Передумови і фактори комерціалізації внутрішніх даних компанії
DOI:
https://doi.org/10.31866/2617-796X.8.1.2025.335537Ключові слова:
внутрішні дані, комерціалізація, монетизація, дані як продукт (DaaP), штучний інтелект, машинне навчання, інтернет речейАнотація
Мета статті – розкрити особливості поводження із внутрішніми даними компанії в сучасних умовах для створення, просування і монетизації продуктів на їх основі.
Методи дослідження. Для досягнення поставленої мети застосовано методи аналізу, синтезу, узагальнення, систематизації та графічний метод.
Наукова новизна полягає у встановленні ключових технологічних факторів, що стимулюють комерціалізацію даних; удосконаленні підходу щодо формування продуктів на основі внутрішніх даних компаній; визначенні ключових стратегій монетизації даних, а також базових і просунутих можливостей для створення і доставки продуктів на основі даних.
Висновки. У сучасних умовах генеративний штучний інтелект та інтернет речей сприяють підвищенню доступності даних і розвитку бізнес-моделей на їх основі. У статті досліджено концепцію «дані як продукт» (DaaP), що забезпечує системний підхід до управління даними, орієнтуючись на їхню якість, зручність використання та задоволення потреб кінцевих користувачів. Представлено ключові стратегії монетизації даних та критичні фактори успіху, охоплюючи створення галузевих стандартів, використання інсайтів від клієнтської бази та трансформацію організаційного ноу-хау в продукт. Зроблено акцент на адаптації операційної моделі компанії, модернізації технологій роботи з даними та важливості розвитку технічних навичок співробітників. Розглянуто виклики, пов’язані з упровадженням DaaP, і окреслено перспективи інтеграції технологій штучного інтелекту та машинного навчання у цей процес.
Посилання
Bridgwater, A., 2024. What Is A Data Product?. Forbes, [online] 03 July. Avialable at: <https://www.forbes.com/sites/adrianbridgwater/2024/07/03/what-is-a-data-product/> [Accessed 11 January 2025].
Davis, J., Nussbaum, D. and Troyanos, K., 2020. Approach Your Data with a Product Mindset. Harvard Business Review, [online] 12 May. Avialable at: <https://hbr.org/2020/05/approach-your-data-with-a-product-mindset> [Accessed 11 January 2025].
Dehghani, Z., 2019. How to Move Beyond a Monolithic Data Lake to a Distributed Data Mesh. Martin Fowler, [online] 20 May. Avialable at: <https://martinfowler.com/articles/data-monolith-to-mesh.html> [Accessed 11 January 2025].
Desai, V., Fountaine, T. and Rowshankish, K., 2022. A Better Way to Put Your Data to Work. Harvard Business Review. [online] Avialable at: <https://hbr.org/2022/07/a-better-way-to-put-your-data-to-work> [Accessed 11 January 2025].
Fadler, M. and Legner Ch., 2022. Data ownership revisited: clarifying data accountabilities in times of big data and analytics. Journal of Business Analytics, [e-journal] 5 (1), pp.123-139. https://doi.org/10.1080/2573234X.2021.1945961
Fricker, S.A. and Maksimov, Y.V., 2017. Pricing of Data Products in Data Marketplaces. In: A. Ojala, O. H. Holmström and K. Werder eds., Software Business: 8th International Conference, ICSOB 2017. Essen, Germany, June 12-13, 2017, Proceedings. Cham: Springer, pp.49-66.
Grover, V., Chiang, R.H.L., Liang, T.-P. and Zhang, D., 2018. Creating Strategic Business Value from Big Data Analytics: A Research Framework. Journal of management information systems, [e-journal] 35(2), pp.388-423. https://doi.org/10.1080/07421222.2018.1451951
Hariri, R.H., Fredericks, E.M. and Bowers, K.M., 2019. Uncertainty in big data analytics: survey, opportunities, and challenges. Journal of Big Data, [e-journal] 6, art.44. https://doi.org/10.1186/s40537-019-0206-3
Hasan, M.R. and Legner, C., 2023. Understanding data products: motivations, definition, and categories. In: 31st European Conference on Information Systems – Co-creating Sustainable Digital Futures, ECIS 2023, Kristiansan, Norway, June 11-16, 2023. [online] Kristiansan, pp.1- 17. Avialable at: <https://serval.unil.ch/resource/serval:BIB_2283EFE3BECD.P001/REF.pdf> [Accessed 11 January 2025].
Koster, A. and von Szczepanski, K., 2020. Building a Business from Data Is Hard—Here’s How the Winners Do It. Boston Consulting Group, [online] 24 June. Avialable at: <https://www.bcg.com/publications/2020/how-winners-build-business-from-data> [Accessed 11 January 2025].
Lamury, R., 2024. Leveraging data as a product: A strategic imperative for business leaders. Thoughtworks, [online] 13 February. Avialable at: <https://www.thoughtworks.com/en-us/insights/articles/leveraging-data-as-a-product-a-strategic-imperative-for-business-leaders> [Accessed 11 January 2025].
Libarikian, A., Rowshankish, K., Berger-de León, M. and Kamalnath, V., 2024. From raw data to real profits: A primer for building a thriving data business. McKinsey & Company, [online] 18 July. Avialable at: <https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/from-raw-data-to-real-profits-a-primer-for-building-a-thriving-data-business#/> [Accessed 11 January 2025].
Meierhofer, J. and Meier, K., 2017. From Data Science to Value Creation. In: Exploring Services Science: 8th International Conference, IESS 2017, Rome, Italy, May 24-26, 2017, Proceedings. [e-Book] Cham: Springer. Vol.279, pp.173-181. https://doi.org/10.1007/978-3-319-56925-3_14
Meierhofer, J., Stadelmann, T. and Cieliebak, M., 2019. Data Products. In: M. Braschler, T. Stadelmann and K. Stockinger, eds. Applied Data Science: Lessons Learned for the Data-Driven Business. [e-Book] Cham: Springer, pp.47-61 https://doi.org/10.1007/978-3-030-11821-1_4
Mucci, T. and Stryker, C., 2024. What is data as a product (DaaP)? IBM, [online] 23 February. Avialable at: <https://www.ibm.com/think/topics/data-as-a-product> [Accessed 11 January 2025].
Ni, F., Arnott, D. and Gao, S., 2019. The anchoring effect in business intelligence supported decision-making. Journal of Decision Systems, [e-journal] 28 (2), pp.67-81. https://doi.org/10.1080/12460125.2019.1620573
Salaün, Y. and Flores, K., 2001. Information quality: meeting the needs of the consumer. International Journal of Information Management, [e-journal] 21 (1), pp.21–37. https://doi.org/10.1016/S0268-4012(00)00048-7
van der Valk, H., Haße, H., Möller, F. and Otto, B., 2022. Archetypes of Digital Twins. Business & Information Systems Engineering, [e-journal] 64 (3), pp.375-391. https://doi.org/10.1007/s12599-021-00727-7
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори зберігають авторські права на статтю та одночасно надають журналу право його першої публікації на умовах ліцензії Creative Commons Attribution License, яка дозволяє іншим особам вільно поширювати опубліковану статтю з обов’язковим посиланням на її авторів та першу публікацію.
Журнал дозволяє авторам зберігати авторські права і права на публікації без обмежень.
Автор опублікованої статті має право поширювати інформацію про неї та розміщувати посилання на роботу в електронному репозитарії установи.
