Wert & Verwertung von Open Data

Daten gehören zu den wertvollsten Ressourcen unserer Zeit. Anders als physische Rohstoffe lassen sie sich nahezu ­kostenlos vervielfältigen und werden durch Nutzung nicht verbraucht. Auf diese Weise kann immer wieder neuer Wert auf bereits vorhandenen Daten aufgebaut werden. ­Offene Daten ermöglichen neue Forschungs- und Geschäftsideen.

Offenheit muss kein »alles oder nichts« sein. Wer Daten bereitstellt, muss zwischen Offenheit und Exklusivität, zwischen ­Zusammenarbeit und Wettbewerb sowie zwischen öffentlichem und privatem Nutzen abwägen. Die Strategie sollte sich am Zweck orientieren: Wo erzeugt Offenheit den größten Effekt? Und wo lohnt sich ein kontrollierter Zugang?

Was ist Open Data?

Fokus dieses Leitfadens sind Forschungsdaten. Diese sollen so dokumentiert und strukturiert sein, dass andere sie verstehen, überprüfen, wiederverwenden und in eigene Untersuchungen einbeziehen können. Dazu dienen die Metadaten.

Metadaten

Wahrscheinlich am wichtigsten, aber auch mit großem Aufwand versehen, ist die Erzeugung reichhaltiger und standardisierter Metadaten. Metadaten sind Daten über Daten. Sie beschreiben strukturiert die Daten und setzen sie in einen Kontext: Was stellen die Daten dar, wie, wann, wo, von wem und unter welchen Bedingungen wurden sie erhoben oder erzeugt. Metadaten ermöglichen das Verstehen, die Vertrau­ensbildung und die Nachnutzung von Daten. Ohne Metadaten sind Daten eine unverständliche Sammlung von Bits.

Wichtig ist eine weitestmögliche Standardisierung, idealerweise durch den Einsatz von Ontologien. Als formale Modelle beschreiben diese, welche Begriffe und Beziehungen in einem Fachgebiet existieren. Sie schaffen eine gemeinsame, maschinenlesbare Sprache, damit Menschen und Systeme Daten einheitlich verstehen können. Dadurch werden Terminologie und Metadaten harmonisiert, was Interoperabilität und Nachnutzung über verschiedene Anbieter hinweg ermöglicht.

Open Data vs. FAIR Data

Für den erfolgreichen Transfer ist die Unterscheidung zwischen technischer Qualität und rechtlicher Öffnung wichtig:

FAIR Data (Technische Qualität)
Wichtige Prinzipien sind Auffindbarkeit, Zugänglichkeit, Interoperabilität und Repro­duzierbarkeit – kurz: die FAIR-Prinzipien (Findable, Accessible, Inter­operable, Reusable). FAIR-Daten sind technisch so aufbereitet, dass sie maschinell und menschlich verstanden werden können. Dazu gehören:

• Reichhaltige, standardisierte Metadaten
• Dauerhafte Identifikatoren (z. B. DOIs)
• Verwendung gemeinsamer Standards/Ontologien
• Ablage in anerkannten Repositorien

Nur FAIRe Daten sind übertragbar – sowohl auf offenem als auch auf kommerziellem Weg.

Open Data (Rechtliche Öffnung)
Open Data erlaubt die Nutzung durch alle zu jedem Zweck. Sie dürfen weiterverbreitet und weiterverwendet werden (oft definiert durch Lizenzen wie CC-BY).

Die Beziehung
Open Data sollte FAIR sein: Damit Daten wirklich genutzt werden können, müssen sie auffindbar und verständlich sein. FAIR Data muss nicht Open sein: Ein Datensatz kann technisch perfekt aufbereitet sein (FAIR), aber dennoch unter Geheimhaltung stehen oder nur gegen Gebühr zugänglich sein.

Dimensionen der Zugänglichkeit

Aus Transferperspektive sind zwei Aspekte zentral:

• Auffindbarkeit: Metadaten sollten öffentlich sein, damit Nutzer:innen den Wert einschätzen können.
• Zugänglichkeit: Der tatsächliche Zugang variiert – von »völlig offen« über »Registrierung« oder »Zeitablauf« bis hin zu »kostenpflichtig« oder »auf Anfrage«.

