Untersucht am Beispiel einer Sammlerplattform für Vinylsammler

Transkript

1 Schaffung und Bearbeitung von Online-Nischenplattformen mithilfe von Open Data Untersucht am Beispiel einer Sammlerplattform für Vinylsammler Masterarbeit zur Erlangung des akademischen Grades Master of Science im Studiengang Crossmedia Management Betreuer: Zweitgutachter: Prof. Dr. Thomas Riechert Dr. Anna Riedel Eingereicht am von Christian Korndörfer Friedrich-Engels-Str Berlin, Deutschland geboren am in Plauen info@chko.org

2 Inhaltsverzeichnis ii Inhaltsverzeichnis Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis ii iv vi vii 1. Einleitung Hintergrund Zielstellung und Relevanz Struktur der Arbeit Theorethische Grundlagen und Voruntersuchung Die Sammlerplattform Diskollect.com Überblick Features Architektur und verwendete Technologien Open Data Begriffsklärung Abgrenzung von Big Data und Open Gov Data Linked Open Data Wirtschaftlicher Nutzen von Open Data Verwendung von Open Data bei Diskollect.com Einschränkungen von Open Data Nischen im Internet Klärung des Nischenbegriffs Entstehung von Nischen Anforderungen an attraktive Nischen Phasen-Modell zur Bearbeitung von Nischen Anwendung von Marktforschungsmethoden Methoden der Datengewinnung Sekundärforschung Primärforschung Formulierung und Durchführung der Befragungen Datenanalyse Auswertung der Interviews Auswertung der Online-Umfrage

3 Inhaltsverzeichnis iii 3.3. Konkurrenzanalyse Indentifizierung der Wettbewerber Vergleich und Gewichtung der Wettbewerber Konkurrenzkriterien Konkurrenzgerichtete Strategien Bestimmung der Zielgruppe Auswirkungen auf den Nischenfaktor Anpassung der Dienstleistung und Evaluierung Prototypische Umgebung Laravel Framework Datenbank Archtitektur Hosting Erweiterung der Verwendung von Open Data Verwendung von zusätzlichen APIs Erweiterung des Feature-Sets Teilbare Inhalte Zufällige Auswahl von Platten und Titeln Datenverbreitung via API Aufbereitung und Visualisierung der Daten Manuelles Hinzufügen und Bearbeiten von Einträgen Erweiterung der Sekundärforschung Google Analytics New Relic Mixpanel Zusammenfassung Fazit und Perspektiven Perspektiven Literatur I Anhang III A. Abbildungen V B. Projektbericht Diskollect.com VII C. Beispiel JSON Response XIX D. Transkripte der Interviews XXI D.1. Dominik XXI D.2. Carsten XXIX D.3. Stephan XXXII D.4. Philipp XXXVII E. CD-Verzeichnis XLII

4 Abbildungsverzeichnis iv Abbildungsverzeichnis 1.1. Struktur der Arbeit Willkommensseite von Diskollect.com Überblick über die wichtigsten Features von Diskollect.com Persönliche Sammlerstatistiken auf Diskollect.com Architektur der IT-basierten Dienstleistung Diskollect.com Entstehung nützlicher Informationen und Anwendungen durch die Kombination von Raw Data Zusammenhang zwischen Big Data, Open Data, Open Government Data sowie Open Linked Data Ausmaße der LOD-Cloud mit Datensätzen die im Linked Data Format veröffentlicht wurden Ökonomischer Wert von Open Data in Billionen Dollar verteilt über sieben der wichtigsten Eckpfeiler Preismodelle der Diensleistung Musicgraph Preismodelle der Diensleistung OneMusicAPI Verkettung von API-Aufrufen zu Discogs.com Prozess zur Schaffung einer Nische Das 5-Phasen-Modell zur zyklischen Bearbeitung einer Nische nach Rosenbaum Überblick über die vier Nischenentwicklungstypen und deren Entwicklungspfade Visualisierung von Click-Events bei am Beispiel von Diskollect.com Beispiel-Konfiguration eines Funnels bei Das Strategische Dreieck zur Realisierung von Wettbewerbsvorteilen Bekanntheitsgrade des Wettbewerbs Stärke-Schwächen-Profil für Discogs.com und Diskollect.com Ergebnis der Online-Umfrage: Sammlertypen Ergebnis der Online-Umfrage: Geschlecht Willkommensseite des Prototypen Datenbankstruktur des Prototyps Von Youtube bereitgestellte Hörprobe zu einem Titel innerhalb der prototypischen Umgebung Umfrageergebnisse zum Teilen von Inhalten Umfrageergebnis zum Thema Vergesslichkeit Visualisierung der Verteilung der Platten über verschiedene Genres

5 Abbildungsverzeichnis v 4.7. GUI von Google Analytics mit Graphen zu erfassten Sessions auf Diskollect 71 A.1. Importfunktion von diskollect.com V A.2. Suchfunktion von diskollect.com V A.3. Filterfunktion von diskollect.com VI A.4. Detailansicht einer Platte auf diskollect.com VI A.5. Grafische Oberfläche von Laravel Forge VII E.6. Verzeichnisse auf der beiliegenden CD XLII

6 Tabellenverzeichnis vi Tabellenverzeichnis 2.1. Linked Open Data 5-Stern-Modell von Tim Berners-Lee Erzielung und Wirkung über die drei Arten von Nischen-Economies Checkliste Die ideale Nische nach Kotler Chancen und Risiken der Nischenstrategie für Nischenanbieter Sozio-kulturelle Wertewandel und damit einhergehende Chancen für Nischenanbieter Verknüpfung von Mixpanel-Events mit den Kernfeatures von Diskollect.com Vor- und Nachteile der schriftlichen Befragung Vor- und Nachteile der persönlichen Befragung Vor- und Nachteile der telefonischen Befragung Vor- und Nachteile der Online-Befragung Einzelfallanalyse Dominik und Stephan Einzelfallanalyse Philipp und Carsten

7 Abkürzungsverzeichnis vii Abkürzungsverzeichnis API ARPANET BPM BVMI CATI CC CSV CMS GEMA GUI HTML HTTP IT JSON JSONP LOD LSoM MVC OD ODI OGD OLD PA RAM RDF Application Programming Interface Advanced Research Projects Agency Network Beats Per Minute Bundesverband für Musikindustrie Computer Aided Telephon Interviewing Creative Commons Comma Separated Values Content Management System Gesellschaft für musikalische Aufführungs- und mechanische Vervielfältigungsrechte Graphical User Interface HyperText Markup Language HyperText Transfer Protocol Informationstechnik JavaScript Object Notation JavaScript Object Notation with Padding Linked Open Data Leipzig School of Media Model-View-Controller Open Data Open Data Institute Open Government Data Open Linked Data Projektarbeit Random Access Memory Resource Description Framework

