Datenproduktmanagement: ein Konzept auf Basis des klassischen Produktmanagements

Aktuell studiere ich Wirtschaftsinformatik an der Hochschule für Technik in Stuttgart. Meine Bachelorarbeit mit dem oben genannten Titel habe ich bei inovex geschrieben. Die Ergebnisse meiner Arbeit fasse ich in diesem Artikel zusammen. Dabei lasse ich auch Erfahrungen einfließen, die ich während dieser Zeit bei inovex gesammelt habe.

Durch meinen Studiengang Wirtschaftsinformatik an der Hochschule für Technik in Stuttgart und begleitende Berufserfahrungen bin ich häufig dem Thema „Digitale Transformation“ begegnet. Im Rahmen meiner Werkstudententätigkeit bei einem großen Automobilzulieferer habe ich in dem entsprechenden Transformationsprojekt ein paar Aufgaben übernommen. Dadurch wurde auch mein Interesse geweckt, eine Bachelorarbeit bei inovex zu schreiben. Einige Kollegen kannte ich durch die Zusammenarbeit während meiner Werkstudententätigkeit bereits. Sowohl die vermittelte Arbeitskultur im Unternehmen als auch die Themenfelder, in denen inovex tätig ist, haben mich davon überzeugt meine Arbeit dort zu schreiben.

Hintergründe und Grundlagen

Am Anfang meiner Arbeit habe ich mit meinem Betreuer in der Firma (Christoph Tempich) und meinem Betreuer an der Hochschule, Prof. Ralf Kramer, gemeinsam die Fragestellung und Zielsetzung der Arbeit festgehalten. Dabei haben wir folgendes Umfeld gewählt: Im Rahmen der digitalen Transformation erkennen immer mehr Unternehmen den Wert einer gezielten Analyse und Aufbereitung von Daten. Es entstehen Produkte, die ausschließlich Daten als Fundament besitzen – Datenprodukte genannt.

Mein Betreuer hat mir im Anschluss geholfen, schnell Fahrt aufzunehmen und mir ein paar Grundlagen vermittelt. Diese sind in der Zwischenzeit auf diesem Blog veröffentlicht worden. Dazu zählt ein Überblick, welche Typen von Datenprodukten es gibt, und eine Beschreibung von Handlungsfeldern, was die Erfolgsfaktoren für Datenprodukte sind. Neben den innerhalb der Firma vorhanden Informationen habe ich eine extensive Literaturrecherche betrieben. Beispielhaft sei hier der Überblicksartikel von Thomas H. Davenport and Stephan Kudyba zum Design und der Entwicklung von Datenprodukten erwähnt.

Als spezifisches Ziel für die Arbeit haben wir festgelegt, ein systematisches Vorgehen zu konzipieren. Dieses dient dazu, Datenprodukte erfolgreich zu entwickeln sowie am Markt zu etablieren und dabei unternehmerische Ziele zu berücksichtigen. Im Rahmen meiner Bachelorarbeit habe ich dazu die Prinzipien des klassischen Produktmanagements, wie sie beispielsweise im Open Product Management Workflow zu finden sind, auf ihren Beitrag bezüglich des Erreichens der vorgestellten Erfolgsfaktoren überprüft. Hierbei wurden Unterschiede in der Herangehensweise und neue Methoden erarbeitet. Die neu entwickelten Methoden habe ich zur Evaluierung in verschiedenen Interviews Produktmanagern vorgestellt und sie nach dem Mehrwert für ihre tägliche Arbeit befragt.

Einführung in das klassische Produktmanagement – 3 Phasen

Zunächst ein kurzer Einblick in das Produktmanagement: Das Produktmanagement besitzt sowohl eine funktionale Ausrichtung durch das Eingliedern in die bestehende Organisationsstruktur und die enthaltenen bereichsübergreifenden Aufgaben, als auch eine produktbezogene Ausrichtung, welche das Steuern und Koordinieren aller Phasen eines Produktes im Produktlebenszyklus beinhaltet. Nach dem Open Product Management Workflow lässt sich das Produktmanagement in die drei übergeordneten Phasen strukturieren: Strategisches Produktmanagement, technisches Produktmanagement und Go-to-Market.

Bei digitalen Produkten werden diese Phasen vermehrt in agiler Form durchlaufen.

Überblick zur Einordnung des Datenproduktmanagments im Unternehmen und am Markt

Als Überblick der Handlungsräume des Datenproduktmanagements habe ich in der Bachelorarbeit eine mögliche Einordnung in die Organisation des Unternehmens erarbeitet. Das Datenproduktmanagement ist dem gesamten Produktmanagement des Unternehmens untergeordnet und erhält somit die disziplinarische Ausrichtung zur Business- und Marktseite. Die Entwicklungs- & Datenausrichtung wird durch die Zusammenarbeit mit dem Data Science- und Development-Team hergestellt.

