Daten bei M&A: Due Diligence, Bewertung und Post-Merger-Integration
Deals scheitern häufiger wegen Daten, als sie dank Daten gelingen. Das ist eine der am seltensten diskutierten Dimensionen von M&A, und eine, in der CDOs enormen Wert beitragen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen.
Die drei Phasen der Datenarbeit bei M&A
Phase 1: Data Due Diligence vor dem Deal
Vor dem Closing muss das übernehmende Team verstehen, welche Datenassets es tatsächlich kauft und welche Datenverbindlichkeiten es übernimmt.
Eine gründliche Data Due Diligence umfasst:
- Data QualityData QualityThe degree to which data is fit for purpose: accurate, complete, consistent, timely, valid and unique. Poor quality data undermines analytics, reporting and AI.Vollständige Definition ansehen →: Sind die Kundendaten des Targets korrekt, vollständig und aktuell? Schlechte Data QualityData QualityThe degree to which data is fit for purpose: accurate, complete, consistent, timely, valid and unique. Poor quality data undermines analytics, reporting and AI.Vollständige Definition ansehen → in einem CRMCRMCustomer Relationship Management: software and strategy to manage and analyse customer interactions throughout their lifecycle.Vollständige Definition ansehen → kann bedeuten, dass 30-40 % der „Kunden" Duplikate, inaktiv oder fehlerhaft sind, was direkt auf die Umsatzprognosen durchschlägt.
- Datenarchitektur: Welche Systeme existieren? Wie komplex ist die Integration? Lassen sich die Daten in den Stack des KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →äufers migrieren, und zu welchen Kosten?
- Governance und Compliance: Ist das Target DSGVO-konform? Gibt es laufende regulatorische Verfahren mit Datenbezug? Existieren Data Processing Agreements (DPAs) mit allen wichtigen Partnern?
- Data LineageData LineageData lineage maps how data moves and transforms across systems, from origin to consumption, showing where it came from, what changed it, and where it goes.Vollständige Definition ansehen →: Kann das Target belegen, woher seine Finanzdaten stammen? In regulierten Branchen ist das oft ein Deal-Breaker.
- Geistiges Eigentum: Gehören Datenmodelle, Algorithmen und Datensätze eindeutig dem Unternehmen? Oder gibt es Abhängigkeiten von Drittanbieterdaten, die nach der Übernahme entzogen werden kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen?
Der Standard-M&A-Due-Diligence-Prozess widmet Daten oft 10 % der Aufmerksamkeit, die sie verdienen. Bei datenreichen Geschäftsmodellen sollten es 40-50 % sein.
Phase 2: Daten als Bewertungstreiber
Datenassets kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen den Kaufpreis massiv beeinflussen. Der Deal Microsoft-LinkedIn ist das Standardbeispiel: LinkedIns Umsatz 2016 lag bei rund 3 Mrd. USD. Microsoft zahlte 26,2 Mrd. USD, ein Umsatzmultiple von 9x, das damals als außergewöhnlich galt.
Die Begründung: LinkedIns Daten zu über 430 Mio. Professionals waren deutlich mehr wert, als die Umsatzzeile vermuten ließ. Microsoft erwarb den weltweit größten Verhaltensdatensatz zu Berufstätigen, zusammen mit den Netzwerkeffekten, die ihn selbstverstärkend machten. Die Prämie über dem Buchwert war im Wesentlichen die Bezahlung für Daten.
Als Google 2019 Fitbit für 2,1 Mrd. USD übernahm, ging es strategisch vor allem um Gesundheitsdaten, die biometrischen Daten von über 100 Mio. Nutzern über Jahre, nicht um Fitbits rückläufige Hardware-Umsätze.
Wissenscheck
1. Warum argumentiert die Lektion, dass Data Due Diligence weit mehr Aufmerksamkeit verdient, als ihr der Standard-M&A-Prozess üblicherweise gibt, besonders bei datenreichen Geschäftsmodellen?
2. Die Beispiele Microsoft-LinkedIn und Google-Fitbit in der Lektion illustrieren vor allem welches Konzept?
3. Warum ist laut Lektion schlechte Data Quality im CRM eines Targets ein ernstes Risiko für die Bewertung?
4. Wählen Sie ALLE Elemente, die eine gründliche Data Due Diligence vor dem Deal laut Lektion abdecken sollte.
Wählen Sie alle richtigen Antworten aus.
5. Wählen Sie ALLE Aussagen, die die Sicht der Lektion auf die Datenintegration nach dem Merger korrekt wiedergeben.
Wählen Sie alle richtigen Antworten aus.
Phase 3: Datenintegration nach dem Merger
Hier gehen Deals am häufigsten schief.
McKinsey-Untersuchungen zeigen, dass 70 % der M&A-Deals den versprochenen Wert nicht liefern. Gescheiterte Datenintegration gehört zu den häufigsten Ursachen. Zwei Organisationen mit unterschiedlichen Datenarchitekturen, unterschiedlichen Definitionen von „Kunde" und unterschiedlichen Data-Quality-Standards sollen ab Tag 1 Daten teilen.
Was typischerweise passiert:
- Kundendaten aus beiden Organisationen lassen sich wegen Dubletten, unterschiedlicher Schemata und inkompatibler Formate nicht zusammenführen
- Das Financial Reporting wird zum Albtraum, weil dieselbe Metrik in jedem System etwas anderes bedeutet
- Sales-Teams verlieren während der Übergangsphase den Zugriff auf zentrale Kundendaten
- Data-Governance-Richtlinien kollidieren und erzeugen Compliance-Lücken
Die Rolle des CDO im Deal-Team
Der CDO sollte von der frühen Due Diligence an eingebunden sein, nicht erst nach der Vertragsunterzeichnung hinzugezogen werden.
Vor dem Closing: Die Data Due Diligence leiten. Data-Quality-Probleme markieren, die die Bewertung betreffen. Datenschutz- und Compliance-Risiken identifizieren, die die Deal-Struktur beeinflussen.
Während der Verhandlung: Den Wert der erworbenen Datenassets quantifizieren. Auf datenspezifische Zusicherungen und Garantien im Kaufvertrag drängen.
Nach dem Closing: Den Workstream Datenintegration verantworten. „Day 1 Data" (was sofort funktionieren muss) von „Year 1 Data" (was warten kann) abgrenzen. Das Master-Data-Management-Framework aufbauen, das dem zusammengeführten Unternehmen den Betrieb mit einer Single Source of Truth erlaubt.
Wenn Datenintegration scheitert: der Fall Sprint-Nextel
Als Sprint 2005 mit Nextel fusionierte, verwiesen Analysten auf Integrationsfehler als Hauptgrund dafür, dass der Deal letztlich scheiterte. Kundendaten konnten über die beiden Netze hinweg nicht abgeglichen werden, was zu Abrechnungsfehlern, Serviceausfällen und massivem Churn führte, Nextel verlor innerhalb von 5 Jahren über 80 % seines Kundenstamms.
Eine bessere Data Due Diligence und ein besserer Integrationsplan hätten die Inkompatibilität der Billing-Systeme vor dem Closing aufgedeckt und entweder zu einer Nachverhandlung des Preises oder zum Verzicht auf den Deal geführt. Der CDO, der nicht zur Due Diligence eingeladen wurde, kostete die KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →äufer Milliarden.
Verwandte Artikel
Aktuelle Blogartikel, die auf dieser Lektion aufbauen.