Data in M&A: Due Diligence, Bewertung und Post-Merger-Integration

Deals scheitern häufiger wegen Daten, als sie durch Daten gelingen. Das ist eine der am wenigsten diskutierten Dimensionen von M&A und eine, in der CDOs enormen Wert beitragen kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.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 Käuferteam verstehen, welche Datenassets es tatsächlich kauft und welche Datenrisiken es übernimmt.

Eine sorgfältige Data Due Diligence umfasst:

• Data QualityData QualityDer Grad, in dem Daten für ihren Zweck geeignet sind: korrekt, vollständig, konsistent, aktuell, valide und eindeutig. Schlechte Datenqualität untergräbt Analytics, Reporting und KI.Vollständige Definition ansehen →: Sind die Kundendaten des Targets korrekt, vollständig und aktuell? Schlechte Data Quality in einem CRMCRMCustomer Relationship Management: Software und Strategie, um Kundeninteraktionen über den gesamten Lifecycle zu steuern und zu analysieren.Vollständige Definition ansehen → kann bedeuten, dass 30-40 % der „Kunden“ Duplikate, inaktiv oder fehlerhaft sind, mit direkter Wirkung auf die Umsatzprognosen.
• Datenarchitektur: Welche Systeme existieren? Wie hoch ist die Integrationskomplexität? Lassen sich die Daten in den Stack des Käufers migrieren, und zu welchen Kosten?
• Governance und Compliance: Ist das Target DSGVODSGVOEU-Verordnung zur Erhebung, Speicherung und Nutzung personenbezogener Daten, mit Bußgeldern, die am weltweiten Umsatz bemessen werden.Vollständige Definition ansehen →-konform? Gibt es laufende behördliche Verfahren im Zusammenhang mit Daten? Existieren Data Processing Agreements (DPAs) mit allen wichtigen Partnern?
• Data LineageData LineageData Lineage zeigt, wie Daten sich durch Systeme bewegen und dabei transformiert werden, von der Quelle bis zur Nutzung: woher sie kommen, was sie verändert hat und wohin sie gehen.Vollständige Definition ansehen →: Kann das Target nachweisen, woher seine Finanzdaten kommen? In regulierten Branchen ist das oft ein Deal-Breaker.
• Intellectual Property: Gehören Datenmodelle, Algorithmen und Datensätze klar dem Unternehmen? Oder gibt es Abhängigkeiten von Drittdatenquellen, die nach der Übernahme wegfallen können?

Der Standard-M&A-Due-Diligence-Prozess widmet Daten oft nur 10 % der Aufmerksamkeit, die sie verdienen. Bei datenreichen Geschäftsmodellen sollten es 40-50 % sein.

Phase 2: Daten als Bewertungstreiber

Datenassets können den Kaufpreis massiv beeinflussen. Der Deal Microsoft-LinkedIn ist der Klassiker: LinkedIns Umsatz lag 2016 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 mehr als 430 Mio. Professionals waren deutlich mehr wert, als die Umsatzzeile vermuten ließ. Microsoft kaufte den weltweit größten Datensatz zum Verhalten von Professionals, zusammen mit den Netzwerkeffekten, die ihn selbstverstärkend machen. Die Prämie über dem Buchwert war im Wesentlichen eine Zahlung für Daten.

Als Google Fitbit 2019 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 rückläufigen Hardware-Umsatz.

Phase 3: Datenintegration nach dem Merger

Hier gehen Deals am häufigsten schief.

Untersuchungen von McKinsey 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 beider Organisationen lassen sich wegen doppelter Datensätze, unterschiedlicher Schemata und inkompatibler Formate nicht zusammenführen
• Das Finanzreporting wird zum Albtraum, weil dieselbe Kennzahl in jedem System etwas anderes bedeutet
• Sales-Teams verlieren während der Übergangsphase den Zugriff auf wichtige 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 Signatur hinzugezogen werden.

Vor dem Closing: Die Data Due Diligence leiten. Data-Quality-Probleme markieren, die die Bewertung betreffen. Daten-Compliance-Risiken identifizieren, die die Deal-Struktur beeinflussen.

Während der Verhandlung: Den Wert der erworbenen Datenassets quantifizieren. Auf datenspezifische Representations and Warranties 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, mit dem die kombinierte Einheit mit einer Single Source of Truth arbeiten kann.

Wenn die 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 ließen sich über die beiden Netze hinweg nicht abgleichen, was zu Abrechnungsfehlern, Serviceausfällen und massivem Churn führte, Nextel verlor innerhalb von 5 Jahren über 80 % seiner Kundenbasis.

Eine bessere Data Due Diligence und ein besserer Integrationsplan hätten die Inkompatibilität der Billing-Systeme vor dem Closing erkennen können, und man hätte entweder den Preis nachverhandelt oder den Deal ganz gelassen. Der CDO, der nicht zum Due-Diligence-Prozess eingeladen wurde, kostete die Käufer Milliarden.