Daten in Rechnungslegung und Steuerrecht / 1.1.1 Datenverwertung

Wir leben derzeit im digitalen Informationszeitalter, welches durch die digitale Informations- und Kommunikationstechnologie geprägt ist. Dass namentlich die von uns hinterlassenen digitalen Fußabdrücke ökonomisch verwertbar sind, ist schon längst kein Geheimnis mehr und datengetriebene Geschäftsmodelle sind hoch im Trend. Mithin entwickeln wir uns vermehrt zu einer sogenannten "Data Economy", worunter ein digitales Ökosystem verstanden wird, welches im Kern darauf ausgerichtet ist, auf Basis von Daten Informationen zu monetarisieren.

Dass Daten heute als wichtige wissensbasierte und strategische Ressource zu betrachten sind, lässt sich am besten durch die vielfältigen und vielschichtigen Anwendungsbereiche von Big Data Analytics veranschaulichen. Hierzu vorab zwei Beispiele (mehr zu Big Data Analytics vgl. Abschnitt 1.2.4):

• Erstellen von Scoring-Profilen: Scoring-Profile werden im Rahmen von Nutzwertanalysen erstellt, welche bei komplexen Entscheidungssituationen zum Einsatz kommen. I.d.R. werden Kunden anhand der über sie gesammelten Daten (z.B. via Punkte-System) bewertet, um auf diese Weise z.B. homogene Kundengruppen zu erhalten, die wiederum vom Unternehmen gezielt angesprochen werden können. Einteilungskriterien können etwa das Geschlecht, der Lohn, der Berufstand oder das Alter sein. Eine der gängigsten Methoden zur Berechnung des Kundenwerts ist das sogenannte RFM-Modell, welches Kunden anhand von 3 Kriterien bewertet:

  1. Der Zeitpunkt des letzten Kaufs (recency of purchase),
  2. die Häufigkeit der getätigten Käufe (frequency of purchase) und
  3. der monetäre Wert des Kaufs (monetary value of purchase).

  Grundlage des RFM-Modells sind die historischen Daten. Das Scoring-Modell beschränkt sich jedoch keineswegs auf den E-Commerce-Bereich und die damit zusammenhängenden gezielten Kundenansprachen zwecks Verkaufsförderung. Auch zwecks Bonitätsprüfung können Scoring-Profile eingesetzt werden, wobei die Daten oftmals aus sogenannten Bonitätsdatenbanken stammen: Je höher der Bonitäts-Score, desto besser sind die Erfolgsaussichtung für die Zusprechung eines Kredits und desto geringer ist das Risiko eines Zahlungsausfalles für das kreditgebende Institut. Big Data Analytics ist somit auch im Kreditvergabeverfahren angelangt und Kreditanbieter nutzen diese Prozesse, um fundierte Aussagen über die Kreditwürdigkeit, Zahlungsbereitschaft und Bonität einer Person machen zu können.

• Predictive Maintenance: Wartungsprognosen (Predictive Maintenance) sind insbesondere im Bereich der Industrie 4.0 anzutreffen und basieren i.d.R. auf Prozess- und Maschinendaten. Ziel von Predictive Maintenance ist die vorausschauende Instandhaltung von z.B. Maschinen, Anlagen oder Geräten, sodass eine bedarfsgerechte Wartung erfolgt. Das Gegenteil einer bedarfsgerechten Wartung ist z.B. eine regelbasierte Wartung, wobei einleuchtend ist, dass der Ersatz von Maschinenteilen unabhängig vom tatsächlichen Verschleiß mit höheren Kosten verbunden ist. Das McKinsey Global Institute geht davon aus, dass Hersteller weltweit bis 2025 zwischen USD 240 bis 630 Mrd. durch den Einsatz von Wartungsprognosen einsparen könnten.^[1]

Die obigen Beispiele veranschaulichen sehr gut, dass Daten monetär genutzt werden können. Gleichzeitig wird aber auch erkennbar, dass es extrem schwierig ist, die Daten mit einem konkreten pricetag zu versehen. Dabei widerspiegeln Socring-Profile und Predictive Maintenance nur einen kleinen Anwendungsbereich von Big Data Analytics. Das Potenzial der Digitalisierung ist bei Weitem nicht ausgeschöpft. In vielen Lebensbereichen hat die digitale Transformation bereits zu einem Wandel geführt und wird auch in Zukunft wesentliche Veränderungen mit sich bringen. Der technische Fortschritt hat den Umgang mit (digital gehaltenen) Daten revolutioniert. Dadurch, dass heutzutage massenweise Daten gesammelt, analysiert, interpretiert und verstanden werden können, haben diese an Bedeutung gewonnen. Dies gilt namentlich für Unternehmen, welche datengetrieben sind oder es werden möchten.

[1] McKinsey Global Institute, The Internet of Things: Mapping the Value Beyond the Hype, 2015, abrufbar unter https://www.mckinsey.com/~/media/McKinsey/Industries/Technology%20Media%20and%20Telecommunications/High%20Tech/Our%20Insights/The%20Internet%20of%20Things%20The%20value%20of%20digitizing%20the%20physical%20world/Unlocking_the_potential_of_the_Internet_of_Things_Executive_summary.pdf; letztes Abrufdatum: 31.1.2022.