Beratung und Umsetzung · Investorenauswahl und Investorenansprache

Welche Daten ändern die Entscheidung? Berichte zur Investorenauswahl

Welche geprüften Merkmale ändern die Reihenfolge der Ansprache oder schließen Investoren aus, die keine Kapitalzusage abgeben können?

Oktober 2026

Eine Messingschablone hebt helle Plättchen aus einem Feld dunkler Plättchen hervor und veranschaulicht die Vorauswahl von Investoren.
Kurzantwort

In der Simulation erhöht die Prüfung von acht Merkmalen die erwartete Zahl der Zusagen je Runde von 5,14 auf 9,31. Das Mandat und die Übereinstimmung mit der Anlagestrategie leisten die größten Beiträge. Die Rangfolge hängt von den gewählten Modellgewichten ab. Beobachtungsdaten aus der Investorenansprache wurden nicht verwendet.

Zusammenfassung

Ein Auswahlbericht hält fest, was ein Kapitalbeschaffungsteam über potenzielle Investoren weiß. Er kann zahlreiche Datenfelder enthalten. Diese Studie fragt, welche geprüften Merkmale die Reihenfolge der Ansprache ändern oder Investoren ausschließen, die keine Kapitalzusage abgeben könnten. Der Rahmen stützt sich auf veröffentlichte Anlagegrenzen, Zulassungsregeln, Datenschutzgrundsätze und Untersuchungen zur Reaktion von Investoren. Aus der Gesundheitsökonomie übernimmt er die Logik der Analyse des Informationswerts. Maßgeblich ist, was ein Feld in einer Runde mit fester Kontaktzahl verändert: Ein Ausschlusskriterium entfernt einen Investor, ein Rangmerkmal ändert die Reihenfolge, ein indirekter Indikator liefert nach Prüfung des zugrunde liegenden Merkmals keinen Zusatznutzen, und ein rein beschreibendes Feld ohne Prognosekraft beeinflusst die Auswahl nicht.

Die Simulation verwendet eine Liste mit 1.500 Investoren aus sechs Gruppen sowie fehlerbehaftete Anbieterdaten. Sie bildet eine Vorauswahl von 300 Investoren, beziffert die Kosten für die Prüfung von acht Merkmalen und wählt 75 Investoren für eine hypothetische Ansprache aus. Verglichen werden eine Zufallsauswahl, die Rangfolge allein nach Anbieterdaten und die beste Auswahl nach den angenommenen Wahrscheinlichkeiten des Modells. Der Wert jedes Merkmals wird einzeln, bei Prüfung an letzter Stelle und als durchschnittlicher Grenzbeitrag über alle möglichen Prüfreihenfolgen bestimmt.

Die Auswahl allein nach Anbieterdaten ergibt 5,14 erwartete Zusagen. 42 % der ausgewählten Investoren erfüllen mindestens ein Ausschlusskriterium des Modells nicht. Bei vollständiger Prüfung sind 9,31 Zusagen zu erwarten, gegenüber 10,76 bei Auswahl der höchsten Wahrscheinlichkeiten aus der gesamten simulierten Liste und 0,66 bei einer Zufallsauswahl. Unter den angenommenen Gewichten erklären Mandat und Strategiepassung in etwa gleichen Teilen rund die Hälfte des Zugewinns. Fünf Merkmale erreichen 90 % des Zugewinns bei 63 % der Kosten. Sobald die Größe des Investors bekannt ist, tragen Beschäftigtenzahl und öffentliche Sichtbarkeit im Modell nichts mehr bei. Bei 75 unabhängigen Kontakten je Gruppe beträgt die simulierte Teststärke für den Unterschied bei den Zusagen 21 %.

Die Ergebnisse sprechen für einen Bericht mit geprüften Ausschlusskriterien und wenigen Rangmerkmalen, die nach dem zusätzlichen Nutzen je Dollar ausgewählt werden. Hinzu kommt eine Stichprobenprüfung der Ausschlüsse. Die Simulation zeigt nicht, dass ein Merkmal in der Praxis Zusagen vorhersagt: Das Modell erzeugt die Ergebnisse anhand derselben Merkmale, die der Rangalgorithmus nutzt. Die Studie enthält keine beobachteten Ergebnisse und keine Beratung zu einem konkreten Angebot. Sie beschreibt, welche Daten eine randomisierte Feldstudie mit den erforderlichen Einwilligungen erheben müsste.

JEL-Klassifikation: G24, G23, D83, C63

Schlüsselwörter: Investorenauswahl, Investorenansprache, Informationswert, Mandatspassung, Prüfung der Zulässigkeit, Shapley-Wert, selektiv beobachtete Ergebnisse, Fondsplatzierung, Kapitalbeschaffung

Diese vollständige Webfassung enthält das Auswahlmodell, die Simulationsergebnisse, den Plan für die Feldstudie und die Quellen.

Die Studie beruht auf einer Simulation. Sie verwendet keine beobachteten Daten zur Anlegeransprache.

Die herunterladbare Forschungsarbeit ist auf Englisch.

Register Before Download Mehr über unsere gezielte Anlegeransprache erfahren Das PDF steht in englischer Sprache zum Download bereit.

1 Berichtsfelder danach auswählen, was sie in der ersten Anspracherunde ändern

Ein Kapitalbeschaffungsteam kann nicht alle Investoren auf einer langen Liste gleichzeitig ansprechen. Die leitenden Mitarbeiter haben in der ersten Runde Zeit für einige Dutzend Kontakte; die Analysten können eine etwas größere Vorauswahl prüfen. Ein Auswahlbericht hält den Kenntnisstand zu jedem Investor fest und kann Dutzende Felder enthalten. Die Frage ist, welche geprüften Merkmale bestimmen, wer zuerst angesprochen wird und wer ausscheidet, weil eine Zusage ohnehin nicht möglich wäre. Ändert ein Feld keine dieser Entscheidungen, verursacht seine Prüfung Kosten ohne entsprechenden Nutzen.

Die Studie beantwortet diese Frage mit einer Simulation. Aus offengelegten Annahmen entsteht eine Liste mit 1.500 Investoren. Zu jedem Investor gibt es einen teils fehlerhaften Datensatz nach Art eines kommerziellen Anbieters. Daraus bildet das Modell eine Vorauswahl von 300 Investoren und wählt 75 für eine Anspracherunde aus. Acht Merkmale lassen sich zu festgelegten Kosten prüfen. Gemessen wird, wie viel jede Prüfung zur erwarteten Zahl unterzeichneter Zusagen beiträgt. Es werden keine beobachteten Kontakte verwendet. Alle Zahlen sind Modellwerte unter den genannten Annahmen.

Zunächst leitet die Studie den Rahmen aus veröffentlichten Regeln und Untersuchungen ab [1, 2, 3, 4, 6, 8, 10, 11, 12]. Danach definiert sie die Kennzahlen, simuliert die Auswahl, prüft Stressszenarien und berechnet den Stichprobenbedarf für eine Feldstudie. Den Abschluss bilden ein Untersuchungsplan, ein Berichtsformat und eine Entscheidungsregel. Die wichtigste Einschränkung ist die Abhängigkeit der Rangfolge von den angenommenen Gewichten. Die Simulation beschreibt das Verhalten des Verfahrens unter diesen Voraussetzungen. Ob sie in der Praxis zutreffen, muss geprüft werden.

2 Eine feste Anspracherunde definieren und Ausschlusskriterien von Rangmerkmalen unterscheiden

Zu entscheiden ist, welche 75 Investoren aus einer Liste angesprochen werden. Gemessen werden unterzeichnete Kapitalzusagen zum Zeitpunkt der verbindlichen Zusage. Ein qualifiziertes Gespräch zählt als Zwischenstufe. Ein Feld ist für die Entscheidung wertvoll, wenn sein tatsächlicher Wert die Zusammensetzung der Runde so verändert, dass die erwartete Zahl der Zusagen unter Berücksichtigung der Prüfungskosten steigt. Ändert sich die Zusammensetzung nicht, hat das Feld für diese Entscheidung keinen Wert.

