Nebenbuchanalyse in der Due Diligence: Unter die Summen- und Saldenliste blicken

Die Summen- und Saldenliste bildet die Grundlage fuer die Due-Diligence-Analyse. Sie zeigt Kontensalden nach Periode und ermoeglicht es dem Team, die QoE-, NWC- und Nettofinanzverbindlichkeiten-Analysen aufzubauen. Doch Summen- und Saldenlisten haben systembedingete Grenzen. Sie zeigen Salden, keine Transaktionen. Sie zeigen Summen, keine Einzelpositionen. Fuer viele analytische Fragestellungen in der Due Diligence liegt die Antwort unterhalb der Summen- und Saldenliste, in den Nebenbuchdetails.

Die Nebenbuchanalyse extrahiert und analysiert transaktionsbezogene Daten aus dem ERP-System des Zielunternehmens. Dieses Detailniveau ist fuer mehrere zentrale Due-Diligence-Workstreams essenziell.

Wann eine Nebenbuchanalyse notwendig ist

Umsatz-Disaggregation

Die Summen- und Saldenliste zeigt den Gesamtumsatz nach Kontonummer. Um die Umsatzqualitaet zu beurteilen, benoetigt das Team nach Kunden, Produkten, Geografie oder Vertragstyp aufgeschluesselte Umsaetze. Diese Daten befinden sich im Debitoren- oder Vertriebsnebenbuch (SAP-SD-Modul, Oracle AR oder das Aequivalent im ERP-System des Zielunternehmens).

Spezifische Fragen, die Nebenbuchdaten erfordern:

• Wie hoch ist die Kundenkonzentration? Repraesentieren die Top-10-Kunden 30 Prozent oder 80 Prozent des Umsatzes?
• Wie viel Umsatz stammt aus wiederkehrenden Vertraegen versus Einzelverkaeufen?
• Wie entwickelt sich der Umsatztrend nach Kunde oder Produktsegment?
• Gibt es ungewoehnliche Transaktionen (Verkaeufe an nahestehende Personen, konzerninterne Umsaetze), die in den ausgewiesenen Umsaetzen enthalten sind?

Forderungsanalyse

Die Working-Capital-Analyse auf Ebene der Summen- und Saldenliste zeigt die gesamten Forderungen aus Lieferungen und Leistungen. Die Nebenbuchanalyse zeigt das Altersstrukturprofil, die Kundenkonzentration und die Einzugsfaehigkeit:

• Altersstruktur: Welcher Anteil der Forderungen ist faellig versus 30, 60, 90 oder 120+ Tage ueberfaellig?
• Konzentration: Sind die Forderungen auf wenige grosse Kunden konzentriert?
• Ausbuchungshistorie: Wie ist die historische Erfahrung mit Forderungsausfaellen, und sind die Wertberichtigungen angemessen?
• Ungewoehnliche Positionen: Gibt es Habensalden, konzerninterne Forderungen oder nicht geschaeftsbezogene Posten im Forderungenbuch?

Verbindlichkeitenanalyse

Ebenso ermoeglicht das Kreditorennebenbuch:

• Altersstruktur: Welcher Anteil der Verbindlichkeiten ist innerhalb der Zahlungsziele versus ueberfaellig?
• Lieferantenkonzentration: Abhaengigkeit von zentralen Lieferanten
• Veraenderungen im Zahlungsverhalten: Hat das Zielunternehmen Zahlungen gestreckt, um die Liquiditaet zu steuern?
• Identifikation von Reverse Factoring: Werden bestimmte Lieferanten ueber Supply-Chain-Finance-Programme bezahlt?

Vorratsanalyse

Das Vorratsnebenbuch liefert Artikeldetails, die folgende Analysen unterstuetzen:

• Langsamdreher-Analyse: Welcher Anteil der Vorraete hat sich in 6, 12 oder 24 Monaten nicht umgeschlagen?
• Beurteilung der Wertberichtigungen: Ist die Obsoleszenzrueckstellung des Zielunternehmens angemessen?
• Kostenstruktur: Stimmen die Lagerkostenaufzeichnungen mit der angegebenen Bewertungsmethode des Zielunternehmens ueberein (FIFO, gewichteter Durchschnitt, Standardkosten)?
• Konzerninterne Marge: Bei Gruppen mit konzerninternen Vorratstransfers, wie hoch ist die unrealisierte Marge im Schlussbestand?

Herausforderungen bei der Datenextraktion

Die Nebenbuch-Datenextraktion ist wesentlich komplexer als die Extraktion von Summen- und Saldenlisten. Die Datenvolumina sind groesser (Tausende oder Millionen von Transaktionsdatensaetzen versus Hunderte von Kontensalden), und die Datenstrukturen sind vielfaeltiger.

