1. Einleitung

Die Analyse verschiedener Unternehmen zählt seit jeher zu den Kernaufgaben vieler Finanzdienstleister. Vor weitreichenden Geschäftsentscheidungen – sei es der Kauf oder Verkauf eines Unternehmens, die Erweiterung des Kundenstamms oder Produktangebots oder das Sammeln und Einordnen von Erkenntnissen über Wettbewerber – hilft eine fundierte Analyse, die zugrunde liegende Situation zu verstehen und die notwendige Entscheidungsgrundlage zu schaffen. Traditionell dauerte dieser Prozess oft Wochen, beschäftigte ganze Teams, verursachte hohe Kosten und erforderte hochqualifizierte Mitarbeiter. Meist konzentrierte sich die Analyse nur auf Finanzkennzahlen und Leistungsindikatoren, wobei allgemeine Marktdurchschnitte oder übliche Benchmarks genutzt wurden, um den Erfolg eines Unternehmens zu beurteilen. In den letzten zwei Jahrzehnten hat jedoch eine Datenrevolution alle Wirtschaftszweige erfasst, durch welche mittlerweile immense Mengen an Daten zur Verfügung stehen, die für Geschäftsentscheidungen genutzt werden können. Allerdings hat dies die alltägliche Anwendung der Daten in Analysen nicht unbedingt erleichtert. Noch immer oder gerade deshalb benötigen Finanzdienstleister Analystenteams und externe Daten, um Marktanalysen durchzuführen und wettbewerbsfähig zu bleiben. Vor diesem Hintergrund stellt sich die Frage, inwiefern Fortschritte in der künstlichen Intelligenz (KI) und Datenverarbeitung Unternehmen unterstützen können, die ihre Entscheidungen auf Unternehmensanalysen stützen. Im weiteren Verlauf dieses Artikels zeigen wir auf, warum umfassende Marktanalysen spätestens seit 2025 als unverzichtbarer Standard gelten sollten. Mithilfe von Big-Data-Verarbeitung und Machine Learning sind Wettbewerbs- und Marktanalysen nicht nur zugänglicher, sondern langfristig kostengünstiger und effizienter geworden.

2. Herausforderungen traditioneller Marktanalysen

Zunächst mag sich der Leser fragen, ob der Einsatz datenintensiver Analysen in den meisten Fällen überhaupt notwendig ist. In einem zunehmend komplexen und internationalen Markt ist es oft schwierig, die Position eines Unternehmens genau zu bestimmen. Viele Unternehmen konkurrieren mittlerweile global um begrenzte Kundenstämme. Branchengrenzen verschwimmen und Unternehmen agieren häufig in mehreren Sektoren gleichzeitig. Die Identifikation und Analyse enger Wettbewerber bietet dabei erheblichen Mehrwert für strategische Entscheidungen eines Unternehmens. Auch aufgrund dieser komplexen Zusammenhänge reichen einfache Leistungskennzahlen nicht aus, um ein vollständiges Bild der Wettbewerbssituation oder der eigenen Marktstellung zu erhalten. Betrachten wir als Beispiel die Unternehmen A und B aus den Abbildungen 1 und 2.

