Datenweiterverkauf

Finanz-Dashboard — Schlüsselzahlen

Investitionsbedarf ?

$5,000

Startinvestition

Break-even ?

Monat 9

ab Start

MRR-Ziel ?

$3,000

pro Monat

Marge ?

75%

des Umsatzes verbleibt

Monatliche Umsatzwachstumsprognose

Einheitenökonomie — Zahlen pro Kunde

Umsatz pro Kunde ?

$11/Mon.

durchschnittlich pro Kunde

Rentabilität ?

~75-82%

des Umsatzes verbleibt

Break-even ?

~Monat 2–3

bis zur Rentabilität

Kundenwert ?

$3000

Gesamtlebensdauer

Max. Akquisitionskosten ?

$200

pro neuem Kunden

LTV / CAC ?

15.0×

✓ Über dem Benchmark

Entwicklungsszenarien

Szenario	Umsatz bis Monat 6	Umsatz bis Monat 12	Schlüsselannahme
Pessimistisch	$128	$779	CAC über der Prognose, Konversion unter 5 %
Realistisch	$368	$2,227	Nach Plan: CAC ≤ Ziel, Churn ≤ 5 %/Monat
Optimistisch	$920	$5,567	Viralität hat gegriffen, CAC liegt 2-mal unter dem Ziel

Warum dieses Urteil

✓ Argumente DAFÜR

Hoher ARPU im B2B-Segment
Skalierbarkeit, denn Daten lassen sich mehrfach verkaufen
Wachsende Nachfrage nach hochwertigen Daten für KI-Modelle

✗ Warum nicht höher

Rechtliche Risiken: GDPR, CCPA, branchenspezifische Regulierung
Kommodifizierung: Daten veralten schnell und verlieren an Wert
Konkurrenz durch große Anbieter (Bloomberg, Nielsen, ZoomInfo)

🛑 Wann das Projekt stoppen

K1

Keine Konversionen nach 100 Klicks

leads == 0 AND clicks >= 100

→ Traffic pausieren, Diagnose

K2

CAC überschritt LTV × 0.5

cac > ltv * 0.5 AND leads >= 5

→ Traffic stoppen

K3

Zwei Gate-Fehler

gate_failures >= 2

→ Projekt schließen

Was vor der Skalierung validiert werden muss

1

Spezialisierte B2B-Daten (Kontakte, Finanzkennzahlen) haben bei Unternehmenskunden eine hohe Zahlungsbereitschaft

2

Die Aggregation öffentlich zugänglicher Daten und ihre Strukturierung schaffen einen verkäuflichen Wert

3

Nischen-Datensätze (für eine konkrete Branche) kosten 10 bis 100 Mal mehr als generische

Was die KI-Modelle sagten

~

Claude Opus (Kritiker)

Datenweiterverkauf ist ein rechtlich schwieriges Feld. GDPR und CCPA machen viele Modelle der Datenverarbeitung illegal. Ohne einen klaren rechtlichen Rahmen besteht ein ernstes Risiko.

~

GPT-4.1 (Marktstratege)

Legaler Datenweiterverkauf (öffentliche Daten, B2B-Daten mit Einwilligung) ist ein funktionierendes Modell. Der Schlüssel liegt in der Spezialisierung auf einen konkreten vertikalen Markt und einer einzigartigen Verarbeitung beziehungsweise Anreicherung der Daten.

~

Grok-3 (Technischer Analyst)

Der Data-Marktplatz ist ein Milliardenmarkt. Spezialisierte Daten (Krypto-On-Chain, B2B-Kontakte, Immobilien) werden für $10K-100K pro Datensatz verkauft. Aggregation und Bereinigung schaffen den eigentlichen Wert.

Meilensteine & Phasen

M1

Datenerfassung und -normalisierung

Erledigt

M2

Entwicklung der Aggregationsplattform

Erledigt

M3

Gewinnung der ersten Kunden

In Bearbeitung

M4

Aufbau der rechtlichen Grundlage

Ausstehend

M5

Skalierung des Datenbestands

Ausstehend

Investition & Exit-Szenarien

Gesamtinvestition benötigt

$5,000

bis zur Rentabilität

Marketing $2,500

Entwicklung $1,250

Infrastruktur $750

Betrieb $500

🚦 Stärken & Risiken auf einen Blick

✓ Positive Signale

Hohe Marge: Nach der einmaligen Aggregation und Bereinigung entstehen für die Daten kaum noch variable Kosten

Marge ~75-82 % (Projektkarte), margin_pct=75 (Unit-Modell)
Skalierbarkeit ohne steigende Kosten: derselbe Datensatz wird mehrfach an verschiedene Käufer verkauft
Wachsender Datenmarkt für B2B-Analysen und das Training von KI-Modellen. Die Gesamtnachfrage nach Daten wächst jährlich im zweistelligen Bereich.

