Content uploaded by Harald Meisner
Author content
All content in this area was uploaded by Harald Meisner on Jan 12, 2024
Content may be subject to copyright.
1
Chatbots, Datenanalyse und Due Diligence für KMU
Von Prof. Dr. Harald Meisner, MeisCon Hürth
Gliederung:
1. Einleitung
2. Due Diligence – Herausforderungen
3. Big Data Business Intelligence und KI
4. Data Mining
5. Verbesserungspotential für KMU
6. Informationshilfen für Investoren
7. Einfaches Beispiel für eine Due Diligence eines Small Caps
Abstract:
Abstract in Deutsch: Dieses Forschungspapier untersucht die Anwendung von Künstlicher
Intelligenz (KI) in Due Diligence-Prozessen, insbesondere in Bezug auf kleine und mittlere
Unternehmen (KMU). Es beleuchtet die Herausforderungen der Due Diligence und zeigt auf,
wie KI und Big Data Business Intelligence zur Verbesserung dieser Prozesse beitragen können.
Durch die Nutzung von Data Mining und automatisierten Analysemethoden können
Investoren umfassendere und präzisere Informationen erhalten. Das Papier präsentiert zudem
ein einfaches Due Diligence-Beispiel für Small Caps, um die praktische Anwendung dieser
Technologien zu verdeutlichen.
Abstract in English: This research paper explores the application of Artificial Intelligence (AI)
in Due Diligence processes, focusing on small and medium-sized enterprises (SMEs). It
addresses the challenges of Due Diligence and demonstrates how AI and Big Data Business
Intelligence can enhance these processes. Utilizing Data Mining and automated analysis
methods, investors can gain more comprehensive and accurate information. The paper also
presents a straightforward Due Diligence example for small caps, illustrating the practical
application of these technologies.
2
1. Einleitung
Der Hype um KI und ChatGPT ist in vollem Gange und wie es Hypes so mit sich bringen,
wird vieles vereinfacht und vieles geht im Datenrauschen des Netzes unter. Insofern sind
Erfahrungswerte von sehr großer Bedeutung und Hilfestellungen willkommen. Im Zuge des
Papiers zu Krypto Finanzierungen
1
ist ein Problem deutlich geworden, dass die Investoren
autonome Einschätzungen der wirtschaftlichen Zukunft des Zielunternehmens für eine
Investition (gemeinhin wird das Due Diligence genannt) benötigen – und dies für eine Masse
von Investoren möglichst einfach gehalten. Es gibt hier zwei Ebenen, die zu berücksichtigen
sind:
- Die erste Ebene ist die Einschätzung der wirtschaftlichen Zukunft des betrachteten
Unternehmens, das eine autonome Krypto Finanzierung (Token) anstrebt.
- Die zweite Ebene ist die Portfolio-Ebene für den Investoren – der gleich eines
Aktienportfolios -Informationen über die Verknüpfung der zu investierenden Token
mit seinem Portfolio (Korrelationen, Makrorisiken etc.) bereitstellt.
Es geht hier im Wesentlichen darum, Investoren ein Informations-Cockpit für die erste Ebene
zu diskutieren. Die Informationsbeschaffung wird durch KI und Bots gestärkt. Kleine und
mittlere Unternehmen (KMU) können sich in der Regel keine eigene Research Einheit im
Unternehmen unterhalten bzw. die Kleininvestoren haben keine KI-gestützte Beratung – bis
auf die Möglichkeiten, die generative KI ihnen bietet.
In dieser Darstellung wird nur ein erster Blick auf diese Problematik geworfen und es wird
deutlich, wie groß hier noch der Forschungsbedarf ist. In der Welt des Mergers &
Acquisitions (M&A) und bei Unternehmensbewertungen spielt die Financial Due Diligence
(FDD) eine entscheidende Rolle, da sie die finanzielle Gesundheit und Integrität potenzieller
Kaufobjekte bewertet. Die Einführung von Big Data und Machine Learning (ML) in diesen
Prozess hat zu einer bemerkenswerten Transformation geführt, die weit über die
herkömmlichen Ansätze hinausgeht und neue, effiziente Wege zur Durchführung von Due
Diligence - Prozessen bietet.
Früher war die Due Diligence ein manueller, zeitaufwendiger Prozess, der sich hauptsächlich
auf die Bewertung von Finanzdaten stützte. Der Aufstieg von Big Data hat diesen Ansatz
grundlegend verändert.
2
Jetzt können Unternehmen eine breite Palette von Daten analysieren,
die von Finanzberichten bis hin zu Markttrends und Kundenfeedback reichen. Diese Fülle an
Informationen ermöglicht es, ein viel umfassenderes Bild des Zielunternehmens zu erhalten.
Machine Learning (ML) ist das Kernelement zur Entschlüsselung dieses Reichtums an
Informationen. ML-Modelle können Muster in großen Datenmengen erkennen, die dem
menschlichen Auge verborgen bleiben. Solche Muster sind oft entscheidend, um verborgene
Risiken zu identifizieren. Zudem können ML-Modelle historische Daten nutzen, um
zukünftige Trends vorherzusagen, was besonders für die Bewertung der finanziellen Zukunft
eines Unternehmens wertvoll ist.
1
Siehe hps://papers.ssrn.com/sol3/papers.cfm?abstract_id=4543653
2
Siehe EY (Ernst & Young), 2015
3
Die Automatisierung der Due Diligence durch Big Data und ML bringt zahlreiche Vorteile.
Zunächst steigt die Effizienz: Analysen, die zuvor Wochen dauerten, können nun in wenigen
Tagen oder Stunden durchgeführt werden. Außerdem erhöht sich die Genauigkeit der Analyse,
da ML-Modelle menschliche Fehler reduzieren und komplexe Datenmuster präzise
identifizieren können. Ein weiterer Vorteil ist die Tiefe der Einblicke. Über finanzielle
Kennzahlen hinaus können nicht-finanzielle Aspekte wie Kundenstimmung und
Unternehmenskultur analysiert werden, was zu einem umfassenderen Verständnis des
Zielunternehmens führt.
Allerdings gibt es auch Herausforderungen:
Die Qualität und Integrität der Daten sind entscheidend für die Genauigkeit der Analysen.
Ungenaue oder unvollständige Daten können zu falschen Schlussfolgerungen führen. Des
Weiteren müssen Unternehmen strenge Datenschutz- und Sicherheitsstandards beachten, um
die Vertraulichkeit der Informationen zu gewährleisten. Auch die Komplexität von ML-
Modellen stellt eine Herausforderung dar, da ihre Entwicklung und ihr Training spezielles
Fachwissen erfordern. Zudem ist die korrekte Interpretation der durch ML-Modelle
generierten Ergebnisse nicht trivial und erfordert ein tiefes Verständnis sowohl der
Technologie als auch der Branche.
2. Due Diligence – Herausforderungen
Eine Due Diligence ist ein essenzieller Schritt im Rahmen von Unternehmensakquisitionen,
Börseneinführungen, Kreditvergaben oder Abfindungszahlungen. Es handelt sich dabei um
eine detaillierte und umfassende Analyse eines Unternehmens, die durchgeführt wird, um
einen tieferen Einblick in dessen Zustand und Potenzial zu erhalten.
Das primäre Ziel der Due Diligence ist es, unternehmensbezogene Chancen und Risiken im
Vorfeld zu identifizieren. Dies ist besonders wichtig, wenn zwei Parteien eine geschäftliche
Transaktion in Erwägung ziehen und es zwischen ihnen ein deutliches Informations-
Ungleichgewicht bezüglich des Kaufobjekts gibt. Dieses Ungleichgewicht kann dazu führen,
dass eine Partei möglicherweise nicht über alle relevanten Informationen verfügt, die für eine
fundierte Entscheidungsfindung erforderlich sind.
3
Dies gilt auch für Kleininvestoren, die sich
in einem Crowdinvesting-Prozess befinden.
Die Funktion der Due Diligence liegt in erster Linie in der Informationsbeschaffung. Sie
verschafft einen Überblick über die wirtschaftliche Lage eines Unternehmens. Die für die
Analyse verwendeten Informationen können aus verschiedenen Quellen stammen:
- Eigene Informationen: Das sind historische Daten, die das Unternehmen bereits hat.
- Öffentliche Informationen: Diese können aus öffentlich zugänglichen Quellen wie
Geschäftsberichten, Medien, Social Media etc. stammen.
- Drittinformationen: Hierzu gehören beispielsweise Einschätzungen von Analysten oder
Branchenexperten.