Unterschiede und Neuerungen – Datenproduktmanagement vs. klassisches Produktmanagement

Wie oben angedeutet, besteht der Open Product Management Workflow aus drei Phasen. Innerhalb der Arbeit habe ich mich insbesondere auf die erste Phase, die strategische, konzentriert. In dieser Phase, speziell in den Schritten Identify und Strategy, lassen sich signifikante Unterschiede zwischen dem klassischen Produktmanagement und dem des Datenproduktmanagements herausarbeiten. Dazu habe ich die existierenden Methoden und Vorgehensweisen daraufhin untersucht, ob sie dazu beitragen, systematisch die Erfolgsfaktoren zu erreichen. In den nachfolgend beschriebenen Fällen war dies nicht immer gegeben, weswegen ich Anpassungen vorgeschlagen habe.

Identify Problem

Festgestellte Unterschiede beginnen bereits bei der Problemermittlung. Datenprodukte zielen auf das Erfüllen menschlicher Bedürfnisse wie Neugierde, Entertainment und soziale Interaktion und können als Entscheidungsunterstützungen jeglicher Art dienen. Bei der Entscheidungsunterstützung spielen auch die Werttreiber – Informationsbedarf und Transparenz – eine wichtige Rolle. Zu beachten ist hierbei, dass nicht alle aus Datenprodukten entstehende Wertversprechen die Nutzer zu einer Zahlungsbereitschaft motivieren. Sie spielen dennoch einen wichtigen Anreiz für die Bereitschaft das Datenprodukt zu nutzen oder dienen zur Datenakquise.

Identify Data

Ist ein Problem erkannt, folgt die Ermittlung der benötigten Daten, um dieses zu lösen. Dahingegen muss das Potenzial der bereits vorhandenen Daten ermittelt werden und Entscheidungen bezüglich der weiteren Datenakquise müssen erfolgen. Inwieweit bestehende Daten noch aufbereitet werden müssen, aber auch, ob fehlende Daten extern beschafft oder selbst kreiert werden, spielt eine zentrale Rolle in diesem Schritt.

Identify Persona

Im klassischen Produktmanagement ist oftmals die Rede von User-Persona und Buyer-Persona. Hier geht es darum zu unterscheiden, welche Kundengruppen das Produkt nutzen und welche letzten Endes für das Produkt zahlen. Im Kontext der Datenprodukte ist diese Unterscheidung aus einem neuen Blickfeld zu betrachten. Die meisten Datenprodukte besitzen die Eigenschaft, dass aus ihrer Nutzung wiederum Daten resultieren, welche zur eigenen Optimierung des jeweiligen Datenprodukts dienen können.

Der Rücklauf an Daten wird durch sogenannte Feedback Loops beschrieben, welche den Wert des Datenprodukts sukzessiv steigern. Dieser Effekt wird durch eine wachsende Nutzerzahl verstärkt.

Eine hohe Nutzerzahl erreicht man unter anderem durch das Bereitstellen einer entgeltfreien oder kostengünstigen Nutzung für einen Großteil der adressierten Kunden. Die Umsatzgenerierung erfolgt auf anderen Wegen; beispielsweise durch Werbung, Premium-Angebote oder auch indirekt, indem das Datenprodukt zur Umsatzsteigerung eines anderen Produktes beiträgt. Zudem können die gesammelten Daten, oder auch Erkenntnisse aus diesen, direkt an Buyer-Persona verkauft werden. Neben diesen Aspekten müssen noch weitere Strategieentwicklungen durch die explizite Unterscheidung zwischen Nutzer und Käufer eines Datenprodukts aus einer neuen Perspektive betrachtet werden.

Customer Data Exhaust – das Unternehmen als Kunde für das eigene Produkt

Wie eben beschrieben, können Feedback Loops der Verbesserung oder Erweiterung der Value Proposition dienen. Doch wie erschließe ich anhand meines Produktangebots, an welchen Stellen ich weitere Daten erhalten kann und wobei können mir diese konkret weiterhelfen?