Abb. 1 Unternehmen A im Vergleich zu den Gesamtmarktdurchschnitten

Quelle: Eigene Darstellung

Quelle: Eigene Darstellung

Abb. 2 Unternehmen B im Vergleich zu den Gesamtmarktdurchschnitten

Quelle: Eigene Darstellung

3. Unternehmen im Wettbewerbsvergleich: Warum der Marktkontext entscheidend ist

Die Abbildungen veranschaulichen zentrale Leistungskennzahlen (KPIs) der betrachteten Unternehmen im Vergleich zu verfügbaren Finanzdaten anderer Marktakteure. Die gestrichelte weiße Linie markiert den Durchschnitt über alle Branchen hinweg (Gesamtmarkt), während die blaue Linie zeigt, wie das jeweilige Unternehmen im Verhältnis zu diesem allgemeinen Durchschnitt abschneidet. Grundsätzlich gilt: Je weiter außen die Linie verläuft, desto besser die Performance. Ein bloßer Blick auf diese Zahlen ähnelt der Verwendung allgemeiner Wachstumsraten (üblicherweise zwischen 20% und 35% in vielen Märkten), bei denen Unternehmen durch diese Durchschnittswerte verglichen werden, ohne eine tiefgehende Kontextanalyse durchzuführen. Viele Finanzanalysten stützen sich bei der Festlegung solcher Zahlen auf Erfahrungswerte. Doch in einem zunehmend fragmentierten und dynamischen Markt stellt sich die Frage, ob diese Methodik noch zeitgemäß ist. Unternehmen A und B zeigen in der Übersicht ein ausgewogenes Bild: Beide bewegen sich in etwa auf dem Niveau des Gesamtmarkts, übertreffen diesen in einzelnen KPIs leicht und liegen in anderen geringfügig darunter. In bestimmten Bereichen – etwa der Gesamtkapitalrendite (ROA) und dem Bilanziellen Leverage – schneidet Unternehmen A sogar besser ab. Basierend auf diesen begrenzten Informationen könnte man schließen, dass beide Unternehmen wachsen und im Vergleich zum gesamtwirtschaftlichen Durchschnitt solide abschneiden. Stünden darüber hinaus jedoch weitere Informationen zur Verfügung, könnten sie die Schlussfolgerung infrage stellen.

Sobald jedoch weiterführende Informationen hinzukommen, kann sich dieses Bild deutlich relativieren. Abbildungen 3 und 4 erweitern die Analyse um branchenspezifische und wettbewerbsbezogene Informationen. Obwohl Unternehmen A im Vergleich zur Gesamtwirtschaft zunächst positiv erscheint, offenbart sich im direkten Wettbewerber- und Branchenvergleich, dass es hinter diesen beiden Gruppen zurückbleibt. Dies könnte möglicherweise auf die Besonderheiten des Produkts und auf branchenbedingte Entwicklungen zurückzuführen sein, beispielsweise da Technologie- und Softwareunternehmen im Durchschnitt höhere KPIs aufweisen, wodurch A innerhalb seines Segments benachteiligt ist. Für Unternehmen, die in diesen Sektor expandieren, ein Produkt für Kunden auswählen oder die Aussichten von Unternehmen A bewerten möchten, bietet die Abbildung 1 nur sehr begrenzte Einblicke. Unternehmen B hingegen übertrifft seine Branche und direkten Wettbewerber in den meisten Bereichen deutlich, mit signifikant höheren Wachstumsraten und Renditen. Obwohl beide Unternehmen auf den ersten Blick ähnlich erscheinen, agieren sie in strukturell sehr unterschiedlichen Sektoren, in denen die Erfolgskennzahlen jeweils unterschiedliche Schwellenwerte besitzen. Die meisten Finanzdienstleister kennen solche Marktdiskrepanzen zwar, doch die Erhebung und Verarbeitung relevanter Vergleichsdaten ist zeitaufwendig, ressourcenintensiv und muss zudem für jede Analyse erneut durchgeführt werden, was zusätzliche Ineffizienzen schafft. Dieser Status quo verändert sich jedoch allmählich: Durch den vermehrten Einsatz von Datenverarbeitungstechnologien und KI lassen sich komplexe Wettbewerbsanalysen in weiten Teilen immer weiter automatisieren.

