Schnellere, günstigere und methodisch bessere Bewertungen durch Automatisierung
Schnellere, günstigere und methodisch bessere Bewertungen durch Automatisierung

Schnellere, günstigere und methodisch bessere Bewertungen durch Automatisierung

Beitrag, Deutsch, Simon Brodbeck GmbH - autask

Autor: Simon Brodbeck

Erscheinungsdatum: 13.10.2012


Aufrufe gesamt: 292, letzte 30 Tage: 2

Kontakt

Verlag

Simon Brodbeck GmbH - autask

Telefon: +49-7431-1346187

Preis: Kostenlos

PDF herunterladen

“ PREVA (Private Enterprise Valuation) entwickelt eine völlig neuartige Generation von Softwarelösungen
zur Bewertung und Analyse von Unternehmen – basierend auf den aktuellsten Forschungsergebnissen der Künstlichen Intelligenz (KI) und der Finanzanalytik.
Damit ist es möglich, jederzeit in beliebiger Anzahl
schnellere, günstigere und methodisch bessere Unternehmensbewertungen als bisher anbieten zu können.”
                

                           Saarland Radio über die 123 Go! Auszeichnung von PREVA

 

Schnellere, günstigere und methodisch bessere Unternehmensbewertung durch Multiplikatoren
 
Schnellere, günstigere und methodisch bessere Unternehmensbewertung durch Multiplikatoren.
Elementarer Bestandteil der PREVA Unternehmensbewertung ist das automatisierte Finden des richtigen Multiplikators (siehe Infobox) für die Unternehmensbewertung durch Multiplikatoren; und das Wertschöpfen aus bereits vorhandenen Datenbeständen. Das Finden des richtigen Multiplikators geschieht hierbei durch einen auf künstlicher Intelligenz basierenden Algorithmus. Die Bestimmung der Peer Group (siehe Infobox),  eines Unternehmens ist dabei von zentraler Bedeutung für die Qualität des ermittelten Ergebnisses.
 
In der Praxis wird bei der Unternehmensbewertung durch Multiplikatoren oft auf schwer nachvollziehbare Erfahrungswerte zurückgegriffen, oder lediglich ein Branchendurchschnitt berechnet.
Im Kern des PREVA-Ansatzes steht daher ein Verfahren, das diese Unzulänglichkeiten behebt. Es erlaubt, Unternehmen mittels einer Vielzahl quantitativer und qualitativer Attribute zu charakterisieren und somit vergleichbar zu machen. Auf diese Weise ist es möglich, die Ähnlichkeit zweier Unternehmen über Branchengrenzen hinweg zu berechnen. Als Attribute kommen dabei beispielsweise Bilanzkennzahlen, aber auch abgeleitete Größen wie durchschnittliche Entwicklung der Mitarbeiterzahl oder textuelle, aus Webseiten und Blogs abgeleitete Informationen zu Tätigkeits­schwerpunkten und  aktuellen Entwicklungen in Frage. Je reichhaltiger die Charak­terisierung der Unternehmen ist, je mehr Attribute also zur Verfügung stehen, umso mehr Möglichkeiten haben die eingesetzten KI-Verfahren, (statistisch) relevante Eigenschaften zu identifizieren und diese bei der Bestimmung ähnlicher Unternehmen und der Modellbildung einfließen zu lassen.
 
Die Möglichkeit, das Ähnlichkeitskriterium an die jeweiligen Anforderungen anzupassen, erlaubt es beispielsweise, in einem Fall die verschiedenen Unternehmen hinsichtlich ihrer Ertragskennzahlen zu vergleichen, in einem anderen Fall die fachliche Qualifikation der leitenden Angestellten oder aber die Innovationsfreudigkeit in den Vordergrund zu stellen. Aufgrund solcher Vorgaben ermitteln maschinelle Lernverfahren aus der Künstlichen Intelligenz die optimale Gewichtung der einzelnen Unternehmensattribute, um hinsichtlich eines bestimmten Zielkriteriums möglichst gute Peer Groups zu ermitteln.
 
Der PREVA-Ansatz ist streng datenbasiert und daher objektiv und jederzeit nachvollziehbar. Er beruht auf erprobten KI-Verfahren und liefert nicht nur die für ein bestimmtes Kriterium (z. B. Bilanzkennzahlen) und einen bestimmten Verwendungszweck (z. B. Berechnung des Unternehmenswertes durch Multi­plikatoren) optimale Unternehmensauswahl, sondern kann auch die Konfidenz, d. h. die Zuverlässigkeit des daraus abgeleiteten Wertes ermitteln.
 
PREVA verwendet bewährte Lernverfahren aus den Bereichen der Künstlichen Intelligenz und der Statistik welche die Berechnung der Ähnlichkeit von Datensätzen im Hinblick auf eine Zielfunktion optimieren. Dabei können die Daten sowohl Unternehmen als auch andere strukturierte Einheiten - beispielsweise Schiffe, Maschinen oder sonstige technische Konstrukte - repräsentieren. PREVA bestimmt dann automatisch die für eine Ähnlichkeitsberechnung relevanten Eigenschaften (Attribute) und deren Gewichtung innerhalb einer Ähnlichkeitsfunktion. Der Grad der Ähnlichkeit bestimmt, wie stark der Wert der Zielfunktion (im konkreten Fall der Unternehmenswert) eines Objekts in die entsprechende Berechnung für ein Zielobjekt einfließt.
Die gezielte Auswahl einer passenden Ähnlichkeitsfunktion gehört zu den Kernaufgaben der Anpassung von PREVA auf individuelle Kundenwünsche und Anforderungen.
 
Grundlage für die Anwendbarkeit eines solchen Verfahrens ist eine Sammlung von Daten über möglichst viele Unternehmen bzw. zu bewertende Einheiten. Die Daten können entweder durch externe Finanzdatenanbieter wie Bureau van Dijk, Clarksons oder Thomson Reuters bezogen werden oder liegen bereits beim Anwender, etwa einer Bank, einem Bewertungsunternehmen oder einer Rating-Agentur vor.
 
Preva wurde zusammen mit ehemaligen Mitarbeiter, des Deutschen Forschungszentrum für Künstliche Intelligenz, die über langjährige Erfahrung in der Entwicklung und Implementierung intelligenter Datenanalyseverfahren verfügen, entwickelt.

Simon Brodbeck

DE, Albstadt

Geschäftsführer

Simon Brodbeck GmbH - autask

Publikationen: 9

Aufrufe seit 10/2012: 116
Aufrufe letzte 30 Tage: 1