Was sind Daten Wert? Drei Ansätze für die Bestimmung

Dr. Henning Stolze, Leiter Data Governance & Data Management, EOS Deutscher Inkasso-Dienst, über die Messung von Datenwerten aus zwei unterschiedlichen Blickwinkeln: Zum einen aus Perspektive der Verbraucher und Verbraucherinnen, praktisch der Angebotsseite der Daten. Zum anderen aus Sicht von Unternehmen, die Daten anfragen, um diese gewinnbringend in ihren Prozessen einzusetzen.

von Dr. Henning Stolze, EOS Deutscher Inkasso-Dienst

Die Fra­ge, was Da­ten wert sind, lässt sich so ein­fach nicht be­ant­wor­ten. Denn: für un­ter­schied­li­che Par­tei­en kann es auch un­ter­schied­li­che Ant­wor­ten ge­ben. Die ak­tu­el­le EOS Stu­die „Was sind Da­ten wert?“ be­schäf­tigt sich ein­ge­hen­der mit die­ser The­ma­tik und be­leuch­tet da­bei das Da­ten­an­ge­bot durch Ver­brau­cher. Dem­nach wür­den 78 Pro­zent der Deut­schen ei­nem ver­trau­ens­wür­di­gen Un­ter­neh­men ih­re Da­ten ver­kau­fen. Das zeigt: Die Er­kennt­nis, dass ih­re Da­ten et­was wert sind, ist bei den Ver­brau­chern an­ge­kom­men. Über den ge­nau­en Wert der Da­ten be­steht al­ler­dings noch gro­ße Un­si­cher­heit. Nur die Hälf­te der Be­frag­ten hat ei­ne kon­kre­te Preis­vor­stel­lung – mit brei­ter Span­ne zwi­schen we­ni­gen Eu­ro bis zu über 500 Euro.

Diese unkonkrete und teilweise sehr hohe Preisvorstellung ist unter anderem darin begründet, dass es für die Kunden und Kundinnen schwer einzuschätzen ist, was mit ihren Daten in den Unternehmen genau passiert und welchen Mehrwert sie dem Unternehmen damit bieten. Grundlage für einen Datenaustausch ist zudem immer das Vertrauen, dass die Datenweitergabe ohne Risiko ist. Außerdem glauben Verbraucher häufig, dass stets alle Aspekte ihrer Daten für das Unternehmen wertvoll seien und es um sie persönlich ginge. Das ist aber oft gar nicht der Fall, wenn wir uns die Datennutzung in den Unternehmen anschauen. Hier gilt es die Unterschiede klarer aufzuzeigen und Daten in unterschiedliche Kategorien einzuordnen.

Den Wert von Daten bestimmen: Cost-, Market- oder Value-Approach

Auf der Unternehmensseite durchläuft die Rolle von Daten (und damit auch der Wert) verschiedene Stationen. Dies gilt für die Datenwirtschaft im Allgemeinen, aber auch im Rahmen einer zunehmenden Datenreife für jedes Unternehmen im Einzelnen. Im einfachsten Fall nehmen Daten eine unterstützende Rolle ein, etwa im Reporting als Grundlage für Business-Entscheidungen. Hier kann ihr Wert grob über die Wiederbeschaffungskosten bestimmt werden, indem man sich die Frage stellt, was ein Datenverlust kosten würde – dem sogenannten Cost-Approach.

Nach dieser Stufe übernehmen Daten immer mehr die Rolle eines Enablers für Prozesse und Produkte. Hier befinden sich aktuell die meisten Unternehmen.

Damit stehen wir an der Schwelle, an der Daten selbst zum Produkt werden – sie könnten gemäß Angebot und Nachfrage auf Märkten gehandelt werden (Market-Approach). Solche Märkte sind aber noch in einer sehr frühen Phase und erst im Begriff, zu entstehen.”

Solange dieser echte Markt fehlt, ist eine Nutzenbetrachtung (Value-Approach) ein guter Ansatz, den Wert von Daten zu bestimmen. Es gilt die Frage zu beantworten, welchen zusätzlichen Nutzen die Daten in den Geschäftsprozessen generieren. Eine sinnvolle Lösung ist, den wichtigsten Datenfeldern ein konkretes Preisschild umzuhängen und den jeweiligen Wert klar zu bestimmen. Das ist ein erster wichtiger Schritt, um mit Daten so umzugehen, als seien sie Assets.

