Intäktsgenerering för data

Data monetarisering , en form av monetarisering , kan syfta på handlingen att generera mätbara ekonomiska fördelar från tillgängliga datakällor (analytics). Mindre vanligt kan det också hänvisa till handlingen att tjäna pengar på datatjänster. I fallet med analyser uppstår vanligtvis dessa fördelar som intäkts- eller kostnadsbesparingar, men kan också inkludera marknadsandelar eller vinster i företagens marknadsvärde. Intäktsgenerering för data utnyttjar data som genereras genom affärsverksamhet, tillgänglig exogen data eller innehåll, såväl som data som är associerade med individuella aktörer, såsom den som samlas in via elektroniska enheter och sensorer som deltar i internet of things . Till exempel genererar sakernas internet platsdata och annan data från sensorer och mobila enheter i en ständigt ökande takt. När dessa data sammanställs mot traditionella databaser, ökar värdet och användbarheten av båda datakällorna, vilket leder till en enorm potential att bryta data för socialt bästa, forskning och upptäckt, och uppnå affärsmål. Nära förknippade med intäktsgenerering för data är framväxande data som en tjänst- modeller för transaktioner som involverar data av dataobjektet.

Det finns tre etiska och reglerande vektorer involverade i monetarisering av data på grund av de ibland motstridiga intressena hos aktörer som är involverade i den digitala leveranskedjan . Den enskilde dataskaparen som genererar filer och registrerar genom egna ansträngningar eller äger en enhet som en sensor eller en mobiltelefon som genererar data har ett anspråk på ägande av data. Den affärsenhet som genererar data under sin verksamhet, såsom sina transaktioner med finansiella institutioner eller riskfaktorer som upptäcks genom feedback från kunder har också anspråk på data som samlats in genom deras system och plattformar. Den person som bidrog med uppgifterna kan dock också ha ett berättigat anspråk på uppgifterna. Internetplattformar och tjänsteleverantörer, såsom Google eller Facebook , som kräver att en användare avstår från ett visst ägande av sina data i utbyte mot användning av plattformen har också ett legitimt anspråk på data. Sålunda får metoden att tjäna pengar på data, även om den är vanlig sedan 2000, nu alltmer uppmärksamhet från tillsynsmyndigheter. Europeiska unionen och USA:s kongress har börjat ta itu med dessa frågor. Till exempel, i den finansiella tjänstesektorn, är regleringar som involverar data inkluderade i Gramm–Leach–Bliley Act och Dodd-Frank . Vissa enskilda skapare av data går över till att använda personliga datavalv och implementera koncept för hantering av leverantörsrelationer som en återspegling av ett ökande motstånd mot att deras data sammanförs eller aggregeras och säljs vidare utan kompensation. Grupper som Personal Data Ecosystem Consortium, Patient Privacy Rights och andra utmanar också företagssamarbete av data utan kompensation.

Finansiella tjänsteföretag är ett relativt bra exempel på en bransch som fokuserar på att generera intäkter genom att utnyttja data. Kreditkortsutgivare och detaljhandelsbanker använder kundtransaktionsdata för att förbättra inriktningen av korsförsäljningserbjudanden . Partners främjar i allt högre grad handlarbaserade belöningsprogram som utnyttjar en banks data och ger rabatter till kunderna på samma gång.

Typer av intäktsgenerering för data

  1. Intäktsgenerering för intern data – En organisations data används internt, vilket resulterar i ekonomiska fördelar. Detta är vanligtvis fallet i organisationer som använder analyser för att avslöja insikter, vilket resulterar i förbättrad vinst, kostnadsbesparingar eller undvikande av risker. Intäktsgenerering för intern data är för närvarande den vanligaste formen av intäktsgenerering, vilket kräver mycket färre säkerhet, immateriella rättigheter och juridiska försiktighetsåtgärder jämfört med andra typer. De potentiella ekonomiska vinsterna från denna typ av monetarisering av data begränsas av organisationens interna struktur och situation.
  2. Intäktsgenerering för extern data – En person eller organisation gör data de har tillgänglig mot avgift för externa parter, eller som mäklare för detsamma. Denna typ av intäktsgenerering är mindre vanlig och kräver olika metoder för att distribuera data till potentiella köpare och konsumenter. Den ekonomiska vinsten som blir följden av att samla in data, paketera och distribuera den kan dock vara ganska stor.