3
Siehe hierzu Pomp, Andre (2015), Kap. 2 und 3
4
Es gibt bei der Informationsbeschaffung klare Grenzen und Herausforderungen, die in diesem
Papier eine große Rolle spielen werden. Zu beachten sind auch rechtliche Einschränkungen,
die darin bestehen können, wenn es dem Interessenten untersagt wird, bestimmte
Informationen an Dritte weiterzugeben
4
. Die genauen Grenzen und ihr Umfang können sich je
nach Rechtsform der Zielgesellschaft unterscheiden. Zudem gibt es einen wesentlichen
Unterschied zwischen den Auskünften des Managements eines Unternehmens und den
Auskünften der Gesellschafter, da beide Gruppen unterschiedliche Perspektiven und
Interessen haben können.
Für eine erfolgreiche Due Diligence ist eine sorgfältige Vorbereitung entscheidend. Alle
Beteiligten sollten sich frühzeitig darüber klar werden, welche Aspekte geprüft werden sollen,
wer an der Prüfung teilnimmt, welcher Zeitrahmen zur Verfügung steht und wie die Prüfung
technisch organisiert wird. Dies gewährleistet, dass der gesamte Prozess strukturiert und
effizient durchgeführt wird.
Ein kritischer Aspekt der Due Diligence ist die Sichtung, Zusammenstellung und Auswertung
der relevanten Informationen. Hierbei geht es nicht nur darum, vorhandene Informationen zu
sammeln, sondern auch herauszufiltern, welche von besonderer Bedeutung für die Prüfung
sind. Das erfordert neben fundiertem Fachwissen auch eine beträchtliche Menge an
Erfahrung. Es ist ebenso wichtig, nicht nur die vorliegenden Informationen zu analysieren,
sondern auch zu erkennen, welche typischen Informationen möglicherweise fehlen.
Die Ergebnisse dieser umfangreichen Analyse werden im Due-Diligence-Bericht
zusammengefasst. Dieser Bericht richtet sich in erster Linie an den Auftraggeber, wird jedoch
oft auch für Dritte, wie beispielsweise Investmentbanken, zugänglich gemacht. Der Bericht ist
strukturiert und enthält in der Regel eine Auftragsbeschreibung, allgemeine Anmerkungen, ein
Inhaltsverzeichnis, eine Executive Summary, den Hauptbericht und die entsprechenden
Anlagen. Bei späteren Verhandlungen und der Vertragsgestaltung ist es unerlässlich, den
Bericht sorgfältig auszuwerten, um die Planung und den Ablauf entsprechend zu gestalten.
Ein besonderes Augenmerk sollte auf die Executive Summary gelegt werden. Sie stellt einen
zentralen Punkt des Due Diligence Berichts dar und fasst die wichtigsten Ergebnisse und
identifizierten Problemfelder kompakt zusammen. Hier werden insbesondere drohende
Wertminderungen sowie potenzielle Gewährleistungs- und Haftungsfälle hervorgehoben, um
dem Leser einen schnellen Überblick über die kritischen Aspekte zu geben.
Es gibt verschiedene Formen der Due Diligence, die je nach Kontext und Zielsetzung
variieren können. Jede dieser Formen hat ihre eigenen Schwerpunkte und Anforderungen,
aber der zugrunde liegende Prozess bleibt im Wesentlichen gleich: Eine gründliche und
systematische Überprüfung eines Unternehmens oder eines Projekts, um Risiken zu
identifizieren und informierte Entscheidungen treffen zu können.
Bei der Due Diligence handelt es sich um eine Untersuchung verschiedener Aspekte eines
Unternehmens. Hierbei werden unterschiedliche Bereiche fokussiert, um ein umfassendes
Bild über den Zustand des Unternehmens zu gewinnen. In diesem Papier geht es im
Wesentlichen um die Financial Due Diligence.
Ziel der Financial Due Diligence ist die Analyse der wesentlichen Finanzdaten eines
Unternehmens. Sie dient dazu, die Vermögens-, Ertrags- und Liquiditätslage zu bewerten.
4
Hierzu werden Vertraulichkeitsvereinbarungen geschlossen (Non-Disclosure-Agreements)
5
Dabei wird die Bilanzpolitik analysiert und die Investitionen sowie der Investitionsbedarf
bestimmt. Ein weiterer wichtiger Aspekt ist die Analyse der historischen Jahresabschlüsse,
einschließlich der Betrachtung von Anlagevermögen, stillen Reserven, Vorratsvermögen und
Forderungen. Eine umfassende Untersuchung des Working Capital sowie die Analyse von
Rückstellungen sind ebenso entscheidend. Ferner wird geprüft, welche
Rechnungslegungsvorschriften angewendet wurden. Die Analyse der Gewinn- und
Verlustrechnung (GuV) beinhaltet die Untersuchung des Bruttoertrags (Gross Profit/Gross
Margin), um die Hauptfaktoren zu identifizieren, die den Rohertrag beeinflussen. Kennzahlen
wie EBITDA und EBIT sind standardmäßig bei der Interpretation der operativen Ertragskraft
zu betrachten. Abschließend erfolgt eine umfassende Cashflow-Analyse.
In diesem Zusammenhang ist ergänzend auch die „Tax Due Diligence“ zu nennen, deren
Schwerpunkt auf der Überprüfung der steuerlichen Verhältnisse der Gesellschaft liegt. Hierbei
werden Aspekte wie Umwandlungs- und konzernsteuerliche Analysen, Risikoanalysen,
steuerschonende Finanzierungen und Verlustvorträge betrachtet. Besondere Aufmerksamkeit
verdienen häufige steuerliche Risikobereiche wie verdeckte Gewinnausschüttungen,
Gesellschafterfremdfinanzierung, Organschaftsverhältnisse, Forderungsverzichte und
Verlustvorträge.
Weiterhin hervorzuheben ist die sog. „Commercial bzw. Market Due Diligence“, die sich
auf den Markt und insbesondere die Wertschöpfungskette des Geschäftsmodells konzentriert.
Ziel ist es, die Frage nach der Nachhaltigkeit des Geschäftsmodells zu beantworten. Hierbei
wird das Unternehmen im Kontext seines Marktes untersucht, wobei die Bewertung des
zukünftigen Erfolgs im Mittelpunkt steht. Die interne Analyse dient dazu, das
Leistungsspektrum des Unternehmens zu erfassen und das subjektive Bild des Managements
im Hinblick auf die eigenen Stärken und Schwächen zu ermitteln. Die externe Analyse
hingegen vergleicht das Eigenbild des Unternehmens mit der relevanten Meinung des
Marktes. Hierbei kann Machine Learning und Big Data besonders hilfreich sein.
Weiterhin ist noch die sog. „Environmental Due Diligence“ von Bedeutung, bei der die
Umweltqualität des Standortes sowie der Anlagen und Gebäude des Unternehmens untersucht
wird. Es wird geprüft, ob das Unternehmen die geltenden Umweltvorschriften einhält, ob
Altlasten vorliegen oder ob Sanierungsbedarf besteht; dieses kann erhebliche Folgekosten mit
sich bringen.
Darüber hinaus ist das Personal eine Schlüsselressource für ein Unternehmen. Die Human
Resources Due Diligence beschäftigt sich mit der gründlichen Untersuchung des Personals
eines Unternehmens. Hierbei wird eine detaillierte Bestandsaufnahme des Personals
vorgenommen, die Aspekte wie Anzahl der Mitarbeiter, deren Qualifikationen, Altersstruktur,
das vorhandene Entlohnungssystem, Krankenstand sowie die Häufigkeit von Arbeitsunfällen
umfasst. Ziel ist es, einen umfassenden Überblick über die personelle Situation und damit
verbundene Risiken und Potenziale des Unternehmens zu erhalten.
Am Schluss dieser Arbeit wird ein Bewertungssystem vorgestellt, dass auch für kleinere
Unternehmen genutzt werden kann.
3. Big Data, Business Intelligence und KI
Mit dem Aufkommen von Business Intelligence (BI) und Big Data haben Unternehmen
begonnen, Daten in einem bislang ungekannten Ausmaß zu nutzen, um fundiertere
6
Geschäftsentscheidungen zu treffen. Für Investoren ist das Verständnis dieser Technologien
und ihrer Bedeutung für die Unternehmensbewertung von entscheidender Bedeutung.
1958 beschrieb der deutsche Informatiker Hans Peter Luhn BI-Systeme als Mittel zur Lösung
aller Informationsprobleme einer Organisation.