8 Abkürzungsverzeichnis viii RDFa REST SEO SSD SVN URI URL USD Resource Description Framework in Attributes Representational State Transfer Search Engine Optimization Solid State Drive Apache Subversion Uniform Resource Identifier Uniform Resource Locator United States Dollar

9 1. Einleitung 1 1. Einleitung Durch die Veröffentlichung von GPS-Daten der US-Regierung wurden viele der heute etablierten Dienstleistungen wie beispielsweise Google Maps 1 erst ermöglicht. Auch andere bekannte Dienste wie Twitter 2, Facebook 3 oder Foursquare 4 wären ohne Open Data schlicht undenkbar. Doch wie können auch kleinere, noch unbekannte Nischen-Anbieter von dieser Art Daten profitieren und bearbeitet werden? Kann Open Data (OD) dazu beitragen, dass Nischenplattformen zu größeren Diensten heranwachsen, indem sie ihren Nutzern eine neue Art Mehrwert bieten und diesen wohlmöglich erfolgreich vermarkten? Die folgenden Inhalte werden sich diesen und weiteren Fragen widmen sowie die Bedeutung von Open Data für moderne Dienstleistungen und insbesondere Nischenplattformen im Netz verdeutlichen Hintergrund Innerhalb der letzten Jahre etablierte sich Open Data als eine neue Bewegung im Netz. Riesige Datenmengen werden auf unterschiedlichste Art und Weise frei zur Verfügung gestellt und von großen Unternehmen wie Facebook, Foursquare oder Twitter erfolgreich vermarktet. Mehr und mehr werden auch kleinere, aber dafür spezifischere Datensätze in den Nischen des sog. Web of Data 5 veröffentlicht, von denen auch neue, spezialisierte Start-ups 6 profitieren können. Im Rahmen eines Semesterprojektes des Studiums an der Leipzig School of Media (LSoM) wurde eine Plattform für die Nische der Vinylsammler basierend auf Open Data geschaffen. Während der Umsetzung des Semesterprojektes formte sich mehr und mehr die Frage, welchen Mehrwert sich die Nutzer von solch einer Plattform erhoffen, wie dieser mithilfe 1 Vgl. (Stand ) 2 Vgl. (Stand ) 3 Vgl. (Stand ) 4 Vgl. (Stand ) 5 siehe Abschnitt kürzlich gegründete Existenz, die sich in der Anfangsphase einer unternehmerischen Tätigkeit befindet

10 1. Einleitung 2 von Open Data erreicht werden kann und welches Potenzial sich hinter dieser Art Daten verbirgt. Die Masterarbeit soll auf diesem Semesterprojekt aufbauen und sich genau diesen Fragen widmen Zielstellung und Relevanz Die vorliegende Arbeit soll Nischenplattformen und Start-ups, die Nischen bearbeiten wollen, helfen, das Potenzial hinter Open Data zu erkennen und erfolgreich am Markt anzuwenden. Dafür ist es zunächst notwendig, den Begriff der Nische im Kontext des Internets zu definieren sowie deren Entstehung und Strategie am digitalen Markt zu beleuchten. Weiterführend soll geklärt werden, wie Open Data als Katalysator bzw. Werkzeug zur Mehrwertgenerierung für Nutzer einer Nischenplattform fungieren kann. Anschließend soll untersucht werden, welche offenen Daten für Nischen relevant sind, wie sie gewonnen werden können und wie diese so orchestriert werden können, dass neue Informationen geschaffen und wiederum als Teil des Web of Data den Nutzern der jeweiligen Plattform als Mehrwert zur Verfügung gestellt werden können. Des Weiteren untersucht die Arbeit Vermarktungsmöglichkeiten, die mit der oben genannten Mehrwertgenerierung für Nischenplattformen einhergehen können. Dabei wird untersucht, wie Nutzer eine auf Open Data gestützte Plattform verwenden, was ihnen dabei wichtig ist und welche Faktoren dazu führen können, dass die Plattform weiterhin Verwendung findet, neue Nutzer gewinnt, wächst und damit die Position am Markt ausbauen kann. Die Marktposition von stark spezialisierten Unternehmen oder Dienstleistungen in den Marktnischen des Internets ist weitestgehend nicht oder nur unzureichend erforscht: Es ist unklar, was Nischen im Netz überhaupt sind, wie sie entstehen und sich identifizieren lassen. Es bleibt bisher offen, wie sich lukrative Nischen im Netz mithilfe von Open Data bearbeiten lassen. Die Bearbeitung und Implementierung von Nischenstrategien basierend auf Open Data ist unbehandelt.

11 1. Einleitung Struktur der Arbeit 1 Einleitung 2 Theoretische Grundlagen und Voruntersuchung 4 Anpassung der Dienstleistung und Evaluierung Die Sammlerplattform Diskollect Open Data Nischen im Netz Prototypische Umgebung Erweiterung der Verwendung von Open Data 3 Anwendung von Marktforschungsmethoden Erweiterung des Feature-Sets Erweiterung der Sekundärforschung Methoden der Datengewinnung Datenanalyse Konkurrenzanalyse Zusammenfassung Bestimmung der Zielgruppe Auswirkungen auf den Nischenfaktor 5 Fazit und Perspektiven Abbildung 1.1.: Struktur der Arbeit 1 Die Arbeit ist in insgesamt fünf Kapitel unterteilt, in denen die in Abb. 1.1 dargestellten Inhalte behandelt werden: Die Arbeit beginnt in Kapitel 2 mit der Betrachtung grundlegender Theorien und der Voruntersuchungen anhand des Untersuchungsobjekts Diskollect.com (im weiteren Verlauf nur als Diskollect gekennzeichnet), welches zu Beginn des Kapitels vorgestellt wird. Dabei werden Features, Produkt- und Prozessmodell, sowie Ressourcenund Marketingkonzept der Nischenplattform anhand von Screenshots und Struktogrammen erklärt. Außerdem werden verwendete Technologien und Schnittstellen zur Umsetzung der Plattform kurz erläutert und diskutiert. Im weiteren Verlauf wird die Bedeutung des Begriffs Open Data geklärt und außerdem der aktuelle Stand der Technik im sog. Web of Data vorgestellt. Des Weiteren wird der Begriff Linked Open Data diskutiert und eine klare Abgrenzung zu Big Data sowie Open Government Data aufgezeigt. Zusätzlich wird der Marktnutzen von Open Data für Unternehmen näher erläutert sowie die Verwendung von APIs 2 und RDF 3 näher beschrieben. 1 Quelle: eigene Abbildung 2 API = Application Programming Interface 3 RDF = Ressource Description Framework

