Stell dir vor, es ist Donnerstagabend, 22:00 Uhr. Ein Junior-Analyst in einer Frankfurter Investmentbank sitzt vor seinem dritten Kaffee und versucht, eine Peer-Group-Analyse für ein dringendes Pitchbook fertigzustellen. Er verlässt sich blind auf die automatischen Multiplikatoren, die ihm S and P Capital IQ für ein mittelständisches Industrieunternehmen ausspuckt. Am nächsten Morgen präsentiert der Partner die Zahlen dem Mandanten. Der Mandant lacht kurz auf und fragt, warum ein insolventes Unternehmen aus Brasilien als direkter Vergleichswert für sein profitables deutsches Familienunternehmen aufgeführt wird. Der Fehler? Ein falscher Klick bei den Standardisierungen der Rechnungslegung. Das Ergebnis? Ein massiver Vertrauensverlust, zwei Tage verschwendete Arbeit und ein wütender Vorgesetzter. Ich habe dieses Szenario in verschiedenen Variationen dutzende Male gesehen. Die Leute glauben, dass ein teures Abonnement automatisch korrekte Daten liefert. Das ist der erste Schritt in den Ruin.
Die Falle der automatischen Vergleichsgruppen in S and P Capital IQ
Der häufigste Fehler, den ich bei Neulingen und sogar bei erfahrenen Associates sehe, ist das blinde Vertrauen in die Quick-Comps. Wer einfach nur ein Ticker-Symbol eingibt und die Liste der vorgeschlagenen Vergleichsunternehmen übernimmt, hat das Handwerk nicht verstanden. Das System gruppiert Unternehmen oft nach weit gefassten Branchencodes, die in der Realität wenig miteinander zu tun haben.
Ein Beispiel aus der Praxis: Ich arbeitete an einer Bewertung für einen spezialisierten Hersteller von Dialysegeräten. Das Tool schlug Unternehmen vor, die Krankenhausbetten herstellen, nur weil beide unter "Health Care Equipment" liefen. Die Margenprofile, die regulatorischen Hürden und die F&E-Zyklen waren völlig verschieden. Wer diese Liste ungeprüft übernimmt, verzerrt den Median der Bewertungsmultiplikatoren so stark, dass die gesamte Analyse wertlos wird.
Die Lösung ist mühsame Handarbeit. Man muss die Geschäftsberichte lesen und verstehen, woher der Cashflow wirklich kommt. Man nutzt die Datenbank, um ein breites Netz auszuwerfen, aber dann sortiert man manuell aus. Wenn du nicht begründen kannst, warum Unternehmen X ein direkter Konkurrent zu Unternehmen Y ist, gehört es nicht in die Liste. Punkt. Ein guter Analyst verbringt 80 Prozent der Zeit damit, Unternehmen aus der Liste zu werfen, nicht sie hinzuzufügen.
Warum die Excel-Plug-ins dein größter Feind sein können
Es ist verlockend. Man baut ein komplexes Modell, verknüpft alles über die Formeln des Excel-Plug-ins und freut sich, wenn sich die Zahlen per Knopfdruck aktualisieren. Das Problem ist die mangelnde Transparenz. Wenn eine Zelle plötzlich einen Fehlerwert anzeigt oder – noch schlimmer – eine falsche Zahl liefert, beginnt die Suche nach der Nadel im Heuhaufen.
Ich habe erlebt, wie ein Team eine ganze Woche damit verbrachte, einen Fehler in einem LBO-Modell zu suchen. Am Ende stellte sich heraus, dass das System für ein bestimmtes Jahr die Nettoverschuldung falsch berechnet hatte, weil eine hybride Anleihe nicht korrekt erfasst wurde. Die Formel in Excel sah sauber aus, aber die Datenquelle war korrupt.
Man sollte niemals Rohdaten direkt in die finalen Berechnungsblätter fließen lassen. Der richtige Weg führt über ein separates Datenblatt, das als Puffer dient. Dort werden die Werte ausgelesen, manuell auf Plausibilität geprüft und erst dann per einfacher Verknüpfung in das eigentliche Modell übertragen. Wenn der Verschuldungsgrad eines Unternehmens von einem Jahr auf das nächste um 50 Prozent springt, ohne dass eine Akquisition stattgefunden hat, muss das System eine Warnmeldung ausgeben. Wer das Plug-in ohne solche Kontrollinstanzen nutzt, spielt russisches Roulette mit seinen Modellen.