5
Seither wurden verschiedene Konzepte für
informationssystemgestützte Entscheidungsfindung vorgeschlagen, darunter Management
Informationssysteme (MIS), Decision Support Systems (DSS) und Executive Information
Systems (EIS). Die moderne Definition von BI baut auf diesen Konzepten auf und hat sich
über die Jahre weiterentwickelt, von einem technologiegetriebenen Ansatz bis hin zu einem
breiteren Verständnis, das sowohl Technologie als auch organisatorische
Entscheidungsfindung, Analyse und menschliche Interaktion einschließt. Es gibt jedoch keine
allgemein anerkannte Definition von BI. In diesem Papier wird der Definition von Wixom
und Watson (2010) gefolgt, die BI als Technologie, Anwendungen und Prozesse beschreiben,
um Daten zu sammeln, zu speichern, auf sie zuzugreifen und sie zu analysieren, um bessere
Entscheidungen zu treffen.
6
Die BI-Umgebungen variieren je nach Organisation. Wixom und Watson (2010) stellen eine
allgemeine BI-Umgebung dar, die von anderen Quellen ergänzt wird. Die BI-Architektur folgt
dem Prozess von der Datenerfassung bis zur Entscheidungsfindung. Dazu gehört das
Sammeln von Daten aus verschiedenen Quellen, deren Integration, Speicherung und
schließlich Analyse. Die Daten werden in einem Data Warehouse (DWH) gespeichert und den
Nutzern für analytische Zwecke zur Verfügung gestellt. Es werden verschiedene
Analysewerkzeuge verwendet, von Berichterstattungssystemen über Online Analytical
Processing (OLAP) bis hin zu fortschrittlichen statistischen Analysen und Datenmining-
Techniken. Das endgültige Ziel all dieser Komponenten ist die Unterstützung bei der
Entscheidungsfindung.
Allgemein gesehen begannen Unternehmen in den 1980er und 1990er Jahren, IT-Systeme zu
nutzen, um Daten zu sammeln, zu speichern und Berichte zu erstellen. Hier entstand das
Konzept von Business Intelligence, das den Einsatz von Technologien und Prozessen umfasst,
um geschäftliche Daten systematisch zu analysieren und daraus geschäftsrelevante
Erkenntnisse zu gewinnen.
Zu Big Data: Im Wesentlichen bezieht sich Big Data auf riesige Mengen an Daten, die so
groß sind, dass traditionelle Datenverarbeitungssysteme sie nicht effektiv verarbeiten können.
Mit der Digitalisierung, dem Aufkommen sozialer Medien und der zunehmenden Vernetzung
entstanden unvorstellbar große Datenmengen, die analysiert werden mussten.
7
Für Investoren ist es unerlässlich zu verstehen, wie ein Unternehmen seine Daten nutzt und
verwaltet. Ein Unternehmen, das effektiv BI und Big Data nutzt:
- Kann Marktveränderungen schneller erkennen.
- Kann Kunden besser verstehen und bedienen.
5
Luhn, Hans-Peter (1958)
6
Siehe Wixom, Barbara H., & Watson, Jeffrey. (2010).
7
Eine gute Einführung bietet: Robert Stackowiak, Art Licht, Venu Mantha, Louis Nagode (2015)
7
- Kann effizienter und kosteneffektiver operieren.
Wenn ein Investor in ein Unternehmen investieren möchte, will er sicherstellen, dass das
Unternehmen zukunftsfähig ist. Hierbei sind einige Punkte zu berücksichtigen:
- Hat das Unternehmen die notwendige Infrastruktur, um Daten effektiv zu sammeln, zu
speichern und zu analysieren?
- Ein Unternehmen kann nur so gut sein wie die Daten, mit denen es arbeitet. Verfügt das
Unternehmen über qualitativ hochwertige, saubere und aktuelle Daten?
- Wird datengetriebene Entscheidungsfindung in der Unternehmenskultur gefördert?
Haben Mitarbeiter Zugang zu Schulungen und Werkzeugen, um Daten effektiv zu nutzen?
- Wie handhabt das Unternehmen Datenschutz und -sicherheit? Dies ist besonders wichtig
in einer Zeit, in der Datenschutzverletzungen und -strafen immer häufiger werden.
Für kleine und mittlere Unternehmen (KMU) spielt BI eine besonders wichtige Rolle, da
es ihnen ermöglicht, Wettbewerbsvorteile zu erkennen und schneller auf Marktveränderungen
zu reagieren. Durch das frühzeitige Identifizieren von Trends und die Analyse von Marktdaten
können sie proaktive, strategische Entscheidungen treffen, die ihr Wachstum und ihre
Marktstellung fördern.
Business Intelligence ist weit mehr ist als nur ein Set von Tools oder Technologien. Es ist ein
entscheidender Faktor für Unternehmen, um aus der Flut an Daten Wissen zu generieren und
dieses Wissen effektiv für profitable und strategische Entscheidungen zu nutzen. In der
modernen Geschäftswelt, in der Daten eine zentrale Rolle spielen, ist ein tiefes Verständnis
von BI und dessen Anwendung ein Schlüssel zum Erfolg.
Die Tools sind nicht nur für das Management von Unternehmen entscheidend, sondern auch
für Investoren, die einen tiefen Einblick in die Leistung und das Potenzial von Unternehmen
erhalten möchten.
Ein wesentliches Element von BI sind Datenintegrations-Tools. Sie ermöglichen es, Daten aus
unterschiedlichen Quellen zu sammeln und zusammenzuführen. Dies bietet dem Management
einen umfassenden Überblick über die Geschäftsabläufe und erlaubt es den Investoren, ein
klares Bild von der Leistungsfähigkeit eines Unternehmens zu gewinnen.
8
Data Warehouses, die großen Mengen an Daten in einem zentralisierten System speichern,
sind ebenfalls unerlässlich. Sie ermöglichen eine effiziente Analyse und Berichterstattung.
Manager können damit historische Daten analysieren und zukünftige Trends vorhersagen,
während Investoren langfristige Leistungstrends und Unternehmensentwicklungen bewerten
können.
Online Analytical Processing (OLAP) Tools unterstützen komplexe Abfragen und
multidimensionale Analysen. Diese sind sowohl für das Management für die strategische
Planung als auch für Investoren zur Bewertung der Unternehmensleistung unverzichtbar.
Visualisierungstools und Dashboards, die Daten in grafische Formate umwandeln, sind für
eine intuitive und schnelle Interpretation der Daten entscheidend. Sie helfen dem
8
Siehe hierzu Müller/Lenz (2013), S. 26 ff.
8
Management, kritische Leistungsindikatoren im Auge zu behalten und ermöglichen es
Investoren, die Geschäftsentwicklung auf einen Blick zu erfassen.
Reporting-Software, die detaillierte Berichte und Analysen erstellt, ist ein weiteres wichtiges
Werkzeug. Sie hilft dem Management, interne Prozesse zu überwachen und zu optimieren,
und gibt Investoren Einblick in die Geschäftstätigkeit und finanzielle Gesundheit eines
Unternehmens. Die Methoden der Predictive Analytics und des Data Minings, die historischen
Daten nutzen, um zukünftige Ereignisse vorherzusagen, sind sowohl für das Management als
auch für Investoren entscheidend. Sie helfen, Risiken zu minimieren und Chancen zu
maximieren.
9
Die Integration von Künstlicher Intelligenz (KI) und maschinellem Lernen in BI-Tools
ist ein elementarer Schritt, der es ermöglicht, Muster in großen Datenmengen zu erkennen und
präzisere Prognosen zu erstellen. Diese Technologien bieten sowohl dem Management als
auch den Investoren tiefere Einblicke und unterstützen eine automatisierte
Entscheidungsfindung.
Maschinelles Lernen, ein Teilgebiet der Künstlichen Intelligenz, bezieht sich auf die
Fähigkeit von Computern, aus Daten zu lernen und sich ohne explizite Programmierung zu
verbessern. In der Welt der BI bedeutet dies, dass Algorithmen des maschinellen Lernens
Muster und Trends in großen Datenmengen erkennen können, die für Menschen zu komplex
oder zu umfangreich sind. Dies ermöglicht eine präzisere und tiefere Analyse von
Geschäftsdaten, was wiederum zu genaueren Vorhersagen, effizienteren Prozessen und
letztendlich zu besseren Geschäftsentscheidungen führt.