ERP-spezifische Strukturen

Jedes ERP-System speichert Nebenbuchdaten unterschiedlich:

• SAP: Vertriebsdaten in VBRK/VBRP-Tabellen, Forderungen in BSEG/BSID/BSAD, Vorraete in MSEG/MARD
• Oracle: AR-Transaktionen in RA_CUSTOMER_TRX, AP-Rechnungen in AP_INVOICES, Vorraete in MTL_ONHAND_QUANTITIES
• NetSuite: Transaktionszeilen mit benutzerdefinierten Feldern und Segmenten
• Mittelstandssysteme (Sage, Exact, Cegid): Verschiedene proprietaere Strukturen

Die Extraktion sauberer, nutzbarer Daten aus diesen Systemen erfordert Kenntnis der spezifischen ERP-Datenstrukturen und die Faehigkeit, grosse Datensaetze effizient zu verarbeiten.

Datenvolumen

Ein mittelstaendisches Unternehmen, das 50.000 Rechnungen pro Jahr verarbeitet, generiert ueber einen vierjaehrigen Analysezeitraum 200.000+ AR-Transaktionsdatensaetze. Hinzu kommen Lagerbewegungen, AP-Transaktionen und Journalbuchungen, und der Gesamtdatensatz kann Millionen von Datensaetzen erreichen.

Die Verarbeitung dieses Volumens in Excel ist unpraktisch. Die Daten ueberschreiten die effektive Arbeitskapazitaet von Excel deutlich vor Erreichen der Zeilengrenze, weil Formelberechnungen auf grossen Datensaetzen prohibitiv langsam werden.

Datenqualitaet

Nebenbuchdaten verstaerken die Datenqualitaetsprobleme, die bei Summen- und Saldenlisten vorhanden sind. Transaktionsbezogene Datensaetze koennen aufweisen:

• Fehlende Kunden- oder Produktcodes
• Inkonsistente Namenskonventionen (derselbe Kunde erscheint unter verschiedenen Namen)
• Memofelder mit unstrukturiertem Text, der Interpretation erfordert
• Waehrungs- und Datumsformat-Inkonsistenzen

Integration der Nebenbuchanalyse in die Gesamt-Due-Diligence

Die Nebenbuchanalyse muss mit der Summen- und Saldenliste abgestimmt werden. Die Gesamtforderungen laut Nebenbuch sollten mit dem Forderungsbestand in der Summen- und Saldenliste uebereinstimmen. Der Gesamtumsatz laut Vertriebsnebenbuch sollte mit den Umsatzkonten im Hauptbuch abgestimmt werden.

Wenn diese Abstimmungen nicht aufgehen (was haeufig vorkommt), muss das Team die Differenzen untersuchen. Haeufige Ursachen sind:

• Zeitliche Differenzen zwischen Nebenbuchbuchungen und Hauptbuchbuchungen
• Manuelle Journalbuchungen direkt im Hauptbuch, die nicht durch das Nebenbuch fliessen
• Konsolidierungsanpassungen oder konzerninterne Eliminierungen
• Umgliederungsbuchungen, die Salden zwischen Konten verschieben

Diese Abstimmungsluecken binden Analystenzeit und verzoegern die Analyse. Teams mit einem systematischen Ansatz zur Datennormalisierung bewaeltigen Abstimmungen effizienter, weil die Daten von Anfang an konsistent strukturiert sind.

Effizienz der Nebenbuchanalyse steigern

Der Schluessel zur effizienten Nebenbuchanalyse liegt in der Extraktion der richtigen Daten auf dem richtigen Granularitaetsniveau. Nicht jedes Mandat erfordert vollstaendige Transaktionsdetails fuer jedes Nebenbuch. Das Team sollte frueh im Mandat beurteilen, welche Nebenbuchanalysen fuer die Schlussfolgerungen wesentlich sind, und entsprechend extrahieren.

Beispielsweise koennen Umsatzdaten auf Kundenebene (aggregiert aus Rechnungsdaten) ausreichende Erkenntnisse fuer die Umsatzqualitaetsbewertung liefern, ohne dass jede einzelne Rechnung analysiert werden muss. Die Forderungsalterung auf Kundenebene kann ohne Einzelpositionsdetails ausreichend sein.

Dieser zielgerichtete Ansatz reduziert die Datenverarbeitungszeit bei gleichzeitiger Wahrung des analytischen Werts der Nebenbuchanalyse. Er erfordert erfahrenes Urteilsvermoegen darueber, welche Fragen die Nebenbuchdaten beantworten muessen, angewendet frueh genug im Mandat, um den Datenextraktionsprozess zu steuern.