Der globale Data-Broker-Markt wird für 2026 auf $300-460 Mrd. geschätzt (Spanne aufgrund unterschiedlicher Methodik der Branchenberichte)
Das technische MVP steht bereits: Datenquellen sind angebunden, der Datensatzkatalog funktioniert

Meilensteine M1 und M2 im Status erreicht
Auf dem Papier hat die Unit-Economics einen guten Puffer: der Ziel-LTV liegt 15-mal über dem Ziel-CAC

LTV $3000 / CAC-Ziel $200
In das Modell sind bereits automatische Stopp-Mechanismen eingebaut, die verhindern, dass Budget in einen nicht funktionierenden Kanal fließt

Kill-Trigger K1 (0 Conversions bei 100 Klicks) und K2 (CAC über LTV×0,5)

✗ Warnsignale

Eines der drei KI-Modelle, die den Bericht geprüft haben, stuft das rechtliche Risiko als ernst ein: GDPR/CCPA und die wachsende Zahl von US-Bundesstaaten mit Registrierungspflicht für Data Broker machen einen Teil der Geschäftsmodelle schlicht illegal
high
Die Registrierung als Data Broker kostet echtes Geld zusätzlich zum Budget von $5000: Kalifornien $6000/Jahr, Vermont bis zu $900/Jahr plus eine Kaution von $20.000 nach den neuen Änderungen. Strafen für eine versäumte Registrierung erreichten in Kalifornien bereits $42.000.
high
Die rechtliche Grundlage des Geschäfts (M4) steht noch nicht, obwohl die Gewinnung der ersten zahlenden Kunden (M3) bereits läuft. Es besteht das Risiko, Daten zu verkaufen, bevor die Compliance abgeschlossen ist.
high
Die Konkurrenz ist bei Datenreichweite und Marketingbudget um zwei Größenordnungen größer: ZoomInfo hat 260 Mio.+ Kontakte, Apollo.io 270 Mio.+
medium
Daten veralten schnell (Kommodifizierung). Ohne laufende Aktualisierung sinkt der Wert eines Datensatzes innerhalb weniger Monate.
medium
Zum Zeitpunkt der Analyse gibt es keinen einzigen bestätigten zahlenden Kunden. Die gesamte angegebene Unit-Economics (CAC $200, LTV $3000) ist bisher eine Hypothese, kein Fakt.
medium

⚠️ Risikomatrix

Risiko	Wahrscheinlichkeit	Auswirkung	Maßnahme
Verstoß gegen GDPR/CCPA oder Verkauf ohne die vorgeschriebene Data-Broker-Registrierung 🛑 Abbruchkriterium	35%	High	Datenschutzanwalt vor dem ersten Verkauf einschalten; Registrierung in Bundesstaaten mit Registrierungspflicht (CA/VT/TX/OR); nur öffentliche oder ausdrücklich zugestimmte Datenquellen nutzen
Compliance-Kosten fressen Budget und Marge auf	40%	Medium	Separat $6-10 Tsd./Jahr für Registrierung und rechtliche Begleitung einplanen, nicht mit dem Startbudget von $5000 vermischen; mit Jurisdiktionen ohne Registrierungspflicht beginnen
Der Datensatz veraltet schneller, als er sich amortisiert (Kommodifizierung)	55%	Medium	Fokus auf eine einzige enge Vertikale mit wöchentlicher automatischer Aktualisierung statt eines breiten generischen Katalogs
Große Anbieter (ZoomInfo, Apollo.io, Coresignal) nehmen die Nachfrage weg	50%	High	Nicht bei allgemeinen Kontaktdaten konkurrieren, sondern eine enge Nische wählen, in der die Großen kein fertiges Produkt haben
CAC übersteigt LTV×0,5 bei den ersten 5+ Leads 🛑 Abbruchkriterium	35%	Medium	2-3 Kanäle parallel mit kleinem Budget testen und sofort den tatsächlichen CAC pro Kanal berechnen
Null Conversions nach 100 Klicks Traffic 🛑 Abbruchkriterium	25%	High	Traffic pausieren, Angebot und Landingpage prüfen, Kanal wechseln