10
Die Anwendung von KI in der Datenverarbeitung geht noch einen Schritt weiter. KI-
Systeme können nicht nur Muster in Daten erkennen, sondern auch eigenständige
Entscheidungen treffen. In einem Geschäftskontext kann dies von automatisierten
Kundendienstsystemen bis hin zu komplexen Entscheidungsunterstützungssystemen reichen,
die Geschäftsstrategien und -operationen optimieren. Die Fähigkeit von KI, große
Datenmengen schnell zu verarbeiten und darauf zu reagieren, ermöglicht es Unternehmen,
agiler und reaktionsfähiger in einem sich ständig verändernden Markt zu sein. Ein
entscheidender Vorteil von maschinellem Lernen und KI in der BI ist die Fähigkeit zur
Durchführung von Predictive Analytics.
11
Durch die Analyse historischer Daten können diese
Technologien zukünftige Trends und Ergebnisse vorhersagen. Für Unternehmen bedeutet dies,
dass sie potenzielle Chancen und Risiken erkennen können, bevor sie eintreten, was eine
proaktivere und strategischere Planung ermöglicht. In der Finanzwirtschaft hilft Predictive
Analysis, Markttrends zu prognostizieren, Kreditrisiken zu bewerten und
Investitionsentscheidungen zu optimieren. Durch die Analyse historischer Daten und
Markttrends ermöglicht sie Finanzinstitutionen, das Verhalten von Aktienkursen, Zinssätzen
und Währungsschwankungen besser zu verstehen und vorauszusagen. Im Kreditwesen wird
sie verwendet, um das Ausfallrisiko von Kreditnehmern zu bewerten.
Außerdem wird Predictive Analysis im Risikomanagement eingesetzt, um potenzielle
finanzielle Risiken und Marktvolatilitäten zu identifizieren. Eine bekannte Methode im
Risikomanagement ist die Monte-Carlo-Simulation: sie ist eine mathematische Technik, die
9
Siehe hierzu Evans (2016), Part 2 und Part 3
10
Siehe zu Machine Learning Ng (2018) und Finlay (2017), S. 29 ff.
11
Siehe hierzu Finlay (2017), S. 40 ff.
9
auf Zufallszahlen und Wahrscheinlichkeitsstatistiken basiert, um die Wahrscheinlichkeit von
verschiedenen Ergebnissen in einem Prozess oder System zu verstehen und zu bewerten, der
schwer vorherzusagen ist aufgrund der Intervention variabler Faktoren. Diese Methode wird
in vielen Bereichen eingesetzt, um die Auswirkungen von Risiko und Unsicherheit in
Vorhersage- und Entscheidungsfindungsmodellen zu analysieren.
Ein weiteres wichtiges Element ist die Automatisierung von Routineaufgaben. KI kann
repetitive und zeitintensive Aufgaben übernehmen, was es den Mitarbeitern ermöglicht, sich
auf komplexere und wertsteigernde Aktivitäten zu konzentrieren.
Die Evolution von Big Data:
1990er: Das Internet boomte, und Unternehmen erkannten die Möglichkeit, online riesige
Datenmengen zu sammeln. Allerdings fehlten noch die Mittel, um diese effektiv zu
analysieren.
2000er: Mit der Weiterentwicklung von Speichertechnologien wurde es einfacher, große
Datenmengen zu speichern und zu analysieren. Big Data wurde zu einem Begriff und einer
Praxis, die von großen Tech-Unternehmen adoptiert wurde.
2010er: Die Technologien wurden weiterentwickelt. Unternehmen aller Größen begannen,
Big Data-Ansätze zu übernehmen. Neue Technologien wie Spark und Cloud-Plattformen
ermöglichten eine noch größere Skalierbarkeit und Flexibilität.
Für einen Investor sind Business Intelligence (BI) und Big Data essenziell, um die
wirtschaftlichen Potenziale und Risiken eines Unternehmens tiefgreifend zu bewerten:
- Verständnis der Unternehmensführung: BI ermöglicht einen tiefen Einblick in die
Unternehmensführung und zeigt, welche Aspekte besonders wichtig für den Erfolg
eines Unternehmens sind. Dies kann dem Investor helfen, die Stärken und Schwächen
der Geschäftsleitung zu erkennen.
- Risikobewertung: Durch den Einsatz von Big Data können Investoren potenzielle
Risiken, die mit einer Investition in ein Unternehmen verbunden sind, besser
verstehen. Dies schließt alles von Marktvolatilität bis zu internen Geschäftsrisiken ein.
- Chancenbewertung: BI und Big Data können den zukünftigen Wachstumspotenzial
eines Unternehmens aufzeigen, was für Investitionsentscheidungen entscheidend sein
kann.
- Vermeidung von schnellen Investitionsfehlern: Ein unzureichend informierter Investor
kann schnell erhebliche Mittel in ein Unternehmen stecken und dann vorzeitig
aussteigen, was beiden Seiten schaden kann.
Die Fähigkeit eines Unternehmens, Business Intelligence und Big Data effektiv zu nutzen,
kann einen erheblichen Einfluss auf seinen Marktwert und seine zukünftige Performance
haben.
12
12
Siehe hierzu Evans (2016), Part 1 und Provost/ Fawcett (2013), S.19 ff.
10
4. Data Mining
Data Mining ist der Prozess der Entdeckung von Mustern, Beziehungen oder
Zusammenhängen in großen Datenmengen durch den Einsatz von spezifischen Algorithmen
und Techniken. Es gehört zum Bereich des Wissensentdeckungsprozesses in Datenbanken
(Knowledge Discovery in Databases, KDD) und nutzt statistische Analysen, maschinelles
Lernen und künstliche Intelligenz, um verborgene Informationen in Datenbanken und anderen
Datenspeichern zu identifizieren, die nicht sofort offensichtlich oder zugänglich sind.
Das Ziel des Data Mining ist es, wertvolle Erkenntnisse und Vorhersagen aus Daten zu
gewinnen, die dann in verschiedenen Bereichen, wie Marketing, Medizin, Finanzwesen oder
Produktion, zur Entscheidungsfindung oder zur Vorhersage von Trends und Verhaltensweisen
verwendet werden können.
13
Data Mining ist ein zyklischer, mehrstufiger Prozess, bei dem die Qualität und
Vorverarbeitung der Daten entscheidend sind. Es ist wichtig, Daten zu bereinigen, fehlende
Werte zu behandeln und relevante Merkmale auszuwählen oder zu transformieren. Der
Kontext, in dem Daten erzeugt und verwendet werden, muss verstanden werden, da nicht alle
Methoden universell anwendbar sind. Grundlegende Techniken des Data Minings müssen
nicht nur bekannt sein, sondern auch effektiv angewendet werden, wobei technisches Wissen
und kreatives Denken erforderlich sind. Kontinuierliche Weiterbildung ist im sich ständig
weiterentwickelnden Bereich des Data Mining unerlässlich. Für einen Trainer ist es zudem
wichtig, die "weichen" Fähigkeiten wie Geschäftsverständnis, Kommunikation und
Teamarbeit zu betonen. Herausforderungen wie Datenheterogenität, fehlende Werte und
Inkonsistenzen müssen behandelt werden, wobei die Transformation und Reduzierung von
Daten oft Schlüsselelemente sind.
Einige wesentliche Aspekte
14
:
- Multidimensionale Repräsentation von Daten: In der Welt des Data Mining
begegnen dem Nutzer die Daten in unterschiedlichsten Formaten, seien es Tabellen,
Graphen oder Texte. Es ist nicht immer einfach, diese Daten so zu strukturieren, dass
sie von Algorithmen leicht verstanden und analysiert werden können. Daher benötigen
wir Werkzeuge, die uns helfen, die Daten in eine nützlichere Form zu bringen.
- Ähnlichkeitsgraph: Bevor die Daten genutzt werden können, kann es hilfreich sein,
sie in einem Ähnlichkeitsgraphen darzustellen. Hierbei verbinden werden ähnliche
Datenpunkte miteinander verbunden. Solch ein Graph gibt den Anwendern eine
Vorstellung davon, wie Datenpunkte zueinander in Beziehung stehen, basierend auf
bestimmten Ähnlichkeitsmetriken, wie dem euklidischen Abstand.
- Multidimensionale Einbettung: wurde ein Ähnlichkeitsgraph erstellt, können die
Daten in einen multidimensionalen Raum übertragen werden. Dabei sollte man
versuchen, die in dem Ähnlichkeitsgraphen festgestellten Beziehungen beizubehalten.
Das Einbetten in solch einen Raum erleichtert die Nutzung von Data-Mining-
Algorithmen erheblich.
