Vom Data Asset zum Data Product: Was CDOs bei der Monetarisierung falsch machen

Snowflakes Jahresbericht 2025 zeigte, dass der Data Marketplace die Marke von 3.000 aktiven Data Listings überschritten hat, mit einem wachsenden Anteil aus Unternehmen außerhalb der Technologiebranche: Händler, Versicherer, Logistiker. Diese Organisationen verkaufen Daten nicht als Nebengeschäft. Bei einigen wird der externe Datenumsatz zu einer messbaren Position in der P&L. Gleichzeitig schreibt die Mehrheit der CDOs in Fortune-500-Unternehmen noch interne Strategiedecks über „Daten als strategisches Asset", ohne ein einziges kommerzielles Produkt im Live-Betrieb.

Die Lücke zwischen diesen beiden Gruppen ist keine Technologielücke. Die meisten großen Unternehmen haben die Infrastruktur. Was fehlt, ist ein disziplinierter Ansatz, um Data Products zu bauen, für die jemand außerhalb der eigenen Firewall tatsächlich zahlen würde, oder für die interne Business Units Budget einplanen würden, wenn sie müssten.

Der Wechsel vom Data Management zum Data-Product-Denken

Die Perspektive hat sich in den letzten drei Jahren deutlich verschoben. Data GovernanceData GovernanceData governance is the set of policies, roles, and processes that ensure data is accurate, secure, well-defined, and used responsibly across an organization.Vollständige Definition ansehen →, Datenqualität und Data Cataloging waren früher der Schwerpunkt der CDO-Funktion. Sie bleiben notwendig, werden aber zunehmend als Voraussetzung und nicht als Ziel verstanden. Die Frage lautet nicht mehr „KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen wir unsere Daten gut managen?", sondern „Können wir damit etwas bauen, das extern überprüfbaren Wert schafft?"

Mehrere Kräfte beschleunigen diesen Wandel. Cloud-Datenplattformen (Snowflake, Databricks, Google BigQuery) machen es technisch machbar, live und governed Daten mit externen Parteien zu teilen, ohne sie zu replizieren. Data-Clean-Room-Technologie erlaubt es zwei Unternehmen, gemeinsame Analysen auf zusammengeführten Datensätzen zu fahren, ohne dass eine Seite Rohdaten offenlegt. Und das Training von KI-Modellen als Use Case hat eine völlig neue Käuferklasse geschaffen: Unternehmen, die für hochwertige gelabelte Datensätze oder proprietäre Signale zahlen, die die Modell-Performance verbessern.

Parallel dazu sind interne Data Products als Konzept gereift. Unternehmen wie Spotify und JPMorgan haben interne Data-Marketplace-Modelle aufgebaut, in denen Business Units Data Products mit expliziter Kostenzuordnung „konsumieren". Das schafft die finanzielle Disziplin, die später eine externe Kommerzialisierung trägt. Sobald eine Business Unit intern für Daten zahlt, folgt Produktdenken.

Was die meisten Organisationen noch falsch machen

Der häufigste Fehler: Data Products entstehen rund um das, was das Datenteam interessant findet, und nicht rund um das, was ein Käufer tatsächlich braucht. Ein Finanzdienstleister hat vielleicht außergewöhnliche Daten auf Transaktionsebene und investiert Monate in die Produktisierung, nur um festzustellen, dass die Compliance- und Rechtsauflagen für das Teilen dieser Daten sie in jedem Zeitrahmen unverkäuflich machen, der zum Business Case passt.

Der zweite Fehler ist der Zuschnitt. Viele Organisationen versuchen, rohe oder kaum verarbeitete Daten zu verkaufen. Der Markt für Rohdaten schrumpft. Käufer haben ihre eigenen Pipelines. Was 2026 einen Premium erzielt, sind abgeleitete Insights: ein Kreditrisiko-Score auf Basis proprietärer Verhaltenssignale, ein Konsumnachfrage-Index aggregiert aus Point-of-Sale-Daten, ein Indikator für Störungen in der Supply Chain, gebaut aus Schifffahrts- und Zolldaten. Marge und Verteidigungsfähigkeit liegen beide im Transformation Layer, nicht im Roh-Asset.

Was das für den CDO bedeutet

Wer als CDO vom Cost Center zum Umsatzbeitrag wechseln will, muss einige unangenehme organisatorische Entscheidungen treffen.

