DatenMarktplatz.NRW — Die vielversprechensten Use Cases und Geschäftsmodelle

This article is also available in English.

Co-Author: Johannes Mayer (WZL der RWTH Aachen University)

Die senseering GmbH ist ein 2018 gegründetes Unternehmen, das sich seit der Gründung auf die Erschließung der Brücke zwischen Anlagentechnik (Operational Technology (OT)) und Informationstechnik (IT) konzentriert. Neben der Digitalisierung von (Industrie-)Hardware befähigt das Start-Up zur Teilnahme an einem souveränen und selbst-bestimmten Datenaustausch (nach GAIA-X) zwischen Unternehmen, welcher eine lückenlos nachvollziehbare digitale Wertschöpfung gewährleistet. Hierfür hat senseering basierend auf dem IOTA-Tangle eine Multi-sided Plattform entwickelt.

Die Vision hinter dieser Plattform soll am Beispiel des DatenMarktplatz.NRW Realität werden, einem dann weltweit skalierbarem B2x-Datennetzwerks zur Monetarisierung von Daten und datengetriebenen Services (Abbildung 1). Die #DigitaleWirtschaftNRW als Pionier in einer Datenökonomie.

In Kooperation mit der Fachhochschule Aachen wurde im Wintersemester 2020/2021 ein Projekt/Praktikum initiiert, in welchem die Studierenden potenzielle Pilotbranchen für den DatenMarktplatz.NRW identifizieren und ihre Eignung im Sinne des Erzielens einer kritischen Masse an Stakeholder evaluieren sollten. Weiterhin sollte das bestehende Geschäftsmodell eines Plattformbetreibers analysiert werden.

Herzlichen Dank

Ein besonderer Dank gilt der Team 1 (Ilias Achoukhi, Andreas Braining, Lois Jacobs, Ramón Piotrowski, Jonas Wardaschka), Team 12 (Stefan Terbrack, Thomas Gatzweiler, Jonas Brede, Olivier Bormann, Jan-Erik Wirtz, Tobias Cronenbroeck, Constantin Peters), Team 6 (Johannes Halaoui, Joschua Schulte-Tigges, Marin Jukic, Rick Hermans, Yannic Gerads), Team 8 (Cindy Mund, Felix Aßmann, Joshua Dall, Oliver Töbermann, Niklas Karow, Jan-Niklas Martens), Team 2 (Erik Mues, Clemens Rüttermann, Tim Wiedenmann, Teddy Cedric Leonel Tchakote Tabeth, David Merlin Strothotte, André Fleischhacker), Team 9 (Jérome Comoth, Patrick Groß, Jeremy Hoffmann, Paul Kowalewski, Thomas Krude, Florian Lange), Team 7 (Ömer Dölek, Carsten Gassen, Alexander Haase, Hakan Köse, Dominik Nowak, Alexander Reuter, Jonathan Schumann), deren Arbeitsinhalte und –ergebnisse u. a. in diesem Artikel aufbereitet wurden. Tolle Arbeit, hat sehr viel Spaß gemacht!

Ein besonderes Dankeschön geht auch an Prof. Marco Motullo und Annette Schmahl des Lehrgebiets Digitales Marketing & Management für das Vertrauen in die senseering und die Durchführung der Veranstaltung!

Inhaltsverzeichnis

• 1. Was ist ein DatenMarktplatz?
• 2. Use Cases und Geschäftsmodelle
• 2.1. Use Case 1: Smart Cities
• 2.2. Use Case 2: Auditierung/Zertifizierung
• 2.3. Use Case 3: Big Data und KI
• 2.4. Use Case 4: Smart Weather
• 2.5. Use Case 5: Lebensmittelindustrie
• 3. Literatur

1. Was ist ein DatenMarktplatz ?

Im Zeitalter der Data Economy wird, begünstigt durch das Internet of Things (IoT), der Verfügbarkeit und Verwendung einer ganzheitlichen Datenbasis großes wirtschaftliches Potenzial zugeschrieben [1]. Neuartige digitale Leistungsangebote wie die Methoden der Künstlichen Intelligenz (KI) heben die Bedeutung von Daten auf ein neues Level. Der größte Nutzen von Daten für Geschäftsprozesse und Lieferketten resultiert dabei aus dem Austausch und Handel von Daten über die Unternehmensgrenzen hinweg mit anderen Organisationen.

