Über klassische NAICS-/NACE-Codes hinaus: Wie KI wirklich vergleichbare Peer Groups für Unternehmensbewertungen erstellt

Jede Unternehmensbewertung auf Basis von Multiples ist nur so gut wie die zugrunde liegende Peer Group. Dennoch beginnt diese Vergleichsgruppe für viele Analysten noch immer mit einem Klassifizierungscode: einem NAICS-Code in den USA, einem NACE-Code in Europa oder einer internen Branchenzuordnung aus einer Datenbank. Für Hersteller oder Einzelhändler ist das ein sinnvoller Ausgangspunkt. Bei einem spezialisierten Softwareanbieter, einem hybriden Dienstleistungsunternehmen oder einem Geschäftsmodell, das sich nicht eindeutig einer Kategorie zuordnen lässt, stößt dieser Ansatz jedoch schnell an seine Grenzen.

Das Problem ist nicht, dass NAICS und NACE schlechte Klassifizierungssysteme wären. Sie wurden für statistische Auswertungen entwickelt – nicht für M&A-Bewertungen. Sie zwingen Unternehmen in eine einzige Kategorie, obwohl sich ihr tatsächliches Wettbewerbsumfeld oft über mehrere Bereiche erstreckt. Ist die Peer Group falsch gewählt, ist auch das Bewertungsmultiple fehlerhaft – und jede darauf aufbauende Bewertung übernimmt diesen Fehler. Genau hier verändert eine KI-gestützte, logikbasierte Klassifizierung den Prozess grundlegend: Statt Unternehmen anhand eines Codes zu vergleichen, analysiert sie, was ein Unternehmen tatsächlich tut, mit wem es konkurriert und wie es Umsätze erzielt.

In diesem Artikel erfahren Sie:

• warum NAICS- und NACE-Codes nie für Unternehmensbewertungen entwickelt wurden und wo ihre Grenzen liegen,
• welche Probleme insbesondere Nischenanbieter, KMU und hybride Geschäftsmodelle betreffen,
• wie eine ungeeignete Klassifizierung EV/EBITDA- und EV/Revenue-Multiples verzerrt,
• wie eine logikbasierte, dialoggestützte Suche den Aufbau einer Peer Group verändert,
• wie KI-basierte Vergleichsunternehmen in den anschließenden Benchmarking- und Bewertungsprozess integriert werden,
• und welche Punkte Sie prüfen sollten, bevor Sie eine auf KI basierende Multiples-Bewertung präsentieren.

Über klassische NAICS-/NACE-Codes hinaus: Wie KI wirklich vergleichbare Peer Groups für Unternehmensbewertungen erstellt

Eine Multiples-Bewertung steht und fällt mit der Qualität der Peer Group. Sind die Vergleichsunternehmen passend gewählt, liefern EV/EBITDA- oder EV/Revenue-Multiples eine belastbare Aussage über den Unternehmenswert. Sind sie ungeeignet, basiert die Bewertung auf Unternehmen, die lediglich innerhalb eines Klassifizierungssystems ähnlich erscheinen – eines Systems, das nie für diesen Zweck entwickelt wurde.

Warum NAICS und NACE nie für Unternehmensbewertungen entwickelt wurden

NAICS (North American Industry Classification System) und NACE (Nomenclature statistique des activités économiques dans la Communauté européenne) wurden für statistische und regulatorische Zwecke geschaffen – etwa für Volkswirtschaftliche Gesamtrechnungen, Arbeitsmarktstatistiken oder steuerliche Auswertungen. Beide Systeme weisen jedem Unternehmen genau einen Branchencode zu, der sich in der Regel an der wichtigsten Umsatzquelle orientiert. Gleichzeitig werden die Klassifizierungen nur in mehrjährigen Abständen aktualisiert – deutlich langsamer, als sich moderne Geschäftsmodelle verändern.

Für Fragen wie „Wie viele Unternehmen produzieren Verpackungen in Bayern?“ funktioniert dieses Vorgehen gut. Für die Frage „Mit welchen Unternehmen sollte ich dieses Zielunternehmen im Rahmen einer Bewertung vergleichen?“ hingegen deutlich weniger.

In der Praxis zeigen sich immer wieder drei grundlegende Schwächen.

Ein Code pro Unternehmen

Ein Unternehmen, das Umsätze mit Softwarelizenzen, Managed Services und Hardware erzielt, wird nach der heute größten Umsatzquelle klassifiziert – selbst wenn der wertvollste oder am schnellsten wachsende Geschäftsbereich längst ein anderer ist.