Erstens braucht ein Data ProductData ProductA data asset managed like a product, with an owner, defined users, guaranteed quality, and measurable business value.Vollständige Definition ansehen → einen Product Owner, und diese Person kann nicht im Data-Engineering-Team sitzen. Der Product Owner muss den Käufer, das Pricing-Modell, die Compliance-Auflagen und den Vertriebskanal verstehen. Bei Mastercard, wo das Mastercard Economics Institute proprietäre Wirtschaftsindikatoren aus aggregierten Transaktionsdaten veröffentlicht, ist die kommerzielle und redaktionelle Funktion getrennt von der Data-Engineering-Funktion besetzt. Die Rolle des CDO ist, zu ermöglichen und zu steuern, nicht das kommerzielle Geschäft allein zu führen.

Zweitens müssen Legal und Compliance früher eingebunden werden, als es angenehm ist. Die Organisationen, die Daten erfolgreich kommerzialisiert haben, darunter Unternehmen wie Verisk Analytics, dessen gesamtes Geschäftsmodell auf proprietären Data Products beruht, behandeln die rechtliche Prüfung als Design-Input und nicht als Gate am Ende. Wer ein Produkt baut und dann Legal fragt, ob ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → es verkaufen darf, hat schon Monate verloren.

Drittens braucht der CDO eine belastbare Antwort auf die Frage „selbst bauen oder Partner". Viele Organisationen werden nie die kommerzielle Infrastruktur haben, um Daten direkt zu verkaufen. Der realistischere Weg ist die Lizenzierung über einen bestehenden Marketplace (Snowflake Marketplace, AWS Data Exchange) oder eine Distributionspartnerschaft mit einem Datenaggregator wie Dun & Bradstreet oder Nielsen. Diese Wege kosten Marge, verkürzen aber die Zeit bis zum Umsatz deutlich und senken den Compliance-Aufwand.

Viertens sollte interne Monetarisierung nicht als Trostpreis abgetan werden. Ein ausgereifter interner Data Marketplace mit echter Kostenzuordnung, in dem das Marketingteam Budget für den Zugang zu Customer-Propensity-Scores einplant und die Supply-Chain-Einheit für Nachfrageprognose-Signale zahlt, baut die organisatorische Muskulatur und die Produktdisziplin auf, die eine externe Monetarisierung später möglich machen. Er zeigt außerdem, welche Produkte echten Wert haben, bevor Sie in externe Distribution investieren.

Daraus Handlung machen

• Prüfen Sie Ihre Data Assets an Käuferkriterien, nicht an internen Kriterien. Die Frage ist nicht „Haben wir diese Daten?", sondern „Würde jemand außerhalb dieser Organisation für ein abgeleitetes Produkt darauf zahlen, und können wir es rechtlich liefern?"
• Stellen Sie einen kommerziellen Data Product Owner ein oder benennen Sie einen. Diese Person berichtet an den CDO, denkt aber wie ein Product Manager mit P&L-Blick.
• Starten Sie einen Piloten über einen bestehenden Marketplace, bevor Sie eigene Distribution aufbauen. AWS Data Exchange und Snowflake Marketplace haben beide etablierte Käufergruppen und relativ geringen Aufwand für ein Listing. Der Lerneffekt ist mehr wert als der frühe Umsatz.
• Legen Sie ein konkretes internes Pricing-Modell fest, bevor Sie externe Monetarisierung versuchen. Wenn Ihre internen Stakeholder nicht für das Produkt zahlen würden, überarbeiten Sie das Produkt, bevor Sie auf externe Käufer zugehen.
• Formulieren Sie Ihre Verteidigungsthese explizit. Data Products, die aus öffentlichen Quellen replizierbar oder leicht substituierbar sind, laufen auf eine Marge von null zu. Wissen Sie, was Ihres schwer replizierbar macht: proprietäre Erhebung, Skalierung, Aktualität oder die Transformationsmethodik.

Die CDO-Funktion hat ein Jahrzehnt damit verbracht, zu begründen, dass Daten strategischen Wert haben. Die nächste Phase dieses Arguments muss sich in Umsatz- oder Kostengrößen zeigen, die der CFO direkt aus einem Report ablesen kann. Die Organisationen, die bei der Monetarisierung von Data Products am schnellsten vorankommen, sind nicht zwangsläufig die mit den besten Daten. Es sind die, die aufgehört haben, Kommerzialisierung als Zukunftszustand zu behandeln, und angefangen haben, sie als Engineering- und Go-to-MarketGo-to-MarketThe strategy defining how you'll launch a product: target segments, channels, value proposition and coordinated action plan.Vollständige Definition ansehen →-Problem zu behandeln, das jetzt gelöst werden muss.