1. Die transformative Kraft von M&A in der Datenökonomie

In einem Zeitalter, in dem Daten als das neue Öl gelten, rückt die Fähigkeit, Daten zu entscheidungsrelevanten Faktoren zu transformieren, in den Mittelpunkt des geschäftlichen Erfolgs. Data Intelligence spielt hierfür eine essenzielle Rolle, denn hier wird der Prozess beschrieben, welcher große Datenmengen sammelt, analysiert und zur Unterstützung des Entscheidungsträgers beiträgt. Unternehmen, die dieses Know-how beherrschen und die Macht der Daten zu ihrem Vorteil nutzen können, sind in der Lage, Innovation zu treiben, Wertschöpfung zu steigern und einen Wettbewerbsvorteil gegenüber Mitbewerbern auszubauen.

In einer zunehmend vernetzten Welt werden digitale Ökosysteme zu einem Erfolgsfaktor für Unternehmen und ganze Branchen. Es zeichnet sich ein klarer Trend zu einer Symbiose zwischen Unternehmen, Plattformen, Technologien und deren Nutzern ab – das sogenannte Ökosystem. Ein instruktives Beispiel hierfür ist Siemens im Bereich der industriellen Automatisierung. Anstatt ihre Produktpalette nur horizontal auszubauen, hat Siemens ein tief integriertes digitales Ökosystem geschaffen, das speziell auf den industriellen Sektor ausgerichtet ist. Mit dem Aufbau der MindSphere-Plattform, eines cloudbasierten, offenen IoT-Betriebssystems, ermöglicht Siemens Unternehmen, Maschinendaten aus Produktionsprozessen zu erfassen, zu analysieren und zu optimieren. Durch die vertikale Integration dieser Plattform in die eigenen Produkte sowie in die Lösungen von Partnern hat Siemens ein Ökosystem geschaffen, das weit über die reine Bereitstellung von Hardware hinausgeht.

Mergers and Acquisitions spielen in solchen Szenarien eine zentrale Rolle. Durch strategische Investitionen und Übernahmen können sich Unternehmen nicht nur technologische Fähigkeiten aneignen, sondern auch ihre Daten effizienter und präziser analysieren, was ihre eigene Weiterentwicklung fördert. M&A bietet hierfür die Möglichkeit einer Integration von analytischer Kapazität und auch den Zugang zu spezialisierten Talenten. Des Weiteren stellt sich auch nicht mehr die Frage, ob Daten die Zukunft des Geschäfts bestimmen, sondern wie Unternehmen solch einen Wandel in Bezug auf Nutzung ihrer Daten angehen und ob Akquisitionen als Katalysator genutzt werden.

Digitale Ökosysteme ermöglichen es Unternehmen, über ihre traditionellen Grenzen hinauszuwachsen, in neue Bereiche vorzustoßen und Werte zu generieren. Denn in einer Welt, welche von Daten, Vernetzung und Kollaboration geprägt ist, gewinnen Ökosysteme zunehmend an Bedeutung – sie sind das Rückgrat der digitalen Transformation.

2. Die Symbiose der Stufen innerhalb der Datenökonomie

Um einen Einblick in die digitalen Ökosysteme zu gewähren, ist es wichtig zu verstehen, wie deren Entwicklung aufgebaut ist. Die Auswertung von Daten durchläuft hierbei verschiedene Reifestufen, die unterschiedliche Einblicke und Handlungsmöglichkeiten bieten.

Ein wichtiger Ausgangspunkt ist die Descriptive Analytics, also die rückblickende Analyse. Diese Stufe beantwortet die grundlegende Frage: Was ist passiert? Unternehmen nutzen hier gesammelte Daten, um Ereignisse oder Entwicklungen in der Vergangenheit zu verstehen. So können etwa Verkaufszahlen, Produktionsausfälle oder Kundeninteraktionen erfasst und dokumentiert werden. Es geht darum, ein klares Bild der historischen Performance zu gewinnen und die relevanten Datenpunkte zusammenzutragen.