Zu breite oder zu enge Kategorien

Ein einzelner NAICS- oder NACE-Code für „Software Publisher“ umfasst beispielsweise Cybersecurity-Anbieter, Gaming-Unternehmen und spezialisierte Enterprise-Software. Für eine belastbare Peer Group ist diese Kategorie viel zu breit. Gleichzeitig werden Unternehmen ausgeschlossen, die tatsächlich vergleichbar wären, aber zufällig einem anderen Code zugeordnet wurden.

Zeitverzögerte Aktualisierung

Klassifizierungssysteme folgen festen Aktualisierungszyklen und spiegeln die tatsächliche Entwicklung von Märkten nur verzögert wider. Neue Geschäftsmodelle – insbesondere im Software- und Tech-Service-Umfeld – existieren häufig lange, bevor ein passender Branchencode eingeführt wird.

Wo das Problem besonders gravierend ist: Nischenanbieter und KMU

Diese Schwächen treffen vor allem jene Unternehmen, bei denen eine präzise Peer Group besonders wichtig ist: spezialisierte Nischenanbieter sowie kleine und mittlere Unternehmen mit Geschäftsmodellen, die sich nicht eindeutig einer Standardkategorie zuordnen lassen.

Ein Anbieter industrieller Spezialsoftware, eine branchenspezifische Beratung oder ein regionales Dienstleistungsunternehmen mit ungewöhnlichem Umsatzmix verfügt häufig über keine wirklich passende Klassifizierung. Analysten stehen dann vor zwei gleichermaßen problematischen Optionen: Entweder sie erweitern die Peer Group so weit, dass Unternehmen mit völlig anderen Wachstums- und Margenprofilen aufgenommen werden, oder sie grenzen sie so stark ein, dass kaum noch ausreichend Vergleichsunternehmen für eine belastbare Bewertung verbleiben.

Beides führt zu verzerrten Ergebnissen.

Eine zu breit gefasste Peer Group kann Bewertungsmultiples nach oben oder unten verfälschen, weil Unternehmen gemittelt werden, die weder um dieselben Kunden noch um dasselbe Kapital konkurrieren. Eine zu kleine Peer Group wiederum führt dazu, dass einzelne Ausreißer das Bewertungsergebnis unverhältnismäßig stark beeinflussen.

Was sich verändert, wenn Klassifizierung logikbasiert statt codebasiert erfolgt

Ein KI-gestützter Ansatz beginnt nicht mit einer festen Branchenklassifikation. Stattdessen analysiert er, was ein Unternehmen tatsächlich ausmacht: sein Geschäftsmodell, seine Erlösquellen, die adressierten Kundengruppen und seine Wettbewerbsposition. Dadurch entstehen Peer Groups auf Basis tatsächlicher Vergleichbarkeit statt gemeinsamer Branchencodes. Gleichzeitig werden kleinere oder weniger bekannte Unternehmen sichtbar, die in klassischen Datenbanksuchen häufig gar nicht erscheinen.

Genau diese Lücke schließt das Longlist-Modul von StrategyBridgeAI. Die chatbasierte, logikgesteuerte Suche nach Targets und Käufern funktioniert unabhängig von starren Branchenklassifikationen und identifiziert dadurch auch KMU und spezialisierte Nischenanbieter, die in klassischen Datenbanken häufig fehlen. Analysten können die Ergebnisse mit detaillierten Filtern eingrenzen, Unternehmensprofile durch Webdaten anreichern, direkt nach Excel exportieren oder bestehende Longlists hochladen und erweitern, anstatt jede Recherche von Grund auf neu zu beginnen.

Die gleiche Logik gilt unabhängig davon, ob nach Akquisitionszielen oder nach Vergleichsunternehmen für eine Bewertung gesucht wird. Strategische Käufer, Finanzinvestoren und deren Kontaktdaten werden innerhalb desselben Suchprozesses identifiziert.

Wie Dr. Dirk Pramann, Managing Partner der Mition GmbH, beschreibt:

„Longlisting ist für uns der größte Mehrwert. Wir arbeiten heute systemisch statt subjektiv – und deutlich schneller.“

Genau dieser Wechsel von einer subjektiven, erfahrungs- und codebasierten Recherche hin zu einem strukturierten, systematischen Prozess schafft die Grundlage für belastbare Peer Groups.

Von der Peer Group zum Multiple: Wo Benchmarking ins Spiel kommt

Die passende Peer Group zu identifizieren, löst nur die erste Hälfte der Bewertungsaufgabe. Im zweiten Schritt müssen daraus belastbare Unternehmensbewertungen entstehen. Dafür werden Finanzkennzahlen, historische Entwicklungen und Bewertungsmultiples sämtlicher Vergleichsunternehmen zusammengeführt und in eine Form gebracht, die vor einem Investment Committee oder Kunden Bestand hat.