💸 Monatlicher Cashflow (realistisches Szenario)

Zeitraum	Umsatz	Ausgaben	Netto	Kumuliert
Monat 1	$7	$2,900	-$2,893	-$2,893
Monat 2	$32	$550	-$518	-$3,411
Monat 3	$80	$550	-$470	-$3,881
Monat 4	$151	$1,150	-$999	-$4,880
Monat 5	$246	$550	-$304	-$5,184
Monat 6	$368	$550	-$182	-$5,366
Monat 7	$517	$550	-$33	-$5,399
Monat 8	$694	$550	$144	-$5,255

🏁 Wettbewerbslandschaft

📡 Marktkatalysator: Die wachsende Nachfrage nach hochwertigen Daten für das Training von KI-Modellen und für B2B-Analysen treibt weiterhin den gesamten Datenmarkt an

Konkurrent	Größe	Provisionssatz	Schwäche
ZoomInfo	260 Mio.+ Kontakte	Preis nicht veröffentlicht (Enterprise)	Enterprise-Preise und komplexe Verträge sind für kleine Unternehmen unerschwinglich, die Nische für einen günstigen Einstieg bleibt frei
Apollo.io	270 Mio.+ Kontakte	ab $49/Platz/Monat (Basic)	Breite allgemeine Kontaktabdeckung, aber keine Spezialisierung auf enge vertikale Datensätze
Coresignal	strukturierte Datensätze zu Unternehmen und Mitarbeitern	ab $1000/Jahr für API-Zugang	Teurer Einstieg für kleine Käufer, das lässt Raum für ein günstigeres Nischenabonnement
Bright Data	breite Web-Scraping-Infrastruktur	—	Fokus auf Rohdaten aus dem Web und Proxys statt auf kuratierten vertikalen Datensätzen für eine konkrete Branche

🛠 MVP — Wochenplan

Woche 1

Rechtliche Prüfung der Datenquellen, Klärung ob eine Data-Broker-Registrierung nötig ist (CA/VT/TX/OR)
Eine enge Vertikale für den ersten Datensatz auswählen

Rechtsgutachten liegt vorVertikale ausgewählt

Woche 2

Ersten Nischen-Datensatz sammeln und bereinigen (500-1000 Einträge)
Zahlung und Zugangsvergabe einrichten (Creem + API-Schlüssel oder CSV-Export)

Datensatz verkaufsbereitZahlungsablauf End-to-End getestet

Woche 3

Landingpage mit zwei Tarifen starten: $11/Monat Self-Service-Zugang und Anfrage für individuellen Unternehmensdatensatz $500/Monat
Warme Kontaktaufnahme über 2-3 Kanäle (LinkedIn, Nischenforen, Cold-E-Mail)

Erste Testzugänge vergebenÖffnungsrate der E-Mails >20 %

Woche 4

Erste bezahlte Abonnements abschließen
Tatsächlichen CAC je Kanal mit dem Ziel von $200 abgleichen; Kill-Trigger K1 prüfen

3-5 zahlende KundenCAC pro Kanal gemessen

Woche 6

Wöchentliche Aktualisierung des Datensatzes automatisieren
Unit-Economics anhand der tatsächlichen Zahlen der ersten 10-15 Kunden neu berechnen

Aktualisierung ohne manuelle ArbeitTatsächlicher CAC ≤ $200 oder Trigger K2 ausgelöst

Woche 8

Entscheidung: Vertikale skalieren oder eine zweite Nische testen
Data-Broker-Registrierung abschließen, bevor der Datenvolumen-Schwellenwert überschritten wird, falls zutreffend

MRR im Bereich $150-250 (realistisches Szenario)Rechtlicher Status abgeschlossen

🏰 Wettbewerbsburggraben

✗ Leicht zu kopieren

Sammlung öffentlicher Daten, das kann jeder Konkurrent mit einem Scraper nachbauen
Standard-UI für Katalog/Marktplatz, eine gewöhnliche SaaS-Lösung
Preismodell $11/Monat, leicht zu kopieren