Aufbauend folgt die Diagnostic Analytics, die eine tiefergehende Analyse ermöglicht und die Beantwortung der Frage „Warum ist es passiert?“ zum Ziel gesetzt hat. Diese Stufe ergründet die Ursachen und Zusammenhänge hinter den in der deskriptiven Phase identifizierten Ereignissen. Es werden Fragen beantwortet wie: „War etwa ein Absatzrückgang das Resultat einer schlechten Marketingkampagne, oder spielten externe Faktoren eine Rolle?“ Unternehmen können auf diese Weise Ursachen besser verstehen und gezielte Maßnahmen für künftige Entscheidungen ableiten.

Der nächste Schritt führt zu Predictive Analytics, das Unternehmen in die Lage versetzt, zukünftige Ereignisse zu antizipieren. Hierbei werden Technologien wie Machine Learning und Künstliche Intelligenz (KI) eingesetzt, um auf Basis historischer und diagnostischer Datenanalysen, Mustererkennung und komplexer Algorithmen Prognosen für die Zukunft zu erstellen. Unternehmen nutzen diese Stufe, um zum Beispiel künftige Nachfragetrends oder potenzielle Marktentwicklungen vorherzusehen.

Die vierte Stufe ist die Prescriptive Analytics, die sich mit der Frage befasst: Was sollen wir tun? Hier ist das Ziel, Handlungsempfehlungen proaktiv vor dem Eintritt eines Ereignisses zu formulieren und zur Verfügung zu stellen. Diese Stufe erlaubt es Unternehmen, konkrete Maßnahmen zu planen, um identifizierte Chancen optimal zu nutzen oder Risiken zu minimieren. Prescriptive Analytics berücksichtigt dabei zahlreiche Variablen und bietet unterschiedliche Entscheidungsoptionen.

Diese aufeinander aufbauenden Phasen der Datenanalyse bieten Unternehmen die Möglichkeit, ihre Daten in wertvolle Erkenntnisse und Handlungsempfehlungen zu überführen. Während diese verschiedenen Stufen den Wert und die Anwendung von Daten für Unternehmen aufzeigen, stellt sich die Frage, wie Unternehmen diese Reise zur vollen Datenreife beschleunigen können, und hier kommt M&A ins Spiel.

3. M&A als Katalysator der Datenökonomien

Als Katalysator für die Weiterentwicklung der Datenökonomie sind M&A-Transaktionen in der Lage, nicht nur neue Technologien und Expertise ins Unternehmen zu bringen, sondern sie ermöglichen auch den Zugang zu umfangreichen Datenbeständen und modernsten Analysetools. M&A bietet somit die Chance, bestehende Lücken in der eigenen Datenstrategie zu schließen und sich durch Synergien schneller und effizienter weiterzuentwickeln, bestehende Fähigkeiten auszubauen und auf die nächste Stufe der Datenreife zu gelangen.

In der zugrunde liegenden Analyse werden 77.000 Transaktionen weltweit aus 15 Industrien und deren M&A- und Investitionsverhalten ab 2019 verglichen.

Die nachfolgende Darstellung bietet des Weiteren eine Kategorisierung in drei Sektor-Klassifizierungen.

Abb. 1 • Vier Typen von Analytics Capability (Gartner)

Quelle: Gartner

Quelle: Gartner

Data-Native-Sektoren zeichnen sich durch eine direkte Stärkung und Verbesserung des Kernprodukts bei Investition in Data Intelligence aus. Ein Beispiel hierfür ist die Akquisition von OpenAI durch Microsoft, die die Funktionen und Anwendungen, die bereits in den bestehenden Microsoft-Produkten integriert waren, direkt ergänzt und die Kernprodukte stärkt, indem Generative AI zu den Predictive- und sogar Prescriptive-Analytics-Funktionen der Microsoft-Datenprodukte beiträgt.