Hier setzt das Hawk Eye-Modul von StrategyBridgeAI an. Es unterstützt die Outside-in-Unternehmensanalyse durch Wettbewerbs- und Peer-Benchmarking, SWOT-Analysen, Branchenanalysen, historische Entwicklungen, Unternehmensbewertungen und Forecasts. Das Ergebnis ist ein umfassender Company Snapshot mit Finanzkennzahlen, Business-Model-Zusammenfassung, Unternehmensstruktur und Risk Heatmap.

Anstatt Analysten mit einer Sammlung von Zahlen zurückzulassen, werden die Ergebnisse direkt als präsentationsreife PowerPoint im Corporate Design des jeweiligen Unternehmens ausgegeben.

Erst das Zusammenspiel beider Bausteine entfaltet den eigentlichen Mehrwert. Eine Peer Group, die auf tatsächlicher Vergleichbarkeit statt auf Branchencodes basiert, kombiniert mit strukturiertem Benchmarking auf Finanz- und Transaktionsdaten, liefert eine Bewertung, die auch kritischen Rückfragen von Kunden oder Investment Committees standhält.

Nikolai Üstündag, Senior Manager M&A bei WTS Advisory, beschreibt den praktischen Effekt so:

„Bei Longlists haben wir früher zwei, drei Wochen dran gesessen. Mittlerweile schaffen wir das in zwei bis drei Nachmittagen.“

Auch Dr. Volker Riedel, Partner bei Dr. Wieselhuber & Partner GmbH, hebt den grundlegenden Vorteil hervor:

„Man erhält Zugriff auf riesige Datenmengen, die sonst nur über sehr zeitaufwändige, manuelle Arbeit zugänglich wären. Wir sind deutlich schneller.“

Bevor Sie die Bewertung präsentieren: Diese Punkte sollten Sie prüfen

Eine KI-generierte Peer Group ersetzt nicht die fachliche Beurteilung durch den Analysten. Sie bildet den Ausgangspunkt dafür. Bevor eine Multiples-Bewertung einem Kunden oder Investment Committee präsentiert wird, sollten unabhängig von der verwendeten Methodik einige Punkte überprüft werden.

• Übereinstimmung des Geschäftsmodells – nicht nur der Kategorie. Prüfen Sie, ob die Vergleichsunternehmen tatsächlich um dieselben Kunden und dasselbe Kapital konkurrieren und nicht lediglich einer ähnlichen Branche zugeordnet wurden.
• Unternehmensgröße und Entwicklungsphase. Weisen die Vergleichsunternehmen stark unterschiedliche Umsatzgrößen oder Wachstumsprofile auf, sollte nachvollziehbar erläutert werden, wie diese Unterschiede berücksichtigt wurden.
• Aktualität der Daten. Bewertungsmultiples verändern sich mit den Marktbedingungen. Deshalb sollten Finanzkennzahlen und Transaktionsdaten stets auf dem aktuellen Stand sein.
• Einfluss von Ausreißern. Analysieren Sie, ob einzelne Unternehmen den Median oder Durchschnitt der Multiples überproportional beeinflussen.

Keine dieser Prüfungen ist spezifisch für KI-gestützte Peer Groups. Sie gehören seit jeher zu einer fundierten Comparable-Company-Analyse. Der Unterschied liegt im Ausgangspunkt: Eine logikbasierte Suche bringt deutlich mehr tatsächlich relevante Vergleichsunternehmen auf den Tisch, bevor die eigentliche Bewertungsarbeit beginnt.

Fazit

NAICS- und NACE-Codes wurden entwickelt, um wirtschaftliche Aktivitäten statistisch zu klassifizieren – nicht, um das tatsächliche Wettbewerbsumfeld eines Unternehmens für Bewertungszwecke abzubilden. Besonders deutlich werden diese Grenzen bei Nischenanbietern und KMU, bei denen eine ungeeignete Peer Group Bewertungsmultiples erheblich verzerren kann.

Eine logikbasierte, dialoggestützte Klassifizierung baut Peer Groups auf Basis dessen auf, was Unternehmen tatsächlich tun – und nicht anhand des Branchencodes, den sie zufällig tragen. In Kombination mit strukturiertem Benchmarking entsteht daraus keine längere Unternehmensliste, sondern eine belastbare Grundlage für fundierte Unternehmensbewertungen.