Daten – technische Grundlagen

Ein Grundverständnis darüber, wie Datenstrategien definiert und Datenarchitekturen modelliert werden, ist für die Beratungstätigkeit im Zusammenhang mit datenbasierten Geschäftsmodellen essenziell. Eine technologische Weitsicht bringt nicht nur Wettbewerbsvorteile für Unternehmen, sondern hilft auch Berater in den Bereichen Steuern und Wirtschaft, auf neue (steuer-)rechtliche Fragestellungen vorbereitet zu sein. Mit anderen Worten: Berater sind gleichermaßen von den veränderten Marktdynamiken aufgrund der fortschreitenden Technologie betroffen und müssen auf die Kundenbedürfnisse entsprechend reagieren können.

Geschäftsmodell als Dreh- und Angelpunkt der Datenstrategie

Der Begriff "Big Data" weckt bei vielen Personen die euphorische Vorstellung, es handle sich hierbei um den Schlüssel zum garantierten Erfolg. Viele sehen in Big Data Big Business. Dem ist aber nicht immer so. Obschon viele Unternehmen an einem Datenüberfluss leiden, scheitern die Mehrheit der Daten- und KI-Projekte. Woran liegt das?

Die Antwort liegt oftmals in der fehlenden Datenstrategie. Dabei muss sich das Unternehmen zunächst die Frage stellen, welche Ziele mit dem Big Data Projekt überhaupt erreicht werden sollen. Die Ziele werden wiederum definiert durch das Geschäftsmodell. So facettenreich Geschäftsmodelle und der Informationsgehalt von Daten sind, so vielfältig lassen sich auch Big Data Projekte ausgestalten. Daraus folgt, dass es "das" Big Data Projekt nicht gibt. So kann der Einsatz von Big Data etwa dazu dienen, die Kundenanalyse oder die Customer Journey zu verbessern, die betriebsinternen Prozess- und Arbeitsabläufe effizienter zu gestalten, Entscheidungsprozesse zu optimieren oder gar neue Produkte oder Dienstleistungen zu entwickeln.

Die Datenstrategie umfasst gewöhnlich Aspekte wie die Nutzung, Verarbeitung, Speicherung, Integration oder Qualität von Daten. Letztendlich beinhaltet sie auch die Datenarchitektur an sich. Im vorliegenden Beitrag plädieren die Autoren für eine ganzheitliche Datenstrategie, was bedeutet, dass namentlich auch die steuerrechtlichen Aspekte miteinzubeziehen und Optimierungspotenzial auszuschöpfen sind. Die Ausformulierung der Datenstrategie ist Teamarbeit. Idealerweise werden Berater in den Bereichen Steuern und Wirtschaft bereits zu Beginn eines Big Data Projekts beigezogen, denn wichtige (steuer-)rechtliche Weichen (z.B. welche Legaleinheit einer Unternehmensgruppe soll wertschöpfende Datenanalysetätigkeiten übernehmen?) lassen sich am besten gleich zu Beginn einstellen.

Big Data Life Cycle

Der Begriff "Big Data Life Cycle" beschreibt einen Prozess, der die Erhebung, Kombination und Analyse großer Datenmengen beinhaltet. Umfasst werden etwa folgende Phasen:

• Erheben und Erfassen: In dieser Phase erfolgt die Rohdatengewinnung. Die Datenerstellung und -speicherung kann hierbei in unterschiedlichen Jurisdiktionen erfolgen und somit bereits einen grenzüberschreitenden Datenfluss in dieser Phase des Datenzyklus auslösen.
• Reinigen: Nach der Erhebung und Erfassung werden Datenfehler beseitigt. Für eine zielführende Datenbereinigung ist es wichtig, die grundlegenden Ziele der Datenanalyse zu definieren, d.h. bereits bei der Aufbereitung und Reinigung der Daten muss die verfolgte Datenstrategie einfließen.
• Kombinieren und Kuratieren: Das Kombinieren umfasst die Aggregierung der Datenpunkte aus verschiedenen Quellen und die in aller Regel erforderliche Umwandlung in ein gemeinsames Datenformat. Datenkuration ist der Prozess der Umwandlung verschiedener Datenquellen in einheitliche Datensätze für weitere Analysen.
• Analysieren: Bei der Analyse der Daten findet die Hauptwertschöpfung im Datenlebenszyklus statt, da in diesem Schritt aus Daten Informationen und damit Erkenntnisse generiert werden, die qualitativ bessere und schnellere Managemententscheidungen ermöglichen. Die Analyse erfolgt mit Hilfe von Algorithmen (Data Mining und ML).
• Entscheiden: Die aus der Verwendung fortschrittlicher Analysetechniken umfangreicher, komplexer und dynamischer Datenquellen gewonnenen Erkenntnisse ermöglichen es, den unternehmensinternen Adressaten besser informierte und schnellere Entscheidungen treffen zu lassen.

Wertschöpfung durch Daten

Der Datenwertschöpfung liegt die Prämisse zugrunde, dass mittels der richtigen Daten und des richtigen Analyseverfahrens ein monetärer Mehrwert für das Unternehmen entstehen kann. Zwischen der Erhebung von Daten und der datenbasierten Entscheidung existiert oftmals ein aufwendiger und komplexer Verarbeitungsprozess, ohne den die Gewinnung von neuen Erkenntnissen und hieraus folgenden besseren Managemententscheidungen gar nicht möglich ist.

Das Verständnis über den Wertschöpfungsprozess ist für Steuerberater deshalb wichtig, weil insbesondere die Transfer Pricing Analyse die Aspekte der wertschöpfenden Aktivitäten, deren Bedeutung für das gesamte Geschäftsmodell des Unternehmens sowie die Beiträge von Legaleinheiten in unterschiedlichen Jurisdiktionen zur Datenwertschöpfungskette miteinbeziehen muss. Kommt es zu konzerninternen Transaktionen, welche z.B. das Zurverfügungstellen von Daten zum Gegenstand haben, stellt sich neben der Frage der Vergütung des Datenlieferanten auch oftmals die Frage, wie solche Einkünfte im Sinne der anwendbaren Doppelbesteuerungsabkommen zu qualifizieren sind.

Die Wertschöpfung von Daten passt sich dem Geschäftsmodell und der Datenstrategie an. Ebenfalls wird sie beeinflusst durch den technologischen Wandel. Auch dies macht wieder deutlich, wie wichtig die eingangs erwähnte technologische Weitsicht und das Verständnis über die technischen Abläufe und die Datenstrategie des Unternehmens sowie der technischen Dateninfrastruktur auch für Steuerberater ist. Es gilt der Grundsatz: Was der Steuerberater nicht versteht, wird er steuerrechtlich auch nicht einordnen können.

Lesen Sie auch:

Daten in Rechnungslegung und Steuerrecht (Teil 1): Daten – wichtiges Asset in Unternehmen