualität haben, verhindern oder verzögern die Entwicklung des Datenprodukts. Wie aber wird eine hohe Datenqualität erreicht? Nun, dafür benötigt man vor allem einen langen Atem. Hohe Datenqualität ergibt sich nicht durch Einzelmaßnahmen. Dafür braucht es umfangreiche Prozesse und Zeit. Für das Reifen der Daten sind Datenplattformen und effektive Data Governance essenziell – eine ganz eigene Herausforderung. Das allein reicht aber noch nicht. Unternehmen müssen auf eine hohe Datenqualität ausgerichtet werden, sonst wird es bei einer mittelmäßigen, nur schlecht verwertbaren Datenqualität bleiben. Deren Ergebnis sind entweder wenig differenzierende Datenprodukte oder noch schlimmer – der Ruf des Unternehmens kann Schaden nehmen: Nichts spricht sich in einer Branche schneller herum als z.B. eine schlechte Abrechnungsqualität, mangelnde Provisionsberechnungen oder eine falsche Kundenansprache. Vertriebsmitarbeiter wissen, wie schwierig es ist, derartige Vorkommnisse im Kundengespräch „weg“ zu argumentieren.
Produktmanagement und Datenprodukte
Und damit sind wir beim Produktmanagement. Im Falle von schlechten Datenprodukten haben sie alle Hände voll damit zu tun, den Kunden vom eigenen Produkt zu überzeugen. Unlösbar erscheint die Aufgabe dann, wenn das eigene Datenprodukt nicht mit dem des Mitbewerbers konkurrieren kann, weil es z. B. keine detaillierten Nutzungsdaten liefert oder IoT-Befähigung fehlt. Ein Produkt besteht also nicht nur aus Entwicklung, Marketing, Vertrieb und Service des Produkts selbst, sondern auch dem Investment in Datenbefähigung.
Spezifikation von Datenprodukten
Trotz moderner effizienter Datenplattformen, Cloudtechnologien und effizienztreibenden Vorgehensmodellen gelingt Unternehmen die Spezifikation ihrer Datenprodukte selten. Das gilt vor allem für Unternehmen ohne Schwerpunkt in der IT. Die Spezifikation des Datenprodukts ist für diese Unternehmen eine der größten Herausforderungen und gelingt oft nicht. Die meisten Unternehmen übertreffen sich gegenseitig beim Ignorieren der Tatsache, dass Datenprodukte bis im Detail spezifiziert werden müssen. Getrieben von kurzfristigen Erfolgen wird verhindert, dass die Spezifikation des Datenprodukts den Stellenwert bekommt, den es verdient. Product Owner sind grundsätzlich überlastet und müssen die Spezifikation häufig an Entwickler abgeben, die die fachlichen Anforderungen „freestyle“ im Code abbilden. Das fehlende Verständnis der Aufgabenstellung führt zu Fixes & Patches, statt feature-driven Development.
Interdisziplinäre Zusammenarbeit für den Erfolg
Erfolgreiche Datenprodukte entstehen durch Mitarbeiter in Teams, die sich in ihren Kompetenzen sinnvoll ergänzen. Entscheidend ist das aufzubauende Wissen um die betreffende Domäne. Data Mesh Ansätze sind hierbei progressiv: Produktausrichtung, interdisziplinäre Zusammenarbeit und die Erkenntnis über die Notwendigkeit enger Zusammenarbeit von vielen Beteiligten für ein erfolgreiches Datenprodukt sind zwingend. Die Kunst besteht darin, die Zusammenarbeit der richtigen Fachbereiche, ggf. auch Lieferanten mit Data Engineers und Data Scientist zu erreichen. Übergeordnet wird dies gesteuert durch ein Produktmanagement, welches durch den Vertrieb die relevanten Anforderungen definiert und priorisiert.
Moderne Technologien und Datenplattformen
Für den Erfolg ausschlaggebend sind moderne Datenplattformen, vor allem cloudbasierend, Big-Data-getrieben, skalierend, echtzeitbefähigt und viele weitere technologischen Produktneuheiten. Herausragend in modernen Plattformen ist die AI-Befähigung. Vor einigen Jahren war es einzig ausgewählten Data Scientists vorbehalten, das richtige Modell zu suchen, für das in der BI-Abteilung die passende Plattform gebaut wurde, und zwar nahezu für jeden Anwendungsfall eine eigene. Zumindest die Basistechnologie dafür gibt es inzwischen von der Stange.
Produktentwicklung vs. IT-Projektmanagement
Die notwenige Technologie ist in Unternehmen meist bereits vorhanden. Die wirkliche Herausforderung für die Entwicklung erfolgreicher Datenprodukte besteht also nicht im rein technischen Bereich, sondern im Mindset eines Unternehmens. Hier herrscht oft die Vorstellung, dass Datenprodukte deterministisch wie ein normales IT-Projekt zu handhaben sind. Diese Annahme ist grundfalsch. Ein komplexes Datenprodukt ist Teil des Produktentwicklungsprozesses und kein Projekt, da es in der Interaktion zwischen vielen Parteien entsteht und meistens endet es auch nicht. Vor allem gibt es viele Aspekte, auf die man wenig Einfluss hat, wie beispielsweise Daten aus der Lieferkette eines Unternehmens oder IoT-Endgeräte im Markt, die man nicht vollständig beeinflussen und steuern kann. Außerdem arbeitet man in der Aufbauphase oft in einem Umfeld mit zu wenig Ressourcen. Den Beteiligten fehlt es an Zeit und Knowhow, der Hardware an Leistung und dem Management an Geduld. Ein Datenprodukt wird aber nicht am Stück, sondern in Iterationen aufgebaut. Neue Produktfeatures ergeben sich eher durch die Bedürfnisse des Marktes.
Mindset und Kulturwandel in Unternehmen
Aber das ist noch nicht alles: Es müssen auch die richtigen Personen mit Fokus, Wissen und einer guten Portion Leidenschaft zusammenfinden, um das Datenprodukt zu definieren, zu spezifizieren, umzusetzen und die Konzentration darauf zu behalten, wenn es in Iterationen weiterentwickelt wird. Das bedeutet nichts weniger als einen Kulturwandel im Unternehmen: Die Organisation muss den Fokus finden, um das Team um das Datenprodukt herum aufzubauen. Oft verhindert mangelnde Erfahrung mit Technologie oder fehlende Marktorientierung den Erfolg. Für Letzteres muss das Unternehmen zum einen die Bedürfnisse des Kunden kennen, zum anderen braucht es das Wissen um die Bedeutung und den Aufbau von Datenprodukten sowie den Mut, das Team, um das Produkt zu organisieren.
Teil unserer Leistung ist die Arbeit am Datenprodukt, an der Definition, Steuerung und Umsetzung, vor allem mit Engagement und echtem Erfahrungswissen.