Der Vorher-Nachher-Vergleich in der Praxis
Schauen wir uns an, wie ein typischer Arbeitsprozess ohne und mit dieser Sicherheitsstruktur aussieht.
Früher sah der Prozess so aus: Der Analyst öffnet Excel, zieht sich über die API die historischen EBITDA-Zahlen für zehn Jahre direkt in seine Bewertungstabelle. Er berechnet den Durchschnitt, wendet ein Wachstum an und fertig. Als der Senior Partner fragt, warum das EBITDA im Jahr 2021 so niedrig war, kann der Analyst es nicht erklären. Er muss zurück in die Datenbank, den Bericht suchen und stellt fest, dass eine einmalige Abschreibung enthalten war, die das System nicht automatisch bereinigt hat. Die gesamte Bewertung muss neu gerechnet werden.
Heute sieht der Prozess bei Profis so aus: Der Analyst zieht die Rohdaten in ein "Data-Dump"-Blatt. Daneben legt er eine Spalte für "Adjustments" an. Er sieht die Zahl für 2021, stutzt über den Ausreißer und klickt im System auf die Herkunft der Zahl. Er findet die Sonderabschreibung sofort, trägt die Korrektur im Adjustments-Blatt ein und versieht sie mit einem Kommentar. In sein Bewertungsmodell fließt nun die bereinigte Zahl. Wenn der Partner fragt, hat er die Antwort sofort parat und die Bewertung steht auf einem soliden Fundament. Das spart nicht nur Zeit, es schafft Autorität.
Die Illusion der globalen Vergleichbarkeit
Ein fataler Irrtum ist die Annahme, dass eine Bilanzposition in den USA dasselbe bedeutet wie in Deutschland oder Japan. S and P Capital IQ gibt sich zwar große Mühe bei der Standardisierung, aber die Teufel stecken im Detail. Pensionsrückstellungen sind hier ein klassisches Beispiel. In Deutschland werden sie oft anders bilanziert und finanziert als in den USA. Wer einfach nur den Wert für "Total Debt" zieht, vergleicht Äpfel mit Birnen.
Ich habe ein Mandat gesehen, bei dem ein deutscher Autozulieferer im Vergleich zu US-Wettbewerbern massiv unterbewertet schien. Der Grund war nicht die Markteffizienz, sondern die Tatsache, dass die Analysten die massiven Pensionsverpflichtungen des deutschen Unternehmens nicht korrekt als Schuldenäquivalent behandelt hatten, während sie bei den US-Firmen bereits in der Nettoverschuldung enthalten waren.
Man muss die lokalen Rechnungslegungsstandards kennen. Man darf sich nicht darauf verlassen, dass der Algorithmus die Arbeit des Denkens übernimmt. Wenn man grenzüberschreitende Analysen macht, ist ein Blick in die Fußnoten der Originalberichte Pflicht. Das System ist ein hervorragender Kompass, aber es ist keine Karte. Wer das ignoriert, produziert Analysen, die vor Gericht oder in einer Due Diligence innerhalb von Minuten zerpflückt werden.
Datenmüll bei Private-Equity-Transaktionen
Ein Bereich, in dem besonders viel Geld verbrannt wird, ist die Recherche nach Transaktionsmultiplikatoren im Bereich privater Unternehmen. Viele Nutzer glauben, dass sie einfach eine Liste von M&A-Deals exportieren können und damit eine perfekte Grundlage für eine Kaufpreisbestimmung haben. Das ist gefährlich.
Bei privaten Deals sind die gemeldeten Transaktionswerte oft unvollständig. Manchmal ist es der Enterprise Value, manchmal nur der Equity Value, oft fehlen Informationen über Earn-outs oder übernommene Schulden. In meiner Praxis habe ich oft gesehen, dass Analysten mit einem Median-Multiple von 12x argumentierten, während der wahre, um alle Komponenten bereinigte Wert bei 8x lag.