Abb. 3 Unternehmen A im Vergleich zu Wettbewerbern und der Branche

Abb. 4 Unternehmen B im Vergleich zu Wettbewerbern und der Branche

Quelle: Eigene Darstellung

4. Wie KI und Big Data Unternehmensanalysen automatisieren

Eine fundierte Marktanalyse erfordert in erster Linie umfangreiche Mengen an Unternehmensdaten. Mittlerweile sind viele Daten öffentlich verfügbar, und es existieren zahlreiche Anbieter von Finanz- und Unternehmensdaten, sowohl für öffentliche als auch private Unternehmen. Nach der Erfassung der Rohdaten muss eine Verarbeitungspipeline eingerichtet werden. Bei Finanzdaten bedeutet dies üblicherweise, hochwertige Datenquellen zu identifizieren, fehlerhafte oder lückenhafte Datenreihen zu bereinigen, mit fehlenden Werten umzugehen, Datenstrukturen in kleinere Einheiten umzuwandeln sowie relevante Kennzahlen vorzuberechnen. Obwohl dies nur ein vorbereitender Schritt ist, stellt die Datenbereinigung eine entscheidende Voraussetzung für die Automatisierung dar. Sind die Eingangsdaten für Algorithmen gestreut und weisen keine klaren Muster auf, fällt es selbst den leistungsfähigsten Algorithmen schwer, valide Zusammenhänge zu erkennen. Zwar existieren heute enorme Datenmengen, doch sind diese häufig ungeordnet, inkonsistent oder unvollständig. Erst durch eine gründliche Bereinigung und Qualitätsprüfung der Daten können algorithmische Analysen zuverlässige und aussagekräftige Ergebnisse liefern.

Abb. 5 Der Prozess der Erstellung einer automatisierten Unternehmensanalyse

Quelle: Eigene Darstellung

5. Technologische Bausteine für eine automatisierte Analyse

Der womöglich spannendste Aspekt der Automatisierung von Unternehmensanalysen liegt in der Entwicklung analytischer Algorithmen. Finanzanalysten durchlaufen bei der Erstellung ihrer Berichte meist einen wiederkehrenden Prozess: Sie sammeln Informationen über das Zielunternehmen und seine Wettbewerber, berechnen und vergleichen Kennzahlen, modellieren Daten und leiten daraus Prognosen ab. Auch wenn sich die Daten und konkrete Fragestellungen im Einzelfall unterscheiden, bleibt dieser Prozess an sich konsistent – ein ideales Einsatzfeld für Automatisierung. Sobald die Ziele und der gewünschte Analyseumfang definiert sind, stehen drei leistungsfähige Instrumente bereit, um diesen Prozess effizient zu automatisieren.

Der erste Schritt besteht darin, Wettbewerbsumfeld und den relevanten Markt des Unternehmens klar abzugrenzen. Traditionell durchsuchen Analysten dafür Webseiten und Datenbanken nach ähnlichen Unternehmen – basierend auf ihrem Verständnis von Produkten, Geschäftsmodell und Kundenstruktur. Doch lässt sich dieser Prozess automatisieren? Eine vielversprechende Lösung ist der Aufbau eines Auswahlalgorithmus, der anhand der Unternehmensbeschreibung automatisch den relevanten Markt erkennt. Klassische Textsuchmaschinen sind darauf ausgelegt, Ähnlichkeiten in Texten zu erkennen. Übertragen auf die Unternehmensanalyse könnte ein solcher Algorithmus Schlüsselwörter extrahieren, die das Zielunternehmen hinsichtlich Produkt- und Serviceportfolio, Geschäftsmodell sowie Zielkundensegmente charakterisieren. Große Sprachmodelle (LLMs) eröffnen dabei neue Möglichkeiten. Sie sind in der Lage, ausführliche Unternehmensbeschreibungen zu analysieren und strukturierte Schlüsselwörter zu sammeln, Dies ermöglicht eine vollständig automatisierte Markteinordnung ohne manuelles Eingreifen.

Im Anschluss daran werden innerhalb des Datensatzes vergleichbare Unternehmen identifiziert. Die von einer Suchmaschine vorgeschlagenen Kandidaten variieren dabei in ihrer Relevanz. Hier kommen erneut LLMs zum Einsatz: Sie ermöglichen eine gezielte Auswahl jener Unternehmen, die tatsächlich dem Wettbewerbs- und Branchenspektrum des Zielunternehmens entsprechen. Abgesehen von der Strukturierung des Algorithmus reduziert dieser Ansatz den Arbeitsaufwand erheblich, da die Fortschritte in der Sprachverarbeitung die Anpassbarkeit an unterschiedlichste Fälle ermöglichen.