Ein nicht erfülltes Ausschlusskriterium macht eine Zusage für das konkrete Angebot unmöglich. Der Investor darf das Angebot etwa rechtlich nicht erhalten, sein Mandat schließt es aus, die Anlagegrenzen passen nicht oder er akzeptiert keine Ansprache über einen Berater. Die Prüfung kann den Investor aus der Auswahl entfernen. Ein Rangmerkmal ändert die geschätzte Zusagewahrscheinlichkeit bei Investoren, die alle Ausschlusskriterien erfüllen. Seine Prüfung kann die Reihenfolge ändern. Ein indirekter Indikator sagt ein Kriterium oder Rangmerkmal voraus und trägt nichts mehr bei, sobald dieses geprüft wurde. Die vierte Gruppe umfasst rein beschreibende Felder ohne Prognosekraft.

Tabelle 1 enthält die zwölf Felder der Simulation. Acht lassen sich gegen Aufwand anhand einer Quelle prüfen. Vier beschreibende Felder stammen üblicherweise ungeprüft aus einem Anbieterdatensatz. Die Tabelle nennt die Funktion, die jedes Feld im Modell erhält. Diese Funktionen sind Annahmen. Ein Bericht für die Praxis muss sie anhand von Daten überprüfen. Die späteren Abschnitte zum Untersuchungsplan zeigen, wie das möglich wäre.

Tabelle 1. Datenfelder im Auswahlbericht und ihre Funktion

Scrollen Sie horizontal, um alle Spalten zu sehen.

DatenfeldPrüfquelleFunktion in der SimulationWelche Entscheidung sich ändern kann
Zulässigkeit des AngebotsempfangsNachweis der Anlegerkategorie oder des aufsichtsrechtlichen StatusAusschlusskriteriumAusschließen
Mandat lässt Strategie und Anlagegebiet zuVeröffentlichte Anlagepolitik oder schriftliches MandatAusschlusskriteriumAusschließen
Bandbreite der Anlagebeträge und KonzentrationsgrenzeVeröffentlichte Grenzen, Fondsvolumen und mögliche ZuteilungAusschlusskriteriumAusschließen
Ansprache über einen Berater zulässigVeröffentlichte Beschaffungs- oder PlatzierungsrichtlinieAusschlusskriteriumAusschließen
Entscheidungsträger identifiziertFunktion und Name durch eine zweite Quelle bestätigtRangmerkmalRang ändern
Passung zu Strategie und AnlagephaseAuswertung jüngerer ZusagenRangmerkmalRang ändern
Jüngere vergleichbare ZusagenFondsabschlüsse und InvestorenlistenRangmerkmalRang ändern
Stärke der GeschäftsbeziehungEigene Kontakt- und VerlaufsdatenRangmerkmalRang ändern
InvestorentypAnbieterdatensatzIndikator für die Wahrscheinlichkeit, die Kriterien zu erfüllenVorauswahl
Größe (verwaltetes Vermögen)AnbieterdatensatzIndikator für passenden Anlagebetrag und AktivitätVorauswahl
BeschäftigtenzahlAnbieterdatensatzBeschreibendes Feld; korreliert mit der GrößeKeine
Öffentliche SichtbarkeitAnbieterdatensatzBeschreibendes Feld; korreliert mit der GrößeKeine

Die zugewiesenen Funktionen sind Annahmen der Simulation. Die Prüfquellen sind Beispiele für Unterlagen, die ein Team heranziehen könnte.

3 Veröffentlichte Regeln machen bestimmte Ausschlusskriterien prüfbar

Die seit dem 1. Juli 2026 geltende Anlagepolitik des Public Employees’ Retirement Fund von CalPERS zeigt, wie sich eine Anlagegrenze prüfen lässt. Anhang 4 begrenzt die Zusage an einen einzelnen Fonds auf 35 % dieses Fonds. Das insgesamt einem General Partner zugesagte Nettokapital darf 15 % des im Private-Equity-Programm insgesamt zugesagten Nettokapitals nicht übersteigen. Ausnahmen erfordern eine ausdrückliche Ausschussgenehmigung [11, 14]. Die Prozentsätze beziehen sich auf unterschiedliche Grundgesamtheiten. Allein die Fondsgrenze setzt für eine Zusage von 40 Millionen USD ein Fondsvolumen von mindestens 114,3 Millionen USD voraus. Aus der Rechnung gehen weder ein verfügbarer Spielraum noch eine Anlageabsicht hervor.

Die US-amerikanische Rule 506(c) verlangt, dass Käufer als akkreditierte Anleger gelten und dass der Emittent angemessene Schritte zur Prüfung ihres Status unternimmt. Dies gilt für Käufe unter der Ausnahmeregelung. Jeder Anspracheweg ist gesondert zu beurteilen [8]. Rule 501(a)(1) zählt unter anderem Versorgungspläne für Beschäftigte öffentlicher Stellen dazu, sofern ein Bundesstaat oder eine in der Regel bezeichnete Gebietskörperschaft, Behörde oder Einrichtung sie errichtet und unterhält und ihr Gesamtvermögen 5 Millionen USD übersteigt [9]. Das Conduct of Business-Modul der DFSA sieht die Einstufung als Privatkunde als Regelfall vor und definiert Kategorien, die als professionell gelten. Für die Einstufung als großes Unternehmen müssen laut dem jüngsten Abschluss mindestens zwei der drei Schwellen erreicht sein: 20 Millionen USD Gesamtvermögen, 40 Millionen USD jährlicher Nettoumsatz oder 2 Millionen USD Eigenmittel oder eingefordertes Kapital [10].

Die Quellen zeigen, dass sich die Zulässigkeit und die Eignung des Anlagebetrags anhand dokumentierter Schwellenwerte und von Nachweisen über den Investor prüfen lassen. Sie legen nicht fest, ob ein bestimmter Berater oder Emittent diese Prüfungen auf eine Kontaktliste anwenden muss. Die Pflichten hängen vom Anspracheweg und vom Rechtsgebiet ab. Die Quellen enthalten auch keine Angaben dazu, welcher Anteil die Prüfungen besteht. Die Simulation setzt die Wahrscheinlichkeiten daher als Annahmen. Tabelle 2 zeigt, welche Angaben aus den Regeln für den Bericht folgen.

Tabelle 2. Veröffentlichte Regeln mit prüfbaren Ausschlusskriterien

Scrollen Sie horizontal, um alle Spalten zu sehen.

QuelleRegel oder GrenzeEintrag im BerichtStand des Textes
CalPERS-PERF-Anlagepolitik für Private Equity [11, 14]Fondsgrenze 35 %; gesonderte Programmgrenze von 15 % je General Partner, mit vom Ausschuss genehmigten AusnahmenFondsvolumen, geplanter Anlagebetrag und bestehendes Engagement beim General PartnerGültig seit 1. Juli 2026
US-amerikanische Rule 506(c) [8]Alle Käufer müssen akkreditiert sein; angemessene Schritte zur PrüfungStatusnachweis und DatumGeltender eCFR-Text; eingesehen im Oktober 2026
US-amerikanische Rule 501(a) [9]Erfasst qualifizierende Versorgungspläne für Beschäftigte öffentlicher Stellen mit Vermögen über 5 Millionen USDNachweis der Kategorie und des VermögensGeltender eCFR-Text; eingesehen im Oktober 2026
Conduct of Business-Modul der DFSA [10]Privatkunde als Regelfall; professionelle Kategorien; Test für große UnternehmenKategorie und jüngste AbschlüsseVersion 51, Juli 2026, bei Einsicht gültig

Zusammenfassung der zitierten Texte durch Matchpoint. Ihr Status ist im Abschnitt angegeben. Die Zusammenfassung enthält keine rechtliche Beurteilung eines Angebots.