Data-Enabled-Sektoren können durch Transaktionen indirekt ihr Produkt verbessern. Als Beispiel ist der Logistik-Sektor zusehen. Hier wird Künstliche Intelligenz genutzt, um gezielteres Routing im Transport einzusetzen. Damit ist nicht direkt das Produkt als solches verändert, nämlich der Transport von einem Gut von Position A nach Position B, allerdings verbessern sich Attribute wie Geschwindigkeit oder Liefergenauigkeit.

Data-Supported-Sektoren zeichnen sich dadurch aus, dass sie durch Transaktionen ihre Unternehmensstruktur verbessern, allerdings nicht gezielt das Produkt. Zum Beispiel bleibt das Produkt von Unternehmen im Consumer-Bereich durch Data-Intelligence-Transaktionen im ersten Moment unverändert. Aber durch die zugekaufte Fähigkeit der Datenanalyse kann ein besseres Verständnis der Konsumenten erlangt werden, und daraufhin können Unternehmen ihre Produkte besser auf den Kunden zuschneiden.

Abbildung 2 zeigt die Investitionstiefe der unterschiedlichen Sektoren aufgeteilt in Data-Intelligence-und Nicht-Data-Intelligence-Transaktionen. Bei der Analyse der Gewichtung der Kategorien kann eine klare Tendenz der drei Sektoren erkannt werden. Je mehr das Thema Daten in den Kernfokus des Sektors gesetzt wird, umso höher ist auch das Investitionsvolumen in solche Unternehmen, die eben diese Daten analysieren können. Als Beispiel hierfür ist Healthcare darzustellen, eine Industrie, welche traditionell eher Daten sammelte, aber durch das Erkennen des Potenzials der Auswertung vieler Daten ein erhöhtes Transaktionsaufkommen aufweist. Der Data-Supported-Sektor, welcher eigentlich keinen Fokus auf dieses Geschäft legt, zeigt trotzdem einen gewissen Anteil an Investitionen in diese Technologien.

Abb. 2 • Anzahl der Transaktionen nach Kategorie

Quelle: Eigendarstellung Grant Thornton

Quelle: Eigendarstellung Grant Thornton

Werden die Transaktionen in den Data-Intelligence-Bereich (10.067 beobachtete Transaktionen weltweit ab 2019) nach den vier Data-Intelligence-Stufen kategorisiert, wird ein klareres Bild deutlich. Auffällig ist, dass Descriptive Analytics in fast allen Branchen die dominierende Form der Datenanalyse ist. Dies zeigt, dass viele Unternehmen noch stark auf rückblickende Datenanalysen setzen, um vergangene Ereignisse zu verstehen.

Ausgeprägt sind auch Predictive Analytics und Prescriptive Analytics in den Data-Native-Sektoren, allerdings auch teilweise in Data-Enabled-Sektoren, was darauf hindeutet, dass diese Industrien erweiterte Analysemethoden nutzen, um zukünftige Trends vorherzusagen und gezielte Maßnahmen abzuleiten. Der Softwaresektor weist ebenfalls eine signifikante Nutzung von Diagnostic Analytics und Predictive Analytics auf, was seine führende Position in der Nutzung datengetriebener Innovation unterstreicht.

Traditionelle Industrien wie Consumer, Logistics und Chemicals zeigen vergleichsweise geringere totale Werte an Investments in den vorhersehenden Analysemethoden, was darauf hindeutet, dass hier noch Potenzial für den Einsatz von prädiktiven und präskriptiven Ansätzen besteht. In hochregulierten Bereichen wie Defense und Healthcare hingegen zeigt sich ein anderes Bild. Obwohl diese Industrien möglicherweise einen komplizierteren Go-to-Market Prozess absolvieren müssen, um die vollen Vorteile datenbasierter Entscheidungstools zu nutzen, ist hier eine verstärkte Transaktionsfreudigkeit wahrnehmbar und auch eine höhere Verteilung in Prescriptive Analytics.