12 1. Einleitung 4 Das Kapitel schließt mit der Untersuchung des Begriffs der Nische im Kontext des Internets und klärt sowohl die Entstehung als auch Bearbeitung von Nischen im Allgemeinen. Zusätzlich werden Möglichkeiten bzw. Strategien zum Wachstum und zur Etablierung von Nischen am Markt diskutiert und Anforderungen an attraktive Nischen definiert. In Kapitel 3 werden gängige Marktforschungsmethoden im Kontext von Nischen auf die existierende Plattform angewendet. Dabei wird zunächst eine Konkurrenzanalyse zur Einschätzung des Wettbewerbs durchführt, um so eine Einschätzung über die Stellung am Markt treffen zu können. Im Anschluss werden mögliche Zielgruppen der untersuchten Plattform vorgestellt und Methoden der Primär- als auch Sekundärforschung auf diese Zielgruppen und die Plattform selbst angewandt. Anschließend werden die so gewonnenen Informationen analysiert und ausgewertet, um im folgenden Kapitel diesen Erkenntnissen aufzubauen. In Kapitel 4 werden die Erkenntnisse aus den vorherigen Kapiteln 2 und 3 aufgegriffen (siehe Abb. 1.1) und ein Konzept zur Erweiterung bzw. Anpassung der Dienstleistung verfasst. Dabei werden sowohl neue Features, aber auch Modifikationen von bestehenden Komponenten vorgestellt und diskutiert. Die erarbeiteten Anpassungen werden anschließend im Rahmen eines Prototyps implementiert. Dabei werden angewandte Technologien und Vorgehensweisen erläutert. Die prototypische Umsetzung dient in erster Linie der Überprüfung der vorgestellten Maßnahmen auf Machbarkeit. Die Arbeit schließt in Kapitel 5 mit der Formulierung eines Fazits zur Verwendung von Open Data im Kontext der Schaffung und Bearbeitung von Nischenplattformen im Internet. Außerdem werden die Erkenntnisse der Arbeit zusammengefasst und Empfehlungen für andere Nischenplattformen formuliert. Die Arbeit endet mit einem Ausblick auf die Chancen für andere Nischenplattformen mithilfe von Open Data, als auch auf die Entwicklung der zu untersuchenden Plattform Diskollect selbst.

13 2. Theorethische Grundlagen und Voruntersuchung 5 2. Theorethische Grundlagen und Voruntersuchung 2.1. Die Sammlerplattform Diskollect.com Abbildung 2.1.: Willkommensseite von Diskollect.com Überblick Diskollect ist eine Online-Plattform bzw. IT-basierte Dienstleistung2 für Plattensammler und das Ergebnis der eigenen Semesterarbeit der Module PA1 und PA23 an der Leipzig 1 Quelle: eigene Abbildung, Vgl. (Stand ) IT = Informationstechnik 3 PA = Projektarbeit 2

14 2. Theorethische Grundlagen und Voruntersuchung 6 School of Media. Ziel der Projektarbeit war die Konzeptionierung, Umsetzung und Dokumentation eines crossmedialen Projektes innerhalb eines Semesters. Der entsprechende Projektbericht ist im Anhang der Arbeit zu finden. Die Plattform wendet sich ausschließlich an die Nische der Vinylsammler. Andere Tonträger wie CD, Kassette, DVD oder ähnliches werden nicht unterstützt. Jeder registrierte Nutzer verfügt über genau eine Sammlung, die er selbstständig verwaltet und erweitert. Die Daten, die ein Nutzer in seiner individuellen Sammlung bereitstellt, werden mithilfe von Open Data erweitert und aufbereitet, um so ein personalisiertes Sammlerprofil für den Nutzer zu erstellen. Diskollect bietet in diesem Zusammenhang diverse Features, die im nachfolgenden Punkt im Detail vorgestellt werden. Die Plattform selbst ist unter der folgenden Addresse im Netz erreichbar: Die folgenden Betrachtungen beziehen sich auf den Stand vom 3. Juli Features Abbildung 2.2.: Überblick über die wichtigsten Features von Diskollect.com 1 Werkzeuge zur Verwaltung der Sammlung Zur Verwaltung der Sammlung stehen dem Nutzer mehrere Werkzeuge zur Verfügung, die in Abbildung 2.2 unter den Punkten 1 und 2 gekennzeichnet sind. So existiert neben di- 1 Quelle: eigene Abbildung

15 2. Theorethische Grundlagen und Voruntersuchung 7 versen Sortiermechanismen (1) auch eine Filterfunktion (2), die es erlaubt, die Sammlung schnell nach bestimmten Platten zu filtern. Die Sortierfunktion erlaubt es, die Sammlung bequem nach Künstlername, Titel, Labelname, Preis sowie Farbe der Platte zu sortieren. Die Sammlung kann je nach gewähltem Kriterium sowohl in aufsteigender als auch abfallender Reihenfolge sortiert werden. Die Filterfunktion ist nicht auf bestimmte Eigenschaften der Vinyls limitiert und damit sehr flexibel. Bereits bei der Eingabe eines einzigen Buchstaben werden alle Platten, die diesen Buchstaben in Titel, Künstlername, Labelname, etc. enthalten angezeigt. Einige Beispielfilter wären: Daft Punk liefert alle Platten mit Künstlername, Titel, Labelname oder Name eines Songs auf der Platte, die den String Daft Punk enthalten liefert alle Platten mit Künstlername, Titel, Labelname, Name eines Songs oder Veröffentlichungsdatum auf der Platte, die den String 2014 enthalten. Eine Kombination von Filtern wie z.b. Daft Punk 2012 ist derzeit nicht möglich. Hinzufügen von Platten Eins der Kern-Features ist das Hinzufügen von Platten zu der eigenen Sammlung (siehe Punkt 3 in Abb. 2.2). Neben dem wohl wichtigsten Feature ist es außerdem das für den Nutzer aufwendigste und damit kritischste, da hier eigene Angaben und somit Zeit und Aufmerksamtkeit vom Nutzer abverlangt werden. Um diesen Aufwand für den Sammler so einfach wie möglich zu gestalten, muss lediglich der Künstler sowie der Titel der Platte bekannt sein und angegeben werden. Alle verbleibenden Informationen wie Name des Labels, Genre, Titelliste, Erscheinungsdatum, Katalognummer, Erscheinungstyp, Coverbild, Hörproben, Videos sowie der aktuelle Preis werden zunächst aggregiert. Der Vorgang der Datenaggregierung als auch die verwendeten Datenquellen werden in den Abschnitten und näher erläutert. Bisher ist es nicht möglich, neue Platten auch manuell einzutragen. Auch bestehende Einträge können nur in begrenztem Maße bearbeitet werden. Derzeit ist nur die manuelle Eingabe und Bearbeitung von Anzahl, Größe, Art der Veröffentlichung (Album, Single, EP) und Farbe der Platte unterstützt. Statistiken Ein weiteres Kern-Feature und gleichzeitig eine Art Belohnung für den Nutzer sind die personalisierten Statistiken zur eigenen Sammlung (siehe Punkt 5, Abb. 2.2). Aktuell werden hier die folgenden Statistiken aufgeführt, wie sie auch in Abb. 2.3 abgebildet sind:

