Comparing external data monetization of two analytics products – case study in the telecommunications industry
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Business |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2021
Department
Major/Subject
Mcode
Degree programme
Information and Service Management (ISM)
Language
en
Pages
70+4
Series
Abstract
Monetizing growing amounts of company data is an intriguing idea for many practitioners. Data monetization becomes particularly relevant in industries where the traditional business is declining, pushing companies to seek new revenue sources to stay competitive. However, most companies still struggle with their data monetization efforts, implying a need to investigate the issues hindering data monetization potential and enablers driving success. The novelty of the research field and its industry-specific nature suggest conducting explorative studies. This thesis examines the topic in the data-intensive telecommunication industry, focusing on identifying challenges and enablers related to external data monetization with analytics products in a case company. Two analytics products are compared based on expert interviews using a seven-step process framework for external data monetization. The process phases include 1) opportunity mapping and data strategy preparation, 2) potential planning and use case definition, 3) legal and compliance alignment, 4) data collection and preparation, 5) technological arrangements, 6) data pricing strategy and 7) market entrance planning. The results show that the main challenges with analytics productization in a case company include data pricing for maximal profit accuracy, combining data sources and ensuring reliable results, as well as modeling, justifying and communicating customer value. Also, securing sufficient management’s support and investments and balancing with constant organizational changes complicate analytics productization. The analysis implies that enhancing market understanding by focusing on certain customer segments helps create more relevant use cases, ensure sufficient demand, and model customer perceived value. Moreover, measuring customer case and piloting success improves the customer value proposition's concreteness, further supporting pricing, marketing, and sales argumentation. Then again, treating data as an asset and investing in consistent data architecture and data management supports external data monetization with multiple data sources for reliable results and value. Finally, emphasizing education about external data monetization and analytics products will likely boost future initiatives' success. The explorative case study results contribute to theory by using analytics product as an external data monetization offering and testing a practical process framework for academic purposes, similarly providing direction for further research and validation in other organizations and markets.Yritysdatan kasvava määrä ja sen monetisointi on kiinnostava aihe monille yrityksille. Datan monetisointi on erityisen olennaista aloilla, joilla perinteinen liiketoiminta on laskussa, pakottaen yritykset etsimään uusia liikevaihdon lähteitä pysyäkseen kilpailukykyisinä. Useat yritykset kuitenkin painivat edelleen datan monetisointiyritysten kanssa, mikä viittaa tarpeeseen tutkia datan monetisointia haittaavia ja mahdollistavia tekijöitä. Tutkimusalan uutuus ja aiheen toimialakohtainen luonne puoltavat eksploratiivista tutkimusmenetelmää. Tämä tutkielma tarkastelee aihetta dataintensiivisellä tietoliikennealalla, keskittyen analytiikkatuotteiden datan monetisoinnin haasteiden ja mahdollistavien tekijöiden tunnistamiseen tapausyrityksessä. Kahta analytiikkatuotetta vertaillaan asiantuntijahaastattelujen pohjalta käyttäen seitsenportaista ulospäin suuntautuvan datan monetisoinnin prosessiviitekehystä. Prosessivaiheet käsittävät 1) mahdollisuuksien kartoittamisen ja datastrategian valmistelun, 2) potentiaalin suunnittelun ja käyttötapauksen määrittelyn, 3) laillisuuden ja vaatimustenmukaisuuden linjauksen, 4) datan keräyksen ja valmistelun, 5) teknologiset järjestelyt, 6) datan hinnoittelustrategian ja 7) markkinoille tulon suunnittelun. Tulokset osoittavat, että datan tarkka hinnoittelu, datalähteiden yhdistely, luotettavien tulosten varmistaminen, sekä asiakasarvon mallintaminen, perusteleminen ja viestiminen ovat suurimpia haasteita. Myös johdon tuen ja investointien varmistamisen haasteet sekä jatkuvat organisaatiomuutokset vaikeuttavat analytiikan tuotteistamista. Analyysin perusteella markkinaymmärryksen lisääminen keskittymällä tiettyihin asiakassegmentteihin auttaa luomaan relevantimpia käyttötapauksia, varmistamaan riittävän kysynnän ja mallintamaan asiakkaan kokemaa arvoa. Lisäksi asiakastapausten ja pilotoinnin onnistumisen mittaaminen parantaa asiakasarvolupauksen konkreettisuutta, edesauttaen hinnoittelua, markkinointia ja myynnin argumentaatiota. Toisaalta datan käsittäminen omaisuutena sekä panostaminen johdonmukaiseen data-arkkitehtuuriin ja -hallintaan tukee monia datalähteitä hyödyntävän ulospäin suuntautuvan datan monetisoinnin tulosten luotettavuutta ja arvoa. Myös koulutuksen lisääminen todennäköisesti edesauttaa tulevien hankkeiden menestystä. Eksploratiivisen tapaustutkimuksen tulokset antavat panoksensa teoriaan kuvaamalla analytiikkatuotteiden käyttöä ulospäin suuntautuvan datan monetisoinnin tarjoamana ja testaamalla käytännön viitekehystä akateemisesti, samalla antaen suuntaa jatkotutkimukseen ja validointiin muissa organisaatioissa ja toisilla markkinoilla.Description
Thesis advisor
Vilkkumaa, EevaKeywords
external data monetization, analytics productization, telecommunications, data monetization