Insgesamt verdeutlicht Abbildung 3, dass viele Branchen noch in den frühen Phasen der Datenreife stecken. Deshalb ist keine starke Investitionsspitze in aufwendigere Methoden wie Prescriptive Analytics wahrnehmbar, aber trotzdem in fast allen Bereichen schon auf der Bildf

Abb. 3 • Aufteilung Investments nach Industrien Quelle: Eigendarstellung Grant Thornton

Schaut man sich jetzt zudem noch die prozentuale Verteilung der Industrien für Transaktionen in die Datenanalyse-Entwicklung in Abbildung 4 an, welche die relative Verteilung der vier Analysemethoden innerhalb der Branchen aufzeigt, ergibt sich noch eine weitere Beobachtung.

Abb. 4 • Prozentuale Aufteilung Investments nach Industrien

Quelle: Eigendarstellung Grant Thornton

Quelle: Eigendarstellung Grant Thornton

Obwohl man anderes erwarten würde, weist der Tech-Sektor eine ähnliche Kontributionsaufteilung seiner Investments auf wie andere Sektoren, zum Beispiel Entertainment. Einige Industrien weisen im Verhältnis ihrer Investitionen im Bereich Data Intelligence sogar eine höhere Fokussierung auf Prescriptive Analytics auf, siehe Automotive, als beispielsweise Software oder IT-Services. Es ist aber natürlich nicht zu vergessen, dass die totalen Zahlen eine andere Sprache sprechen, wenn die Investitionsanzahl verglichen wird, siehe Abbildung 5.

Abb. 5 • Transaktionen in Data Intelligence (Gesamtheit) aufgeteilt nach Käuferanteil

Abb. 5 • Transaktionen in Data Intelligence (Gesamtheit) aufgeteilt nach Käuferanteil Quelle: Eigendarstellung Grant Thornton

Hingegen zeigt die Analyse der prozentualen Aufteilung, dass das Investitionsvolumen von Prescriptive Analytics in den Data-Enabled- und Data-Supported-Sektoren erhöht ist, was sie möglicherweise wettbewerbsfähiger macht, wenn es um vorausschauende Entscheidungsfindung und Prozessoptimierung geht.

Dies hebt hervor, dass die Entwicklung der Datenreife nicht ausschließlich von den Data-Native-Sektoren dominiert wird, sondern auch in anderen Sektoren wesentliche Fortschritte erzielt werden.

Bei einer tiefergehenden Analyse des Zeithorizonts der Investments ist ein klarer Paradigmenwechsel wahrnehmbar. Die Data-Native- und Data-Enabled-Sektoren zeigen einen klaren Shift. Während die Transaktionen in den Descriptive- und Diagnostic-Analytics-Märkten stark abnehmen, scheint die Anzahl von Transaktionen im Prescriptive-Markt relativ stabil zu sein. Wenn man dies in zeitlichen Kontext setzt, wie in Abbildung 6, ist eine zuerst erhöhte Investmentstruktur in den Jahren 2020 bis 2023 in Deskriptive und Diagnostische Analyse abzeichnend. Dadurch kann man eine aufbauende Struktur erkennen. Diese Sektoren erwarben erst die Analysewerkzeuge, um jetzt die präskriptive Entscheidungsfindung auszubauen.

Abb. 6 • Investmentanalyse über den Zeithorizont 2019 bis 2024 nach Sektoren

Quelle: Eigendarstellung Grant Thornton

Quelle: Eigendarstellung Grant Thornton

Ein anderes Bild ergibt sich in den Data-Supported-Sektoren. Hier wurde eher ein breiterer Transaktionsansatz gewählt und es ist keine klare Tendenz erkennbar. Der Ansatz für diese Sektoren wird eher nach Bedarf gewählt und es wird kein systematischer Aufbau betrieben wie in den anderen Sektoren. Allerdings ist eine abnehmende Tendenz im Bereich der Descriptive und Diagnostic Analytics wahrnehmbar.