16 2. Theorethische Grundlagen und Voruntersuchung 8 Abbildung 2.3.: Persönliche Sammlerstatistiken auf Diskollect.com 1 Anzahl der Platten Monetärer Wert der Sammlung Lieblingslabel basierend auf der Anzahl an Platten des jeweiligen Labels Lieblingskünstler basierend auf der Anzahl an Platten des jeweiligen Künstlers Prozentuale Genre-Anteile der Sammlung Dieses Feature der Plattform wird im Verlauf der Arbeit genauer betrachtet. Dabei werden mögliche weitere Statistiken sowie potentielle Datenquellen vorgestellt. Ziel der Statistiken für einen Sammler soll es sein, mehr über sich selbst und seine Sammlergewohnheiten zu erfahren und eine Art visualisiertes Sammlerprofil zu erstellen. Die Visualisierung als Kuchendiagramm erfolgt derzeit lediglich bei Auflistung der prozentualen Anteile der einzelnen Genres einer Sammlung. Importfunktion Viele Sammler verfügen bereits über einen Katalog über ihre Sammlung auf anderen Plattformen oder in Form von lokalen Dateien, die z.b. in Excel angefertigt wurden. Diskollect bietet eine Importfunktion, die es erlaubt, bereits bestehende Kataloge zu importieren und mit zusätzlichen Informationen anzureichern (siehe Punkt 6, Abb. 2.2). 1 Quelle: eigene Abbildung

17 2. Theorethische Grundlagen und Voruntersuchung 9 Die Vorgehensweise unterscheidet sich nur unwesentlich vom Hinzufügen einer einzelnen Platte: 1. Upload einer konformen CSV-Datei durch den Nutzer 2. Crawling der CSV-Datei nach Künstler-Titel-Paaren 3. Anwendung der Suchfunktion auf die entsprechenden Künstler-Titel-Paare 4. Aggregierung von gefundenen Datensätzen 5. Einpflegen der gefundenen Plattendaten in die Sammlung Der zum importierende Datensatz muss im CSV 1 -Format vorliegen. Die Richtlinien zur Formatierung der CSV-Datei werden im Importdialog (siehe Anhang, Abb. A.4) aufgeführt. Zusätzlich wird eine leere CSV-Datei als Template 2 bereitgestellt, welches anschließend als konformes Format importiert werden kann. Zusätzlich erlauben die meisten Tabellenkalkulationsprogramme wie Microsofts Excel oder Apples Numbers einen Export von bereits existierenden Katalogen im CSV-Format Architektur und verwendete Technologien Bei der Umsetzung der Website wurde besonderer Wert auf die Verwendung aktueller HTML5 3 -Elemente, sowie Open-Source-Technologien geachtet, um entstehende Kosten so gering wie möglich zu halten. Es wurde kein Content Management System (CMS) oder sonstige Frameworks zur Implementierung verwendet. Die folgende Abbildung 2.4 verdeutlicht die grobe Architektur der Plattform: 1 Comma Separated Values (CSV) 2 Template = engl. für Vorlage 3 HyperText Markup Language (HTML)

18 2. Theorethische Grundlagen und Voruntersuchung 10 Diskollect Server PHP Schnittstelle D MySQL Datenbank Client API Calls Discogs.com itunes.com Abbildung 2.4.: Architektur der IT-basierten Dienstleistung Diskollect.com 1 Zur Speicherung der auf der Plattform hinterlegten Daten wird eine MySQL-Datenbank verwendet, die mithilfe eines auf PHP basierten Backends verwaltet wird. Zur Kommunikation mit anderen Plattformen und zur Darstellung bzw. Modifizierung des Graphical User Interface (GUI) wird die Sprache JavaScript sowie deren Erweiterung jquery verwendet, die es zusätzlich erlaubt, asynchrone API-Aufrufe 2 an verschiedene Dienste zu senden. Verwendete APIs Wie in Abb. 2.4 zu erkennen ist, werden aktuell zwei APIs zur Aggregierung zusätzlicher Daten verwendet. Dabei ist lediglich die Eingabe von Künstlername und Titel der entsprechenden Platte nötig, alle weiteren Daten werden mithilfe der folgenden APIs aggregiert: 1. Discogs.com 2. itunes.com Eine detaillierte Betrachtung der beiden APIs folgt in Abschnitt Quelle: eigene Abbildung 2 oft auch als sog. Calls bezeichnet

19 2. Theorethische Grundlagen und Voruntersuchung 11 Tracking Um erste Erfolgsmessungen der Plattform zu verwirklichen, wird die Trackingsoftware Mixpanel 1 verwendet. Diese erlaubt es, verschiedene Aktionen der Nutzer (sog. Events ) aufzuzeichen, um so deren Verhalten auf der Plattform nachzuvollziehen. Weitere Informationen zu dieser Software folgen in Punkt bei der Vorstellung von Marktforschungsmethoden zur Sekundärforschung Open Data Open Data is going to help launch more startups. It s going to help launch more businesses [...] It s going to help more entrepreneurs come up with products and services that we haven t even imagined yet." President Barack Obama, 9. Mai 2013 Die folgenden Inhalte klären die Theorie hinter dem Begriff Open Data im Kontext von Nischenplattformen sowie im Allgmeinen und beschreibt dessen klare Abgrenzung von Big Data und Open Government Data. Darüber hinaus werden Entstehung als auch Nutzen von Open Data beschrieben, um mögliche Potenziale für Nischenplattformen zu verdeutlichen. Außerdem werden angewandte Technologien zur Aggregierung von Open Data am Beispiel von Diskollect vorgestellt Begriffsklärung Definition Open Data beschreibt öffentlich zugängliche Daten, welche von Einzelpersonen, Unternehmen und Organisationen genutzt werden können, um neue Projekte zu starten, Muster und Trends zu analysieren, auf Daten basierte Entscheidungen zu treffen sowie komplexe Probleme zu lösen. Dabei entscheidet sich Open Data jedoch grundlegend von Big Data. Eine genauere Betrachtung der Unterschiede findet unter Punkt statt. 2 Open Data untersteht in der Regel freien Lizenzen, die die Verwendung der Daten erlaubt. Ein Beispiel ist hier die weit verbreitete Creative Commons (CC)-Lizenz 3. Die Daten sollten außerdem in einem Format vorliegen, die von Maschinen bzw. Computern interpretiert werden können. Weitere Informationen zur Maschinenlesbarkeit folgen unter Punkt Website: 2 [Gur13], Vgl. Seite 8. 3 siehe