4 Quelle und Datum je Feld festhalten und nur benötigte Daten aufbewahren

Ein Feld des Auswahlberichts ist nur hilfreich, wenn es bei der Ansprache zutrifft. Kaplan und Lerner stellen fest, dass kommerzielle Datenbanken für Privatkapital sich in Abdeckung und Definitionen unterscheiden, auf freiwilligen Meldungen beruhen und durch Auswahl sowie nachträgliche Ergänzungen verzerrt sein können. Plattformen verwenden drei Definitionen für das Auflagejahr eines Fonds und können denselben Investor mit mehreren Anlageklassen unterschiedlich einordnen. Die Methoden unterscheiden sich und führen häufig zu abweichenden Angaben, insbesondere auf Transaktionsebene [6]. Die Studie betrifft Wagniskapitaldaten aus dem Jahr 2016. Sie zeigt, dass zwei Datensätze desselben Investors voneinander abweichen können. Wie oft das geschieht, misst sie nicht.

Zu jedem Feld sollten die Quelle, das Datum der Einsicht und die prüfende Person vermerkt werden. Ein in den vergangenen neunzig Tagen anhand einer veröffentlichten Richtlinie geprüftes Mandat hat eine andere Belegqualität als ein übernommenes Anbieteretikett. Die Simulation behandelt den Anbieterdatensatz als fehlerbehaftete Messung und den geprüften Wert als exakt. Die Stressszenarien lockern die zweite Annahme.

Eine weitere Grenze ergibt sich aus dem Datenschutz. Nach Artikel 5(1) der britischen Datenschutz-Grundverordnung müssen personenbezogene Daten dem Zweck angemessen, erheblich und auf das für die Verarbeitung notwendige Maß beschränkt sowie richtig und erforderlichenfalls aktuell sein [12]. Für ein Feld mit dem Namen eines Entscheidungsträgers ist daher ein bestimmter Zweck erforderlich. Artikel 9(1) des DIFC Data Protection Law 2020 stellt vergleichbare Anforderungen: Personenbezogene Daten müssen für bestimmte Zwecke relevant, auf das notwendige Maß beschränkt, richtig und erforderlichenfalls aktuell sein [15]. Die Vorschriften des Abu Dhabi Global Market wurden nicht untersucht. Vor der Anwendung dieser Grundsätze ist eine Beratung vor Ort sinnvoll. Ein personenbezogenes Feld ohne Entscheidungswert nach Tabelle 1 sollte nicht im Bericht gespeichert werden.

Fondsinvestoren haben Fragen an Fondsmanager standardisiert. Version 2.0 des ILPA-Fragebogens vom November 2021 deckt zwanzig Themen ab. Die Verwendung ist freiwillig und soll den Aufwand für individuelle Fragebögen verringern [13]. Bei der Recherche wurde kein gleichwertiger Standard dafür gefunden, was ein Kapitalbeschaffungsteam über einen Investor prüfen sollte. Der Bericht ist ein Vorschlag; seine Felder werden anhand der Simulation begründet.

5 Das nächstliegende Feldexperiment misst, welche Angebotsinformationen Interesse wecken

Das unserer Frage am nächsten kommende Experiment wurde auf einer Plattform durchgeführt, die Start-ups mit Business Angels zusammenbringt. Rund 17.000 E-Mails gingen an etwa 4.500 Investoren. Die Informationen in jeder E-Mail wurden zufällig zugeteilt. Informationen über das Gründungsteam stießen auf deutliche Resonanz. Bei Angaben zur bisherigen Geschäftsentwicklung oder zu bestehenden Hauptinvestoren wurde keine Reaktion festgestellt. Im Entwurf vom März 2014 ging der Effekt von den erfahrensten Investoren aus; die am wenigsten erfahrenen reagierten auf alle Informationskategorien. Die Vorstellung des Teams erhöhte die Klickrate um 2,6 Prozentpunkte von rund 16,5 %. Von denen, die klickten, investierten später 2,98 % [1].

In einem Korrespondenzexperiment lassen sich Informationen über das Angebot zufällig zuweisen. Die Forschungsfrage dieses Papiers betrifft Merkmale des Investors, die das Kapitalbeschaffungsteam nicht zufällig zuweisen kann. Das Experiment erfasst Klicks, Anfragen nach einer Vorstellung und gemeldete Investitionen. Es misst keine unterzeichneten Fondszeichnungen. Die Autoren weisen darauf hin, dass die vorhandenen Datenbanken abgeschlossene Transaktionen enthalten. Ohne die Gesamtheit der betrachteten Start-ups lässt sich der Auswahlprozess nicht bewerten [1]. Die Zusammenfassung der 2017 im Journal of Finance veröffentlichten Fassung bestätigt das Ergebnis zum Team. Der veröffentlichte Volltext wurde nicht eingesehen. Die genannten Zahlen stammen aus dem Entwurf und können von denen der Publikation abweichen.

Befragungen messen geäußerte Präferenzen. In einer Befragung von 885 Wagniskapitalinvestoren aus 681 Firmen nannten 95 % der Firmen das Management als wichtiges Auswahlkriterium. Die Übereinstimmung mit dem Fonds wurde als weniger wichtig eingestuft [2]. Die Antworten beziehen sich auf Unternehmen und messen keine Entscheidungen von Fondsinvestoren über einen Fondsmanager. Eine Studie zu Fondsinvestoren findet deutliche Renditeunterschiede zwischen Investorengruppen. Institutionelle Stiftungsvermögen lagen ungefähr 14 % über dem Durchschnitt. Die Untersuchung betrifft Renditen und misst keine Reaktion auf Ansprache [7].

Die Studien zeigen, dass Informationen zum Angebot die Aufmerksamkeit beeinflussen, dass Erfahrung die Reaktion mitbestimmt und dass der Investorentyp mit anderen Ergebnissen zusammenhängt. Welche Investorenmerkmale eine Zusage bei einer Platzierung vorhersagen, bleibt offen. Bei der Recherche wurde kein passendes Feldexperiment gefunden. Ein solches Experiment kann existieren. Die nachfolgende Simulation untersucht einen konstruierten Fall. Der spätere Untersuchungsplan beschreibt, wie sich die Frage anhand von Felddaten prüfen ließe.

6 Informationswert messen und Überschneidungen zwischen Datenfeldern berücksichtigen

Eine Analyse des Informationswerts schätzt, wie viel eine Information vor ihrer Beschaffung wert ist. In der Gesundheitsökonomie misst der erwartete Wert perfekter Information für einen Teil der Parameter den Gewinn, der sich aus ihrer exakten Kenntnis ergibt. Er ist eine Obergrenze für den Wert jeder Studie mit endlicher Stichprobe. Heath und Baio definieren den erwarteten Wert von Stichprobeninformation als den durchschnittlichen Gewinn einer geplanten Studie. Sie empfehlen, zuerst die Obergrenze perfekter Teilinformation zu berechnen. Eine niedrige Obergrenze begrenzt den Wert einer Studie dieser Parameter [4]. Übernommen wird allein die Argumentation aus der Bewertung von Gesundheitstechnologien.

Im selben Entscheidungsmodell setzt die genaue Kenntnis eines Merkmals dem erwarteten Nutzen einer ungenaueren Erfassung für dieselbe Anspracheentscheidung eine Obergrenze. Bindels und Mitautoren berichten, dass Beteiligte den Informationswert bei niederländischen Erstattungsentscheidungen für relevant halten und die Methode dennoch selten anwenden. Ergebnisse können verzerrt sein, wenn Unsicherheit über die Modellstruktur unberücksichtigt bleibt [5]. Die Ergebnisse gelten innerhalb der angenommenen Struktur. Eine andere Struktur würde andere Werte liefern.

