Der Weg aus der Scheinblüte des Datenhandels

Einleitung: Daten werden als „neue Produktionsfaktoren“ bezeichnet, laufen aber seit 23 Jahren leer

Seit 2003 hat die chinesische Internetindustrie 23 Jahre erlebt und zahllose Wunder der digitalen Wirtschaft hervorgebracht. Unterstützt durch Cloud-Dienste und digitale Intelligenz werden Daten im Wirtschaftskreis weithin als neue Produktionsfaktoren anerkannt – dies ist fast einer der größten Konsense dieser Zeit. Doch dieser Konsens hat sich nicht in tatsächliche Transaktionen umgesetzt. Bis heute hat der chinesische Datenhandelsmarkt nur eine formelle Umsetzung erreicht: Es gibt Handelsplätze, Transaktionen finden statt, Daten werden in den Vermögenskatalog aufgenommen, und grundlegende Verfahren wie die Festlegung von Eigentumsrechten und die Einbeziehung in die Bilanz wurden abgeschlossen. Dennoch befindet sich der Markt insgesamt noch in der Phase des „scheinbaren Handels“ und hat kein Modell entwickelt, das die industrielle Entwicklung wesentlich fördert. Die Transaktionen beschränken sich größtenteils auf den Austausch oberflächlicher Daten, es fehlt an der Erschließung und Abstimmung tiefer industrieller Bedürfnisse, und vor allem fehlt eine Geschäftslogik, die für Käufer und Verkäufer gleichermaßen gewinnbringend ist. Das bedeutet, dass dieser vielversprechende Faktormarkt zwar über ein vollständiges Rahmenwerk verfügt, aber immer noch über den realen Geschäftsszenarien schwebt. Für Entscheidungsträger ist es nicht entscheidend, ob Daten wertvoll sind, sondern unter welchen Bedingungen und über welche Wege Daten tatsächlich verkauft, gekauft und Gewinne erzielt werden können. Die Antwort dieses Berichts lautet auf ein Wort zugespitzt: Käuferbedarf.

I. „Scheinbarer Wohlstand“: Das Rahmenwerk funktioniert, aber der Wert fehlt

Viele frühere Datenhandelsplätze konnten keinen stabilen, nachhaltigen und florierenden Markt aufbauen – nicht weil es zu wenige Regeln gab, sondern weil sie von Anfang an die geschäftliche Natur des Datenhandels missachteten.

Die gemeinsame Notlage dieser Handelsplätze besteht darin, dass sie sich nur auf die konzeptionelle Vermarktung des Datenflusses konzentrierten, sich aber nicht bemühten, praktische Hindernisse zu beseitigen. Sie haben weder die grundlegende Umwandlung von verstreuten Daten in handelbare Daten vorangetrieben, noch haben sie ein Interessensregelwerk aufgebaut, das beide Seiten gewinnt. Infolgedessen bleibt der sogenannte Handelsmarkt immer von schönen Ideen und Zukunftsvisionen ausgehend, kann nicht wirklich in das reale Geschäftsleben eindringen und bringt der Realwirtschaft keinen Nutzen. Der Kern der Geschäftswelt ist der gleichwertige Austausch von Werten – vage Zukunftsvisionen können keine greifbare Interessensunterstützung ersetzen. Der Datenhandel sollte ein nachfragegetriebener Markt sein, aber derzeit sind die tiefgreifenden Daten, die den Bedarf tatsächlich decken, meist nicht leicht zugänglich. So entsteht der Zustand, dass das Rahmenwerk funktioniert, aber der Wert fehlt.

II. Zweistufiger Ansatz: Zuerst lösen, „ob gehandelt werden kann“, dann lösen, „ob der Handel nachhaltig ist“

Der reibungslose Ablauf des Datenhandels hängt im Kern von zwei aufeinander aufbauenden Schritten ab: „Grundlagenaufbau“ und „Regelgestaltung“ – beide sind unverzichtbar. Die hier genannten „Regeln“ sind nicht bloße Handelsregeln, sondern die Logik hinter Käufern und Verkäufern, die beiden Seiten geschäftlichen Nutzen bringt.