DatenMarktplätze beschreiben dabei digitale Plattformen für den Handel mit Daten als wirtschaftliches Gut [2]. Sie vernetzen als Intermediäre verschiedene Stakeholder für den Datenaustausch miteinander und erschaffen infolge des Anbietens von Roh- und verarbeiteten Daten sowie datenbezogener Dienstleistungen (Data Science) sektoren- und branchenübergreifend ein neues Geschäftsmodell.

Die Hauptakteure eines DatenMarktplatzes sind, unabhängig davon ob es sich um Privatpersonen oder Unternehmen handelt,

• der Plattformbetreiber,
• die Datenanbieter/-verkäufer sowie
• die Datenabnehmer/-käufer [3].

Die technische Gestaltung einer Handelsplattform sollte die Möglichkeit bieten, dass eine große Anzahl potenziell registrierter Kunden Daten hochladen und verwalten kann. Die Datennutzung sowie ihr Zugriff werden mithilfe von programmierten Regeln definiert.

Die größte Herausforderung für DatenMarktplätze und den resultierenden Erfolg aller beteiligter Stakeholder ist eine entsprechend große, verfügbare und qualitativ hochwertige Datenbasis. Nur über entsprechende Anreizmechanismen zur Einhaltung eines definierten Qualitätsstandards und erst nach dem Überschreiten einer kritischen Menge an Datenanbietern und –abnehmern verfügt ein DatenMarktplatz über einen derartigen Datenfundus, der eine wirtschaftliche Optimierung ermöglicht.

Als relativ junge Erscheinung fehlt es den digitalen DatenMarktplätzen aktuell aber noch an Akzeptanz und Einsicht in den potenziellen Nutzen in der Realität. Unternehmen aus etablierten Branchen, wie die Automobilindustrie oder der Maschinenbau, sind teilweise schwer zu akquirieren. Häufig stehen der Aspekt des Vertrauens in die Datensicherheit sowie die Angst vor dem Verlust von Know-How/IP und Wettbewerbsvorteilen im Vordergrund.

Im Folgenden werden Anwendungsfälle für einen DatenMarktplatz beschrieben, welche den Einstieg in die Thematik aufgrund des Handels mit wenig sensiblen Daten ermöglichen und so das Potenzial eines DatenMarktplatzes für traditionell denkende Branchen offenbaren können.

Einige der Use Cases werden bereits auf dem DatenMarktplatz.NRW realisiert!

2. Use Cases und Geschäftsmodelle

Im Folgende wird jeweils eine Zusammenfassung der Ergebnisse der studentischen Arbeiten gegeben, sortiert nach Use Cases.

2.1. Use Case 1: Smart Cities

Ilias Achoukhi, Andreas Braining, Lois Jacobs, Ramón Piotrowski, Jonas Wardaschka. Stefan Terbrack, Thomas Gatzweiler, Jonas Brede, Olivier Bormann, Jan-Erik Wirtz, Tobias Cronenbroeck, Constantin Peters

Neben den industriellen Branchen verzeichnen Anwendungen aus dem Sektor der sog. Smart Cities (Städte, Kommunen…), wie bspw. Smart Grid, Smart Health Care, Smart Building etc., ein steigendes Wachstum. Die Möglichkeit neuer Geschäftsmodelle in verschiedenen Dienstleistungssektoren lässt einen Anstieg des Umsatzes dieser Branche von aktuell 36 Mrd. EUR (2020) auf 47 Mrd. EUR in 2030 erwarten [4].