Guyon und Elisseeff zeigen, dass eine Einzelrangfolge bei redundanten Variablen meist zu einem schlechteren Prognosemodell führt. Eine allein nutzlose Variable kann zusammen mit anderen die Prognose verbessern. Das gilt auch für zwei Variablen, die einzeln nichts beitragen [3]. Ein Feld kann wertvoll erscheinen und seinen Zusatznutzen verlieren, sobald ein anderes bekannt ist. Umgekehrt kann es in Kombination an Wert gewinnen. Deshalb wird jedes Feld einzeln, bei Prüfung an letzter Stelle und als Durchschnitt über alle Prüfreihenfolgen bewertet.

Die Quellen begründen die gewählten Arten von Kennzahlen. Keine liefert einen Wert für ein Investorenmerkmal. Die nachfolgenden Ergebnisse beruhen vollständig auf den Annahmen der Simulation.

7 Zielgröße: erwartete Zusagen je fester Anspracherunde und Informationsstand

In Gleichung (1a) ist p_i die Wahrscheinlichkeit, mit der Investor i eine Zusage unterzeichnet. Sie ist das Produkt aus den Indikatoren G_i für die Ausschlusskriterien und einem Probit-Term im Index η_i. Der Index in Gleichung (1b) addiert standardnormalverteilte Rangmerkmale S und ein binäres Merkmal D. Für ein qualifiziertes Gespräch gilt derselbe Index mit einer niedrigeren Schwelle. Das Modell nimmt an, dass der Rangalgorithmus Struktur und Gewichte kennt. Die Ergebnisse bilden damit einen optimistischen Vergleichswert. In der Praxis ließen sich die Gewichte nur mit Schätzfehlern bestimmen.

pi=GiΦ(ηi−τc),Gi=∏g∈{E,M,T,R}gig(1a)
ηi=∑k=13bkSik+bDDi(1b)

In Gleichung (1) ist Φ die Verteilungsfunktion der Standardnormalverteilung. Die Zusageschwelle τ_c liegt bei 2,90, die Gesprächsschwelle bei 1,20. Der Indikator g_ig ist eins, wenn Investor i das Kriterium g erfüllt: Zulässigkeit E, Mandat M, Anlagebetrag T oder Anspracheweg R. S_ik ist das k-te Rangmerkmal: Strategiepassung, jüngere Zusagen oder Stärke der Geschäftsbeziehung. D_i ist eins, wenn ein Entscheidungsträger identifiziert wurde. Die Gewichte b_k und b_D lauten 0,70, 0,40, 0,50 und 0,50. Verfehlt ein Investor ein Ausschlusskriterium, ist seine Zusagewahrscheinlichkeit unabhängig von den übrigen Merkmalen null.

Der Algorithmus bewertet jeden vorausgewählten Investor anhand der bereits geprüften Merkmale und verwendet für die übrigen den Anbieterdatensatz. Er wählt die 75 höchsten Werte aus. V(A) ist die Summe der tatsächlichen Modellwahrscheinlichkeiten für die ausgewählte Runde. Die Differenz zur Auswahl allein nach Anbieterdaten misst den Gewinn des jeweiligen Informationsstands.

8 Simulierte Liste mit 1.500 Investoren und offengelegten Wahrscheinlichkeiten, Gewichten und Kosten

Die Liste umfasst 1.500 Investoren aus sechs Gruppen. Tabelle 3 gibt je Gruppe die Wahrscheinlichkeit an, mit der ein Investor die einzelnen Ausschlusskriterien erfüllt. Bei größeren Investoren passt der vorgesehene Anlagebetrag häufiger. Die Rangmerkmale sind standardnormalverteilt. Jüngere Zusagen korrelieren mit der Größe mit einem Koeffizienten von 0,6. Je nach Investorentyp wurde in 35 % bis 70 % der Fälle ein Entscheidungsträger identifiziert. Unter diesen Annahmen können rund 26 % der Investoren überhaupt eine Zusage abgeben, da das Modell die Wahrscheinlichkeiten für die Erfüllung der Kriterien multipliziert. Die Parameter wurden für die Simulation gewählt. Sie sind keine Schätzwerte für eine reale Investorenpopulation.

Tabelle 3. Wahrscheinlichkeit der Erfüllung der Kriterien und der Identifizierung des Entscheidungsträgers je Investorentyp

Scrollen Sie horizontal, um alle Spalten zu sehen.

TypAnteilZulässigkeitMandatAnlagebetragAnsprachewegEntscheidungsträger
Öffentlicher Pensionsfonds15 %0,950,450,650,700,50
Staatsfonds oder staatliche Einrichtung10 %0,970,550,600,750,35
Family Office35 %0,800,700,750,950,70
Dachfonds15 %0,900,500,700,850,60
Stiftung10 %0,920,400,550,600,50
Versicherer15 %0,930,300,600,700,45

Annahmen der Simulation für Investoren durchschnittlicher Größe. Die Wahrscheinlichkeit eines passenden Anlagebetrags steigt mit der Größe. Die Werte sind keine Marktbeobachtungen.

Für jeden Investor liegt ein fehlerbehafteter Anbieterdatensatz vor. Tabelle 4 nennt die Wahrscheinlichkeit, mit der der Datensatz jedes Ausschlusskriterium richtig erfasst, und den Messfehler bei den Rangmerkmalen. Die Stärke der Geschäftsbeziehung ist am ungenauesten erfasst, da sie in den Unterlagen des Kapitalbeschaffungsteams dokumentiert wird und keine Anbieterinformation ist. Die Prüfung ersetzt die fehlerbehaftete Angabe durch den exakten Wert. Dafür fällt der angegebene Zeitaufwand an. Bei 60 USD pro Stunde kostet die Prüfung aller acht Merkmale 135 USD pro Investor.

Tabelle 4. Genauigkeit der Anbieterdaten, Prüfungskosten und Gewicht je Merkmal

Scrollen Sie horizontal, um alle Spalten zu sehen.

MerkmalFunktion im IndexGenauigkeit oder MessfehlerPrüfzeit (Minuten)Gewicht im Index
Zulässigkeit des AngebotsempfangsAusschlusskriterium0,9020Ausschlusskriterium
Mandat lässt Strategie und Anlagegebiet zuAusschlusskriterium0,7530Ausschlusskriterium
Bandbreite der Anlagebeträge und KonzentrationsgrenzeAusschlusskriterium0,8015Ausschlusskriterium
Ansprache über einen Berater zulässigAusschlusskriterium0,7010Ausschlusskriterium
Entscheidungsträger identifiziertBinäres Merkmal0,65150,50
Passung zu Strategie und AnlagephaseStandardnormalverteiltes MerkmalStandardabweichung 1,0250,70
Jüngere vergleichbare ZusagenStandardnormalverteiltes MerkmalStandardabweichung 0,8150,40
Stärke der GeschäftsbeziehungStandardnormalverteiltes MerkmalStandardabweichung 1,250,50

Modellannahmen. Die angegebenen Prüfminuten sind Analystenzeit je Investor, bewertet mit 60 USD pro Stunde. Es handelt sich nicht um beobachtete Kosten.

9 Anbieterdaten nach der Bayes-Regel mit Investorentyp und Größe kombinieren

Der Rangalgorithmus kombiniert Anbieterdaten und beschreibende Merkmale. Bei einem Ausschlusskriterium hängt die A-priori-Wahrscheinlichkeit der Erfüllung von Typ und Größe des Investors ab. Mit der Angabe des Anbieters werden die Chancen nach Gleichung (2a) aktualisiert. Beim Rangmerkmal jüngere Zusagen hängt der A-priori-Mittelwert von der Größe ab. Die fehlerbehaftete Messung aktualisiert ihn nach Gleichung (2b). Ein geprüftes Merkmal gilt als exakt. Damit schöpft die Rangfolge ohne Prüfung die verfügbaren Anbieterdaten aus. Der Vergleich schreibt der Prüfung keinen Zugewinn zu, der allein aus einem schwachen Ausgangsverfahren entsteht.

