Datenqualitaet in der Finanzanalyse: Warum schlechte Eingangsdaten schlechte Ergebnisse liefern

Datenqualitaet in der Finanzanalyse: Warum schlechte Eingangsdaten schlechte Ergebnisse liefern

Jedes Due-Diligence-Mandat haengt von der Qualitaet der zugrunde liegenden Daten ab. Wenn Hauptbuchexporte vollstaendig, ordnungsgemaess strukturiert und periodenuebergreifend konsistent sind, kann sich das Analyseteam auf die wesentliche Arbeit konzentrieren: Anpassungen identifizieren, Risiken bewerten und Schlussfolgerungen ziehen. Bei schlechter Datenqualitaet verbringt das Team seine Zeit mit der Korrektur von Daten statt mit deren Analyse.

Die Kosten bestehen nicht nur in der Zeit. Schlechte Datenqualitaet erzeugt analytisches Risiko. Fehlende Konten, doppelte Eintraege oder falsch klassifizierte Transaktionen koennen zu falschen Schlussfolgerungen fuehren, die bis zum Abschlussbericht bestehen bleiben. Bei einem Deal, bei dem die Ergebnisse des Beratungsteams direkt den Kaufpreis informieren, ist Datenqualitaet kein technisches Detail. Sie ist ein wesentliches Risiko.

Haeufige Datenqualitaetsprobleme

Datenqualitaetsprobleme in der Due Diligence fallen in mehrere Kategorien:

Vollstaendigkeitsprobleme

Fehlende Perioden. Das Zielunternehmen stellt monatliche Summen- und Saldenlisten fuer 36 Monate bereit, aber Monat 14 fehlt. Die Luecke ist nicht immer sofort ersichtlich, insbesondere bei Mehrgesellschafts-Mandaten, bei denen die Daten jeder Gesellschaft separat verarbeitet werden.

Fehlende Konten. Der Export der Summen- und Saldenliste schliesst Konten mit Nullsalden aus, doch diese Konten hatten in anderen Perioden Salden ungleich null. Die resultierende Zeitreihe hat inkonsistente Kontenpopulationen ueber die Perioden, was die Trendanalyse verzerrt.

Abgeschnittene Daten. ERP-Exporte kuerzen manchmal Kontenbezeichnungen, Transaktionsreferenzen oder Memofelder. Dies reduziert die Faehigkeit des Analysten, die Kontenaktivitaet zu verstehen, ohne auf das Quellsystem zurueckzugreifen.

Konsistenzprobleme

Kontenneubezeichnung. Das Zielunternehmen hat seinen Kontenplan mitten im Analysezeitraum umstrukturiert. Umsaetze, die in den Jahren eins und zwei auf Konto 700100 lagen, erscheinen in den Jahren drei und vier auf Konto 411000. Ohne eine Ueberleitung liefert das Mapping inkonsistente Ergebnisse.

Gesellschaftsrestrukturierung. Aenderungen der Rechtsstruktur (Verschmelzungen, Abspaltungen, neue Tochtergesellschaften) erzeugen Diskontinuitaeten in der Zeitreihe. Umsaetze verschieben sich zwischen Gesellschaften nicht, weil sich das zugrunde liegende Geschaeft geaendert hat, sondern weil die Konzernstruktur sich geaendert hat.

Waehrungsinkonsistenzen. Bei internationalen Konzernen koennen Summen- und Saldenlisten fuer einige Perioden in lokaler Waehrung und fuer andere in Berichtswaehrung extrahiert sein. Gemischt-waehrungsbezogene Daten liefern bedeutungslose Konsolidierungsergebnisse.

Genauigkeitsprobleme

Doppelte Eintraege. Datenexporte enthalten manchmal doppelte Zeilen, insbesondere wenn sie aus mehreren Systemquellen extrahiert oder manuell zusammengestellt wurden. Eine doppelte Summen- und Saldenlisten-Zeile verdoppelt den ausgewiesenen Saldo fuer dieses Konto.

Vorzeichenkonventionen. Verschiedene ERP-Systeme und Kontenplanstrukturen verwenden unterschiedliche Vorzeichenkonventionen. SAP weist Haben typischerweise als negative Werte aus. Einige Mittelstandssysteme weisen alle Werte positiv aus und stuetzen sich auf den Kontotyp zur Bestimmung der Richtung. Bei inkonsistenten Vorzeichenkonventionen liefert die Analyse falsche Summen.

