Ontwikkelen van Datagedreven business modellen
De groeiende beschikbaarheid van data biedt volop kansen voor innovatie in bedrijfsprocessen en businessmodellen. Data kan uit diverse bronnen verkregen worden en op allerlei manieren worden ingezet. Een aanbieder van een zogenaamde second-screen applicatie, waarmee kijkers live kunnen interacteren met een TV-programma, kan via de app data over kijkers verzamelen. Door deze data te analyseren ontstaat een beter begrip van gebruikers en kijkers waarmee de app, het tv-programma en mogelijk ook verbonden advertentie-inkomsten geoptimaliseerd kunnen worden. Een andere belangrijke bron van ‘nieuwe’ data is het Internet-of-Things (IoT). Door objecten in onze omgeving uit te rusten met sensoren en deze te verbinden met het internet kan data over deze objecten verkregen worden. De Nederlandse spoorwegen gebruiken dit om treinenstellen te monitoren en onderhoud daarmee te optimaliseren en meer voorspelbaar te maken. Bij autoverzekeringen wordt dit idee gebruikt door data over rijgedrag middels sensoren in de auto te meten en de hoogte van de premie uit de auto afhankelijk te maken van het gemeten rijgedrag. Zo zien we dat data op allerlei manieren in processen of businessmodellen kan ingrijpen en tot vernieuwing kan leiden. Het is interessant te zien dat nieuwe waarde vaak ontstaat door eigen interne data te koppelen met data van buiten. Externe data kan komen van (keten)partners maar ook van gespecialiseerde dataleveranciers of via vrijelijk beschikbare open data.
Meer Profijt uit Data
In het project Meer Profijt uit Data onderzocht Saxion samen met de Hogeschool van Amsterdam (HvA), Hogeschool Utrecht (HU) en Innovalor hoe (media)bedrijven structureel meer inzicht en waarde kunnen halen uit data en hoe zij daarmee hun businessmodel kunnen innoveren. Onderzoek (Mathis en Köbler, 2016) laat zien dat de kansen die data bieden niet vanzelfsprekend verzilverd worden. Bedrijven missen soms de kennis en processen om data te vertalen naar aantrekkelijke proposities en levensvatbare data-gedreven businessmodellen. Eén van de doelen van het project was daarom het ontwikkelen van een praktisch stappenplan voor ondernemingen voor het ontwikkelen van data-gedreven business modellen. Voor het stappenplan hebben we enkele bestaande modellen, methoden en ideeën gecombineerd. Aan de basis stonden een beschrijvend raamwerk voor data-gedreven businessmodellen van Hartmann (2014) en een innovatie aanpak van Brownlow (2015). Deze hebben we aangevuld met businessmodel concepten die belangrijk zijn voor het beschrijven van samenwerking in waardenetwerken (Bouwman et al., 2008). Als aanvullend praktisch hulpmiddel hebben we het idee van een morfologisch overzicht toegevoegd (Ritchey, 2013), een manier om in een ontwerpproces mogelijke oplossingen voor deelproblemen aan te reiken. Het overzicht werkt per stap met kaartjes die ontwerpkeuzes bieden voor te gebruiken databronnen, te selecteren business partners of te hanteren verdienmodellen etc.
Stappenplan voor data gedreven business model
Het stappenplan kent 6 stappen waarmee gaandeweg het businessmodel wordt opgebouwd. De eerste stap begint met het bepalen van de beoogde bedrijfsdoelstellingen en de beoogde data-innovatie. Hier gaat het om de vraag waarom je wilt innoveren, wat je wilt bereiken en wie daar voordeel van heeft. Vervolgens kijk je in stap 2 naar welke data daarvoor nodig is en uit welke bronnen je die data zou kunnen verkrijgen. In stap 3 onderzoek je welke data-activiteiten nodig zijn om waarde met de data te creëren. In stap 4 ontwikkelen we het waardenetwerk voor het businessmodel, een overzicht van benodigde partners en leveranciers en de onderlinge uitwisselingen. Vervolgens wordt in stap 5 het verdienmodel bepaald en kun je de financiële stromen tussen de betrokken spelers in het waardenetwerk intekenen. Ten slotte, in stap 6, gaat het om de te ondernemen acties om het businessmodel daadwerkelijk te implementeren. Je maakt een lijstje met de belangrijkste acties en plaatst deze op een routekaart.
Onderstaande tabel geeft een samenvatting van het stappenplan met doelen, beoogde resultaten en beschikbaar ondersteunend materiaal, meest kaartjes.
A design method for data driven business models
Bronnen
De Vos H., & Haaker T. (2008) The STOF Method. In: Bouwman H., De Vos H., Haaker T. (eds). Mobile Service Innovation and Business Models. Springer, Berlin, Heidelberg, pp. 115-136.
Brownlow, J., Zaki, M. Neely, A., & Urmetzer, F. (2015) Data and Analytics - Data-Driven Business Models: A Blueprint for Innovation. Working paper, Cambridge Service Alliance, University of Cambridge. Available from https://cambridgeservicealliance.eng.cam.ac.uk/resources/Downloads/Monthly%20Papers/2015MarchPaperTheDDBMInnovationBlueprint.pdf. [Accessed: 31st January 2019]
Hartmann, P., Zaki, M. E., Feldmann, N., & Neely, A. D. (2016) Capturing value from big data – a taxonomy of data-driven business models used by start-up firms. International Journal of Operations and Production Management, 36 (10), pp. 1382-1406.
Mathis, K., & Köbler, F. (2016). Data-Need Fit – Towards data-driven business model innovation, In: Morelli, N., De Götzen, A. & Grani, F. (eds.). Service Design Geographies. Proceedings of the ServDes.2016 Conference, Copenhagen, Denmark. Linköping University Electronic Press.
Ritchey, T. (2013). General Morphological Analysis: A general method for non-quantified modelling, Swedish Morphological Society.