π^ig1−π^ig=πig1−πig(ag1−ag)±1(2a)
v^=(1v0|1σ2)−1,m^=v^(μ0v0|rσ2)(2b)

π_ig ist die A-priori-Wahrscheinlichkeit, dass Investor i Kriterium g erfüllt; der Wert mit Dach ist die A-posteriori-Wahrscheinlichkeit. a_g bezeichnet die Genauigkeit der Anbieterangabe. Der Exponent ist plus eins, wenn die Angabe für eine Erfüllung spricht, und minus eins, wenn sie auf einen Ausschluss hindeutet. μ_0 und v_0 sind A-priori-Mittelwert und A-priori-Varianz eines Rangmerkmals. r ist die fehlerbehaftete Messung mit der Fehlerstandardabweichung σ. Bei Mittelwert und Varianz kennzeichnet das Dach den aktualisierten Wert. Der Rangwert ist nach Gleichung (3a) das Produkt aus den Wahrscheinlichkeiten der Kriterienerfüllung und dem erwarteten Probit-Term.

si(A)=∏gg^ig(A)[q^iΦ(μ^i+bD−τc1+σ^i2)+(1−q^i)Φ(μ^i−τc1+σ^i2)](3a)
V(A)=E[∑i∈W(A)pi],|W(A)|=K(3b)

In Gleichung (3) ist g mit Dach die A-posteriori-Wahrscheinlichkeit, ein Kriterium zu erfüllen, oder nach Prüfung eins oder null. q mit Dach ist die A-posteriori-Wahrscheinlichkeit, dass ein Entscheidungsträger identifiziert wurde. μ mit Dach und das Quadrat von σ mit Dach bezeichnen Mittelwert und Varianz des Index über die Rangmerkmale. W(A) ist die Menge der K höchsten Rangwerte. Die Wurzelformel nutzt folgende Identität: Der Erwartungswert der Standardnormalverteilungsfunktion einer normalverteilten Variablen entspricht dieser Funktion, angewandt auf den Mittelwert geteilt durch die Wurzel aus eins plus der Varianz. Das Modell prüft die Identität durch numerische Integration.

10 Zufallsauswahl und Auswahl nach den höchsten Wahrscheinlichkeiten als Vergleichswerte

Eine zufällige Runde von 75 Kontakten aus der gesamten simulierten Liste ergibt 0,66 erwartete Zusagen. Die 75 höchsten tatsächlichen Modellwahrscheinlichkeiten der Gesamtliste summieren sich auf 10,76. Dieser Vergleichswert setzt vollständige Information voraus. Die Rangfolge allein nach Anbieterdaten ergibt 5,14 erwartete Zusagen (6,9 % der Kontakte) und 24,3 qualifizierte Gespräche. Die vollständige Prüfung der Vorauswahl ergibt 9,31 erwartete Zusagen (12,4 %) und 47,2 qualifizierte Gespräche. Tabelle 5 vergleicht die Ergebnisse.

Tabelle 5. Vergleichswerte für eine Anspracherunde fester Größe

Scrollen Sie horizontal, um alle Spalten zu sehen.

VergleichswertErwartete Zusagen in der RundeJe Kontakt (%)Erwartete qualifizierte Gespräche
Zufällige Runde aus der Gesamtliste0,660,9Nicht anwendbar
Ausschließlich Anbieterdaten, bestmöglich genutzt5,146,924,3
Alle acht Merkmale für die Vorauswahl geprüft9,3112,447,2
Beste Runde aus der Vorauswahl9,3112,4Nicht anwendbar
Runde mit den höchsten Wahrscheinlichkeiten der Gesamtliste10,7614,3Nicht anwendbar

Analyse von Matchpoint anhand der simulierten Liste. Modellwerte unter den angegebenen Annahmen, ohne Beobachtungsdaten. Erwartungswerte über 200 Wiederholungen.

Bei perfekter Prüfung und unveränderten Ausschlusskriterien erreicht die vollständige Prüfung im Basisszenario denselben Wert wie die Auswahl der höchsten Wahrscheinlichkeiten innerhalb der Vorauswahl: 9,31 erwartete Zusagen. In der Gesamtliste liegt der Vergleichswert bei 10,76. Die Differenz misst im Modell die Wirkung der Begrenzung auf die Vorauswahl. Die vollständige Prüfung bringt 4,17 zusätzliche erwartete Zusagen, ein Plus von 81 % gegenüber der Rangfolge allein nach Anbieterdaten. Die Standardabweichung des Zugewinns über alle Wiederholungen beträgt 0,81. Das 95-%-Intervall für den Mittelwert hat eine Halbbreite von 0,11. Die Zufallsauswahl dient als Vergleich. Einzelne Runden können darunter liegen.

Das Ergebnis setzt voraus, dass der Rangalgorithmus die Gewichte und die Genauigkeit der Anbieterdaten kennt. Ein Team ohne diese Kenntnis wird aus demselben Datensatz weniger Nutzen ziehen und kann durch Prüfung mehr gewinnen. Die Stressszenarien beziffern diesen Effekt im Modell.

11 Ohne Prüfung können rund vier von zehn ausgewählten Investoren keine Zusage abgeben

Von den 75 allein anhand der Anbieterdaten ausgewählten Investoren erfüllen 42 % mindestens ein Ausschlusskriterium nicht und können für dieses Angebot keine Zusage abgeben. Das Mandat ist mit 24 % der Runde der häufigste einzelne Ausschlussgrund. Es folgen Anlagebetrag (11 %), Anspracheweg (9 %) und Zulässigkeit des Angebotsempfangs (5 %). Abbildung 1 zeigt die Anteile. Die Hindernisse werden im Kampagnenprotokoll erst sichtbar, wenn die Investoren antworten. Bis dahin hat das Team bereits Zeit für die Ansprache aufgewendet.

Abbildung 1. Unentdeckte Ausschlussgründe und Änderungen der Auswahl
Zwei Balkendiagramme: Anteil der Runde auf Basis der Anbieterdaten, der das jeweilige Ausschlusskriterium nicht erfüllt, und ausgetauschter Anteil nach Einzelprüfung jedes Merkmals.
Abbildung in voller Größe öffnen ↗

Analyse von Matchpoint anhand der simulierten Liste. Modellwerte unter den angegebenen Annahmen, ohne Beobachtungsdaten. Links: Anteil der allein anhand der Anbieterdaten ausgewählten Investoren, die das jeweilige Kriterium nicht erfüllen. Rechts: Anteil der Runde, der nach der Einzelprüfung eines Merkmals ausgetauscht wird.

Die Prüfung verändert auch die Zusammensetzung der Runde. Die Einzelprüfung der Strategiepassung ersetzt 40 % der ausgewählten Investoren; die Prüfung der Geschäftsbeziehung ersetzt 33 %, die des Mandats 26 %. Die Prüfung aller vier Ausschlusskriterien ersetzt 43 % der Runde; die Prüfung aller acht Merkmale ersetzt 58 %. Im Basisszenario erfüllen nach Prüfung der vier Ausschlusskriterien alle ausgewählten Investoren diese Kriterien. Werden nur die drei Rangmerkmale geprüft, können noch 47 % der ausgewählten Investoren keine Zusage abgeben, gegenüber zuvor 42 %. Die Rangfolge bevorzugt dann Investoren mit hohen Rangwerten, die trotzdem an einem Ausschlusskriterium scheitern. Tabelle 6 enthält die vollständigen Ergebnisse.

Tabelle 6. Wie die Prüfung jedes Merkmals die Zusammensetzung der Runde verändert

Scrollen Sie horizontal, um alle Spalten zu sehen.