Rundung und Aggregation. Summen- und Saldenlisten-Exporte auf verschiedenen Aggregationsebenen stimmen moeglicherweise aufgrund von Rundungsdifferenzen nicht ueberein. Ein Detailexport, der sich auf 10.000.023 summiert, waehrend der Uebersichtsexport 10.000.000 zeigt, erzeugt eine Abstimmungsdifferenz, die untersucht werden muss.

Auswirkungen auf den Due-Diligence-Prozess

Datenqualitaetsprobleme beeinflussen das Mandat in jeder Phase:

Mapping. Wenn Kontenpopulationen periodenuebergreifend inkonsistent sind, wird das Mapping komplexer. Konten, die in einigen Perioden erscheinen, in anderen jedoch nicht, muessen untersucht und korrekt behandelt werden.

Analyse. Trendanalysen und Periodenvergleiche sind unzuverlaessig, wenn die zugrunde liegenden Daten Vollstaendigkeits- oder Konsistenzprobleme aufweisen. Scheinbare Spitzen oder Einbrueche bei Finanzkennzahlen koennen Datenprobleme statt Geschaeftsereignisse widerspiegeln.

Pruefung. Partner und Manager, die die Analyse pruefen, verbringen Zeit mit Abstimmungsfragen statt mit analytischen Schlussfolgerungen. Dies verlaengert den Review-Zyklus und verzoegert die Lieferung.

Mandantenvertrauen. Wenn Datenqualitaetsprobleme spaet im Mandat auftauchen, kann der Mandant (und das gegnerische Beratungsteam) die Zuverlaessigkeit der breiteren Analyse in Frage stellen. Ein Team, das seine eigenen Arbeitspapiere nicht auf die geprüften Abschluesse des Zielunternehmens abstimmen kann, verliert an Glaubwuerdigkeit.

Fruehzeitige Erkennung von Datenqualitaetsproblemen

Der wirkungsvollste Ansatz zur Datenqualitaet ist die fruehzeitige Erkennung. Validierungspruefungen zum Zeitpunkt der Datenaufnahme fangen Probleme ab, bevor sie sich fortpflanzen:

• Saldenkontrollen: Gleicht sich die Summen- und Saldenliste tatsaechlich aus (Gesamtsoll gleich Gesamthaben)?
• Vollstaendigkeitspruefungen: Sind alle erwarteten Perioden, Gesellschaften und Kontenbereiche vorhanden?
• Konsistenzpruefungen: Sind Kontenpopulationen periodenuebergreifend konsistent?
• Abstimmungspruefungen: Stimmen die importierten Daten mit Referenzpunkten ueberein (gepruefte Abschluesse, Management-Accounts)?
• Vorzeichenkonventionspruefungen: Sind die Vorzeichenkonventionen konten- und periodenuebergreifend konsistent?

Teams, die diese Pruefungen in ihren Datenaufnahmeprozess einbauen, fangen Probleme in Stunden statt in Tagen ab. Teams, die sich auf nachgelagerte Entdeckung verlassen (Analysten bemerken Anomalien waehrend der Analyse), verlieren Zeit durch Untersuchung und Nacharbeit.

Die Prozessverbindung

Datenqualitaet ist kein eigenstaendiges Problem. Sie ist direkt mit den Datenaufnahme- und Mapping-Prozessen des Teams verknuepft. Wenn Hauptbuchdatenimporte einem strukturierten Prozess mit eingebauter Validierung folgen, werden Qualitaetsprobleme erkannt und behoben, bevor sie die Analyse beeintraechtigen.

Wenn die Datenaufnahme manuell erfolgt (Kopieren und Einfuegen aus Excel-Exporten in Arbeitspapiere), haengt die Qualitaetskontrolle vollstaendig von der individuellen Sorgfalt des Analysten ab. Dies ist unzuverlaessig, insbesondere unter dem Zeitdruck eines laufenden Deal-Mandats.

Margenschutz durch Datenqualitaet

Jede Stunde, die waehrend des Mandats fuer die Untersuchung und Loesung von Datenqualitaetsproblemen aufgewendet wird, ist eine Stunde, die nicht fuer die Analyse verwendet werden kann. Bei einem Festhonorar-Mandat ist es verlorene Marge.

Die Teams, die ihre Margen schuetzen, investieren vorab in Datenqualitaetskontrollen. Sie validieren Daten bei der Aufnahme, kennzeichnen Probleme sofort und loesen sie, bevor die Analyse beginnt. Die zusaetzlich in die Validierung investierte Zeit ist ein Bruchteil der spaeter eingesparten Nacharbeitszeit.

Dies ist eine Prozessdisziplin, keine Technologiefrage. Aber die Disziplin ist leichter aufrechtzuerhalten, wenn der Prozess standardisiert und wiederholbar ist, anstatt ad hoc und manuell.