In Affärsmodellbloggen

big-data

Big data = big value?

1943 menade chefen för IBM, Thomas Watson, att det skulle komma att finnas en världsmarknad för kanske fem datorer. 70 år senare kan det vara svårt att tänka sig färre än fem uppkopplade enheter. Per hushåll. Till Watsons försvar kan sägas att 40-talets 1000-kilosjättar till datorer knappast visade någon antydan till den centrala roll dagens datorer spelar i vår vardag. Vi spenderar allt mer av vår vakna tid på digitala enheter som datorer, mobiler och surfplattor. Dock går vårt beteende inte ouppmärksammat förbi, och allt fler företag visar intresse för de digitala fotspår vi lämnar efter oss: data.

”I think there is a world market for maybe five computers.”
Thomas Watson, president of IBM, 1943

Det skapas idag otroliga mängder data. IBM räknar med att det, fram till år 2020, kommer att ha skapats 40 000 exabytes data. Det är 40 000 miljarder gigabytes. För att sätta detta i perspektiv kan sägas att endast fem exabytes räcker för att lagra alla ord från alla existerande språk i världen. Big data har gått från att vara ett obskyrt modeord för IT-experter till en resurs som blir alltmer vital för företags övergripande affärsstrategier. Idag är det framförallt kunddata som ligger till grund för den digitala guldgruva som lockar chefer och CIOs till IT-världens nya Klondike. Hur kan då tillgången till data utnyttjas i monetära syften? Vilka affärsmodeller lämpar sig för detta nya binära affärslandskap?

Jag kommer i detta blogginlägg analysera databaserade affärsmodeller med utgångspunkt i tre perspektiv: förädlingsgrad av data, kundvärde av data samt företagsnyttan av data.

Databaserade affärsmodeller kan kategoriseras utifrån en förädlingshierarki

En dimension som affärsmodeller kan utgå ifrån är till vilken grad som data förädlas gentemot kunder. Med utgångspunkt i detta perspektiv kan tre kategorier av affärsmodeller åskådliggöras. Strategi- och designföretaget Business Models Inc beskriver dessa kategorier som en värdepyramid. I botten av denna pyramid finns affärsmodeller som bygger på konceptet ”Data as a Service” (DaaS). Dessa modeller bygger i mångt och mycket på att förse kunder med strukturerad och bearbetad data i den mån att kunden själv kan skapa specifika lösningar för sina kunder. Nyckelaktiviteter i detta fall inkluderar att skapa, marknadsföra och förhoppningsvis sälja data till låg kostnad. I och med att datan i detta fall endast utgör en stödfunktion för kunder som använder den för att skapa egna värdeerbjudanden, blir intäkterna oftast lägre, i vissa fall gratis, i förhållande till andra affärsmodeller.

Ovanför DaaS i hierarkin ligger den andra typen av affärsmodeller ”Information as a Service” (IaaS). Den gruppen av affärsmodeller bygger på att erbjuda insikter som skapats genom någon form av analys av tillgänglig data. Detta värdeerbjudande riktar sig främst till kunder som saknar resurser eller förmågor att själva genomföra mer genomgående analyser. Kundens arbete bygger i detta fall på att komma fram till egna slutsatser eller skapa egna produkter utifrån informationen som erbjuds. IaaS kräver mer resurser och aktiviteter jämfört med DaaS, men här skapas också ett större värde, vilket oftast resulterar i bättre intäkter. Ett exempel på IaaS är de så kallade ”health tracking”-produkterna, likt FitBit. FitBit samlar, aggregerar och visualiserar data om privatpersoners hälsoaktiviteter, vilka sedan kan analyseras och utgöra grund för relaterade beslut (bör jag äta mer kalorisnålt, träna mer eller förbättra mitt sömnmönster?).

På toppen i hierarkin befinner sig modeller kallade ”Answers as a Service” (AaaS). Istället för att enbart leverera information som grund till åtgärdsbaserade beslut, erbjuder AaaS färdiga svar på specifika frågor. Ett exempel är den amerikanska appen Mint som hjälper privatpersoner att kontrollera och budgetera sin personliga ekonomi. Genom att få tillgång till bank- och kreditkortsuppgifter kan Mint spåra, analysera och visualisera information om ens konsumtionsmönster. På den andra änden av bordet finns kreditföretagen som är mer än villiga att betala för privatpersoners transaktionsinformation. Svaren i denna affärsmodell bygger på att Mint utifrån konsumenternas köpbeteende kan marknadsföra kreditkort som erbjuder bättre räntor eller lägre avgifter baserat på konsumenternas specifika behov.

pyramidas

Kunddata blir digital hårdvaluta

I och med att just kundernas data är byggstenarna som utgör hela denna värdepyramid blir det allt viktigare för företag att förstå hur kunder värderar sitt data. En undersökning av Harvard Business Review från 2014 visar exempelvis att tyska konsumenter värderar personlig hälsoinformation till nästan 200 dollar per person, medan kinesiska konsumenter värderar samma data till knappt 2 dollar per person. Detta kan jämföras med data om köphistorik samt demografisk information som samma konsumenter värderar till under 5 dollar per person. Här påvisas skillnader inte endast mellan kulturer men även mellan olika typer av data.