Nutzen und Wert von Daten

Nicht jeder Datensatz eignet sich gleichermaßen für den Transfer. Die Aufbereitung kostet Zeit und Ressourcen. Daher ist eine Priorisierung entscheidend, um den größten Mehrwert zu erzielen.

Für die Auswahl von Daten mit hohem Wertschöpfungspotenzial helfen folgende Kriterien:

• Marktrelevanz: Der Datensatz lässt sich in Services, Plattformen oder Modelle einbetten, die Probleme in Wissenschaft, Gesellschaft oder Wirtschaft lösen.
• Hebelwirkung: Der Datensatz hilft, Folgefinanzierung oder Partnerschaften zu sichern und damit weiteren Wert zu generieren.
• Erzeugungsaufwand (Knappheit): Der Datensatz lässt sich nur schwer oder zu hohen Kosten reproduzieren (z. B. aufgrund großer Datenmengen, komplexer Infrastruktur oder spezieller Messverfahren).
• Glaubwürdigkeit: Der Datensatz ist vertrauenswürdig, da er von einer anerkannten Stelle oder Community erzeugt, validiert oder bereits genutzt wurde.
• Technische Reife (FAIR): Der Datensatz ist gut dokumentiert, standardisiert und interoperabel. Metadaten und Formate ermöglichen die Einbindung in fremde Workflows.
• Rechtliche Reife: Die Rechtesituation ist klar (Datenschutz, Einwilligungen, Verträge). Keine versteckten Einschränkungen verhindern die Nachnutzung oder Vermarktung.

Es müssen nicht alle Kriterien von Anfang an erfüllt sein. Zeigt ein Datensatz starkes Potenzial, lohnt sich oft die gezielte Investition in die übrigen Kriterien.

Rechtliche Grundlagen & Lizenzen

Daten unterliegen einem eigenen Rechtsrahmen. Für den Transfer ist die Abwägung zwischen Schutz und Offenheit entscheidend.

Schutzrechte

• Urheberrecht: Greift bei der Struktur und Auswahl von Datenbanken (nicht bei reinen Fakten/Messdaten).
• Sui-generis-Schutz: Schützt die Investition in die Erstellung großer Datenmengen (z. B. gegen systematische Übernahme).
• Geschäftsgeheimnisse: Daten können geschützt werden, wenn sie wirtschaftlichen Wert haben, vertraulich behandelt und Maßnahmen zum Schutz getroffen wurden.

Lizenzen & Vereinbarungen

Lizenzen definieren die Nutzungsbedingungen (Weitergabe, Kommerzialisierung). Die Wahl hängt von der Transferstrategie ab:

• Maximale Verbreitung: CC0 oder DL-DE-Zero (Public Domain / Verzicht auf Rechte).
• Standard (Namensnennung): CC BY 4.0 oder DL-DE-BY (Weiterverbreitung mit Quellenangabe).
• Data Commons: ODbL (Weitergabe unter gleichen Bedingungen / Share-Alike).

Eingeschränkter Zugang

Für sensible oder wertvolle Daten kommen Geheimhaltungsvereinbarungen (Non-Disclosure Agreement, NDA) oder spezifische Datennutzungsvereinbarungen (Data Transfer Agreements, DTAs, Data Sharing Agreements, DSAs) zum Einsatz. Diese sollten immer die Rechte an Folgeprodukten (Intellectual Property, IP) klären.

Geschäftsmodelle

Der Transfer von Daten erfordert Investitionen (Zeit, Aufbereitung). Daher lohnt sich der Transfer besonders bei Datensätzen mit hohem Potenzial und geringen recht­lichen Hürden.

Zwei entscheidende Dimensionen

Die Strategie wird durch die Kombination von Preis und Exklusivität bestimmt. Beide Dimensionen sind unabhängig: Auch offene Daten können bezahlt werden, auch Exklusivität kann kostenlos sein.

	Exklusiv	Beschränkt	Offen
Bezahlt	Ein Partner, voller Wettbewerbsvorteil	Lizenz für ausgewählte Nutzer:innen	Standardlizenz für alle Nutzer:innen
Tausch	Tausch mit einem Partner: Daten gegen Daten/Infrastruktur	Konsortium: geschlossene Gruppe mit gegenseitigem Beiträgen	Geprüfte Nutzer:innen über geschlossene Repositorien
Kostenlos	Ein Partner mit Vorab-Zugang	Geprüfte Nutzer:innen über geschlossene Repositorien	Zugang öffentlich, kostenfrei, definierte Bedingungen

Strategische Empfehlung

Bei öffentlich finanzierten Ergebnissen sollte Exklusivität nur eingeräumt werden, wenn ein klarer Mehrwert entsteht (z. B. bei tiefgreifenden Folgeinvestitionen für Zulassungen). In den meisten Fällen ermöglicht ein nicht-exklusives Modell mehr Flexibilität und breitere Nutzung.