Der Erarbeitung einer kundenorientierten Value Proposition wird im Produktmanagement bereits zur Genüge Aufmerksamkeit gewidmet und diesbezüglich existieren bereits gängige Methoden, wie beispielsweise das Value Proposition Canvas von Alexander Osterwalder. Basierend auf einem solchen Modell können auch Feedback Loops erörtert werden. Hierzu wird das Unternehmen in die Rolle des „Kunden für das eigene Produkt“ gesetzt. Der Nutzer des Datenproduktes ist ausschlaggebend dafür, inwieweit Daten über die Produktnutzung zur Optimierung verwendet werden und so dem Unternehmen helfen, das Produkt zu verbessern. Die Company-Jobs stellen oft ein Aggregat der Anforderungen von zahlenden Dritten dar.

Data Value Chain – Modell zum Überblick der Wertschöpfung aus Daten

Wie der Name Datenprodukt bereits verrät, spielen Daten eine zentrale Rolle. Damit hier der Überblick von der Beschaffung bis zur Wertgenerierung bewahrt werden kann, empfiehlt sich die Data Value Chain als geeignetes Modell. Mithilfe der Data Value Chain lässt sich die Wertschöpfung aus den Daten veranschaulichen und die einzelnen Schritte lassen sich auf ihre Machbarkeit überprüfen. Hierbei unterstützt das eben vorgestellte Modell (Customer Data Exhaust) bei der gezielten Generierung von Feedback Loops, welche ebenfalls in die Data Value Chain einfließen. Mehr zum Thema Feedback Loops und der Data Value Chain kann in diesem Blogartikel nachgelesen werden.

Wie oben bereits erwähnt, ist neben dem Schritt Identify auch dem Schritt Strategy im Kontext der Datenprodukte gesonderte Aufmerksamkeit zu widmen.

Portfolio Strategy

Auch für Datenprodukte muss eine adäquate Ressourcenverteilung im Unternehmen sichergestellt werden. Zum Einen ist dabei zu beachten, auf welche Marktsegmente (im wesentlichen Unterscheidung zwischen Nutzer und Käufer) sowie Kundenbedürfnisse bzw. Werttreiber ein Datenprodukt zielt, und inwiefern die Datenprodukte sich gegenseitig beeinflussen. Zum Anderen sollte der Blick auf das Datenportfolio gerichtet werden. Die vorgestellte Data Value Chain hilft hierbei einen Überblick zu erhalten, welche Datenquellen und weiteren Schritte der Datenaufbereitung nötig sind. Aus der Priorisierung ergibt sich die nächste Produktiteration.

Pricing Strategy

In dieser Strategie wird der tatsächliche Verkaufspreis des Datenproduktes festgelegt. Zu beachten ist hierbei, um welchen Typ Datenprodukt es sich handelt und welche Kundengruppe konkret angesprochen werden soll. Wie unter dem Punkt Identify Persona bereits angedeutet, gibt es dabei verschiedene Vorgehensweisen. Die grundlegende Frage ist hierbei, ob die anvisierte Kundengruppe überhaupt für das Datenprodukt zahlen muss. Ist das nicht der Fall, stellt sich die Frage, wie anderweitig Umsatz generiert werden kann bzw. ab welchem Reifegrad des Produktes dies möglich ist. Viele Datenprodukte dienen als Service oder Zusatzleistung, ergänzend zu anderen Produkten, und erzielen so anfangs oder gar langfristig keinen direkten Umsatz. Eine sukzessive Wertsteigerung des Datenproduktes ist jedoch erstrebenswert. Tesla beispielsweise ermöglichte einige Gratis-Updates zu seinem Autopiloten, um weitere Daten sowie Analysemöglichkeiten auf dem Weg zum autonomen Fahren zu erhalten und dem Kunden einen Zusatznutzen bereitzustellen. Erst im weiteren Verlauf wurden auch kostenpflichtige Updates zur Verfügung gestellt.

Weitere typischen Strategien:

  • Daten direkt verkaufen
  • kostenfreies Angebot basierend auf Werbung
  • kostenfreie Basic-Services, kostenpflichtige Erweiterung zum Premium Service (auch Freemium-Modell genannt)
  • kostenfreies oder günstiges initiales Angebot, um den Kunden zum wiederholendem Kauf zu animieren (Bait & Hook)

Communication Strategy

Bei dieser Strategie ist zwischen der internen, interaktiven und externen Kommunikation zu unterscheiden. Die externe bzw. interaktive Kommunikation bezieht sich auf die Interaktion zwischen Unternehmen bzw. Mitarbeitern und dem Produktmarkt sowie Kunden und spielt für marketingtechnische Gesichtspunkte wie auch den Erfolgsfaktor der Community-Bildung eine wichtige Rolle. Damit wird weiterhin gewährleistet, die wahren Kundenbedürfnisse erschließen zu können und diese in weitere Entwicklungen mit einzubinden.