13
Siehe zu dem Thema Data Mining vor allem Aggarwal (2015)
14
Siehe Aggarwal (2015), Kap. 4, 6 und 10
11
- Datenreduktion: Manchmal sind die Datensätze enorm groß. Es kann mühsam und
zeitaufwendig sein, diese riesigen Mengen an Daten zu analysieren. In der Welt der
Datenanalyse gibt es oft das Problem, dass die Menge an Daten riesig ist und sie in
vielen Dimensionen vorliegen. Es ist folglich schwierig, Muster oder Beziehungen in
den Daten zu erkennen. Hier kommt die Dimensionsreduktion ins Spiel, ein Ansatz,
der versucht, die Komplexität der Daten zu verringern, ohne ihre wesentliche
Information zu verlieren. Ziel ist es, die Daten in eine handhabbare, übersichtliche
Form zu bringen.
Eine weitere Technik soll hier hervorgehoben werden: das Clustering. Es ermöglicht,
Datenpunkte aufgrund ihrer Ähnlichkeit in Gruppen oder "Cluster" zu organisieren.
15
Es gibt
viele Wege gibt, dies anzugehen. Einige Methoden fokussieren sich darauf, den Mittelpunkt
eines Clusters zu finden und andere Punkte basierend darauf zu ordnen. Das funktioniert gut
für gleichmäßig verteilte Daten, kann aber bei unregelmäßigen Formen scheitern. Andere
wiederum schauen sich komplexe Strukturen an und versuchen, dichte Gruppen zu
identifizieren, können aber versagen, wenn die Dichte von Gruppe zu Gruppe variiert.
Vorstellbar ist auch eine graphische Herangehensweise, bei der Daten als Netzwerk dargestellt
werden. Hierbei wird versucht, Zusammenhänge innerhalb dieses Netzwerks zu erkennen.
Diese Methode ist besonders flexibel, erfordert aber auch mehr Rechenleistung.
Eine der größten Herausforderungen beim Clustering ist die Validierung der Ergebnisse. Wie
kann sichergestellt werden, dass die Gruppen sinnvoll sind, insbesondere wenn es keine
vorgegebenen Kategorien gibt? Hier gibt es verschiedene Kriterien, die helfen können, aber es
ist ausschlaggebend, diese mit Fachwissen zu kombinieren.
Schlussendlich gibt es beim Clustering keinen Universalansatz. Der Schlüssel zum Erfolg
liegt im Experimentieren, in der Kenntnis der spezifischen Daten und im Verständnis der
jeweiligen Methode. Es ist nicht nur eine wissenschaftliche, sondern auch eine künstlerische
Aufgabe, bei der Intuition und Fachkenntnis gleichermaßen wichtig sind.
Insgesamt sind diese Techniken von unschätzbarem Wert, wenn es darum geht, Daten so zu
organisieren und zu strukturieren, dass sie von Algorithmen leichter verstanden und analysiert
werden können. Es ist ein Balanceakt, bei dem man Informationen behält, während man die
Datenmenge reduziert oder transformiert, und diese Methoden bieten die Werkzeuge, um
genau das zu tun.
5. Verbesserungspotential für KMU
Das vorliegende Papier widmet sich der Frage, wie Big Data und Künstliche Intelligenz (KI)
die Art und Weise verändern kann, wie kleine und mittlere Unternehmen (KMU) ihre
Investitions- und Finanzierungsentscheidungen begleiten. Es wird untersucht, inwiefern diese
technologischen Entwicklungen eine Antwort auf die wachsenden Herausforderungen an die
Finanzierung und den steigenden Bedarf an präzisen Informationen für Investoren bieten
können. Voraussetzung dafür ist, dass die Unternehmen ihr Geschäftsmodell richtig verstehen
und auch kommunizieren, ihre operative Basis verbreitern und für Investoren attraktiv
werden.
15
Ebenda Kap. 6 und 7
12
Die Fähigkeit zur präzisen Prognose ist für kleinere und mittlere Unternehmen (KMU) eine
Herausforderung, weil sie oft nicht die Ressourcen und Puffer haben, die größere
Unternehmen besitzen, um auf unerwartete Marktveränderungen zu reagieren oder finanzielle
Fehlkalkulationen auszugleichen. In diesem Zusammenhang bieten Business Analytics und
Data Mining wertvolle Möglichkeiten, um Prognosemodelle zu verfeinern und die
Wettbewerbsfähigkeit zu steigern. Für KMU bedeutet diese Methodik eine bemerkenswerte
Gelegenheit, Einblicke in ihre Geschäftsprozesse zu gewinnen, die zuvor nicht zugänglich
waren.
Ein gutes Beispiel für die Anwendung von Business Analytics in KMU ist die
Kundenverhaltensanalyse. Durch das Studium von Kaufmustern und Präferenzen können
KMU personalisierte Marketingstrategien entwickeln und ihre Produkte und Dienstleistungen
besser auf die Bedürfnisse ihrer Kunden abstimmen. Dies kann durch die Analyse von
Transaktionsdaten geschehen, um zu erkennen, welche Produkte oft zusammengekauft
werden, und darauf basierend effektive Cross-Selling-Strategien zu entwickeln.
Data Mining bezieht sich – wie oben ausgeführt - auf den Prozess des Durchforstens großer
Datenmengen, um Muster und Zusammenhänge zu entdecken, die geschäftsrelevant sind.
Dies ermöglicht KMUs, verborgene Informationen aufzudecken, die entscheidend für
Produktentwicklung, Kundenanalyse und das Verständnis von Markttrends sind. Durch
Techniken wie Clustering und Klassifizierung können KMUs ihre Kunden besser verstehen
und segmentieren, was zu zielgerichteten Marketingstrategien führt. Darüber hinaus erlaubt
die vorausschauende Analyse durch Data Mining KMUs, zukünftige Trends und
Kundenverhalten vorherzusehen, was die Entscheidungsfindung und proaktives Handeln
erleichtert.
Ein weiteres wichtiges Anwendungsfeld und der Kern dieses Papiers ist die Finanzprognose.
KMU können historische Finanzdaten analysieren, um Muster zu erkennen, die zukünftige
finanzielle Trends vorhersagen (Predictive Analysis). Dies umfasst die Berücksichtigung von
saisonalen Schwankungen, Kundenkaufverhalten und Markttrends. Solche Prognosen sind
entscheidend für die Budgetplanung und die Verwaltung des Cashflows – sie können mit
generativen Sprachmodellen vereinfacht und für kleinere Unternehmen ohne großes
Beratungsbudget erst ermöglicht werden.
Maschinelles Lernen ergänzt diese Fähigkeiten, indem es Computern ermöglicht, aus Daten
zu lernen und Muster zu erkennen, ohne explizit programmiert zu werden. Für KMUs
bedeutet dies eine effiziente Analyse komplexer Datenmengen, wobei Schlüsse gezogen
werden können, die menschlichen Analysten möglicherweise entgehen. Maschinelles Lernen
passt sich kontinuierlich an neue Daten und Marktbedingungen an, was KMUs hilft, immer
auf Basis der aktuellen Informationen zu agieren. Über die reine Vorhersage hinaus bieten
maschinelle Lernalgorithmen auch präskriptive Einblicke, die KMUs nicht nur reaktive,
sondern proaktive Geschäftsentscheidungen treffen lassen. Für KMU bietet der Übergang von
Predictive Analytics zu Präskriptiver Analytics mit KI-Unterstützung entscheidende Vorteile.
Predictive Analytics ermöglicht es KMUs, zukünftige Markttrends und Kundenverhalten
vorherzusagen, während Präskriptive Analytics mit KI weitergeht, indem es konkrete
Handlungsanweisungen liefert, um optimale Ergebnisse zu erzielen. Dieser Fortschritt kann
KMUs dabei helfen, effektiver zu planen und finanzielle Ressourcen zielgerichteter
einzusetzen. Es heißt nicht umsonst, die Zukunft wirtschaftlicher Entscheidungen ist
überwiegend datengetrieben – unabhängig von der Unternehmensgröße.
13
Daraus ergibt sich ein weiterer wichtiger Aspekt: die Unterstützung bei strategischen
Entscheidungen des Managements. Mit datengestützten Einblicken und Empfehlungen
können KMU‘s in verschiedenen Bereichen, von der Optimierung der Lieferkette bis hin zur
Entwicklung neuer Marketingstrategien ihre operative Schlagkraft erhöhen, ohne dass
erhebliche zusätzliche Ressourcen erforderlich sind.
Was die Finanzberichterstattung betrifft, müssen natürlich die Wirtschaftsprüfer mit
einbezogen werden – folglich sind auch deren Analyse- und Data- Expertisen entscheidend.