20 2. Theorethische Grundlagen und Voruntersuchung 12 Außerdem ist Open Data in der Regel kostenlos oder zumindest sehr kostengünstig zur Verfügung zu stellen. Entstehung Die Open-Data-Bewegung entstand, genau wie 1962 der Internetvorläufer namens Advanced Research Projects Agency Network (ARPANET), durch die demokratischen Ziele US-Regierung. Die Grundidee war, Daten, die mithilfe der Steuernzahler gewonnen werden konnten, an selbige zurückzugeben und einsehbar zu machen. 1 Die Open Data Revolution entwickelt sich Dank immer leistungfähigerer Hardware und immer billiger werdenden Speichermöglichkeiten sowie dem exponentiell steigenden Wachstum digitaler Informationen rapide. Erstmals können riesige Datenmengen nahezu problemlos nicht nur von der Regierung der Öffentlichkeit zur Verfügung gestellt und genutzt werden, sondern gleichermaßen auch von Privatpersonen, Unternehmen oder Organisationen. Dies öffnet die Türen für immer mehr frei verfügbare Anwendungen, die bereits existierende Daten verwenden, um neue Informationen zu gewinnen und diese wiederum als Open Data verfügbar machen. Das auf diese Art und Weise entstehende Datennetz ist Teil der durch Tim Berners-Lee ins Leben gerufenen Open-Data-Bewegung (auch engl. Open Data Movement genannt). Die Open Data Bewegung Unter dem Aufruf Raw Data Now! forderte Tim Berners-Lee im Februar 2009 im Rahmen eines TED-Talks 2 alle Regierungen, Unternehmen und sonstige Plattformen im Internet dazu auf, ihre Daten frei zu veröffentlichen. Er untermauerte seine Forderung mit der Tatsache, dass Daten unser Leben bestimmen und durch die Kombination dieser Daten neue, interessante Anwendungen und Informationen entstehen, die unser Leben bereichern. Abbildung 2.5 wurde genutzt, um diese Idee zu verdeutlichen. Die Abbildung soll zeigen, dass durch die Kombination roher Daten neue, wertvolle Dinge entstehen und wachsen können. Je mehr Daten zur Kombination zur Verfügung stehen, desto größer der damit entstehende Mehrwert und umso wertvoller die damit entstehenden Informationen. Unter dem Begriff Linked Data verdeutlicht Berners-Lee die Notwendigkeit zur Verknüpfung von Daten im Netz: The more things you have to connect together, the more powerful that is." 1 [Gur13], Vgl. Seite 9. 2 [Ber09]. 1 [Ber09], schematisch nachgezeichnet Tim Berners-Lee, Februar 2009

21 2. Theorethische Grundlagen und Voruntersuchung 13 RAW DATA RAW DATA RAW DATA RAW DATA Abbildung 2.5.: Entstehung nützlicher Informationen und Anwendungen durch die Kombination von Raw Data 1 Eine genauere Betrachtung derart verknüpfter Daten erfolgt in Abschnitt Zusätzlich wird die Open-Data-Bewegung heute durch Unternehmen wie dem ebenfalls durch Professor Sir Tim Berners-Lee und Professor Nigel Shadbolt gegründeten Open Data Institute (ODI) 2 gestärkt und weiter vorrangetrieben. Das ODI hat sich zum Ziel gesetzt, als führendes Zentrum rund um OD und Open Government Data (OGD) aufzutreten und den kommerziellen Nutzen und Mehrwert von Open Data deutlich zu machen. Dabei sollen sowohl Entwickler, Unternehmer und Entrepeneure als auch anderweitig Interessierte durch Schulungen und Workshops mit dem Umgang mit Open Data vertraut gemacht werden, um so neue Wege der Wertschöpfung in Forschung, Bildung und Wirtschaft aufzudecken. Weitere Ziele des ODI sind: 3 Die Verwendung der besten Technologien zur maximalen Ausbeutung von Open Data. Zu demonstrieren, wie Open Data die Produktivität und die Resultate von öffentlichen Diensten transformieren kann. Zu demonstrieren, wie Linked Data zur Veröffentlichung, Wiederverwendung und Anwendung von Open Data verwendet werden kann. Die Nutzung und Verbesserung bereits existierender Open-Data-Institutionen Abgrenzung von Big Data und Open Gov Data Open Data wird oft mit den Begriffen Big Data und Open Government Data gleichgestellt oder verwechselt, obwohl zwischen allen drei gravierende Unterschiede zu erkennen sind. 2 Website: (Stand ) 3 [Ins12], Vgl. Seite 2-6.

22 2. Theorethische Grundlagen und Voruntersuchung 14 Alle Formen von Daten sind von enormer kommerzieller Bedeutung, unterscheiden sich jedoch sehr in ihren Zielen, ihrer Philosophie und Anwendung. Big Data Open Data Open Government Data LOD Abbildung 2.6.: Zusammenhang zwischen Big Data, Open Data, Open Government Data sowie Open Linked Data 1 Im Kontext von Big Data werden sehr große Datenmengen verarbeitet, um Muster und Verbindungen in Daten zu erkennen. 2 Die Erfassung und Verarbeitung dieser Datenmengen wird dank immer schnellerer Computern und billigerem Speicher überhaupt erst möglich. Zu den gesammelten Daten gehören auch Daten, die teilweise unbewusst und ohne direkten Nutzen erzeugt werden, z.b. wann und wo Kreditkartenkäufe getätigt wurden, Google-Suchbegriffe, GPS-Daten von Handys oder die Dauer von Telefongesprächen etc. Die Literatur 3 spricht hier von sog. passiven Daten, die von Unternehmen oft unter Verschluss gehalten werden und nur internen Zwecken dienen, wie beispielsweise Kundendaten einer Bank oder Patientendaten eines Zahnartztes. In diesem Zusammenhang sind auch alle Daten, die von der jeweiligen Regierung aufgezeichnet werden, zu nennen. Im Kontrast zu Big Data werden Datensätze, die zu Open Data gehören, bewusst und öffentlich zur Verfügung gestellt. Die hier bereitgestellten Daten sollen einem Zweck dienen und können von jedem eingesehen, analysiert und weiter verarbeitet werden. 1 Quelle: eigene Abbildung 2 [Gur13], Vgl. Seite [Gur13], Vgl. Seite 12.