Geprüftes MerkmalAnteil, der ohne Prüfung am Kriterium scheitertAusgetauschter Anteil der RundeAnteil, der weiterhin keine Zusage abgeben kann
Mandat lässt Strategie und Anlagegebiet zu24 %26 %25 %
Passung zu Strategie und AnlagephaseNicht anwendbar40 %45 %
Stärke der GeschäftsbeziehungNicht anwendbar33 %44 %
Bandbreite der Anlagebeträge und Konzentrationsgrenze11 %15 %35 %
Ansprache über einen Berater zulässig9 %12 %37 %
Zulässigkeit des Angebotsempfangs5 %8 %39 %
Jüngere vergleichbare ZusagenNicht anwendbar21 %43 %
Entscheidungsträger identifiziertNicht anwendbar20 %42 %
Alle vier Ausschlusskriterien geprüft42 % scheitern an mindestens einem Kriterium43 %0 %
Alle acht Merkmale geprüft42 % scheitern an mindestens einem Kriterium58 %0 %

Analyse von Matchpoint anhand der simulierten Liste. Modellwerte unter den angegebenen Annahmen, ohne Beobachtungsdaten. Der Anteil der Investoren, die ein Kriterium nicht erfüllen, wird zum Prüfdatum in der Runde auf Basis der Anbieterdaten ermittelt. Der Austausch bezieht sich auf dieselbe Runde.

Wer in der Simulation die Ausschlusskriterien nicht prüft, spricht rund vier von zehn Investoren an, die keine Zusage abgeben können. Die Zulässigkeit des Angebotsempfangs fehlt bei 3,5 Kontakten je Runde von 75. Das damit verbundene aufsichtsrechtliche Risiko geht nicht in die Zahl der Zusagen ein. Die später berechneten Wirtschaftlichkeitsschwellen erfassen deshalb den Nutzen der Zulässigkeitsprüfung nicht vollständig.

12 Mandat und Strategiepassung erklären zusammen etwa die Hälfte des simulierten Zugewinns

Tabelle 7 weist je Merkmal drei Werte aus. Die Einzelprüfung misst den Zugewinn, wenn ausschließlich dieses Merkmal geprüft wird. Die Prüfung an letzter Stelle misst den Verlust, wenn das Merkmal in einem ansonsten vollständig geprüften Bericht fehlt. Der Shapley-Wert ist der durchschnittliche Grenzbeitrag über alle möglichen Prüfreihenfolgen nach Gleichung (4a). Nach Gleichung (4b) entspricht die Summe der Shapley-Werte dem gesamten Zugewinn.

φj=∑A⊆J⧵{j}|A|!(|J|−|A|−1)!|J|![V(A∪{j})−V(A)](4a)
∑j∈Jφj=V(J)−V(∅)(4b)

J ist die Menge der acht Merkmale, A eine Teilmenge davon und V der Wert der Runde nach Gleichung (3b). Der Shapley-Wert des Mandats beträgt 1,098 Zusagen (26 % des Zugewinns); für die Strategiepassung liegt er bei 1,001 (24 %). Zusammen erklären beide etwa die Hälfte des Zugewinns. Die Werte liegen nahe beieinander; für keinen wurde ein Intervall berechnet. Die Ergebnisse erlauben daher keine belastbare Rangfolge zwischen diesen beiden Merkmalen. Es folgen die Stärke der Geschäftsbeziehung (0,599), der Anlagebetrag (0,481), der Anspracheweg (0,342), die Zulässigkeit (0,252), jüngere Zusagen (0,213) und der identifizierte Entscheidungsträger (0,184). Abbildung 2 zeigt die drei Werte je Merkmal.

Abbildung 2. Wert der Prüfung je Merkmal
Gruppierte horizontale Balken für acht Merkmale: Wert der Einzelprüfung, Shapley-Wert und Wert der Prüfung an letzter Stelle.
Abbildung in voller Größe öffnen ↗

Analyse von Matchpoint anhand der simulierten Liste. Modellwerte unter den angegebenen Annahmen, ohne Beobachtungsdaten. Zusätzliche erwartete Zusagen in einer Runde mit 75 Kontakten.

Tabelle 7. Wert der Prüfung je Merkmal

Scrollen Sie horizontal, um alle Spalten zu sehen.

MerkmalEinzelprüfungPrüfung an letzter StelleShapley-WertAnteil am ZugewinnWirtschaftlichkeitsschwelle je Zusage (USD)
Mandat lässt Strategie und Anlagegebiet zu1,1910,8301,09826 %8.197
Passung zu Strategie und Anlagephase1,2390,6241,00124 %7.491
Stärke der Geschäftsbeziehung0,7570,3280,59914 %2.502
Bandbreite der Anlagebeträge und Konzentrationsgrenze0,4570,3540,48112 %9.363
Ansprache über einen Berater zulässig0,3760,2250,3428 %8.767
Zulässigkeit des Angebotsempfangs0,2760,1720,2526 %23.775
Jüngere vergleichbare Zusagen0,3050,0960,2135 %21.159
Entscheidungsträger identifiziert0,2340,0900,1844 %24.512

Analyse von Matchpoint anhand der simulierten Liste. Modellwerte unter den angegebenen Annahmen, ohne Beobachtungsdaten. Die Wirtschaftlichkeitsschwelle ergibt sich aus den Kosten der Prüfung des Merkmals in der Vorauswahl, geteilt durch seinen Shapley-Wert. Sie gibt an, welchen Wert eine unterzeichnete Zusage übersteigen muss, damit sich die Prüfung lohnt.

Die Einzelprüfwerte summieren sich auf 4,83 Zusagen, die Werte der Prüfung an letzter Stelle auf 2,72. Der gesamte Zugewinn beträgt 4,17. Die Informationen überschneiden sich: Sobald das Mandat bekannt ist, bringt die Prüfung des Anlagebetrags weniger. Deshalb überschätzt die Summe der Einzelprüfwerte den Gesamtgewinn; die Summe der Werte bei Prüfung an letzter Stelle unterschätzt ihn. Der Durchschnitt über alle Reihenfolgen ergibt den Gesamtwert. Nach der Spalte mit den Wirtschaftlichkeitsschwellen lohnt sich die Prüfung jedes Merkmals, wenn eine Zusage für das Kapitalbeschaffungsteam mehr als rund 24.512 USD wert ist. Für die günstigsten Merkmale reichen rund 2.502 USD. Die Schwellen beruhen auf den angenommenen Prüfzeiten in Tabelle 4 und einem Satz von 60 USD pro Stunde. In die Rechnung gehen nur Zusagen ein. Ob die Schwellen in der Praxis erreicht werden, bleibt offen.

13 Fünf Merkmale erreichen neun Zehntel des Zugewinns für weniger als zwei Drittel der Kosten

Ein Bericht muss nicht alle acht Merkmale prüfen. Das erste Verfahren ergänzt in jedem Schritt das Merkmal mit dem höchsten zusätzlichen Nutzen je Dollar. Das zweite durchsucht alle 256 Teilmengen nach der günstigsten, die den angestrebten Zugewinn erreicht. Tabelle 8 und Abbildung 3 zeigen die schrittweise Reihenfolge: S3, S1, R und anschließend die übrigen Merkmale. Die Geschäftsbeziehung steht am Anfang, weil ihre Prüfung fünf Minuten dauert. Das Mandat folgt später, da seine Prüfung dreißig Minuten dauert.

Bj=Lcjφj(5a)
ρj(A)=V(A∪{j})−V(A)Lcj(5b)

In Gleichung (5) ist L die Größe der Vorauswahl und c_j sind die Prüfkosten für Merkmal j je Investor. φ_j ist sein Shapley-Wert; B_j ist der Wert einer Zusage, ab dem sich die Prüfung des Merkmals lohnt. ρ_j(A) bezeichnet den zusätzlichen Nutzen je Dollar bei bereits geprüfter Menge A. Die günstigste Teilmenge für 90 % des Zugewinns umfasst M, T, R, S1 und S3. Sie kostet 25.500 USD, also 63 % der 40.500 USD für alle acht Merkmale. Für 95 % des Zugewinns werden E, M, T, R, S1 und S3 benötigt; das entspricht 78 % der Gesamtkosten.