Drei Beispiele für einen Added-Value-Ansatz

1.Schwankungen in der Datenqualität mit konkreten Euro-Werten beziffern

Zur Wert­be­stim­mung nach dem Ad­ded-Va­lue-An­satz bie­tet es sich an, die Per­for­mance von Pro­zes­sen ein­mal mit und ein­mal oh­ne be­stimm­te Da­ten­fel­der an­zu­schau­en. Dies kann ganz tri­vi­al und im For­de­rungs­ma­nage­ment bei­spiels­wei­se mit fol­gen­der Fra­ge ver­knüpft sein: Wie ent­wi­ckelt sich der durch­schnitt­li­che Zah­lungs­ein­gang, nach­dem man ei­ne neue Kon­takt­mög­lich­keit zum säu­mi­gen Kun­den be­kom­men hat? Et­wa ei­ne ak­tu­el­le Adres­se oder Te­le­fon­num­mer. So lässt sich er­mit­teln, wel­chen Wert die je­wei­li­ge In­for­ma­ti­on im In­kas­so­pro­zess tat­säch­lich hat und wel­chen (fi­nan­zi­el­len) Auf­wand man als Un­ter­neh­men ma­xi­mal be­trei­ben soll­te, um sie zu erhalten. 

2.Datengestützte und konventionelle Prozesse vergleichen

Machine-Learning- und KI-Modelle helfen dabei, den konkreten Verlauf des Forderungsmanagements individuell anzupassen. Mit ihrer Hilfe lässt sich bestimmen, welche Kommunikationskanäle am besten zu den jeweiligen Verbrauchern passen und die geeignetste Ansprache wählen. Der Erfolg dieses datengetriebenen Ansatzes ist messbar: Nach unseren Erfahrungen führt er, verglichen mit der konventionell bearbeiteten Kontrollgruppe, zu einem um zehn Prozent höheren Zahlungseingang. Umgekehrt erlauben die Modelle auf Maßnahmen zu verzichten, die wenig erfolgversprechend sind. So werden effizient Kosten und Ressourcen gespart.

Die verwendeten Daten in solchen Inkasso-Modellen sind vielfältig. Die Basis bilden Informationen zu Kunden (zum Beispiel Alter oder ob ein Arbeitsverhältnis besteht), Forderungen (beispielsweise Ursprung und Höhe der Forderung) und dem bisherigen Bearbeitungsverlauf (Wurde schon einmal gezahlt? Wann war die Person am Telefon erreichbar?). Auch hier ist die Anwendung des Added-Value-Ansatzes relativ einfach möglich: Die Daten werden den Modellen schrittweise entzogen, auf denen sie aufgebaut sind. Über einen Vergleich der Ist-Werte mit den simulierten Ergebnissen mit reduzierten Datensätzen lässt sich eine gute Vorstellung vom Nutzenbeitrag einzelner Datenfelder bekommen.

3.Datenwerte mittels Propensity Score schätzen

Eine drit­te Mög­lich­keit, den Ad­ded-Va­lue zu be­stim­men, er­for­dert et­was sta­tis­ti­schen Ein­satz. Das Ge­dan­ken­mo­dell ist je­doch sehr ein­fach und ein­leuch­tend: Es wer­den so­ge­nann­te sta­tis­ti­sche Zwil­lin­ge ge­sucht, al­so z.B. zwei säu­mi­ge Zah­ler, die sich mög­lichst nur in dem zu be­wer­ten­den Merk­mal un­ter­schei­den. Der ei­ne Zwil­ling soll das zu un­ter­su­chen­de Da­ten­feld tra­gen, bei dem an­de­ren soll es feh­len. An­sons­ten glei­chen sich die bei­den. Mit ei­nem Pro­pen­si­ty-Score-Schät­zer kann dann der Ein­fluss die­ses ei­nen Da­ten­fel­des auf die Per­for­mance ab­ge­bil­det wer­den, in­dem der EBT-Bei­trag bei­der Zwil­lin­ge mit­ein­an­der ver­gli­chen wird.

