Cos’è la data monetization e come implementarla in azienda

Lo scopo di tutte le attività che vengono pianificate ed effettuate all’interno di qualunque azienda è quello di creare profitto. L’uso dei dati, in quanto nuovo asset aziendale, mantiene questa linea. Esistono diversi modi di utilizzare i dati aziendali, ed anche in questo senso lo scopo finale è cercare di trarne vantaggio e profitto. La Data Monetization riguarda proprio questo aspetto perché consente all’azienda di ottimizzare e generare ricavi grazie ad un uso intelligente dei propri dati creando valore a partire da essi.

Gartner definisce la Data Monetization come il processo di impiego dei dati per ottenere un beneficio economico quantificabile. Si tratta, in altre parole, di generare vantaggi economici misurabili dalle fonti dato disponibili.

Tutto ciò può avvenire internamente all’azienda attraverso lo sviluppo di strategie e progettualità basate sugli Analytics, oppure esternamente, proprio come accade per prodotti e servizi, attraverso la vendita, lo scambio o la condivisione dei propri dati con attori esterni. Parliamo quindi di Data Monetization diretto (o esterno) e Data Monetization indiretto (o interno).

Immagine promozionale per il whitepaper su Data Driven

Data Monetization: i due metodi per implementarla

I metodi principali per usare i dati aziendali a fine di fare Data Monetization sono 2 e si riflettono su un uso diretto e indiretto dei dati aziendali.

Metodo diretto (o esterno)

La monetizzazione diretta corrisponde alle attività di scambio, vendita o condivisione dei dati aziendali e/o delle analytics con soggetti terzi. Per questo tipo di monetizzazione viene fornito l’accesso ai dati aziendali ottenendo un ricavo addizionale in cambio. A fronte di questo beneficio è necessario fare alcune considerazioni su eventuali rischi legati alla privacy, sul metodo migliore per mettere i dati a disposizione del cliente e sul matchmaking necessario per trovare clienti effettivamente disposti a riconoscere valore nei dati forniti.

Rispetto a questo approccio possiamo individuare due opzioni per implementarlo:

– Vendita diretta dei dati grezzi tramite piattaforme centralizzate o meno. Le alternative per farlo sono condividere un dataset oppure fornire l’accesso ai dati tramite API, scelta utile soprattutto se si tratta di dati in continuo aggiornamento per cui sono necessari accessi in real time;
– Vendita di analisi e insights, quindi non direttamente dei dati, ma della loro elaborazione ed analisi. In questo modo ne aumenta il valore poiché il servizio offerto è di maggior qualità. Aumenta inoltre la platea dei potenziali fruitori in quanto permette di avvicinare anche aziende che non hanno per loro natura capacità analitica interna e quindi non avrebbero vantaggio ad acquistare dati grezzi.

In alternativa la condivisione di dati e analisi può avvenire anche nell’ottica di una collaborazione con aziende partner allo scopo di creare valore con un’analisi più approfondita di quella realizzabile all’interno dell’azienda, così da avere migliori insights a disposizione o creare nuovi prodotti congiuntamente.

Metodo indiretto (o interno)

La monetizzazione indiretta si basa invece sull’utilizzo dei dati internamente all’azienda al fine di ottenere dalla loro analisi un vantaggio competitivo, apportare miglioramenti misurabili delle prestazioni aziendali e supportare i decisori per prendere decisioni consapevoli. L’approccio indiretto è oggi la forma più comune di monetizzazione in quanto richiede minori complicazioni legate a sicurezza e privacy rispetto alle normative che regolano la condivisione.

Utilizzare i dati internamente può essere fatto in vari modi, ma soprattutto è importante capire ed indagare qual è lo scopo ultimo che si vuole perseguire. Tipicamente i dati vengono utilizzati con 2 principali obiettivi:

– Data-based optimization, ovvero quei contesti in cui si imposta un’analisi dei dati per cercare insights ed informazioni utili ad ottimizzare le performance aziendali, ad esempio riducendo costi e rischi, oppure aumentando l’efficienza dei processi, o ancora per testare l’effetto positivo o negativo delle modifiche/aggiornamenti di prodotto sui clienti.
– Data-driven business models, quando lo scopo è quello di individuare nuove opportunità di business, scoprire nuovi tipi di consumatori o nicchie di mercato. Si tratta di analisi utili per diversificare l’offerta e cercare il modo di far evolvere il modello di business verso nuovi mercato anticipando la concorrenza. Ad alti livelli di efficienza è possibile anche aumentare i propri dataset acquistando dati di altri mercati, così da anticipare i bisogni basandosi su dataset più completi e di valori per il nuovo target di clienti.