✓ Schwer zu kopieren

Expertise in einer konkreten engen Vertikale und aufgebaute Beziehungen zu Datenquellen
Rechtlich sauberer Status (Data-Broker-Registrierung, Verträge zur Datennutzung), ein Konkurrent braucht dafür Zeit und Geld für Compliance
Angesammelte Historie beziehungsweise Zeitreihen im Datensatz, ein neuer Anbieter startet bei null

⏱ Burggraben entsteht bis: M12+

📊 Akquisitionskosten nach Kanal

Kanal	CAC	Notizen	Profitabel?
Cold email / LinkedIn outreach (B2B)	$150-250 (Schätzung, noch nicht durch echte Verkäufe bestätigt)	Entspricht dem cac_target=$200 aus dem Modell; hängt stark von der Genauigkeit der Adressatenliste ab	✓ Ja
SEO / Content zu Nischen-Suchbegriffen	$20-50 auf dem Papier, amortisiert sich aber erst nach 6-12 Monaten wegen des langsamen Traffic-Aufbaus	Langer Zyklus: hilft nicht, im Monat 8-9 die operative Gewinnschwelle zu erreichen, senkt aber langfristig den CAC	✓ Ja
Bezahlte Werbung (Google/LinkedIn Ads)	$300-500+ (Schätzung für B2B-Daten, meist teurer als organischer Traffic)	Kill-Trigger K2 (CAC über LTV×0,5 = $1500) kann hier früher auslösen als bei organischem Traffic, erst nach Prüfung der Conversion aktivieren	✗ Nein
Partner-Integrationen / Datenkataloge	variabel, oft Prozent vom Verkauf statt eines festen CAC	Schnelleres Kundenvertrauen, aber die Provision an den Partner senkt die Marge unter die angegebenen 75-82 %	✓ Ja

🔬 Anti-Optimismus-Audit

1

Die Projektkarte gibt den Breakeven mit '~2-3 Monaten' an, während das detaillierte Finanzmodell die operative Gewinnschwelle erst für Monat 8-9 zeigt. Das sind zwei unterschiedliche Kennzahlen (Amortisation des CAC bei einem einzelnen Kunden gegenüber der Amortisation des gesamten Projekts), die an verschiedenen Stellen der Website verwechselt wurden.

→ Als realen Zeitpunkt für den operativen Gewinn des gesamten Projekts Monat 8-9 ansetzen, nicht die Zahl von der Projektkarte.

ändert das Urteil nicht, aber die Erwartungen an den Zeitrahmen sollten gesenkt werden

2

ARPU $11/Monat auf der Projektkarte und ARPU $500/Monat im Finanzmodell (Unit Economics) sind offenbar zwei unterschiedliche Tarife, die nicht ausdrücklich als getrennte Produkte beschrieben wurden.

→ Das Two-Tier-Modell (Self-Service $11/Monat + Enterprise $500/Monat) ausdrücklich festhalten, mit getrennter Unit-Economics für jeden Tarif, sonst ist die Gesamtprognose für MRR unzuverlässig.

senkt die Genauigkeit der MRR-Prognose, ändert das Urteil nicht

3

Meilenstein M3 (erste Kunden) läuft bereits, während Meilenstein M4 (rechtliche Grundlage) noch im Status ausstehend ist. Das heißt, der Verkauf kann beginnen, bevor die Compliance abgeschlossen ist.

→ Die Aufnahme zahlender Kunden aus Bundesstaaten mit Registrierungspflicht für Data Broker (CA/VT/TX/OR) bis zum Abschluss von M4 stoppen, auch wenn das das MRR-Wachstum verzögert.

senkt die Wahrscheinlichkeit des optimistischen Szenarios (MRR $5567 bis Monat 12), realistischer ist die untere Hälfte des realistischen Szenarios

4

Das Verhältnis LTV:CAC von 15:1 wirkt verdächtig gut für einen Vertriebskanal, der noch durch keine einzige echte Zahlung bestätigt wurde.

→ Das bis zu 10+ echten zahlenden Kunden als Hypothese behandeln; am Anfang einen konservativeren CAC ($300-500) statt der Zielgröße $200 ansetzen.

die Unit-Economics kann in der Praxis schwächer ausfallen als angegeben, solange sie nicht durch Verkäufe bestätigt ist