Tabelle 8. Schrittweise Prüfung nach zusätzlichem Nutzen je Dollar

Scrollen Sie horizontal, um alle Spalten zu sehen.

SchrittHinzugefügtes MerkmalKumulierte Kosten (USD)Erwartete ZusagenAnteil am gesamten Zugewinn
1Stärke der Geschäftsbeziehung1.5005,9018 %
2Passung zu Strategie und Anlagephase9.0007,0445 %
3Ansprache über einen Berater zulässig12.0007,4054 %
4Mandat lässt Strategie und Anlagegebiet zu21.0008,4679 %
5Bandbreite der Anlagebeträge und Konzentrationsgrenze25.5008,9090 %
6Zulässigkeit des Angebotsempfangs31.5009,1195 %
7Jüngere vergleichbare Zusagen36.0009,2298 %
8Entscheidungsträger identifiziert40.5009,31100 %

Analyse von Matchpoint anhand der simulierten Liste. Modellwerte unter den angegebenen Annahmen, ohne Beobachtungsdaten. Die Kosten ergeben sich aus der Größe der Vorauswahl multipliziert mit der Prüfzeit je Investor, bewertet mit 60 USD pro Stunde.

Abbildung 3. Erwartete Zusagen in Abhängigkeit von den Prüfungskosten
Stufenkurve der erwarteten Zusagen nach kumulierten Prüfungskosten, mit Referenzlinien für Anbieterdaten ohne Prüfung, vollständige Prüfung und Zufallsauswahl.
Abbildung in voller Größe öffnen ↗

Analyse von Matchpoint anhand der simulierten Liste. Modellwerte unter den angegebenen Annahmen, ohne Beobachtungsdaten. Die Merkmale werden nach dem zusätzlichen Nutzen je Dollar aufgenommen. Die gestrichelten Linien zeigen die Auswahl allein nach Anbieterdaten und die vollständige Prüfung. Die gepunktete Linie zeigt eine Zufallsauswahl.

Der zusätzliche Nutzen nimmt schrittweise ab. Die letzten drei Merkmale liefern zusammen rund ein Zehntel des Zugewinns und benötigen mehr als ein Drittel des Budgets. Die kleinste geeignete Teilmenge hängt von den Modellannahmen ab. Das nächste Merkmal sollte anhand des zusätzlichen Nutzens je Dollar und des bestehenden Kenntnisstands gewählt werden. Eine feste Prüfreihenfolge berücksichtigt das nicht.

14 Beschreibende Felder helfen im Modell bei der Vorauswahl und ändern die endgültige Reihenfolge nicht

Ein Anbieterdatensatz enthält leicht zu beschaffende Angaben: Investorentyp, Größe, Beschäftigtenzahl und öffentliche Sichtbarkeit. Im Modell beeinflusst der Typ die Ausgangswahrscheinlichkeiten für die Ausschlusskriterien. Die Größe wirkt sich auf den passenden Anlagebetrag und die jüngere Aktivität aus. Beschäftigtenzahl und Sichtbarkeit sind ungenaue Indikatoren für die Größe und haben keine eigenständige Wirkung. Tabelle 9 und Abbildung 4 bewerten jedes Feld in drei Fällen: einzeln, als letzte Ergänzung zu den anderen drei bei ausschließlicher Nutzung von Anbieterdaten und als letzte Ergänzung nach Prüfung aller acht Merkmale.

Tabelle 9. Wert beschreibender Felder bei drei Informationsständen

Scrollen Sie horizontal, um alle Spalten zu sehen.

Beschreibendes FeldEinzeln, nur AnbieterdatenZuletzt ergänzt, nur AnbieterdatenZuletzt ergänzt, vollständig geprüft (nur Vorauswahl)
Investorentyp0,3900,3480,275
Größe (Logarithmus des verwalteten Vermögens)0,1720,0550,085
Beschäftigtenzahl0,1190,0000,000
Öffentliche Sichtbarkeit0,0680,0000,000

Analyse von Matchpoint anhand der simulierten Liste. Modellwerte unter den angegebenen Annahmen, ohne Beobachtungsdaten. Zugewinn an erwarteten Zusagen in einer Runde mit 75 Kontakten, über 80 Wiederholungen. Der letzte Vergleichswert erfasst nur den Beitrag zur Bildung der Vorauswahl.

Abbildung 4. Wert beschreibender Felder
Gruppierte Balken für Investorentyp, Größe, Beschäftigtenzahl und öffentliche Sichtbarkeit bei drei Informationsständen.
Abbildung in voller Größe öffnen ↗

Analyse von Matchpoint anhand der simulierten Liste. Modellwerte unter den angegebenen Annahmen, ohne Beobachtungsdaten. Zugewinn an erwarteten Zusagen nach beschreibendem Feld und Informationsstand.

Einzeln betrachtet bringt der Typ 0,390 erwartete Zusagen, die Größe 0,172, die Beschäftigtenzahl 0,119 und die Sichtbarkeit 0,068. Beschäftigtenzahl und Sichtbarkeit erscheinen einzeln nützlich, weil sie indirekt auf die Größe schließen lassen. Bei Aufnahme an letzter Stelle beträgt der Zugewinn für die Beschäftigtenzahl 0,000 und für die Sichtbarkeit ebenfalls 0,000, da die Größe bereits bekannt ist. Der Typ trägt bei ausschließlicher Nutzung von Anbieterdaten 0,348 und nach Prüfung aller acht Merkmale 0,275 bei. Die Vorauswahl entsteht vor der Prüfung. Eine bessere Ausgangsschätzung hilft daher bei der Auswahl der zu prüfenden Investoren. Auf demselben Weg trägt die Größe 0,085 bei.

Typ und Größe helfen bei der Entscheidung, für welche Investoren sich Analysezeit lohnt. Sobald die Ausschlusskriterien und Rangmerkmale geprüft sind, verbessern sie die endgültige Reihenfolge nicht mehr. Stellt der Bericht Beschäftigtenzahl und Sichtbarkeit neben geprüfte Merkmale, könnten Leser ihnen mehr Gewicht geben, als die Simulation rechtfertigt. Der spätere Untersuchungsplan zeigt, wie sich ein zusätzlicher Informationswert in der Praxis prüfen ließe.

15 Die Größe der Runde und der Vorauswahl bestimmt, welche Felder wichtig sind

Der Wert eines Feldes hängt davon ab, welchen Teil der Liste eine Runde umfasst. Abbildung 5 variiert die Größe der Runde bei einer festen Vorauswahl von 300 Investoren. Bei 25 Kontakten bringen die drei Rangmerkmale 1,51 zusätzliche Zusagen und die vier Ausschlusskriterien 1,42. Bei 150 Kontakten tragen die Ausschlusskriterien 2,50 und die Rangmerkmale 1,72 bei. Eine kleine Runde kann sich auf die ersten Plätze beschränken. Eine große Runde greift weiter in die Liste hinein und umfasst mehr Investoren, die ein Kriterium nicht erfüllen. Ausschlussprüfungen fallen dann stärker ins Gewicht.

Abbildung 5. Sensitivität gegenüber der Größe der Runde und der Vorauswahl
Zwei Liniendiagramme zum Zugewinn durch Prüfung nach Größe der Runde und der Vorauswahl. Dargestellt sind die Ausschlusskriterien, die Rangmerkmale und alle acht Merkmale.
Abbildung in voller Größe öffnen ↗

Analyse von Matchpoint anhand der simulierten Liste. Modellwerte unter den angegebenen Annahmen, ohne Beobachtungsdaten. Zugewinn gegenüber der Auswahl allein nach Anbieterdaten bei Prüfung der Ausschlusskriterien, der Rangmerkmale und aller acht Merkmale; 60 Wiederholungen je Punkt.