Hybride Ansätze

In der Praxis sind Mischwege üblich: Ein Teil der Daten wird offen geteilt, andere Teile geschützt. Diese Entscheidung sollte auf Ebene einzelner Datenbestandteile getroffen werden, nicht pauschal für das gesamte Projekt.

Konkrete Modelle

Offene Daten können dem Gemeinwohl dienen und gleichzeitig Erlöse erzeugen, wenn sie mit Zusatzleistungen kombiniert werden.

Modell	Erlösquelle	Voraussetzung
Stufenmodell (Tiering)	Kerndatensätze kostenlos, Premium für früheren oder schnellen Zugriff, höhere Auflösung o.ä.	Daten zeitkritisch oder qualitativ abstufbar
Zusatzleistungen	Services wie individuelle Auswertungen, Integration in Workflows, APIs, Visualisierungstools.	Fachwissen und Vertrauen (Marke)
Konsortium	Mitglieder erhalten gegen Beiträge (Geld, Daten, etc.) bevorzugten Zugang bzw. Mitspracherechte.	Klare Vorteile aus Mitsprache bei Datenstruktur und -erzeugung.
Förderung/Sponsoring	Zahlungen stammen nicht von Nutzer:innen, sondern vom Staat oder Sponsoren; werden über Wirkung gerechtfertigt.	Klar vermittelbarer Nutzen und MIssion passend zum Geldgeber.
Plattformmodell	Daten werden mit Werkzeugen und Rechenressourcen verbunden. Nutzer:innen zahlen für Verarbeitung und Speicherung.	Notwendigkeit von schwer reproduzierbarer Infrastruktur.

Der Transfer-Prozess

Die Öffnung von Daten ist kein linearer Prozess, sondern ein iterativer Ablauf, bei dem technische, rechtliche und geschäftliche Aspekte parallel bearbeitet werden. Die drei folgenden Phasen bilden einen orientierenden Rahmen.

Phase 1: Strategie & Vorbereitung

Bevor Daten aufbereitet werden, müssen die grundlegenden Weichen gestellt werden. Dazu gehören die Entscheidung »Open vs. Proprietär«, die Prüfung rechtlicher Rahmen- bedingungen (Datenschutz, Exportkontrolle) sowie die Festlegung von Lizenz und Geschäftsmodell. Eine bewusste Entscheidung zu Beginn vermeidet spätere Konflikte.

• Welche Daten haben Transferpotenzial? (Marktrelevanz, Knappheit)
• Welche Lizenz passt zur Strategie? (CC0, CC-BY, ODbL)
• Welche rechtlichen Hürden gibt es? (Datenschutz, Verträge)

Phase 2: Aufbereitung & Hosting

In dieser Phase findet die eigentliche technische Umsetzung statt. Die Daten werden bereinigt, standardisiert und mit Metadaten angereichert. Die Auswahl der Infrastruktur bestimmt Zugänglichkeit und Kosten. Vollständige Dokumentation ermöglicht Dritten den sicheren Zugriff.

• Sind die Daten FAIR? (Findable, Accessible, Interoperable, Reusable)
• Welche Infrastruktur wird benötigt? (Repositorium, Plattform)
• Wie wird die Zugänglichkeit geregelt? (Öffentlich, registriert, exklusiv)

Phase 3: Transfer & Anwendung

Die Veröffentlichung ist kein Endpunkt, sondern Start einer neuen Phase. Festlegung der Plattformen, Aufbau der Community, Onboarding neuer Nutzer:innen und Feedback-Mechanismen stehen im Fokus. Der langfristige Betrieb und die Weiterentwicklung des Projekts werden gesichert.

• Wie erreichen wir die Zielgruppe? (Kommunikation, Marketing)
• Wie wird der Wert gemessen? (Nutzungszahlen, Impact)
• Wie gehen wir mit Feedback um? (Kontinuierliche Verbesserung)