Wenn man Transaktionsdaten nutzt, muss man jeden einzelnen Deal verifizieren. Gibt es eine Pressemitteilung? Wurden die Zahlen von einem beteiligten Berater bestätigt? Wenn die Datenlage zu dünn ist, ist es besser, den Deal aus der Statistik zu streichen, als mit unsicheren Zahlen zu hantieren. Ein kleiner Datensatz aus fünf verifizierten Deals ist tausendmal mehr wert als eine Liste von 50 Deals, bei denen die Hälfte der Zahlen auf Schätzungen oder unvollständigen Meldungen basiert.
Zeitmanagement und die Kosten der Perfektion
Ein Fehler, der vor allem ehrgeizige Analysten trifft, ist das "Verlieren" in den Daten. Man kann Stunden damit verbringen, jede kleinste Kennzahl bis in die fünfte Nachkommastelle zu optimieren. Aber man muss sich fragen: Ändert diese Information meine finale Empfehlung?
Ich habe Teams erlebt, die 20 Stunden in die Feinjustierung von Kapitalkosten (WACC) gesteckt haben, nur um dann festzustellen, dass die gesamte Bewertung viel stärker von einer einzigen Annahme zum Umsatzwachstum im Jahr 5 abhängt. Das ist ökonomischer Unsinn. Die Software bietet eine unglaubliche Tiefe, aber man muss wissen, wann man aufhören muss.
Effizienz bedeutet, die Hebel zu identifizieren, die den größten Einfluss auf das Ergebnis haben. Nutze die Screening-Funktionen, um schnell eine Übersicht zu bekommen, aber verbringe deine geistige Energie mit der Analyse der Geschäftsmodelle. Die Datenbank ist ein Werkzeug zur Informationsbeschaffung, nicht der Selbstzweck. Wer den Wald vor lauter Bäumen nicht sieht, liefert am Ende zwar technisch fehlerfreie, aber strategisch nutzlose Berichte ab.
Der Realitätscheck: Was es wirklich braucht
Am Ende des Tages ist Software nur so gut wie die Person, die sie bedient. Es gibt keine magische Abkürzung zum Erfolg in der Finanzanalyse. Wer glaubt, dass ein teures Tool die harte Arbeit des Verstehens von Geschäftsberichten ersetzt, wird scheitern. Ich habe in meiner Karriere gesehen, dass die besten Ergebnisse von denjenigen kommen, die dem System gegenüber misstrauisch bleiben.
Man muss die grundlegenden Konzepte der Unternehmensbewertung beherrschen, bevor man das erste Mal eine Datenbank öffnet. Wenn du nicht weißt, wie man ein EBITDA manuell aus einer Gewinn- und Verlustrechnung und einem Anhang herleitet, hast du an den Hebeln einer solchen Plattform nichts zu suchen. Es ist ein Werkzeug für Profis, kein Lehrbuch für Anfänger.
Erfolg in diesem Bereich erfordert eine fast schon paranoide Sorgfalt. Man prüft jede Zahl zweimal, man hinterfragt jede Automatik und man verlässt sich niemals auf eine einzige Quelle ohne Gegenprüfung. Das kostet Zeit, Nerven und oft auch den Feierabend. Aber es ist der einzige Weg, um Analysen zu erstellen, die einer kritischen Prüfung standhalten und am Ende den Unterschied zwischen einem gewonnenen und einem verlorenen Mandat ausmachen. Wer nicht bereit ist, diesen Preis zu zahlen, sollte sein Geld lieber sparen und die Finger von komplexen Finanzdaten lassen. Es gibt keinen einfachen Weg – nur den richtigen.
Solltest du dich entscheiden, diesen Weg zu gehen, sei dir bewusst: Die Lernkurve ist steil und die Fehler sind teuer. Aber wenn du lernst, die Daten zu beherrschen, anstatt dich von ihnen beherrschen zu lassen, wirst du einen Wert liefern, den keine künstliche Intelligenz und kein automatischer Algorithmus so schnell ersetzen kann. Es geht um Urteilsvermögen, nicht um Datenverarbeitung. Das ist die unbequeme Wahrheit, die man in keinem Verkaufsprospekt liest, die dir aber in der realen Welt der Hochfinanz das Überleben sichert.