4. Ausblick: Zukünftige Trends der Industrien in der datengetriebenen M&A-Welt

Die zukünftigen M&A-Strategien werden zunehmend von dem Verlangen der Unternehmen befeuert, fortschrittliche Datenanalysen wie Predictive und Prescriptive Analytics zu integrieren. Während viele Branchen, wie die Technologie- und Halbleiterindustrie, bereits erhebliche Fortschritte in der Nutzung dieser Analysemethoden gemacht haben, zeigt die Analyse, dass es branchenübergreifend noch Potenzial gibt, datengetriebene Entscheidungsprozesse weiter auszubauen. Insbesondere der Tech-Sektor, obwohl führend in der Nutzung von Descriptive Analytics, wird sich stärker auf Predictive und Prescriptive Analytics konzentrieren müssen, um den wachsenden Anforderungen an vorausschauende und proaktive Geschäftsentscheidungen gerecht zu werden.

Beispiele für gezielte Transaktionen heruntergebrochen auf die unterschiedlichen Sektoren verdeutlichen diese Hypothese. Beispielsweise ermöglicht M&A im Gesundheitswesen die Verschmelzung von Gesundheitsdaten mit Machine Learning für verbesserte Diagnosen, Präventionsmaßnahmen, personalisierte Medizin und automatisierte Behandlungsempfehlungen.

Unternehmen aus der Defense-Industrie ebnet M&A den Weg zu effizienten Datenökonomien. Durch M&A erhalten Verteidigungsunternehmen Zugang zu fortschrittlichen Analysetools, die Sicherheits- und Risikomanagementsysteme verbessern. Predictive Analytics kann Abwehrmechanismen effizienter gestalten und die Ressourcenverteilung optimieren. Dies wird sichtbar bei Akquisitionen im Bereich der Künstlichen Intelligenz und Machine Learning.

In der Halbleiterherstellung wird Prescriptive Analytics zur Optimierung von Energieverbrauch und Abschaltungen sowie zur vorausschauenden Wartung eingesetzt, um Ausfallquoten zu reduzieren. KI-gestützte Systeme automatisieren Qualitätskontrollen durch Bilderkennung, um Mikroschäden zu erkennen und die Ausschussrate zu senken. Zudem ermöglicht die Analyse von Echtzeitdaten durch KI eine optimierte Lieferkette, besseres Ressourcenmanagement und genaue Nachfrageprognosen, wodurch Überproduktionen vermieden und variable Kosten gesenkt werden.

Prescriptive Analytics und KI haben in der Automobilindustrie eine entscheidende Bedeutung, insbesondere im Flottenmanagement und autonomen Fahren. Die kontinuierliche Überwachung der Fahrzeuge ermöglicht eine vorausschauende Wartung, wodurch Betriebszeiten maximiert und Ausfallzeiten minimiert werden. Echtzeit-Analysen von Sensor- und Kameradaten durch KI optimieren Routen und helfen, Gefahren zu vermeiden, was die Verkehrssicherheit erheblich verbessert.

Auch die Fahrzeug-zu-Fahrzeug-Kommunikation spielt eine wichtige Rolle, da sie den Verkehrsfluss durch den Austausch von Geschwindigkeit, Position und Verkehrsdaten effizienter gestaltet und das Risiko von Unfällen reduziert.

Das Resultat dieser Beispiele ist, dass mit dem zunehmenden Einsatz von KI und maschinellem Lernen in der Datenanalyse Akquisitionsentscheidungen immer stärker durch datengestützte Vorhersagen beeinflusst werden können.