Innerhalb Deutschlands existieren 81 Großstädte [5] sowie 621 mittelgroße Städte [6], die als potenzielle Stakeholder eines DatenMarktplatzes die notwendige kritische Masse erzeugen können. Eine der Hauptaufgaben innerhalb des Sektors Smart City, hier am Beispiel von Kommunen, ist die Förderung der Attraktivität einer Stadt, um Wohnraum und Lebensqualität zu schaffen, sowie die Steigerung der Nachhaltigkeit. Alleine im Jahr 2020 führten Verspätungen von rund 87 Stunden zu 405 Mio. EUR Staukosten für die Stadt München [7].

Ein besonderer Fokus liegt hierbei auf dem öffentlichen Personennahverkehr (ÖPNV) und seinen Aufgaben im Fahrplan- und Fahrroutenmanagement. Verspätungen der Transportmittel, die daraus resultierenden Kosten sowie der Imageverlust bei den Kunden gelten als die Kernprobleme im ÖPNV.

Auf einem DatenMarktplatz, an dem Städte, Hersteller von Verkehrsleitsystemen und Automobilherstellern partizipieren, können Daten für einen effizienten Verkehrsbetrieb, ein besseres Kundenverständnis sowie kostengünstigere Kundenbeförderungen in Echtzeit gehandelt werden (Abbildung 2).

Intelligente Ampel- und Radarsysteme, Parkhäuser und Verkehrsbetriebe bieten als Datenquellen das Potenzial für die Gestaltung eines effizienten Fahrplan- und Fahrroutenmanagements. Die Analyse der bereitgestellten Daten ermöglicht durch die Erfassung der Ursache-Wirkungszusammenhänge des Verkehrsaufkommens die Identifikation von möglichen Verspätungen, Verkehrsknotenpunkten sowie von Schwachstellen innerhalb des Fahrplans. Bei Bereitstellung von Standort- oder Zieldaten der Verkehrsteilnehmer besteht zusätzlich die Möglichkeit einer intelligenten Straßenführung und optimierten Ampelschaltung.

2.2. Use Case 2: Auditierungen/Zertifizierungen

Johannes Halaoui, Joschua Schulte-Tigges, Marin Jukic, Rick Hermans, Yannic Gerads, Cindy Mund, Felix Aßmann, Joshua Dall, Oliver Töbermann, Niklas Karow, Jan-Niklas Martens

Die Auditierung, Grundlage für eine Zertifizierung, gilt als standardisierter Prozess, mit dessen Hilfe die Einhaltung definierter Anforderungen geprüft und nachgewiesen wird [8]. Sie existieren sowohl im privaten Bildungssektor (z. B. Kenntnis einer Fremdsprache) als auch im industriellen Sektor (z. B. Qualitätszustand eines Produkts). Je nach Art weisen sie jedoch unterschiedliche Problemstellungen auf.

Bildungsbezogene Zertifizierungen unterliegen regionalen und überregionalen Qualitätsschwankungen und Datenschutzstandards. Erschwerend hinzu kommt die Tatsache, dass Zertifikatsmängel aufgrund der Zusammenkunft kleiner Teilnehmergruppen nur schwer zu identifizieren sind.

Im produzierenden Umfeld werden Standards innerhalb der eigenen Produktion und bei Lieferanten eingefordert. Diese Standards werden in regelmäßigen Abständen von Auditoren geprüft [9] und im Falle eines Zertifizierungsaudits anhand eines Zertifikaten bestätigt [10]. Ein wesentlicher Bestandteil dieser Prüfung ist die Analyse einer detaillierten und validen Daten- und Dokumentengrundlage durch den Auditor. Diese Aufgabe erfordert ein hohes Maß an Kommunikation und Aufwand zur Qualitätsprüfung und Analyse der Daten. Schlechte Kommunikation kann die Verfügbarkeit von Daten verzögern, fehlendes Know-How in der Analyse großer Datenmengen sogar den gesamten Zertifizierungsprozess gefährden.