Questi due approcci non sono alternativi, non si deve necessariamente scegliere uno o l’altro. Ne sono un esempio grandi piattaforme come Google e Amazon che utilizzato i propri dati ed anche dati di terzi per continuare a migliorarsi e anticipare il mercato.

Se fino a qualche anno fa usare fare Data Monetization con il metodo indiretto nascondeva una serie di insidie legate ai vincoli tecnologici, oggi non ci sono più limiti per questa attività: le aziende dispongono di grandi quantità di dati provenienti dai vari dipartimenti ed inoltre le tecnologie si sono evolute moltissimo, al punto da non essere più un ostacolo insormontabile. Purtroppo però, nonostante tutto questo, secondo le rilevazioni dell’Osservatorio, ancora nel 2019 ben 7 aziende su 10 non utilizzavano i loro dati, anzi li mettevano a disposizione di attori esterni, spesso a titolo gratuito. Questo è sicuramente un indice importante del fatto che non sia adeguatamente diffusa una cultura del dato e che quindi molte aziende ancora non hanno la percezione del valore nascosto nei loro dati aziendali.

Come impostare una Data Monetization Strategy

Per riuscire ad impostare al meglio un proficuo processo di Data Monetization abbiamo individuato 5 step fondamentali che possono essere rappresentati con 5 domande a cui rispondere:

– Dove e quali sono i dati? Si tratta dell’identificazione delle fonti dati, sia interne sia esterne all’azienda.

– Come posso aggregarli e validarli per renderli usabili dai diversi dipartimenti? Si tratta delle operazioni di connessione, aggregazione, validazione, autenticazione e scambio dei dati tra le varie funzioni o dipartimenti aziendali per metterli a servizio della strategia aziendale nella maniera più efficace.

– A che condizioni sono disposto a scambiarli o venderli? Questo aspetto caratterizza la monetizzazione diretta e riguarda la definizione delle condizioni e dei prezzi per lo scambio finale verso il cliente, un’offerta che sia completa e accattivante rispetto ai bisogni reali del mercato.

– Che percorso posso impostare per sfruttare i dati internamente? Questo aspetto caratterizza la monetizzazione indiretta, quindi un percorso di ricerca e analisi predittiva per ottenere insights utili da utilizzare in azienda, ad esempio, per la gestione e riduzione dei rischi, per il miglioramento della customer experience o per l’ottimizzazione delle risorse;

– Come si aggiorna il business rispetto agli insight ottenuti? Lo sfruttamento degli insights influisce sull’evoluzione del modello di business attuale (ottica data-driven o nuove modalità di servitizzazione) arrivando finanche a provocare una trasformazione radicale con benefici in termini di differenziazione e creazione di vantaggio competitivo.

La data monetization strategy è la parte della più ampia data strategy aziendale. Il primo passo è sicuramente legato alla cultura aziendale: riconoscere l’importanza del dato, un asset che ha vita propria nel contesto aziendale e che si evolve con esso. Partendo dal presupposto che i dati aziendali sono al centro di questo processo, non si può prescindere dalla loro individuazione, comprensione, contestualizzazione. D’altra parte solo osservarli non è sufficiente: servono operazioni di trasformazione, di pulizia per renderli coerenti ed analizzabili. Entrano qui in gioco concetti tecnici di analisi dati che richiamano alla Data Science, al Machine Learning e a tutte le sperimentazioni algoritmiche e statistiche necessarie per estrarre dai dati informazioni utili ai processi decisionali.

Di seguito proponiamo un contenuto di approfondimento sul tema della Data Monetization, una guida per aiutare le aziende a definire la propria Data Monetization Strategy nel modo più adatto al proprio contesto.