Steg

  1. Identifiering av tillgängliga datakällor – detta inkluderar data som för närvarande är tillgängliga för intäktsgenerering samt andra externa datakällor som kan öka värdet av det som för närvarande är tillgängligt.
  2. Anslut, aggregera, tillskriv, validera, autentisera och utbyt data - detta gör att data kan omvandlas direkt till handlingsbara eller intäktsgenererande insikter eller tjänster.
  3. Ställ in villkor och priser och underlätta datahandel - metoder för datakontroll, lagring och åtkomst. Till exempel har många globala företag låsta och silade datalagringsinfrastrukturer, vilket hindrar effektiv tillgång till data och samarbete och realtidsutbyte.
  4. Utför forskning och analyser – dra prediktiva insikter från befintlig data som grund för att använda data för att minska risker , förbättra produktutveckling eller prestanda, eller förbättra kundupplevelse eller affärsresultat.
  5. Handling och utnyttjande – den sista fasen av att tjäna pengar på data inkluderar att fastställa alternativa eller förbättrade datacentrerade produkter, idéer eller tjänster. Exempel kan vara realtidsutlösta aviseringar eller förbättrade kanaler som webb- eller mobilsvarsmekanismer.

Prissättningsvariabler och faktorer

  • En avgift för
    • användning av en plattform för att koppla ihop köpare och säljare
    • användning av en plattform för att konfigurera, organisera och på annat sätt bearbeta data som ingår i en datahandel
    • ansluta eller inkludera en enhet eller sensor i en dataförsörjningskedja
    • koppla ihop och ange en skapare av en datakälla och en dataköpare – ofta genom en federerad identitet
    • koppla en datakälla till andra datakällor som ska inkluderas i en dataförsörjningskedja
    • användning av en internettjänst eller andra överföringstjänster för att ladda upp och ladda ner data – ibland, för en individ, genom ett personligt moln
    • användning av krypterade nycklar för att uppnå säker dataöverföring
    • användning av en sökalgoritm speciellt utformad för att tagga datakällor som innehåller datapunkter av värde för dataköparen
    • länka en dataskapare eller generator till ett datainsamlingsprotokoll eller formulär
    • serveråtgärder – till exempel ett meddelande – som utlöses av en uppdatering av ett dataobjekt eller datakälla som ingår i en dataförsörjningskedja
  • Ett pris eller utbyte eller annat handelsvärde
    • tilldelas av en dataskapare eller generator till ett dataobjekt eller en datakälla
    • erbjuds av en dataköpare till en dataskapare
    • tilldelas av en dataköpare för ett dataobjekt eller en datakälla formaterad enligt kriterier som ställts in av en dataköpare
  • En inkrementell avgift som tilldelas av en dataköpare för en datapost eller en datamängd skalad till dataskaparens rykte

Fördelar

  • Förbättrat beslutsfattande som leder till crowdsourced forskning i realtid , förbättrad vinst, minskade kostnader, minskad risk och förbättrad efterlevnad
  • Mer effektfulla beslut (t.ex. fatta beslut i realtid)
  • Mer lägliga (lägre latens) beslut (t.ex. en leverantör som ger köprekommendationer medan kunden fortfarande är i telefon eller i butiken, en kund som ansluter till flera leverantörer för att upptäcka det bästa priset, utlöste aviseringar när tröskelvärdena för datavärden nås)
  • Mer detaljerade beslut (t.ex. lokaliserade prisbeslut på individ- eller enhets- eller sensornivå jämfört med större aggregat).
  • Riktad marknadsföring (t.ex. leverantörer med tillgång till big data kan göra riktade annonser till specifika kunder inom en uppsättning datapool, vilket minskar kostnaderna för annonsören och når de mest intresserade kunderna)

Ramar

Det finns en mängd olika branscher, företag och affärsmodeller relaterade till intäktsgenerering av data. Följande ramverk har erbjudits för att hjälpa dig att förstå vilka typer av affärsmodeller som används:

Roger Ehrenberg från IA Ventures, ett riskkapitalföretag som investerar i denna sektor, har definierat tre grundläggande typer av dataproduktföretag:

Bidragande databaser . Det magiska med dessa företag är att en kund tillhandahåller sin egen data i utbyte mot att få en mer robust uppsättning av aggregerad data tillbaka som ger insikt i den bredare marknaden, eller ger ett redskap för att uttrycka en åsikt. Ge lite, få mycket tillbaka – ett ganska övertygande värdeförslag, och ett som ofta resulterar i en betalning från databidragsgivaren i utbyte mot att få berikad, aggregerad data. När dessa bidragande databaser väl har utvecklats och kunderna blir beroende av sina insikter blir de extremt värdefulla och beständiga datatillgångar.