Mit die­sen ein­fa­chen An­sät­zen kön­nen schnell ers­te Schrit­te ge­macht wer­den, um den Wert von Da­ten im Un­ter­neh­men sicht­bar zu ma­chen. Mitt­ler­wei­le ak­tua­li­sie­ren wir die er­mit­tel­ten Wer­te re­gel­mä­ßig und stel­len sie un­se­ren Da­ta Ow­nern im Da­ta Dic­tio­na­ry zur Ver­fü­gung. Mit­tel­fris­tig soll der Wert der Da­ten in Kern-KPIs und Ma­nage­ment-Sys­te­men ver­an­kert wer­den. Ne­ben die­sem di­rek­ten Feed­back sind die Er­kennt­nis­se je­doch auch ein Bau­stein im Busi­ness-Ca­se, der die In­fra­struk­tur zur dis­po­si­ti­ven Da­ten­hal­tung rechtfertigt.

Daten als Basis für Investitionsentscheidungen und individualisierte Angebote

Die Anforderungen an analytische Infrastrukturen wachsen schnell. Als Grundlage für die Modellentwicklung kann z.B. ein umfangreiches Datawarehouse auf Basis von Exasol dienen. In diesem Fall können Data Scientists gängige Python-Frameworks nutzen, die sich über JSON-Objekte in Echtzeit mit dem Inkassosystem austauschen. Wir setzen in unserem Kernsystem beispielsweise auf Microservices, die über einen Kafka-Bus kommunizieren und haben auf der dispositiven Seite ein Data-Lake von Cloudera im Einsatz, um schnell alle Daten nutzen zu können. Auch hier hilft das konkrete Wissen um den Wert von Daten, um kluge Investitionsentscheidungen zu treffen und die Datenerschließung fokussiert zu betreiben.

Neben der analytischen Erschließung der Daten im Inneren liegt es auf der Hand, zusätzliche Daten extern zu erheben. Die EOS Studie zeigt: Banken sind in Punkto Vertrauen klar im Vorteil. Dieser Vorsprung kann ausgebaut werden, indem die Datennutzung transparenter wird. Dabei sollte diversifiziert werden:

Statt zu fragen, ob Daten grundsätzlich erhoben werden, sollte die Frage lauten, wieviel die Kund*innen jeweils preisgeben möchten und welche Gegenleistung sie dafür erhalten. Banken könnten ihrer Kundschaft je nach Bereitschaft zur Datenfreigabe unterschiedliche Services anbieten.”

Auch bei der Kreditvergabe kann das funktionieren, z.B. indem die Bank für die Preisgabe von Daten Rabatte einräumt. Denn: Je besser sie den Kunden kennt, desto besser kann sie die Ausfallrisiken einschätzen.

PSD2: Chancen fürs Forderungsmanagement – und Verbraucher

Ein weiteres Thema, dass sich aus verschiedenen Perspektiven diskutieren lässt, ist die Nutzung von Kontoinformationen auf Basis von PSD2. Dies wird nur funktionieren, wenn Unternehmen komplett transparent machen, welchen Nutzen die Kunden von einem solch tiefen Einblick in ihre Daten haben. Bezogen aufs Forderungsmanagement könnte beispielsweise ein flexibler und individueller Plan zum Schuldenabbau einen Mehrwert stiften, für den säumige Zahler den Blick ins Konto zuzulassen. Zumal wenn sichergestellt ist, dass Raten nur noch vom Konto abgebucht werden, wenn dieses dadurch nicht in den Dispo rutscht und ein angemessener finanzieller Spielraum übrig bleibt.

Daten sind ein nicht mehr wegzudenkender Baustein vieler Geschäftsmodelle geworden. Um sich als Unternehmen auch für die Zukunft eine gute Datengrundlage zu sichern und die rasch wachsenden Möglichkeiten der analytischen Technologien zu nutzen, muss die Erhebung von Daten partnerschaftlich mit den Kunden erfolgen, so dass der Wert der Daten für beide Seiten spürbar wird.Dr. Henning Stolze, EOS