Die Rolle der Wirtschaftsprüfer muss vor dem Hintergrund, der oben für die Unternehmen
gemachten Aussagen zu Data Analytics weiterentwickelt werden.
Generative Sprachmodelle haben z.B. die Fähigkeit, automatisierte Berichte zu generieren.
Diese Berichte können Geschäftstrends, Finanzprognosen und Kundenverhaltensmuster
aufzeigen und KMU dabei helfen, informierte Entscheidungen zu treffen. Diese Art der
automatisierten Berichterstattung erspart das manuelle Durchforsten großer Datenmengen und
erleichtert die Interpretation komplexer Daten.
Bedeutsam ist hingegen auch, dass diese Sprachmodelle auch als Lernwerkzeug für
Mitarbeiter von KMU dienen, um ihre Fähigkeiten in Bereichen wie Datenanalyse und -
interpretation zu verbessern. Durch interaktive Anleitungen und Erklärungen kann das Modell
das Verständnis komplexer Analysekonzepte erleichtern, was den Mitarbeitern hilft, sich in
einer datengetriebenen Welt zurechtzufinden.
6. Informationshilfen für Investoren
Die Internetökonomie macht die Informationsgewinnung und Informationsnutzung in einem
anspruchsvollen technischen Umfeld zum Thema. Investoren hatten immer schon einen sehr
hohen Informationsbedarf, um die Chancen ihrer Investments gut abschätzen zu können. In
der Welt der Internetökonomie wird die Suche und Gewichtung vereinfacht, wenn auch das
große Rauschen im Netz eine Herausforderung für die richtige Filterung darstellt.
Das frühzeitige Erkennen von Investitionsmöglichkeiten durch Algorithmen, die Reduzierung
von Fehlinvestitionen durch präzisere Datenanalysen, ein besseres Verständnis des Marktes
und das Erkennen von Markttrends sowie die Vereinfachung der Due-Diligence-Prozesse
durch automatisierte Methoden erleichtert es auch Kleininvestoren, die richtigen Investments
in einem ausgewogenen Portfolio anzusteuern. Hier helfen erneut generative KI-Modelle, die
leicht zu steuern sind und umfangreiche Datenanalysen ermöglichen. Die besonderen Themen
dabei sind die Datenerfassung und das Datenmanagement, problematisch sein könnte der
Mangel an interner Expertise in diesen Bereichen in den kleineren Unternehmen sowie der
Datenschutz. Kleine Unternehmen tun sich im Übrigen schwer, Daten herauszugeben, um
Investoren zu informieren. Der Grad der Informationsasymmetrie ist bei diesen
Unternehmen beträchtlich.
Die Integration von BI, Data Mining und maschinellem Lernen ermöglicht KMUs, tiefer in
ihre Geschäftsprozesse einzutauchen und fundierte Entscheidungen zu treffen und diese dann
auch gegenüber den potentiellen Investoren zu kommunizieren.
An dieser Stelle muss umfassender auf die Rolle der Wirtschaftsprüfer hingewiesen werden.
In der modernen Wirtschaftsprüfung zeichnet sich eine signifikante Transformation ab,
14
angetrieben durch den Einsatz von Künstlicher Intelligenz (KI), Big Data und Business
Intelligence (BI). Diese technologischen Entwicklungen stellen nicht nur eine Ergänzung
bestehender Methoden dar, sondern initiieren eine fundamentale Umwälzung im
Auditwesen.
16
Die Integration von Big Data ermöglicht eine umfassende Analyse der Geschäftstätigkeiten.
Audits, die traditionell auf Stichproben basierten, können nun auf vollständigen Datensätzen
aufbauen. Diese Entwicklung führt zu einer deutlich verbesserten Präzision und Tiefe in den
Prüfungsnachweisen. Parallel dazu erweitert KI die Fähigkeiten der Auditoren erheblich. Die
Fähigkeit, komplexe Datensätze schnell zu durchforsten, steigert die Effizienz der Audits und
erhöht deren Qualität.
Die Einführung dieser Technologien ist jedoch nicht ohne Herausforderungen. Datenschutz,
die Integration heterogener Datenquellen und die Anpassung der Prüfungsstandards an die
neuen Technologien erfordern sorgfältige Prozessgestaltungen. Zudem sind neue
Kompetenzen seitens der Auditoren notwendig, um die Potenziale von KI, Big Data und BI
voll auszuschöpfen.
Ergänzend dazu zielt die Entwicklung eines Informations- und Steuerungscockpits für
Investitionen in kleinere und mittlere Unternehmen (KMU) darauf ab, ein Tool zu schaffen,
das Investoren ermöglicht, Investitionschancen in KMU im Rahmen einer Due Diligence
effektiv zu erkennen und zu bewerten.
Der erste Schritt in diesem Prozess ist eine gründliche Anforderungsanalyse und
Zieldefinition. Es ist entscheidend, die spezifischen Bedürfnisse und Ziele der Investoren zu
verstehen, um das Informationscockpit entsprechend zu gestalten. Die Investoren könnten
beispielsweise an der finanziellen Stabilität, dem Marktpotenzial, der Wettbewerbsposition
oder den Risikoprofilen der KMU interessiert sein. Ebenso wichtig ist es, die rechtlichen und
regulatorischen Rahmenbedingungen für Investitionen in KMU zu berücksichtigen, da diese
Aspekte die Due Diligence erheblich beeinflussen können.
Der nächste Schritt beinhaltet die Identifizierung und Integration relevanter Datenquellen.
Hierzu zählen Finanzberichte, Branchendaten, Kundenbewertungen und Marktanalysen, die
alle in einem zentralen System zusammengeführt werden müssen. Diese Datenbasis bildet das
Fundament für das Cockpit und ermöglicht es, eine umfassende Bewertung der KMU
vorzunehmen.
Im dritten Schritt wird ein analytischer Rahmen entwickelt. Dies beinhaltet die Festlegung
von Key Performance Indicators (KPIs), die für die Bewertung von KMU relevant sind, sowie
die Entwicklung von Modellen für die prädiktive Analyse. Diese Modelle sollen Investoren
helfen, Trends, Risiken und Chancen in den Daten zu erkennen und somit fundierte
Investitionsentscheidungen zu treffen.
Die technologische Umsetzung ist der vierte Schritt. Hier wird ein benutzerfreundliches
Dashboard gestaltet, das es den Investoren ermöglicht, leicht auf Schlüsselinformationen
zuzugreifen und diese zu analysieren. Die Integration von KI und maschinellem Lernen kann
16
Siehe hierzu - EY (Ernst & Young) (2018) und Ruhnke (2022)
15
dabei helfen, komplexe Analysen durchzuführen und tiefere Einblicke in die Daten zu
gewinnen.
Im fünften Schritt wird der entwickelte Prototyp des Cockpits getestet. Dies erfolgt mit einer
ausgewählten Gruppe von Investoren, um praxisnahe Rückmeldungen zu erhalten und das
Cockpit entsprechend anzupassen. Nach erfolgreichen Tests und Anpassungen folgt die
vollständige Implementierung. Es ist wichtig, dass das System regelmäßig aktualisiert wird,
um neue Datenquellen und analytische Techniken zu integrieren und somit kontinuierlich zu
verbessern.
In der dynamischen Welt der Investitionen in kleinere und mittlere Unternehmen (KMU)
eröffnet die Entwicklung eines Informations- und Steuerungscockpits neue Dimensionen für
Investoren und KMU-Manager. Dieses ambitionierte Projekt, das die Kraft der generativen KI
nutzt, zielt darauf ab, ein umfassendes Werkzeug zu schaffen, das die Due-Diligence-Prozesse
verbessert und fundierte Investitionsentscheidungen erleichtert.
Die Rolle von generativer KI wie ChatGPT bei diesem Vorhaben könnte vielschichtig sein
und sich über die gesamte Projektlaufzeit erstrecken. In der Anfangsphase der
Anforderungsanalyse und Zieldefinition würde das Zusammenführen und Analysieren von
Branchenberichten und Marktanalysen unterstützt. Zudem sind tiefe Einblicke in die
spezifischen Bedürfnisse und Ziele der Investoren entscheidend für die Gestaltung eines
Informationscockpits.
Wenn es um die Identifizierung und Integration relevanter Datenquellen geht, bringt ChatGPT
seine Fähigkeiten zur Mustererkennung ein und macht Vorschläge für zuverlässige
Datenquellen, die für eine umfassende Analyse notwendig sind. Diese Phase ist kritisch, um
sicherzustellen, dass das Cockpit auf einer soliden und vielfältigen Datenbasis aufgebaut ist.