5. Eine progressive Analyse von Daten führt zu einer dynamischen Steuerung von Handlungsoptionen in M&A-Prozessen

Bei vorangegangenen Transaktionen spielen selbst in der Vorbereitung und Abwicklung einer verkäuferseitigen M&A-Transaktion datengestützte Analysen eine klare Rolle. In der Vergangenheit war die Entscheidung für eine Veräußerung stark von der historischen Analyse des Eigentümers getrieben, und der M&A-Berater hat durch die Equity Story die Verbindung in die Zukunft gebaut. Die Entwicklung der transaktionsbedingten mehrjährigen Unternehmensplanung war in vielerlei Hinsicht eine statische Abbildung der erwarteten Entwicklung des Unternehmens an einem bestimmten Zeitpunkt und verlief starr in die Zukunft mit bisherigen Modellen. In der Gegenwart stellen wir allerdings eine Zunahme an datengetriebenen M&A-Entscheidungsprozessen fest. Für die Unternehmer, welche eine proaktive Veräußerungsintention verfolgen, gibt es eine starke Bereitschaft, Mechanismen für die Vorhersage des besten Veräußerungsmoments einzuführen. Die sogenannte Exit Readiness eines Unternehmens soll hiermit durch die kontinuierliche und zeitnahe Beobachtung von Veränderungen im Geschäftsmodell sowie durch die Umsetzung struktureller Anpassungen bewertet werden und als Grundlage für eine erfolgreiche Transaktion dienen.

Beispielhaft können wir hier die Transitionsphase eines Softwareunternehmens von einem On-Premises-Lizenzmodell zu einem Subscription-Modell skizzieren. In dem Kontext der Exit-Readiness müssen wir mithilfe der aktuellen Zahlen die Wachstumsraten der zwei Produktmodelle dynamisch einschätzen mit den jeweiligen entsprechenden Kostenstrukturen, deren Abhängigkeiten und Margen in das Modell einbetten und die zwei Modelle für die nächsten 6 bis 12 Monate prognostizieren.

Die Veräußerungsentscheidung sollte in einer Wachstumsphase des Unternehmens stattfinden und nicht in einem Stagnierungsprozess des Geschäftsmodells. Die dynamische Einstufung der Produktlinien hat den entscheidenden Vorteil, dass hier Tendenzen erkennbar werden und auch gegebenenfalls Unternehmensentscheidungen getroffen werden können, um diesen entgegenzuwirken oder sie zu beschleunigen.

Hierdurch werden Unternehmen in der Lage versetzt, nicht nur zukünftige Markttrends präziser zu prognostizieren, sondern auch Akquisitionen und Exitstrategien effektiver und zeitlich optimaler zu verfolgen, um ein maximales Maß an Value Creation zu generieren. Dieser Wandel hin zu einem datenfokussierten Ansatz in der M&A-Strategie wird auch die Entstehung neuer Datenökosysteme fördern.

6. Die Rolle von M&A im Zeitalter der datengetriebenen Wirtschaft

Die datengetriebene Transformation wird die M&A-Welt nachhaltig verändern. Die Nutzung von Predictive und Prescriptive Analytics wird für Unternehmen zum zentralen Erfolgsfaktor, um zukunftssichere Entscheidungen zu treffen. KI und maschinelles Lernen werden dabei eine immer größere Rolle spielen, indem sie die Akquisitionsentscheidungen mitbestimmen. Der wachsende Einfluss von datenbasierten Ansätzen wird zudem die Entstehung neuer Datenökosysteme fördern, die den Unternehmen zusätzliche Möglichkeiten zur Wertschöpfung bieten. Unternehmen, die in der Lage sind, diese Entwicklung frühzeitig zu antizipieren und zu nutzen, werden sich in einer zunehmend datengetriebenen M&A-Landschaft durchsetzen und langfristig Wettbewerbsvorteile sichern. Und dieser Wandel hat bereits jetzt begonnen, da, wie herausgearbeitet, selbst nicht technologiefokussierte Branchen bereits in unterschiedliche Bereiche der Data-Intelligence investieren.