Erster Schritt: Die Handelsgrundlage löst im Wesentlichen das Problem, ob Daten „gehandelt werden können“. Rohe Daten sind oft verstreut, unscharf, fehlen an Eigentumsrechtsfestlegungen und einheitlichen Standards und können nicht direkt in den Verkehr gebracht werden. Um von „nicht handelbar“ zu „handelbar“ zu gelangen, ist der Schlüssel die Durchführung einer standardisierten Aufbereitung: Klärung der Herkunftsgrenzen und des Nutzungsbereichs, Festlegung der Eigentumsverhältnisse und Beseitigung von Unschärfen. Nur wenn Käufer klar wissen, was sie kaufen und in welchen Szenarien sie es nutzen können, und Verkäufer ebenfalls die Grenzen der Rechte, die sie abtreten, verstehen, erhalten Daten eine echte Handelsgrundlage.

Zweiter Schritt: Die Handelsregeln lösen im Wesentlichen das Problem, ob der Handel „nachhaltig sein kann“. Handel ist kein einfacher Kauf und Verkauf, sondern ein Wertaustausch: Der Wert des Verkäufers liegt in der Monetarisierung der Daten, der Wert des Käufers liegt in der effektiven Nutzbarkeit der Daten. Ohne eine geschäftliche Berechnungslogik, die beide Seiten gewinnt, bleibt der Handel ein einmaliges Geschäft. Für Entscheidungsträger ist die Aufteilung der Führungsverantwortung hinter diesen beiden Schritten bemerkenswert: Beim Aufbau der Handelsgrundlage übernehmen Aufsichtsbehörden und Rechtswissenschaften die Führung; bei der Gestaltung der Handelsregeln führt der Markt. Ersteres löst das Problem der Rechtmäßigkeit, Letzteres das der Nachhaltigkeit – die Art der Probleme ist völlig unterschiedlich, sodass sie nicht mit einem einzigen Ansatz behandelt werden können.

III. Drei Grundpfeiler: Nutzbarkeit, Eigentumsfestlegung und Tiefe blockieren das „ob gehandelt werden kann“

Der Aufbau der Handelsgrundlage hängt im Kern mit drei miteinander verbundenen Hindernissen zusammen: Datennutzbarkeit, Dateneigentumsfestlegung und Datentiefe.

Die Datennutzbarkeit wird durch die Kluft im Grad der industriellen Digitalisierung behindert. Einige Industrien haben früh digitale Tools eingeführt, aber frühe Systeme fehlen an einheitlichen Standards – Daten sind auf inkompatiblen Plattformen verstreut, bilden „Dateninseln“ innerhalb von Unternehmen und liegen oft in Form von reinem Text, Scans oder unstrukturierten Tabellen vor, die schwer zu extrahieren und zu verknüpfen und zu überprüfen sind. Andere Industrien befinden sich in der Anfangsphase der Digitalisierung: Große Datenmengen werden offline aufgezeichnet oder manuell eingegeben, was zu Lücken, Fehlern und fehlender Kodierung führt – die Erfassung erfordert enorme Aufbereitungskosten. Noch wichtiger ist: Datenstrukturierung bedeutet nicht nur, „Felder zu haben“, sondern „einheitliche Definitionen, kompatible Formate und schlüssige Logik“ zu erreichen. Selbst bei dem gleichen Indikator wie „Benutzeraktivität“ – System A zählt tägliche Anmeldehäufigkeit, System B die Nutzungsdauer pro Sitzung, System C die wöchentliche Interaktionshäufigkeit – können solche strukturierten Daten von Käufern nicht direkt mit ihren Bedürfnissen abgestimmt werden, was die Nutzbarkeit stark einschränkt.

Die Dateneigentumsfestlegung wird durch die nicht-physische Natur von Daten und komplexe Rechtsgrenzen behindert. Erstens: Mehrere Parteien besitzen Anteile – ein Transaktionsdatensatz kann mehrere Beteiligte wie Transaktionspartner, Dienstplattformen und Zahlungsinstitute betreffen, die alle Informationselemente beisteuern, aber es ist schwer zu bestimmen, wer das vollständige Eigentumsrecht besitzt. Wenn die Eigentumsverhältnisse unscharf sind, kommt kein Handel zustande. Zweitens: Datenschutzhindernisse – Daten enthalten meist sensible Informationen, sodass Verkäufer sie auch nach Klärung des Eigentumsrechts nicht frei übertragen können. Sie müssen gleichzeitig die Datenschutzgrenzen festlegen, sensible Informationen entfernen, Anonymisierungsstandards definieren und Missbrauch nach dem Handel verhindern. Drittens: Grenzüberschreitende Probleme – Verschiedene Länder haben sehr unterschiedliche Vorschriften zu Datenhoheit und Datenausfuhr. Die im Inland anerkannte Eigentumsaufteilung kann im Ausland direkt rechtswidrig sein, sodass die Ergebnisse der Eigentumsfestlegung nicht umsetzbar sind.