23 2. Theorethische Grundlagen und Voruntersuchung Linked Open Data Linked Open Data ist Linked Data, welche, wie der Name bereits vermuten lässt, offen im Netz zur Verfügung steht. Linked Data wird heute auch eng mit den Begriffen Web 3.0, Semantic Web und Web of Data in Verbindung gebracht. Linked Data verwaltet Daten durch das Netz selbst, indem es jedem Datum eine eigene Web-Adresse zuweist. Dies unterscheidet Linked Data von konventionellen Datenbanken, welche von einer definierten Anzahl von Zeilen und Spalten begrenzt werden. Eine Linked- Data-Struktur formt ein Netzwerk aus miteinander verbundenen Daten, welches je nach Bedarf erweitert werden kann. 1 Abbildung 2.7 zeigt die Ausmaße dieses Netzwerks (Stand Semptember 2011), mit seinem Mittelpunkt DBPedia, einem Projekt, welches strukturierte Daten aus Wikipediaeinträgen extrahiert und wiederum frei im Netz zur Verfügung stellt, sodass anderere Projekte darauf aufbauen können. Linked LOV Audio User Slideshare tags2con Feedback delicious Moseley Scrobbler 2RDF Bricklink Sussex Folk (DBTune) GTAA Reading St. Magnatune Klapp- Lists Andrews stuhl- club Lists Resource NTU DB yovisto Resource Tropes Lotico Semantic John Music Manchester Lists Music Tweet Hellenic Peel Brainz NDL (DBTune) Brainz Reading FBD (Data subjects EUTC (zitgist) Open Incubator) Linked Lists Hellenic Open t4gm Productions RDF Library Surge Crunchbase Library PD info Radio Discogs Source Code Crime ohloh Ontos Plymouth (Data (Talis) News Ecosystem Reading RAMEAU LEM Reports business Incubator) Crime Linked Data Lists SH UK data.gov. Portal Music Jamendo (En- uk (DBtune) LinkedL Ox AKTing) Brainz FanHubz gnoss ntnusc SSW Points (DBTune) CCN Last.FM Poképédia Didactal us rus W LIBRIS Thesaur Thesau- Population (En- artists research patents (DBTune) Last.FM ia theses. Rådata MARC LCSH reegle AKTing) data.gov. data.go (rdfize) my fr Codes nå! NHS Ren. uk v.uk Goodwin flickr Classical Experiment List Energy (En- (DB Pokedex Sudoc PSH Norwegian Generators AKTing) Mortality BBC Family wrappr Tune) (En- Program AKTing) MeSH mes semantic IdRef CO2 educatio OpenEI BBC GND web.org Energy SW Sudoc ndlna Emission n.data.g Music Dog VIAF EEA (En- Chronicling Event MDB Portu- Linked (En- Food UB AKTing) ov.uk AKTing) Mannheim Media guese Europeana BBC America DBpedia Calames Ordnance Openly spraak. Finder Bio- Recht- Wildlife Deutsche Open Revyu DDC Election lobid legislation nl RDF Survey Local graphie Data Telegraphis Open Ulm Resources NSZL Swedish EU data New data.gov.uk Book Project Catalog Institutions URI Open P20 Cultural York bnf.fr Mashup UK Postcodes Times Greek Burner Calais Heritage DBpedia statistics ECS Wiki lobid GovWILD data.gov. Taxon LOIUS iserve Southampton uk Concept BNB Organisations STW Brazilian ECS Geo World OS BibBase Southampton (RKB ECS GESIS Politicians stan- reference ESD Names Factbook Freebase EPrints data.gov.uk Explorer) Budapest dards data.gov. NASA uk intervals Lichfield transport (Data Project OAI DBpedia data Pisa Spendinbator) Fishes berg DBLP data.gov. Incu- Guten- dcs RESEX Scholarometer ISTAT uk DBLP Immigration Species Berlin) IRIT Scotland of Texas Geo (FU Pupils & Uberblic (L3S) DBLP Exams Eurostat lite open- ACM dbpedia data- TCM (RKB London Gene Explorer) IBM NVD Traffic Gazette (FUB) Geo ac-uk Scotland TWC LOGD Eurostat DIT Linked Daily UN/ Data UMBEL ERA Data Med LOCODE DEPLOY Gov.ie CORDIS YAGO lingvoj Diseasome SIDER RAE2001 castle New- (RKB LOCAH Explorer) Linked Eurécom CORDIS Eurostat CiteSeer Roma Sensor Data Drug (FUB) GovTrack (Ontology (Kno.e.sis) Open Bank Courseware Central) riese Enipedia Pfam Cyc Lexvo LinkedCT Linked UniProt PDB VIVO EURES EDGAR US SEC Indiana eprints dotac (Ontology IEEE (rdfabout) totl.net Central) WordNet RISKS EUNIS Twarql (VUA) Taxono UniProt US Census HGNC Semantic Cornetto (Bio2RDF) (rdfabout) my VIVO FTS XBRL PRO- ProDom STITCH Cornell LAAS SITE Scotland KISTI NSF LODE Geography Net GeoWord WordNet WordNet JISC (W3C) Climbing (RKB Linked Affymetrix Pub Drug KEGG SMC Explorer) VIVO UF Piedmont GeoData SISVU ECCO- Finnish Journals PubMed Gene SGD Chem Accomodations AGROV Municipalities Viajero Alpine bible El Ontology TCP Media Ski OC ontology Tourism KEGG Austria Ocean PBAC GEMET Enzyme Geographic ChEMBL Italian Drilling Metoffice Open OMIM KEGG public Codices AEMET Weather Linked Data MGI Pathway schools Forecasts Thesaurus Colors Reaction Open InterPro GeneID Publications Turismo EARTh KEGG de Zaragoza Product Smart User-generated content KEGG Weather DB Link Medi Janus Glycan Stations Product Care AMP UniParc KEGG UniRef Types Italian UniSTS Compound Government Yahoo! Airports Homolo Ontology Museums Google Geo Gene Art Planet National Chem2 Cross-domain Radioactivity UniPath wrapper Bio2RDF JP Sears Open Linked OGOLOD way Corporates Amsterdam Life sciences Reactome meducator Numbers Open Museum As of September 2011 Abbildung 2.7.: Ausmaße der LOD-Cloud mit Datensätzen die im Linked Data Format veröffentlicht wurden stellte Tim Berners-Lee das sog. 5 Stars -Modell vor. Es soll dazu dienen, Webseiten, die sich der Open Data und speziell der Linked-Open-Data-Bewegung anschließen, 1 [Gur13], Vgl. Seite Quelle:

24 2. Theorethische Grundlagen und Voruntersuchung 16 mit Sternen auszuzeichnen. Dies soll die Reputation steigern und Webseiten-Inhaber dazu anregen, strukturierte Daten im Netz zugänglich zu machen. Diesem Modell wurde sogar eine eigene Website 1 gestiftet. Folgende Aussagen wurden für die einzelnen Sterne definiert: Anzahl der Sterne Bedeutung Daten werden unter einer offenen Lizenz (z.b. CC) im Netz zugänglich gemacht Die veröffentlichten Daten liegen in einem strukturierten Format vor (z.b. Excel, Word) Die Daten liegen in einem strukturierten, nicht proprietären Format vor (z.b. CSV statt Excel) Es werden Uniform Resource Identifier (URI) zur Beschreibung von Ressourcen auf der Webseite verwendet Die Daten sind mit anderen Daten verlinkt, um Kontext zu erschaffen Tabelle 2.1.: Linked Open Data 5-Stern-Modell von Tim Berners-Lee 2 Tatsächlich hat Linked Open Data mittlerweile großen Wert für Suchmaschinen wie Google, Yahoo und Bing erlangt. Inhalte können dank strukturierter Daten leichter gecrawled 3 und eingeordnet werden, was sich wiederum positiv auf den durch die entsprechende Suchmaschine vergebenen Pagerank der Seite auswirken kann, wenn die Verwendung von Microdata sinnvoll ist. Das Anreichern von Inhalten mit Microdata hat sich so zu einer weit verbreiteten Search Engine Optimization (SEO)-Methode 4 etabliert. Als bevorzugtes Werkzeug wird dabei schema.org 5 verwendet, welches das Ergebnis einer Kollaboration der drei großen Suchmaschinen Google, Microsofts Bing und Yahoo! zur Beschreibung von Webseiteninhalten ist (Stand ) 2 [Ber10] 3 Das Durchforsten und Bewerten von Inhalten durch Suchmaschinen-Bots 4 dt. Suchmaschinenoptimierung [Goo13], Vgl. What is schema.org?

25 2. Theorethische Grundlagen und Voruntersuchung 17 Verwendung bei Diskollect Aktuell kommt Linked Open Data bei Diskollect nicht zum Einsatz. Es werden bisher keinerlei Daten für Dritte mithilfe einer API zugänglich gemacht, was auf den für die Projektarbeit vorgesehenen zeitlichen Rahmen zurückzuführen ist. Da die Plattform in Zukunft Teil der Open-Data-Bewegung werden soll, ist eine offene API zur Bereitstellung strukturierter Daten jedoch zwingend notwendig. Eine Anreicherung der einzelnen Vinyldaten mit Microdata und schema.org liegt derzeit ebenfalls nicht vor. Dies würde jedoch Sinn machen, da hier aufgrund der bereits vorliegenden Daten sinnvoll auf die entsprechenden Künstler, Labels, Länder, Videos sowie Kaufoptionen bzw. Produkte als Ressourcen verlinkt werden kann. Gleichzeitig würde dieser Schritt als SEO-Maßnahme dienen Wirtschaftlicher Nutzen von Open Data Es scheint ein Paradoxum zu sein: Wie ist es möglich, auf der kostenlosen Ressource Open Data ein wirtschaftliches Unternehmen zu errichten? In der Literatur 1 wird Open Data als Start-, nicht als Endpunkt bei der Entstehung von Mehrwert durch Information betrachtet. Ein populäres Beispiel für einen solchen Endpunkt ist Google Maps, welches durch die US-Regierung veröffentliche GPS-Daten und Google-eigene Daten kombiniert, visualisiert und so neu entstandene Daten wiederum zur Verfügung stellt. Mittlerweile verwenden mehrere Millionen Websites und Anwendungen Daten von Google Maps. 2 Weitere Beispiele sind: 3 Der Online-Versandhandel Amazon veröffentlicht Produktdaten mithilfe einer Web- API. So wurde ein komplett neues Ökosystem aus verbundenen Unternehmen (sog. Affiliates ) geschaffen, welche beim Kauf eines Produkts auf Amazon mit bis zu 10 % 4 am Gewinn beteiligt werden. Suchmaschinen wie Google oder Yahoo aggregieren Open Data in Form von strukturierten Daten von Webseiten und verbessern so die Suchergebnisse ihrer Nutzer. Im Falle von Online-Shops hat dies zur Folge, dass diese leichter von Kunden gefunden werden und somit deren Umsatz steigt. Zusätzlich senkt die Verwendung von strukturierten Daten den Ressourcenaufwand, der zur Aggregierung nützlicher Daten durch die Suchmaschinen erbracht werden muss. 1 [Gur13], Vgl. Seite [Gur13], Vgl. Seite [Tom11], Vgl. Seite 1. 4 [Ama13], Stand

26 2. Theorethische Grundlagen und Voruntersuchung 18 Im Oktober 2013 veröffentlichte die Unternehmens- und Strategieberatung McKinsey & Company einen Report zum weltweiten Wert von Open Data 1. Dieser berechnete, dass Open Data ein jährliches wirtschaftliches Potenzial von geschätzten 3,2 5,4 Trillionen United States Dollar (USD) in sich birgt. Dieses verteilt sich auf die großen Eckpfeiler Bildung (Education), Transport (Transportation), Verbraucherprodukte (Consumer products), Elektrizität (Electricity), Öl und Gas (Oil and Gas), Gesundheitswesen 2 (Health Care) und Verbraucherfinanzwesen (Consumer Finance), wie die folgende Abbildung verdeutlicht: Abbildung 2.8.: Ökonomischer Wert von Open Data in Billionen Dollar verteilt über sieben der wichtigsten Eckpfeiler 3 Hier wird das enorme wirtschaftliche Potential von Open Data deutlich, welches von Unternehmen auf verschiedenste Art und Weise genutzt werden kann. Auf Open Data basierte Unternehmen können in die folgenden fünf Gruppen eingeordnet werden: 4 1. Supplier (Anbieter) Supplier veröffentlichen ihre Daten als Open Data, welche anschließend einfach weiterverwendet werden können. Dafür werden keine Gebühren erhoben, da es sich ansonsten nicht um Open Data handeln würde. Die Veröffentlichung dient ausschließlich zur Erhaltung der Loyalität von Kunden und zur Steigerung der Reputation. 2. Aggregators (Sammler) Aggregators sammeln und analysieren Open Data. Die dabei gewonnenen Erkennt- 1 [McK13]. 2 Bezieht sich ausschließlich auf Programme in den Vereinigten Staaten von Amerika 3 [McK13], Vgl. Seite 9, Exhibit E3 4 [Gur13], Vgl. Seite 15.

