Verlässliche Daten. Transparente Erkenntnisse.

Wir beziehen Daten aus verifizierten öffentlichen Registern, Unternehmenswebsites, Branchenquellen und etablierten Wirtschaftsdatenbanken – mit Abdeckung von rund 50 Millionen Unternehmen weltweit.

Daten werden nicht nur gesammelt, sondern logisch verknüpft, sodass konsistente Beziehungen zwischen Finanzkennzahlen, Entitäten und Attributen entstehen.

Rohdaten werden bereinigt, standardisiert und in eine einheitliche Struktur normalisiert. Inkonsistente, unvollständige oder statistisch unplausible Datenpunkte werden systematisch entfernt.

Machine Learning unterstützt die frühzeitige Erkennung von Ausreißern, fehlenden Werten und strukturellen Anomalien. Datenhygiene bleibt jedoch verpflichtend und wird nie vollständig automatisiert.

Von Kunden bereitgestellte Daten werden jederzeit strikt von öffentlichen und Drittquellen getrennt.

Sensible Informationen werden niemals geteilt, kundenübergreifend wiederverwendet oder in externe oder öffentliche Datensätze eingespeist.

Der Datenzugriff folgt klar definierten Rollen und Berechtigungen, um unbefugte Nutzung zu verhindern.

Alle Daten werden ausschließlich für ihren vorgesehenen analytischen Zweck verarbeitet – für Vertraulichkeit und Compliance.

Deterministische, regelbasierte Methoden kommen für nachvollziehbare Kennzahlen, Validierungen und die zentrale Finanzlogik zum Einsatz. Jedes Ergebnis lässt sich auf seine Quelldaten zurückführen.

Machine Learning wird gezielt für Anwendungsfälle eingesetzt, die davon profitieren – etwa Schätzung, Prognose und Mustererkennung.

Wir unterscheiden Machine Learning klar von großen Sprachmodellen (LLMs) und setzen jede Technologie nur dort ein, wo sie passt.

Verschiedene Modelltypen werden kombiniert, um Ergebnisse zu erzielen, die genau, präzise, reproduzierbar und prüfbar sind.

Machine-Learning-Ergebnisse werden gegen historische Daten, regelbasierte Benchmarks und Peergroup-Vergleiche kreuzvalidiert.

Prognosen werden auf historische Plausibilität und Konsistenz über Zeit und Szenarien hinweg geprüft.

Strukturelle Ausreißer durch Branchenzusammensetzung, Geografie oder Stichprobeneffekte werden aktiv identifiziert.

Wo Ausreißer erkannt werden, passen wir Modelle und Annahmen an, um Ausreißer zu korrigieren und die Verlässlichkeit zu verbessern.

Unternehmen werden in ihrem realen wirtschaftlichen und geschäftlichen Kontext analysiert, statt sich allein auf starre Branchenklassifikationen zu verlassen.

Jede Erkenntnis ist durch erklärbare Belege gestützt – inklusive Datenquellen, Annahmen und Modellierungslogik.

Ziel ist nicht nur, Ergebnisse zu präsentieren, sondern zu erklären, warum eine Prognose oder Schätzung valide ist.

Alle Analysen sind so konzipiert, dass sie reproduzierbar, überprüfbar und für Audits oder externe Validierung geeignet sind.