Ein DatenMarktplatz schafft für die Zertifizierungsherausforderungen beider Sektoren Abhilfe (Abbildung 3). Bei der privaten Weiterbildung können Mängel schneller identifiziert und untereinander geteilt werden, sodass eine einheitliche und korrekte Zertifizierung stattfinden kann. Aufgrund des fehlenden Konkurrenzkampfs zwischen den bildungsbezogenen Zertifizierungsstellen ist die Bereitschaft Daten zu teilen existent.

Im Produktionsumfeld bietet diese Plattform die Grundlage für eine objektivere und ressourceneffizientere Remote-Auditierung. Daten zur Auditierung sind ohne Kommunikationsaufwand für jedes Unternehmen, welches eine Auditierung/Zertifizierung verlangt, verfügbar und können zur Überprüfung der einzuhaltenden Standards genutzt werden. Mithilfe von Datenanalysetools und Dashboard-Anwendungen mit konfigurierbaren Visualisierungen sind Unregelmäßigkeiten, Fehler und Trends schnell zu identifizieren und Prozesse zielgerichtet zu optimieren.

2.3. Use Case 3: Big Data und KI

Erik Mues, Clemens Rüttermann, Tim Wiedenmann, Teddy Cedric Leonel Tchakote Tabeth, David Merlin Strothotte, André Fleischhacker

Der Bedarf einer Datenanalyse mittels neuartiger Methoden ist für den wirtschaftlichen Erfolg eines Unternehmens unabdingbar [11]. Dennoch ist die Fachexpertise im eigenen Unternehmen aufgrund der Rarität des Berufsbildes Data Scientist häufig nicht vorhanden [12]. Die Weitergabe der Daten an Externe scheint die einzige Option zu sein, um Datenanalysen ohne eigene Data Science Erfahrung durchzuführen.

Viele Unternehmen haben jedoch große Vorbehalte gegenüber einem Datentausch, welcher über die eigenen Unternehmensgrenzen hinweg verläuft. KI-Start-Ups und andere Datenanalysedienstleister sind trotz der Vorbehalte abhängig von der Bereitschaft Daten zu teilen, um bestehende Produkte/Prozesse zu optimieren oder neue zu entwickeln.

Der GAIA-X-konforme DatenMarktplatz auf Basis einer Distributed Ledger Technologie bspw. schafft die notwendigen Grundlagen für einen manipulationsgeschützten, vertrauensschaffenden Datenhandel nach DSGVO-Standard und bietet so eine Plattform zur Vernetzung von datenbereitstellenden Stakeholdern ohne bzw. mit wenig Datenanalyse-Know-How und Data Scientists (Abbildung 4).

Bei Einwilligung der Datenanbieter können Datensätze verschiedener Stakeholder in einem Modell vereint werden, um bessere Ergebnisse für die Partizipierenden zu erzielen. Der Grund hierfür liegt in der Korrelation zwischen der Anzahl zugrundeliegender, qualitativ hochwertiger Daten und der Güte des KI-Modells. Von Vorteil wäre es, wenn vorab für das Teilen der Daten auf dem DatenMarktplatz ein einheitliches Datenformat sowie ein Score zur Messung der Datenqualität definiert werden würde. Der Aufwand der Datenaufbereitung kann durch dieses Prozedere minimiert werden.

2.4. Use Case 4: Smart Weather

Jérome Comoth, Patrick Groß, Jeremy Hoffmann, Paul Kowalewski, Thomas Krude, Florian Lange

Seit März 2020 ist es gesetzlich geregelt [13], dass Dienstleistungen des staatlichen Wetterdienstleisters Deutscher Wetterdienst (DWD) abseits der Warnungen vor Unwetter oder Radioaktivität sowie Leistungen für den Katastrophenschutz, zur Wahrung des Wettbewerbsrecht und des Markts entgeltlich zur Verfügung gestellt werden müssen [14]. Eigens erhobene Wetterdaten kann der DWD weiterhin kostenfrei zur Verfügung stellen.