Bei der Entwicklung des analytischen Rahmens des Cockpits hilft die KI, relevante Key
Performance Indicators (KPIs) zu identifizieren und Konzepte für prädiktive Analysemodelle
zu entwickeln. Diese Modelle sind das Herzstück des Cockpits und ermöglichen es
Investoren, Trends, Risiken und Chancen in KMU-Daten effektiv zu identifizieren.
In der technologischen Umsetzungsphase bringt Chat seine Kenntnisse in der
Benutzererfahrung ein und es wird ein intuitives und benutzerfreundliches Dashboard-Design
vorgeschlagen. Außerdem berät Chat bei der Integration von KI- und maschinellen
Lernfunktionen, um tiefere Einblicke und genauere Prognosen zu ermöglichen.
Ein wichtiger Aspekt ist die Pilotierungs- und Feedbackphase, in der Chat beim Sammeln und
Auswerten von Nutzerfeedback hilft. Dieses Feedback ist entscheidend, um das Cockpit
kontinuierlich zu verbessern und an die Bedürfnisse der Nutzer anzupassen.
Schließlich, in der Phase der Implementierung und kontinuierlichen Verbesserung, überwacht
das Programm Branchentrends und neue Entwicklungen, um sicherzustellen, dass das Cockpit
stets auf dem neuesten Stand bleibt. Regelmäßige Updates und Erweiterungen sind
unerlässlich, um das Tool an die sich schnell verändernden Marktbedingungen anzupassen.
Ein solches Cockpit würde den Zugang zu fundierten, datenbasierten Erkenntnissen für viele
potentielle Investoren ermöglichen, indem es eine Plattform bietet, die sowohl umfassend als
auch benutzerfreundlich ist. Kleininvestoren, die traditionell nicht die Ressourcen oder das
Fachwissen haben, um eine tiefgreifende Due Diligence durchzuführen, würden besonders
16
davon profitieren. Sie könnten auf dieselben qualitativ hochwertigen Daten und Analysen
zugreifen wie größere Investoren, was ihnen ermöglicht, informierte Entscheidungen über
potenzielle Investitionen zu treffen. Das Cockpit könnte auch dazu beitragen, das Portfolio
der Investoren zu diversifizieren und zu bereichern, indem es Einblicke in eine Vielzahl von
KMU aus verschiedenen Branchen und Regionen bietet. Dies würde nicht nur die
Risikostreuung verbessern, sondern auch Chancen in Märkten und Segmenten aufzeigen, die
möglicherweise zuvor übersehen wurden.
Die Allokation von Finanzmitteln, insbesondere für Kleininvestoren, ist oft eine
Herausforderung. Ein Tool, das präzise und relevante Informationen bietet, kann dabei helfen,
Kapital effizienter und effektiver zuzuweisen. Investoren könnten in der Lage sein,
Investitionsmöglichkeiten zu identifizieren, die nicht nur finanziell attraktiv sind, sondern
auch mit ihren persönlichen, ethischen oder nachhaltigen Investitionsprinzipien
übereinstimmen.
In einer schnelllebigen dynamischen Welt mit vielen Neuerungen und Umwälzungen könnte
somit der Grundstein gesetzt werden, Token und Anteile von Unternehmen zu erwerben, die
vielleicht sonst nur Großinvestoren und Banken vorbehalten wären und damit den
wirtschaftlichen Erfolg auf eine breitere Verteilungsbasis stellen.
7. Einfaches Beispiel für eine Due Diligence eines Small Caps
Im Folgenden wird eine beispielhafte Due Diligence betrachtet mit jeweiligen Verweisen auf
Datenanforderungen und dem Potential von KI-Unterstützung. Die Darstellung bezieht sich
auf allgemeine Betrachtungen und müsste im konkreten Fall mit Daten versehen werden
(Vorlage in Anlage 1).
Diese Prüfliste für eine Due Diligence (DD) wird in Form einer Scorecard vorgestellt.
17
Eine
Scorecard ist ein Managementwerkzeug, das in verschiedenen Bereichen eingesetzt wird, um
Leistung, Fortschritt oder Compliance bezüglich bestimmter Ziele oder Standards zu messen
und zu überwachen. Im Wesentlichen ist eine Scorecard eine Art Bericht oder Dashboard, das
eine Reihe von Leistungsindikatoren (Key Performance Indicators, KPIs) oder anderen
maßgeblichen Datenpunkten zusammenfasst, um einen schnellen Überblick über die aktuelle
Leistung zu geben – in diesem Fall über das zu bewertende Unternehmen.
Die Scorecard für die Due Diligence Prüfung ist demnach ein Instrument, das eine
strukturierte Beurteilung verschiedener Aspekte eines Unternehmens ermöglicht. Jeder
Abschnitt auf der Scorecard (Finance, Brand…etc.) ist ein Bewertungskriterium, das in der
Gesamtbeurteilung des Unternehmens berücksichtigt wird:
1. Financial Performance: Bewertet die finanzielle Stabilität und Leistungsfähigkeit des
Unternehmens, einschließlich Umsatz, Gewinn, Cashflow und Rentabilität. Eine KI kann hier
bei der Analyse großer Datenmengen, der Erkennung von Trends und der Durchführung von
Benchmarking-Analysen unterstützen. Dieser Teil der DD wird aus Sicht der Investoren am
höchsten bewertet, weil er die zentralen Cash-flow-Treiber und Erfolgsfaktoren enthält, die
allerdings ohne die folgenden Einschätzungen nicht realisierbar wären.
17
Siehe hierzu die Anlage 1
17
2. Brand Value: Schätzt den Wert der Marke, was auf Kundenwahrnehmung, Marktanteil und
die Fähigkeit der Marke, Premium-Preise zu erzielen, zurückzuführen ist. Chat oder allgemein
KI kann bei der Sammlung und Analyse von Daten zu Markenwahrnehmung und
Konsumentenverhalten behilflich sein.
3. Business Condition: Beurteilt den aktuellen Zustand des Unternehmens, einschließlich
operativer Systeme, Managementstrukturen und Geschäftsmodellen.
4. Prospects for the Future: Schätzt die langfristigen Aussichten des Unternehmens, basierend
auf Marktprognosen, Innovationspotenzial und strategischen Plänen. Chat kann hier mit
Szenarioanalysen unterstützen und bei der Erstellung von Prognosemodellen helfen.
5. Customers: Analysiert die Kundenbasis, Kundentreue und die Abhängigkeit von
bestimmten Schlüsselkunden. Chat kann bei der Analyse von Kundendaten und beim
Customer Relationship Management (CRM) unterstützend wirken.
6. Competitive Environment: Bewertet die Marktposition und die Konkurrenzsituation. KI
kann bei der Wettbewerbsanalyse helfen und die Strategien von Konkurrenten nachvollziehen
helfen.
7. Human Capital: Bewertet die Mitarbeiterstruktur, Talente und Führungskräfte des
Unternehmens sowie die Unternehmenskultur. Chat kann bei der Analyse von
Mitarbeiterdaten assistieren.
8. Quality of Assets: Untersucht die Qualität und den Zustand der physischen und
immateriellen Vermögenswerte.
9. Structure of Purchase Transaction: Beurteilt die Strukturierung der Übernahme oder des
Kaufs, einschließlich Finanzierung und rechtlicher Aspekte. Chat kann hier detaillierte
Analysen zur Optimierung der Transaktionsstruktur bieten.
10. Other Risks: Identifiziert sonstige Risiken, die nicht unter den anderen Kategorien fallen,
wie rechtliche Risiken, Umweltrisiken oder IT-Sicherheitsrisiken. Chat kann hier
Risikobewertungsmodelle entwickeln und bei der Priorisierung von Risikobereichen
unterstützen.
Die jeweilige Punktevergabe und Gewichtung ist zweifelsohne noch sehr subjektiv, kann
daher von jedem Investor nach eigener Schwerpunktwahl durchgeführt werden. Die
Ansatzpunkte für eine helfende KI sind beträchtlich, weil technische Analysen,
Marktanalysen und Simulationen unterstützt und erklärt werden können – auch von kleineren
Unternehmen und Wirtschaftsprüfern; Voraussetzung ist ein entsprechender Zugang zu
historischen Daten und Datenbanken. Dies ist ein kritischer Punkt, denn KI kann nur bei
vollem Datenzugriff vernünftige Lösungsunterstützung leisten. Die jeweilige Gewichtung der
Kriterien im Gesamtkontext kann durch Maschinelles Lernen unterstützt werden und auf eine
objektivere Basis gehoben werden.