Die Datentiefe wird durch das zentrale Wertstreben des Handels behindert. Oberflächliche statistische Daten beschränken sich auf die Aufzeichnung von Phänomenen – wie oft eine bestimmte Handlung stattgefunden hat oder wie hoch die Summe eines bestimmten Indikators ist. Dies kann durch einheitliche Definitionen standardisiert werden. Was Käufer wirklich wollen, sind tiefe Einblicke, die über die Phänomene hinausgehen und das Wesen der Industrie erfassen: Die zentralen Variablen, die industrielle Schwankungen antreiben, die Verknüpfungslogik verschiedener Glieder und die Entwicklungstrends potenzieller Bedürfnisse. Die Knappheit solcher Daten ergibt sich aus zwei Schwierigkeiten: Der Erfassung (es erfordert die Integration von Informationen der gesamten Kette über verschiedene Einheiten und Szenarien hinweg, mit extrem hohen Koordinationskosten) und der Umwandlung (Rohe Daten haben keine Tiefe – sie erfordern professionelle Fähigkeiten, um in einblicke mit Entscheidungswert umgewandelt zu werden, die nicht alle Dateneigentümer besitzen). Die Lehre für Entscheidungsträger ist direkt: Die Handelbarkeit Ihrer Daten hängt nicht von der „Menge“ der Daten ab, sondern von ihrer Position auf diesen drei Grundpfeilern. Je näher sie an „tiefgreifenden Einblicken“ liegt, desto knapper, wertvoller und schwerer zu kopieren ist sie.

IV. Buchillusion: Die Einbeziehung in die Bilanz bedeutet nicht Wert – der Preis kann nur „durch Überprüfung“ entstehen

Weltweit haben die Rechtswissenschaften rund um die Handelsgrundlage ihre Ziele weitgehend erreicht: Die rechtliche Grundlage für die eigenständige Existenz von Daten wurde geklärt, sodass Daten als Vermögenswert in die Bilanz von Unternehmen aufgenommen werden können. Der Wert dieser Maßnahme liegt darin, die Lücken des traditionellen Rechnungswesens zu schließen und den wirtschaftlichen Wert der Datenfaktoren greifbar darzustellen.

Doch es gibt eine kognitive Falle, in die Entscheidungsträger leicht geraten: Die Einbeziehung in die Bilanz bedeutet nicht, dass der faire Wert der Daten bewertet wurde. Die Aufnahme von Daten in die Bilanz ist im Wesentlichen eine typische Verkäufermentalität – sie spiegelt wider, „wie viel ich glaube, dass diese Daten wert sind“, und nicht, wie viel der Markt bereit ist, dafür zu zahlen. Der wahre Wert von Daten kann nicht durch Bewertungsmodelle selbst belegt werden, sondern muss durch den tatsächlichen Handelsprozess zum Ausdruck kommen.

Woher kommt der Preis? Der Bericht liefert eine klare Preisformel:

(Ertrag nach Datennutzung – Ertrag vor Datennutzung) ÷ Nutzungsmenge = Preis pro einzelne Datennutzung

Noch kontraintuitiver ist seine Richtung: Dieser Preis steht im umgekehrten Verhältnis zum technischen Niveau des Verkäufers und zum Grad des Marktwettbewerbs. Je höher das technische Niveau, desto niedriger kann der Stückpreis sein; je vollständiger der Marktwettbewerb, desto niedriger kann der Stückpreis sein. Mit anderen Worten: In diesem Markt sind stärkere Verkäufer und mehr Konkurrenten nicht in der Lage, höhere Preise zu erzielen – was genau der Intuition vieler Entscheidungsträger zum „Technologieaufschlag“ widerspricht.

V. Käufermotiv bestimmt den Abschluss: Drei Stufen der Zahlungsbereitschaft – das Training von KI liegt vorerst im „mittleren“ Bereich

Da der Preis durch den Ertrag des Käufers bestimmt wird, ist das Zahlungsmotiv des Käufers der entscheidende Faktor dafür, ob eine Transaktion zustande kommt.