27 2. Theorethische Grundlagen und Voruntersuchung 19 nisse werden anschließend gegen Geld verkauft oder die Daten werden auf andere Art und Weise vermarktet. 3. Developers (Entwickler) Developers entwerfen, implementieren und verkaufen mithilfe von Open Data, als frei verfügbare Ressource, entwickelte Web-, Tablet- oder Smartphone-Anwendungen. 4. Enrichers (Bereicherer) Enrichers sind meist bereits am Markt etablierte Unternehmen, die Open Data dazu nutzen, ihre Produkte oder Dienstleistungen zur bereichern oder z.b. Kundenbeziehungen zu verbessern, was wiederum die Kundenzufriedenheit steigern und somit den Umsatz des Unternehmens steigern soll. 5. Enabler (Befähiger) Enablers unterstützen andere Unternehmen dabei, Open Data effektiv für das jeweilige Gewerbe zu nutzen. Für diese Unterstützung werden Enabler in der Regel von den Unternehmen bezahlt. Nischenplattformen lassen sich in den häufigsten Fällen aufgrund ihrer Größe der Gruppe der Sammler und Entwickler zuordnen. Im günstigsten Fall sollten Nischenplattformen, die Open Data für ihre Zwecke verwenden, auch der Gruppe der Supplier angehören, selbst Daten veröffentlichen und so zur Open-Data-Bewegung beitragen. Monetarisierung von Open Data Im Zuge der Recherche nach verfügbaren Plattendaten wurden die beiden folgenden Angebote ausfindig gemacht, die ihr Geschäftsmodell rund um die Aggregierung von Open Data, dessen Aufbereitung und anschließende Distribution geknüpft haben und so Open Data zur Monetarisierung nutzen. 1. Musicgraph Musicgraph ist eine Dienstleistung des Unternehmens Senzari 1 und bezeichnet sich selbst als ersten vollständigen Graph, der die realen Strukturen des Musikuniversums widerspiegelt. Es werden sowohl Informationen als auch Relationen von Millionen Künstlern, Alben, einzelnen Songs, Songtexten und Hörproben in Echtzeit zur Verfügung gestellt. Basierend auf diesen Strukturen können außerdem gezielt Vorschläge (Recommandations) im Kontext diverser Inhalte zur Verfügung gestellt werden. Einige Beispielanwendungen können im Netz unter folgender URL eingesehen werden (Stand ): Der Service trägt jedoch nur eingeschränkt zur Open-Data-Bewegung bei. Es werden 1

28 2. Theorethische Grundlagen und Voruntersuchung 20 mehrere Preismodelle vorgestellt. Die freie Nutzung der Dienstleistung ist auf 50 Aufrufe pro Minute beschränkt, darf nicht kommerziell verwendet werden und eignet sich somit maximal zur Entwicklung von größeren Diensten, die anschließend für das Angebot zahlen müssten. Mit der Erlaubnis der kommerziellen Nutzung und der Anzahl der Aufrufe pro Minute steigen die Preise erheblich (siehe Abb. 2.9). Abbildung 2.9.: Preismodelle der Diensleistung Musicgraph 1 2. OneMusicAPI OneMusicAPI ist ein ähnlicher, weitaus günstigerer Service als Musicgraph. Die Dienstleistung aggregiert musikbezogene Meta Daten von etablierten Open-Data- Datenbanken wie MusicBrainz, Cover Art Archive, Wikipedia und Discogs und stellt diese gebündelt mithilfe einer kostenpflichtigen API zur Verfügung. 2 Das Prinzip ähnelt dem eines One-Stop-Shops 3, bei dem statt Produkten Daten zur Verfügung gestellt werden. Um die Stabilität bzw. Verfügbarkeit der API zu garantieren und die entsprechenden Infrastrukturkosten zu decken, wird auch hier ein entsprechendes Preismodell vorgeschlagen, welches in Abb dargestellt ist Verwendung von Open Data bei Diskollect.com Im Falle des Untersuchungsobjektes Diskollect wird Open Data bisher zur Aggregierung von Daten mithilfe von APIs zweier Dienstleistungen verwendet. Dies dient in erster 1 [Mus14], Vgl. Sektion Plans (Stand ) 2 [One14]. 3 Die Möglichekeit alle Bedürfnisse in einem Halt (one stop) zu befriedigen, z.b. Supermarkt 1 [One14], Vgl. Sektion Pricing (Stand )

29 2. Theorethische Grundlagen und Voruntersuchung 21 Abbildung 2.10.: Preismodelle der Diensleistung OneMusicAPI 1 Linie dazu, die Eintrittbarriere der Nutzer zu senken, da nur wenige Informationen zum Aggregieren von Plattendaten notwendig sind. Die Notwendigkeit dieser Datenaquise wird unter der Überschrift Hinzufügen von Platten in Abschnitt verdeutlicht. Open Linked Data, also die Verwendung von RDF oder Resource Description Framework in Attributes (RDFa), kommt bisher nicht zum Einsatz. Im Folgenden wird die Anwendung der beiden APIs von Discogs.com und itunes.com erläutert sowie deren Vor- und Nachteile vorgestellt. Discogs.com Discogs.com ist eine Online-Musik-Datenbank für Musik-CDs und Schallplatten, bei der jeder Nutzer zur Erweiterung der Datenbank beitragen kann. Dadurch entsteht eine sehr umfangreiche und detailierte Datenbank, die unter der CC-Lizenz der Öffentlichkeit als Open Data bereitgestellt wird. Inwieweit die Plattform als Konkurrenz betrachtet werden kann und welche Wettbewerbsstrategien in diesem Falle zum Einsatz kommen, wird später im Verlauf der Arbeit in Abschnitt 3.3 genauer untersucht. Die REST-basierte API erlaubt nach [Dis14b] das Lesen und Schreiben von der Datenbank mithilfe der HyperText-Transfer-Protocol-Methoden (HTTP) GET, POST oder PUT und liefert wahlweise Daten im JSON oder JavaScript-Object-Notation-with-Padding- Format (JSONP) zurück, welche auch bei Diskollect eingesetzt wird. Die Verwendung von JSONP ist notwendig, da hier Anfragen über mehrere Domains hinweg (sog. Cross domain requests ) verarbeitet werden müssen. Dies ist nur mit dem JSONP-Format mög-

30 2. Theorethische Grundlagen und Voruntersuchung 22 lich. 1 Es werden die Ressourcen Database, Marketplace und User zur Verfügung gestellt. Diskollect verwendet bisher lediglich die Database -Ressource mit folgenden API Endpunkte (auch API Endpoints genannt), um einige der in Abschnitt vorgestellten Plattenattribute zu aggregieren. Die Abfrage der Endpunkte muss dabei in einer bestimmten Reihenfolge erfolgen, welche in Abb dargestellt ist und im Folgenden erläutert wird. GET /database/search?artist=uvw &title=xyz &format=vinyl Results ID: 8921 type: release... GET /release/{id} Label Releasedate Country Tracklist Catalog number Genre... ID: 213 type: master... XYZ = Nutzereingabe GET /master/{id} Label Releasedate Country Tracklist Catalog number Genre... Abbildung 2.11.: Verkettung von API-Aufrufen zur Datenaggregierung von Discogs.com 2 1. Search Beim Hinzufügen einer Platte wird zunächst die Datenbank von Discogs.com nach den durch den Nutzer eingegebenen Künstlername und Name der Platte durchsucht. Dabei kommen die folgenden Parameter für den Request zum Einsatz: 3 artist Name des Künstlers title Name der Platte format Da nur nach Vinyls gesucht werden soll, wird hier der Wert Vinyl hinterlegt 1 [Ste12], Vgl. Seite Quelle: eigene Abb. 3 [Dis14b], Vgl. Ressources/Database/Search.