Databehandlingsplattformar . Dessa företag skapar barriärer genom en kombination av komplexa dataarkitekturer, proprietära algoritmer och rik analys för att hjälpa kunder att konsumera data i vilken form de vill. Ofta har dessa företag speciella relationer med nyckeldataleverantörer, som när de kombineras med annan data och bearbetas som helhet skapar värdefull differentiering och konkurrenshinder. Bloomberg är ett exempel på en kraftfull databehandlingsplattform. De hämtar in data från ett brett utbud av källor (inklusive sin egen hemodlade data), integrerar den i en enhetlig ström, gör den förbrukningsbar via en instrumentpanel eller via ett API och erbjuder en robust analyssvit för ett häpnadsväckande antal användningsfall. Det behöver inte sägas att deras omfattning och lönsamhet är branschens avundsjuka.

Plattformar för att skapa data . Dessa företag löser irriterande problem för ett stort antal användare och till sin natur fångar de ett brett spektrum av data från sina kunder. När dessa datamängder växer blir de allt mer värdefulla för att göra det möjligt för företag att bättre skräddarsy sina produkter och funktioner och rikta in sig på kunder med mycket kontextuella och relevanta erbjudanden. Kunder registrerar sig inte för att direkt dra nytta av datatillgången; produkten är så värdefull att de helt enkelt vill ha de funktioner som erbjuds direkt från förpackningen. Eftersom produkten blir bättre med tiden, cementerar den bara inlåsningen av vad som redan är en framgångsrik plattform. Myntverket var ett exempel på denna typ av verksamhet. Människor såg värde i kärnprodukten. Men produkten fortsatte att bli bättre när mer kunddata samlades in och analyserades. Det fanns inga nätverkseffekter i sig, men den stora omfattningen av den datatillgång som skapades var en viktig del av att förbättra produkten över tid."

Selvanathan och Zuk erbjuder ett ramverk som inkluderar "metoder för intäktsgenerering som ligger utanför gränserna för de traditionella värdefångningssystem som används av ett företag... anpassade för att matcha kontexten och konsumtionsmodellerna för målkunden." De erbjuder exempel på "fyra distinkta tillvägagångssätt: plattformar, applikationer, data-som-en-tjänst och professionella tjänster."

Exempel

Immaterialrättslandskap

Några av de patent som utfärdats sedan 2010 av USPTO för att tjäna pengar på data som genereras av individer inkluderar; 8,271,346, 8,612,307, 8,560,464, 8,510,176 och 7,860,760. Dessa är vanligtvis i klass 705 relaterade till elektronisk handel, databehandling och kostnads- och prisbestämning. Vissa av dessa patent använder termen, dataförsörjningskedjan för att spegla framväxande teknologi för att sammanföra och aggregera data i realtid från många individer och enheter som är länkade till varandra via sakernas internet . Ett annat framväxande begrepp är informationsbank.

En outforskad men potentiellt störande arena för att tjäna pengar på data är användningen av Bitcoin- mikrobetalningar för datatransaktioner. Eftersom Bitcoins dyker upp som konkurrenter med betaltjänster som Visa eller PayPal som enkelt kan möjliggöra och minska eller eliminera transaktionskostnader, kan transaktioner för så lite som en enda datapost underlättas. Konsumenter, såväl som företag som vill tjäna pengar på sitt deltagande i en dataförsörjningskedja, kan snart komma åt sociala nätverksaktiverade Bitcoin-utbyten och plattformar. Clickbait och datakapning kan vissna ut eftersom mikrobetalningar för data är allestädes närvarande och aktiverade. Potentiellt kan även det nuvarande behovet av att bygga ut datamäklarhanterade datahandelsbörser förbigås. Stanley Smith, som introducerade begreppet dataförsörjningskedjan, har sagt att enkla mikrobetalningar för intäktsgenerering av data är nyckeln till utvecklingen av allmänt förekommande implementering av användarkonfigurerbara dataförsörjningsscheman, vilket möjliggör intäktsgenerering för data i en universell skala för alla dataskapare, inklusive spirande internet av saker.

Se även

Hämtad från " https://sv.wikipedia.org/w/index.php?title=Data_monetization&oldid=1133967316 "