Zum Schluss soll die Verknüpfung von Finanzdaten und Bewertungsaussicht hergestellt
werden. Eine quantitative Bewertungsdatei ist in der Regel so aufgebaut:
Das Tabellenblatt "Annahmen" in der Bewertungsdatei enthält wesentliche Annahmen, die
für das Finanzmodell des Unternehmens relevant sind. Diese Annahmen bilden die Grundlage
für die Prognosen und Berechnungen in den anderen Teilen des Modells. Es handelt sich im
18
Kern um Wachstums- und Verhältniszahlen für die Umsatz- und Kostenentwicklung, die über
Vergangenheitsdaten entwickelt werden. Dieses zentrale Feld kann durch KI-Unterstützung
verfeinert werden und zu tragfähigeren Grundlagen entwickelt werden, weil Sensitivitäts- und
Simulationsanalysen eingesetzt werden.
In einem Tabellenblatt "Income Statement oder Gewinn- und Verlustrechnung“ werden
zuerst die vierteljährliche Gewinn- und Verlustrechnung des Unternehmens aus vergangenen
Quartalen erfasst, um mit ihnen die Daten für die Ertragsplanung des Unternehmens für die
nächsten 3 bis 5 Jahre zu untermauern. Hierbei wird umfangreich auf das Annahmen Blatt
zurückgegriffen.
Die Bilanz in dem folgenden „Excel-Sheet“ bietet einen Überblick über die Vermögens- und
Liquiditätslage des Unternehmens zum Ende eines Geschäftsjahres – auch hier aufbauend auf
den vergangenen 2 Geschäftsjahren und der Weiterentwicklung vor dem Hintergrund der
Annahmen (bezogen auf das Working Capital und der Investitionen im Wesentlichen). Beide
Größen werden zudem in einem Extra-Sheet erfasst, genau wie die Entwicklung der Schulden
und Eigenkapitalpositionen, um tiefergehende Analysen der Vermögens- und
Kapitalentwicklung vornehmen zu können. Entsprechende Simulationen können auch hier
vorgenommen werden.
Dies hilft dem Investor, Informationen über die Kapitalstruktur des Unternehmens zu und der
Fähigkeit des Unternehmens, seinen finanziellen Verpflichtungen nachzukommen, zu
entnehmen.
Ganz entscheidend ist dann das Tabellenblatt „Free Cashflow Projections“, das die
Schätzungen der zukünftigen freien Cashflows des Unternehmens mit Bezug zum Income
Statement, der Bilanz und der Working-Capital-Daten enthält. Der Free Cashflow ist der
Cashflow, der nach Abzug aller Betriebsausgaben und Investitionen verbleibt und zur
Auszahlung an die Aktionäre oder zur Reinvestition im Unternehmen zur Verfügung steht.
Dann folgt die Discounted Cashflow -Bewertung (DCF-Bewertung): sie ist der bedeutendste
Bestandteil der Finanzanalyse, da sie den Investoren hilft, den intrinsischen Wert des
Unternehmens zu verstehen. Diese Methode basiert auf den zukünftigen Cashflows, weil die
Zukunftsaussichten eines Unternehmens den entscheidenden Einfluss auf seinen aktuellen
Wert haben. Die Herleitung des Abzinsungsfaktors (WACC – durchschnittliche Kapitalkosten)
ist hierbei eine ganz besondere Herausforderung, weil sie in der Regel auf
Kapitalmarktabschätzungen beruht, was in der Wissenschaft zunehmend nicht unumstritten
ist.
Bei der Unternehmensbewertung kann KI mit Szenarioanalysen und Simulationen der Werte
helfen – insbesondere soll die Monte Carlo Simulationstechnik genannt werden. Die Monte
Carlo-Simulation ist eine statistische Technik, die verwendet wird, um das Verhalten und die
Wahrscheinlichkeit von verschiedenen Ausgängen – hier in einem Bewertungsprozess - zu
verstehen, der durch Unsicherheit und Variabilität geprägt ist. Sie basiert auf dem Prinzip der
Erzeugung einer großen Anzahl von Zufallsszenarien oder -pfaden, um eine breite Palette
möglicher Ergebnisse zu simulieren. Bei dieser Methode werden Zufallszahlen verwendet, um
Variablen zu generieren, die eine bestimmte Wahrscheinlichkeitsverteilung aufweisen. Indem
man viele solcher Zufallsvariablen generiert und auswertet, erhält man eine Verteilung
19
möglicher Ergebnisse, die es ermöglicht, die Wahrscheinlichkeiten verschiedener Szenarien
zu schätzen und Risiken besser zu bewerten.
18
Zusammengefasst: Die Rolle von künstlicher Intelligenz (KI) – wie Chat - kann in der
Analyse und Bewertung der o.g. Dateien sehr hilfreich sein, insbesondere bei der Analyse von
Finanzmodellen und der Interpretation wichtiger Finanzkennzahlen. Zudem kann KI bei der
Prognose und der Annahmen-Modellierung entscheidende Hilfestellungen geben.
Der Investor kann mit der Due Diligence Scorecard und dem Bewertungsmodell einen tiefen
Einblick in das Unternehmen erhalten, der es ihm ermöglicht, sein Investitionsvorhaben zu
analysieren. Die Unternehmen müssen für diese Daten aber sehr vieles offenlegen, was sie
womöglich als gefährlich und belastend empfinden. Die Genauigkeit der Daten und die
Bereitschaft der Unternehmen, Daten für die Bewertung bei einer Eigenkapitalfinanzierung
(wie bei den o.g. Token) bereitzustellen, stehen folglich einem engen Verhältnis. Ohne diese
Bereitschaft wäre auch in einer digitalen Token Finanzierung keine Datengewinnung und
Wertabschätzung möglich.
18
Siehe hierzu Gleißner, W., Wolfrum, M. (2019)
20
Literatur:
1. Appelbaum, D. A., Kogan, A., & Vasarhelyi, M. A. (2018). Analytical Procedures in
External Auditing: A Comprehensive Literature Survey and Framework for External Audit
Analytics. Journal of Accounting Literature, 40, 83–1.
2. Aggarwal, Charu C. (2015). Data Mining: The Textbook. Springer.
3. Cockcroft, Sophie, & Russell, Michael. (2018). Business Intelligence and Analytics: From
Big Data to Big Impact. MIS Quarterly.
4. Evans, James R., & Olson, David L. (2016). Business Analytics: Methods, Models, and
Decisions. 2nd Edition, Pearson.
5. EY (Ernst & Young). (2018). How big data and analytics are transforming the audit. EYGM
Limited.
6. Finlay, Steven. (2017). Artificial Intelligence and Machine Learning for Business.
Lightning Source.
7. Gleißner, W., & Wolfrum, M. (2019). Risikoaggregation und Monte-Carlo-Simulation.
Wiesbaden.
8. Krahel, John P., & Vasarhelyi, Miklos A. (2017). Big Data and Analytics in the Modern
Audit Engagement: Research Needs. Auditing: A Journal of Practice & Theory.
9. Luhn, Hans-Peter. (1958, Oktober). A Business Intelligence System. IBM Journal of
Research.
10. Müller, R. M., & Lenz, H.-J. (2013). Business Intelligence. Berlin, Germany: Springer
Vieweg, eXamen.press.
11. Ng, Andrew. (2018). Machine Learning Yearning.
12. Pomp, Andre. (2015). Financial Due Diligence: Ein Leitfaden für Praktiker. Springer
Gabler.
13. Provost, F., & Fawcett, T. (2013). Data Science for Business: What You Need to Know
about Data Mining and Data-Analytic Thinking. O'Reilly Media Inc.
14. Ruhnke, Klaus. (2022). Audit Data Analysis. Working Paper.
15. Stackowiak, Robert; Licht, Art; Mantha, Venu; Nagode, Louis. Big Data and The Internet
of Things: Enterprise Information Architecture for A New Age. Apress. Kindle-Version.
16. Carannante, M., D’Amato, V., Fersini, P. et al. (2023). Machine learning due diligence
evaluation to increase NPLs profitability transactions on secondary market. Rev Manag Sci.
https://doi.org/10.1007/s11846-023-00635-y
17. Wixom, Barbara H., & Watson, Jeffrey. (2010). The BI-Based Organization. International
Journal of Business Intelligence Research (IJBIR).
21
Anlage 1
Due Diligence Scorecard:
22
23