Förståelsen för det upplevda kundvärdet av data hos företag kommer att bli en allt viktigare faktor vid utveckling av databaserade produkter och tjänster. Värdemässigt kan tre typer av data nämnas: själv-rapporterad data, digitalt beteende samt profilerad data. Självrapporterad data, där konsumenten själv informerar om data som kön, ålder eller nationalitet utgörs oftast av demografisk och geografisk information. Detta är information som konsumenter själva oftast värderar relativt lågt. Digitalt beteende syftar till de spår som lämnas av konsumenter efter exempelvis webbsurfing eller sökhistorik. Denna information visar konsumenternas digitala uppförande och är således högre värderad både av konsumenter och företag.

Slutligen kommer profilerad data. Detta är kundprofiler som skapas med syfte att prediktera konsumenters digitala intressen och beteenden. Det är framförallt de så kallade psykografiska variablerna som företag vill kartlägga, i form av social klass, livsstil samt personliga uppfattningar. I och med att bredden och känsligheten av informationen ökar, ökar även konsumentens förväntningar på det värde som erbjuds av företaget i fråga. Ett exempel är Facebook, som samlar alla tre typer av data. Trots att Facebooks intäktsmodell bygger på att man säljer denna information till tredjeparter samt genomför riktad marknadsföring, används även data till att förbättra produkten i form av förbättrade sociala möjligheter och kommunikationsförbindelser.

Ytterligare ett exempel är Googles prediktiva applikation Google Now som skapar en automatiserad virtuell assistent baserad på profilerad konsumentdata. Genom tillgång till användarnas email, plats, kalender med mera kan Google Now notifiera konsumenter om när det är dags att gå på möte, hur de ska ta sig dit samt visualisera en karta för att underlätta färden. I Harvard Business Reviews undersökning var två tredjedelar av de tillfrågade villiga att dela med sig av personlig information för att få tillgång till de tjänster som Google Now erbjuder.

Företagsnytta kräver tillförlitlighet

Utifrån typen av data som efterfrågas ställs företag med digitala affärsmodeller inför en avvägning gällande vem kundinformationen främst ska nyttja – kunden eller företaget. Detta är en fördelning som oftast går hand i hand med vilken typ av data som efterfrågas av kunden. Ju mer kvalitativ data som efterfrågas, desto högre förväntningar har konsumenten oftast på produkten som erbjuds. Samtidigt är det också högkvalitativ profilerad data som genererar mest intäkter vid försäljning till tredjepartsföretag.

För att få tillgång till kvalitativ profilerad data ställs ofta krav på transparens och tillförlitlighet på företagen. Denna tillförlitlighet skiljer sig ofta mellan företag i olika branscher. Exempelvis ansåg 87 % av de tillfrågade i HBRs undersökning att de litade på sina primära läkare när det gällde användning av personlig data. Detta kan ställas mot endast 56 % som ansåg att sociala medieföretag var tillförlitliga när det gällde hantering av personlig data. Just tillförlitligheten kan ha stor betydelse när det gäller att samla in mer kvalitativ data, oberoende av vilket värde man erbjuder kunderna. Som exempel innebär detta att om både Amazon och Facebook skulle lansera en mobil plånbokstjänst, skulle Amazon, som fick bättre tillförlitlighetsbetyg än Facebook, få bättre kundacceptans än Facebook.

Detta tyder på att säkerhet och tillit gällande personlig data ökar i värde hos kunderna. När säkerheten beträffande personlig data äventyras, som i fallet då Apples iPhoto-konton blev hackade och hundratals privata foton på kändisar offentliggjordes, ökar misstron mot varumärket. Långsiktigt blir det därför allt viktigare för företag att inte bara förbättra hanteringen och säkerheten av personlig data, men också att kommunicera detta till användarna. Dessutom ökar också det politiska trycket på digitala jättar som Google, Apple och Facebook. Nya lagar som ska garantera användarnas säkerhet och medgivande implementeras alltmer flitigt, framförallt i Europa.

Slutligen kan sägas att de tre beskrivna dimensionerna förädlingsgrad, kundvärde samt företagsnytta inte är oberoende av varandra. För att skapa större företagsnytta krävs ofta ett större kundvärde i utbyte, vilket i sin tur kräver högre förädlingsgrad av data. Detta innebär större krav på tillförlitlighet för att få tillgång till mer kvalitativ data. De digitala organisationerna kan se möjligheten i detta genom att leda förändringen mot ett digitalt säkrare samhälle, istället för att endast följa lokala regler med ett minimum av transparens mot användare. För i en informationsekonomi där personlig data är den nya hårdvalutan blir företagens tillförlitlighet en allt viktigare del av det värde de kan erbjuda.

Recent Posts

Leave a Comment

Denna webbplats använder Akismet för att minska skräppost. Lär dig hur din kommentardata bearbetas.