Zuerst betrachten wir, was Verkäufer besitzen. Handelbare Datenvermögenswerte unterteilen sich in drei Kategorien: Eigene Daten (die über Jahre der Geschäftstätigkeit angesammelt wurden, am wertvollsten und knappsten sind), extern erworbene Daten und gemischte Daten (entweder notwendige Ergänzungen von Plattformen zur Erstellung von Datenprodukten oder knappe Daten, die über Unternehmens- oder Regierungsbeziehungen erlangt wurden – der Bericht stellt klar, dass dies im Wesentlichen ein „privilegierter Betrieb“ ist). In der Realität konkurrieren Verkäufer, die in der Lage sind, Datenhandel zu betreiben, bereits vollständig miteinander, sodass es kaum hohe Preisaufschläge für Daten gibt. Betrachten wir nun die Käufer: Sie sind meist mit den Verkäufern in der Lieferkette verbunden. Ihre Kaufbereitschaft unterteilt sich nach Zweck in drei Stufen:

Die drei Arten von Bedürfnissen können prinzipiell Transaktionen herbeiführen, aber nur diejenige, die tatsächlich Gewinne steigert und die ursprünglichen Marktfunktionen erweitert, fördert den Datenhandel wesentlich. Die dritte Art von Bedürfnis zur „Effizienzsteigerung“ tritt meist nur unter Förderung administrativer Ziele auf.

Obwohl der Bedarf von KI und verkörperter Intelligenz an Daten derzeit groß ist, fällt er aus Sicht der Verkäufer in die mittlere Stufe der Zahlungsbereitschaft als „notwendiges Material für Forschung und Entwicklung“ – die Unternehmen sind noch nicht profitabel und konzentrieren sich auf das Training von Modellen. Mit anderen Worten: Nur diese Art von Bedürfnis mit mittlerer Zahlungsbereitschaft reicht normalerweise nicht aus, um den Datenhandel tatsächlich in Gang zu bringen.

VI. Vierstufige Preismethode: Der Wert von Daten wird durch A/B-Tests „ermittelt“

Der Bericht stellt fest, dass im von Verkäufern geführten Handel der gesamte Geschäftsprozess in vier Schritte unterteilt werden kann – jeder Schritt beantwortet die Frage, „wie viel diese Daten wirklich wert sind“.

Erster Schritt: Der Verkäufer entsendet Mitarbeiter vor Ort, um die Bedürfnisse des Käufers zu ermitteln und Modelle zu entwickeln. Da Käufer und Verkäufer meist in der Lieferkette verbunden sind, läuft der Datenfluss im System des Käufers umso effizienter, je besser der Verkäufer das Geschäftsmodell des Käufers versteht. Der Bericht weist jedoch auf die Risiken hin: Dieses Modell unterscheidet sich nicht von herkömmlichen B2B-Diensten – es hängt stark vom Digitalisierungsgrad, dem Digitalisierungsbewusstsein und der Einstellung der Führungskräfte des Käufers ab. Wenn alle drei Faktoren schwach sind, wird die Wirkung der Datenimplementierung stark beeinträchtigt.

Zweiter Schritt: Daten werden eingespeist, und der Käufer führt A/B-Tests mit einem Teil seines Geschäfts als „Testfeld“ durch. Dies ist der Kernschritt für die Preisgestaltung von Daten und der entscheidende Punkt zur Überprüfung der Nützlichkeit von Daten. Die Bewertungsindikatoren kombinieren herkömmliche Verkaufsmodelle: Die Erfolgsraten und Kaufraten der beiden Gruppen A und B werden ausgewertet – bei langfristigen Geschäftsmodellen werden zudem nachfolgende Risikodaten und Wiederkaufraten überwacht.

Dritter Schritt: Die Ertragsdifferenz zwischen den beiden Gruppen wird berechnet, um den Wert der einzelnen Datennutzung zu bestimmen und die jährliche Nutzungsmenge zu bewerten. Diese Gewinndifferenz ist das Gesamtergebnis der Transaktion zwischen beiden Seiten und der ultimative Ausdruck des Datenwerts des Verkäufers. Die Differenz zwischen Wert und Preis hängt von den Verhandlungen über die Gewinnaufteilung zwischen beiden Seiten ab.

Vierter Schritt: Abschluss der Transaktion und anschließende Wartung sowie Aktualisierung. Modelliterationen und Optimierungen des Käufergeschäfts zwingen den Verkäufer, das ursprüngliche Modell anzupassen – dies ist auch eine kontinuierliche Überprüfung der technischen Fähigkeiten des Verkäufers. Nach Durchlaufen dieses Prozesses ergibt sich die praktische Schlussfolgerung: Aus Sicht des aktuellen Marktes ist der Anteil der Gewinne, den Verkäufer erzielen können, sehr gering. Dafür gibt es zwei Gründe: Erstens hängt die endgültige Wertschöpfung von der vollständigen Geschäftskette des Käufers ab – Daten sind nur eine Unterstützung und können auf gesellschaftlicher Ebene kaum die „Führung übernehmen“. Zweit