Für Wetterdienstleister ist das Nutzen von qualitativ hochwertigen Wetterdaten, wie z. B. Temperatur, Luftdruck, Niederschlag und Windstärken, zur Erstellung von Wetterprognosen unabdingbar. Die Prognostizierbarkeit des Wetters geht dabei mit der zugrundeliegenden Datenbasis einher. Ein bisher ungenutztes Potenzial steckt bspw. in den Daten von privaten Messstationen, Gebäuden oder Windrädern.

Ein DatenMarktplatz zum Handel von Wetterdaten zwischen staatlichen und privaten Wetterdienstleistern, Land- und Forstwirtschaftsbetrieben sowie Privatpersonen bietet die Chance, die Prognosequalität zu erhöhen [15] und neue Erlösströme zu generieren [16] (Abbildung 5).

Die Verknüpfung der Daten von einer Vielzahl an Wettersensoren befähigt zu einer auf die Lokalität und Vorhersagegenauigkeit bezogenen, präziseren sowie auf den Kunden (Energie- und Landwirtschaft, Privatperson) besser abgestimmten Prognose [17].

2.5. Use Case 5: Lebensmittelindustrie

Ömer Dölek, Carsten Gassen, Alexander Haase, Hakan Köse, Dominik Nowak, Alexander Reuter, Jonathan Schumann

Die deutsche Lebensmittelindustrie birgt ebenfalls ein großes Potenzial für einen DatenMarktplatz [18]. Knapp 5.570 Betriebe [19] erwirtschaften aktuell bereits 163 Mrd. EUR Umsatz pro Jahr, Tendenz steigend [20]. Hohe Anforderungen an die Abwicklung des Beschaffungsprozesses sowie eine nicht einsehbare Lieferkette erschweren es, die Einhaltung der Qualitätsstandards selbst zu überprüfen und Dritten gegenüber nachzuweisen.

Auf Grundlage der Erfassung, Analyse und Auswertung der Daten entlang der Lieferkette kann die Lebensmittelindustrie die eigenen Produkte und deren Qualität optimieren, Kosten einsparen sowie das Image durch die nachweisbare Erfüllung sämtlicher Auflagen verbessern (Abbildung 6).

Die Analyse von Transportdaten leistet durch effizientere Energieverbräuche und minimale Transportwege einen Beitrag zur Nachhaltigkeit. Ein DatenMarktplatz fördert die Reaktionsfähigkeit auf Angebots-/ Nachfrageveränderungen, Transportstörungen und Preisschwankungen am Markt.

3. Literatur

[1] Lange, J.; Stahl, F.; Vossen, G.: Datenmarktplätze in verschiedenen Forschungsdisziplinen: Eine Übersicht; Springer Verlag Berlin Heidelberg 2017; DOI 10.1007/s00287–017–1044–3

[2] Meisel L.; Spiekermann M.: Datenmarktplätze — Plattformen für Datenaustausch und Datenmonetarisierung in der Data Economy; ISSN 0943–1624; 2019

[3] Täuscher, K.; Hilbig, R.; Abdelkafi, N.: Geschäftsmodellelemente mehrseitiger Plattformen; 2017; DOI: 10.1007/978–3–658–12388–8_7

[4] marktforschung.de. Boom bei Smart Cities. https://www.marktforschung.de/aktuelles/marktforschung/boom-bei-smart-cities/

[5] statista. Einwohnerzahl der größten Städte in Deutschland am 31. Dezember 2019. URL https://de.statista.com/statistik/daten/studie/1353/umfrage/einwohnerzahlen-der-grossstaedte-deutschlands/

[6] Wikipedia. Liste der Groß- und Mittelstädte in Deutschland. URL: https://de.wikipedia.org/wiki/Liste_der_Gro%C3%9F-_und_Mittelst%C3%A4dte_in_Deutschland

[7] Handelsblatt. STAUSTATISTIK — München ist Deutschlands Stauhauptstadt. URL: https://www.handelsblatt.com/auto/nachrichten/staustatistik-muenchen-ist-deutschlands-stauhauptstadt/25624756.html?ticket=ST-6980889-UebWUdgxGYfmv4Cit3X0-ap2