Nachdem eine Gruppe vergleichbarer Unternehmen definiert wurde, erfolgt die Berechnung der Kennzahlen und Modellierung der Finanzdaten mithilfe gängiger Formeln und Finanzmodelle. Während die zugrunde liegenden Rechenmethoden grundsätzlich gleichbleiben, ändern sich lediglich die eingegebenen Daten. Verschiedene Märkte erfordern zum Teil spezifische Kennzahlen und Indikatoren – diese kontextabhängigen Anpassungen lassen sich problemlos in den Analyseprozess integrieren. Für die Modellierung sind die meisten statistischen und Zeitreihenmodelle bereits robust gegenüber unterschiedlichen Datensätzen und flexibel einsetzbar. Ergänzend ermöglichen Methoden des maschinellen Lernens die automatisierte Auswahl passender erklärender Indikatoren für verschiedene Anwendungsfälle. Solche Modelle sind zudem in der Lage, zukünftige Entwicklungen zu prognostizieren und fundierte Entscheidungsgrundlagen zu liefern. Auf dieser Basis lassen sich relevante Tabellen und Visualisierungen innerhalb weniger Sekunden generieren.

6. Die Rolle der Analysten: Menschliche Expertise trifft KI

Die Fähigkeit von KI-Systemen, große Datenmengen zu verarbeiten und zu visualisieren, ist weithin anerkannt und wird von Analysten bereits genutzt. Doch mit wachsendem Umfang der Eingangsdaten steigt auch die Vielfalt potenzieller Analyseergebnisse. Wer trifft letztlich die Auswahl und formt daraus eine schlüssige, entscheidungsrelevante Geschichte? Hier kommt die Expertise erfahrener Unternehmensanalysten ins Spiel: Sie interpretieren Kennzahlen im Kontext, setzen sie in Beziehung zueinander und identifizieren zentrale Muster – von Markttrends und Schlüsselereignissen über kritische Leistungsindikatoren bis hin zu strategischen Chancen. Große Sprachmodelle (LLMs) lassen sich darauf trainieren, ähnliche Aufgaben zu übernehmen. Indem man ihnen eine Vielzahl beispielhafter Interpretationen zur Verfügung stellt, lernen sie, wiederkehrende Muster zu erkennen und fundierte Interpretationsansätze zu entwickeln. Mit zunehmender Trainingsmenge steigt die Genauigkeit dieser Modelle bei der Einordnung von Stärken, Schwächen und Entwicklungspotenzialen einzelner Unternehmen und Branchen.

All diese Schritte kombiniert führen zu einem dynamischen Algorithmus, der große Mengen an Unternehmensdaten auswertet und automatisierte Analysen sowohl visuell als auch in Textform liefert. Bei korrekter Umsetzung ermöglicht dieser Prozess eine hochwertige Automatisierung von Unternehmensanalysen, sodass interessierte Akteure (z.B. M&A-Berater, Banken, Investmentgesellschaften etc.) zahlreiche Analysen mit begrenzten Ressourcen effizient durchführen können. Die Fortschritte in der Datenverarbeitung und KI-Technologien eröffnen die Möglichkeit, bei jeder Geschäftsentscheidung ein umfassenderes Bild der Marktverhältnisse zu berücksichtigen. Solche ganzheitlichen Analysen, die das Zielunternehmen in seinen Marktkontext einordnen, könnten langfristig zudem weitere Kosteneinsparungen erzielen. Indem Marktdynamiken berücksichtigt werden, gewinnt die Analyse an Zeitlosigkeit und reduziert die Nachteile rein retrospektiver Betrachtungen deutlich. Es stellt sich daher nicht mehr die Frage, ob eine Unternehmensanalyse den Marktkontext berücksichtigen sollte, sondern nur noch, wann diese Methode so ausgereift sein wird, dass sie Geschäftsentscheidungen in Kürze signifikant verbessert.

Ein möglicher Einwand könnte bleiben, ob diese Ergebnisse tatsächlich mit menschlichen Einschätzungen vergleichbar sind. Wer regelmäßig solche Analysen erstellt, kennt die Grenzen algorithmischer Modelle und weiß, dass basierend auf Marktinformationen und Erfahrung Entscheidungen darüber getroffen werden müssen, welche Faktoren in die Bewertung einfließen. Könnte KI möglicherweise sporadisch solche Entscheidungen treffen? Das wäre denkbar, wenn sie völlig ohne Richtlinien arbeitet. Doch hinter dem beschriebenen Algorithmus steckt weit mehr, als bloß Daten in ein Sprachmodell zu speisen. Jeder Schritt folgt klaren Strukturen und Vorgaben, die sicherstellen, dass finanzielle und geschäftsspezifische Logiken konsequent bei der Auswahl von Daten, Wettbewerbern und Kennzahlen berücksichtigt werden.