Die interne Kommunikation ist an die Stakeholder und das Data Science Team gewendet. Stakeholder sollten bereits von Anbeginn des Projektes klar über Vorgehen und Vorhaben informiert werden, damit mögliche Problemstellungen frühzeitig erkannt und behoben sowie die Erwartungshaltungen der einzelnen Personen abgestimmt werden können. Die Aufgabe des Datenproduktmanagers liegt hierbei in einer zielgruppenorientierten Darstellung von Informationen zum einfacheren Verständnis. Die Definition der Absicht, welche das Data Science Projekt verfolgt, sowie das Verdeutlichen der Potenziale, welche das Unternehmen dadurch erhält, gehören ebenfalls zu den Aufgaben. Der Datenproduktmanager bildet das kommunikative Bindeglied zwischen Unternehmen und Projektteam sowie zwischen Kunden und Projektteam.

Data Security Strategy

Das Thema Sicherheit und seine zugehörigen Komponenten bilden die Grundlage jedes Datenproduktes. Ohne entsprechenden sicheren Umgang mit Daten ist eine erfolgreiche Etablierung am Markt impraktikabel. Aus diesem Grund sollte diesem Bereich eine gesonderte Position in der Produktentwicklung zugeordnet werden. Eine Data Security Strategy legt alle relevanten Sicherheitsmaßnahmen im Umgang mit den unterschiedlichen Daten fest. Durch die Wichtigkeit und Größe des Themenfeldes sollten diesbezügliche Aufgaben unter der Kontrolle einer separaten Position erfolgen. Die Rolle eines CDO (Chief Data Officers) kommt diesen Anforderungen entgegen und etabliert sich in immer mehr Unternehmen. Der Datenproduktmanager kann in Zusammenarbeit mit dieser Position ein Art Data Governance Concept für das Datenprodukt erarbeiten. Wichtige Merkmale im Kontext der Datenprodukte sind die länderspezifischen Richtlinien, die vielen unterschiedlichen Datenquellen und vor allem der Umgang mit persönlichen Daten der Kunden.

Praxistauglichkeit der Annahmen und Modelle – Interviewergebnisse

Durch Interviews habe ich die erstellten Annahmen und Modelle auf ihre Praxistauglichkeit geprüft. Hierzu habe ich 10 Personen aus verschiedenen Firmen (u.a. Xing, Otto, eventim, mobile.de ) mit unterschiedlichsten Rollen wie Product Owner, Product Manager oder Data Scientists interviewt.

Auffallend dabei war, dass die Modelle für Unternehmen, die noch am Anfang der Datenproduktentwicklung stehen und/oder diese hauptsächlich für interne Optimierungsmaßnahmen verwenden, weniger nachvollziehbar waren als für diejenigen, die schon länger erfolgreich Datenprodukte am Markt anbieten. Verwendung finden hier die Modelle, um

  1. eine systematische Herangehensweise mit Nutzer-/Kundenfokus sicherzustellen,
  2. die Vollständigkeit der Data Streams, der Feedback Loops und der gegenseitigen Beeinflussung von Datenprodukten zu erhalten und
  3. die assoziierten Geschäftsmodelle besser zu verstehen.

Insbesondere die Klassifikation der Datenprodukte in unterschiedliche Typen und Geschäftsmodelle wurde zur besseren Darstellung der unterschiedlichen Umsatzquellen und zur Förderung der Kreativität bei der Produktfindung als sehr sinnvoll eingestuft.

Fazit

Die Big Player im Bereich der Datenanalyse und -aufbereitung (Google, Amazon, Facebook und Co.) machen es bereits vor, wie durch Datenprodukte eine Wertschöpfung erzielt werden kann. Zwar haben die meisten Unternehmen bereits die Chancen in diesem Bereich erkannt, dennoch ist anzumerken, dass die Themen Big Data, Data Science und weitere Bereiche der Wertgenerierung durch Daten noch in den Anfangsphasen stecken.

Mit meiner Bachelorarbeit habe ich einen Beitrag dazu geleistet, das Datenproduktmanagement systematischer aufzubauen und innerhalb des Produktmanagements gezielter auf die Anforderungen von datenbasierten Geschäftsmodellen eingehen zu können. Dies wird hoffentlich Produktmanagern zu Gute kommen, die in Zukunft Smart Services und andere intelligente Produkte für uns bauen werden.

Gerne stehe ich für weitere Anmerkungen sowie Rückfragen zur Verfügung und freue mich auf eure Kommentare.

Zuletzt noch ein herzliches Dankeschön an inovex für das Ermöglichen der Bachelorarbeit zu diesem spannenden Themengebiet und der reibungslosen Unterstützung!

comments powered by Disqus