[8] DIN EN ISO 9001

[9] DIN EN 9104

[10] DIN 18200

[11] Pennekamp, J.; Glebke, R.; Henze, M.; Meisen, T.; Quix, C.; Hai, R.; Gleim, L.; Niemietz, P.; Rudack, M.; Knape, S.; Epple, A.; Trauth, D.; Vroomen, U.; Bergs, T.; Brecher, C.; Buhrig-Polaczek, A.; Jarke, M.; Wehrle, K.: Towards an Infrastructure Enabling the Internet of Production. In: Proceedings 2019 IEEE International Conference on Industrial Cyber Physical Systems (ICPS 2019). Taipei, Taiwan, 6.–9. Mai 2019. Piscataway, USA: IEEE, S. 31–37.

[12] Schürmann, H.: Datenanalysten sind rar. URL: https://www.vdi-nachrichten.com/karriere/datenanalysten-sind-rar

[13] Düsseldorfer Institut für Wettbewerbsökonomie, Ordnungspolitische Perspektiven — Wettbewerbssituation auf dem Markt für Wetterdienstleistungen, Januar 2018. http://dupress.de/fileadmin/redaktion/DUP/PDF-Dateien_/DICE/Ordnungspolitische_Perspektiven/93_OP_Haucap_Loebert.pdf

[14] Verband Deutscher Wetterdienstleister. URL: https://www.wetterverband.de/

[15] Düsseldorfer Institut für Wettbewerbsökonomie, Ordnungspolitische Perspektiven — Wettbewerbssituation auf dem Markt für Wetterdienstleistungen, Januar 2018. URL: http://dupress.de/fileadmin/redaktion/DUP/PDF-Dateien_/DICE/Ordnungspolitische_Perspektiven/93_OP_Haucap_Loebert.pdf

[16] Verband Deutscher Wetterdienstleister. URL: https://www.wetterverband.de/

[17] Scinexx das wissensmagazin. URL: https://www.scinexx.de/news/geowissen/corona-macht-wettervorhersagen-ungenauer/

[18] Statistisches Bundesamt. Anzahl der Betriebe in der Lebensmittelindustrie in Deutschland in den Jahren 2008 bis 2019. URL: https://de.statista.com/statistik/daten/studie/321182/umfrage/betriebe-inder-lebensmittelindustrie-in-deutschland/

[19] Statistisches Bundesamt. Umsatz der Lebensmittelindustrie in Deutschland in den Jahren 2008 bis 2019. URL: https://de.statista.com/statistik/daten/studie/164959/umfrage/umsatz-dernahrungsmittelindustrie- in-deutschland-seit-2005/

[20] Statistisches Bundesamt. Prognostizierte Umsatzentwicklung Ernährungsindustrie in Deutschland in den Jahren 2011 bis 2023. URL: https://de.statista.com/statistik/daten/studie/247972/umfrage/prognosezum-umsatz-in-der-ernaehrungsindustrie-in-deutschland/

senseering GmbH

Die senseering GmbH ist ein mit dem RWTH Aachen University Spin-Off-Award ausgezeichnetes und im September 2018 gegründetes Unternehmen. Kernkompetenz der senseering GmbH ist die Entwicklung und Implementierung von Systemen zur Digitalisierung und Vernetzung von Industrie- und Produktionsanlagen. Gleichermaßen berät die senseering GmbH bei strategischen Unternehmensfragestellungen, insbesondere bei der digitalen Transformation, bei Distributed-Leger-Technologies, bei Edge vs. Cloud-Computing-Architekturen zur KI-basierten Echtzeitregelung industrieller Prozesse, bei der Digital Business Model Innovation und bei der Einführung digitaler Geschäftsprozesse wie Home Office, Azure oder Microsoft365. Senseering gehört zu den Gewinnern des ersten und größten KI-Innovationswettbewerbs des BMWi mit dem Projekt www.spaicer.de.

Daniel Trauth (CEO) | www.senseering.de | E-Mail: mail@senseering.de