7. Zukünftige Entwicklungen: Echtzeit, Multimodalität & Transparenz

Während sich KI kontinuierlich weiterentwickelt, steigen auch ihre Fähigkeiten im Bereich der Unternehmensanalyse deutlich. Während bisherige Tools bereits erhebliche Automatisierungen in der Datenverarbeitung und Berichterstattung ermöglicht haben, sorgen aktuelle Fortschritte dafür, dass automatisierte Unternehmensanalysen noch leistungsfähiger und aufschlussreicher werden.

Erstens ermöglicht die Fähigkeit von KI, unterschiedliche Datentypen gleichzeitig zu verarbeiten – seien es numerische Kennzahlen, Textdokumente oder visuelle Informationen –, tiefere und kontextbezogenere Einschätzungen von Unternehmen. In absehbarer Zukunft werden Modelle in der Lage sein, unstrukturierte Quellen wie Nachrichtenartikel, Geschäftsberichte oder Websites auszulesen und diese Erkenntnisse mit klassischen Finanzdaten zu verknüpfen. Die multimodale Datenverarbeitung, ein bereits wachsendes Teilgebiet des maschinellen Lernens, wird sich dabei zunehmend als Standard in Finanzplattformen etablieren.

Zweitens werden solche Systeme immer stärker in Echtzeit arbeiten und sich adaptiv anpassen. Gegenwärtig basieren Analysen meist auf statischen Datensätzen zu einem definierten Zeitpunkt. Künftige Echtzeit-Datenpipelines ermöglichen es KI, neue Informationen sofort zu erfassen und zu integrieren, sodass Analysen fortlaufend aktualisiert werden. Marktveränderungen, externe Schocks, Quartalszahlen oder globale Ereignisse fließen so unmittelbar in die Bewertung ein, ohne manuelle Nacharbeit.

Ein weiterer Fokus der KI-Entwicklung liegt auf der Transparenz ihrer Interpretationen. Eine aktuelle Herausforderung automatisierter Analysen besteht in der oft undurchsichtigen „Black-Box“-Natur von KI-Entscheidungen. Zukünftig können wir erwarten, dass Systeme nicht nur Ergebnisse liefern, sondern auch immer transparenter erläutern können, warum sie zu einer bestimmten Schlussfolgerung gelangen und warum eine Vorgehensweise empfohlen wurde. Dies schafft Vertrauen bei Analysten, Aufsichtsbehörden und anderen Stakeholdern und reduziert die Zeit für manuelle Überprüfungen erheblich.

Schließlich liegt ein weiterer wesentlicher Fortschritt darin, den gesamten Prozess der Unternehmensanalyse kostengünstiger zu gestalten. KI-Modelle verbessern sich kontinuierlich nicht nur in ihrer Verarbeitungskapazität, sondern sinken auch im Durchschnitt in den Anwendungskosten. Dasselbe gilt für Cloud-Computing, das für viele Big-Data-Aufgaben genutzt wird und ebenfalls kontinuierlich preiswerter wird.

8. Fazit: Der Marktkontext als Schlüssel zur fundierten Unternehmensanalyse

Diese Entwicklungen unterstreichen das zentrale Argument dieses Artikels: Es ist heute unverzichtbar, Unternehmen stets in ihrem konkreten Marktkontext zu betrachten. Da viele Unternehmen grenzüberschreitend agieren und sich Branchengrenzen zunehmend auflösen, reichen allgemeine Kennzahlen oder statische Benchmarks nicht mehr aus, um ein umfassendes Bild zu zeichnen. KI-gestützte Automatisierung ermöglicht es, Unternehmen präzise in ihre Branchen einzuordnen, sie mit relevanten Wettbewerbern zu vergleichen und flexibel auf dynamische Marktbedingungen zu reagieren. So entstehen Analysen, die weit über oberflächliche Wachstumsraten hinausgehen und ein klares Bild von Positionierung, Leistung und Zukunftsaussichten liefern. Mit diesen verbesserten Werkzeugen können Finanzdienstleister schneller, kostengünstiger und letztlich erfolgreicher entscheiden.