Rechts variiert die Größe der Vorauswahl bei einer festen Runde mit 75 Kontakten. Die Prüfung von 100 Investoren bringt 0,85 zusätzliche Zusagen, die Prüfung von 1.000 bringt 5,58. Je 10.000 USD Aufwand beträgt der Zugewinn 0,63 Zusagen bei 100 Investoren, 1,07 bei 150, 1,03 bei 300, 0,65 bei 600 und 0,41 bei 1.000. Die Effizienz ist am höchsten, wenn die Vorauswahl zwei- bis viermal so groß ist wie die Runde. Danach sinkt sie. Bei gleicher Größe gibt es keinen Auswahlspielraum. Eine sehr große Vorauswahl verursacht Prüfaufwand für Investoren, die nie angesprochen werden.

Die Regel gilt unter den genannten Annahmen. Zuerst sind die Merkmale zu prüfen, die bei der gewählten Rundengröße am stärksten ins Gewicht fallen. Die Vorauswahl sollte zwei- bis viermal so groß sein wie die Runde, sofern die Prüfkosten nicht erheblich niedriger ausfallen als hier angenommen. Ändert sich die Rundengröße, sollte das Team die Prüfprioritäten neu berechnen.

16 Stressszenarien zeigen, welche Fehlerquellen geprüft werden sollten

Tabelle 10 ändert jeweils eine Annahme. Bei veralteter Prüfung zieht das Modell den Status jedes Ausschlusskriteriums am Tag der Ansprache mit einer Wahrscheinlichkeit von 0,25 neu. Bei Prüffehlern kehrt es jede geprüfte Angabe mit einer Wahrscheinlichkeit von 0,05 um und erhöht die Messfehler bei den Rangmerkmalen. Ein schwächerer Markt hebt beide Schwellen um 0,5 an. Der falsch gewichtete Algorithmus verwendet statt 0,70, 0,40 und 0,50 die Gewichte 0,20, 0,80 und 0,20 für die drei Rangmerkmale. Die Szenarien mit schwachen und guten Anbieterdaten variieren deren Genauigkeit.

Tabelle 10. Stressszenarien und ihre Erkennungsmerkmale

Scrollen Sie horizontal, um alle Spalten zu sehen.

SzenarioNur AnbieterdatenVollständig geprüftZugewinnOhne Zusagemöglichkeit (nur Anbieterdaten)Ohne Zusagemöglichkeit (vollständig geprüft)Zu Unrecht ausgeschlossene InvestorenErkennungsmerkmal
Basisannahmen5,159,324,1742 %0,0 %0 %Vergleichswert
Veraltete Prüfung4,687,332,6547 %21,0 %0 %Zugewinn sinkt; geprüfte Investoren fallen bei der Ansprache aus
Prüffehler5,157,492,3442 %4,7 %18 %Zugewinn sinkt; falsche Ausschlüsse bleiben in der Runde unsichtbar
Schwächerer Markt2,554,351,8044 %0,0 %0 %Anteil der Ausschlusskriterien fast unverändert; Ausbeute sinkt
Falsch gewichteter Algorithmus3,887,303,4242 %0,0 %0 %Zugewinn durch Ausschluss fast unverändert; Zugewinn durch Rangfolge sinkt
Schwache Anbieterdaten3,627,874,2555 %0,0 %0 %Relativer Zugewinn steigt; Ausschlusskriterien überwiegen
Gute Anbieterdaten8,0810,492,4119 %0,0 %0 %Zugewinn sinkt; wenig bleibt zu prüfen

Analyse von Matchpoint anhand der simulierten Liste. Modellwerte unter den angegebenen Annahmen, ohne Beobachtungsdaten. Erwartete Zusagen in einer Runde mit 75 Kontakten; 100 Wiederholungen je Szenario.

Veraltete Prüfungen senken den Zugewinn von 4,17 auf 2,65. Bei der Ansprache können 21,0 % der geprüften Runde keine Zusage abgeben. Für das Team zeigt sich dies als später Ausfall bereits geprüfter Investoren. Prüffehler senken den Zugewinn auf 2,34 und verursachen einen in der Runde unsichtbaren Verlust: 18 % der Investoren, die eine Zusage abgeben könnten, werden zu Unrecht ausgeschlossen. In der Runde sind nur 4,7 % späte Ausfälle sichtbar. Prüfen Sie eine Stichprobe der Ausschlüsse, um übersehene geeignete Anleger zu erkennen.

Ein schwächerer Markt senkt den Zugewinn auf 1,80. Der Anteil der Ausschlusskriterien bleibt mit 62 % gegenüber 61 % nahezu unverändert. Die Ausbeute sinkt ungefähr um die Hälfte, während die Aufteilung des Zugewinns ähnlich bleibt. Bei falscher Gewichtung bleibt der Zugewinn durch Ausschluss mit 2,17 fast erhalten; der Zugewinn durch die neue Rangfolge sinkt um 45 %. Die Ausschlusskriterien verwenden diese Gewichte nicht. Bei schwachen Anbieterdaten bleibt der absolute Zugewinn mit 4,25 ungefähr gleich und entspricht 118 % der gesunkenen Ausbeute ohne Prüfung. Bei guten Anbieterdaten sinkt der Zugewinn auf 2,41. Im Modell ist die Prüfung umso wertvoller, je unzuverlässiger der Datensatz ist.

Nutzen Sie diese Muster, um zu entscheiden, was Sie untersuchen. Prüfen Sie bei späten Ausfällen die Daten der Prüfungen und die seither eingetretenen Änderungen. Beruht ein großer Zugewinn vor allem auf Ausschlusskriterien, gleichen Sie die Anbieterdaten mit unabhängigen Nachweisen ab. Bringt die neue Rangfolge wenig, während die Ausschlüsse sachlich begründet bleiben, prüfen Sie die Gewichte. Diese Muster können mehrere Ursachen haben; aus der Zahl der Zusagen allein lässt sich die Ursache nicht ableiten.

17 Statistische Teststärke für Gespräche und Zusagen

Ein Team müsste in der Praxis prüfen, ob eine Rangfolge nach Verifizierung bessere Ergebnisse liefert als eine Rangfolge allein nach Anbieterdaten. Tabelle 11 nennt den Stichprobenbedarf. Im Modell führt die Auswahl allein nach Anbieterdaten bei 32,4 % der Kontakte zu einem qualifizierten Gespräch. Nach Prüfung sind es 63,0 %. Um diese Differenz mit 80 % Teststärke und einem zweiseitigen Signifikanzniveau von 5 % nachzuweisen, sind 42 Kontakte je Gruppe erforderlich. Eine Runde mit 75 Kontakten je Gruppe erreicht 97 % Teststärke. Für unterzeichnete Zusagen liegen die Quoten bei 6,9 % und 12,4 %. Dafür sind 443 Kontakte je Gruppe nötig; eine Runde mit 75 Kontakten erreicht 21 % Teststärke.

Tabelle 11. Stichprobenbedarf für den Vergleich der Rangfolge nach Prüfung mit der Rangfolge allein nach Anbieterdaten

Scrollen Sie horizontal, um alle Spalten zu sehen.

ErgebnisQuote nur mit Anbieterdaten (%)Quote nach Prüfung (%)Kontakte je Gruppe für 80 % TeststärkeTeststärke bei einer Runde je Gruppe (%)
Qualifiziertes Gespräch32,463,04297
Unterzeichnete Zusage6,912,444321

Analyse von Matchpoint anhand der simulierten Liste. Modellwerte unter den angegebenen Annahmen, ohne Beobachtungsdaten. Test für zwei Anteilswerte; Teststärke aus 20.000 simulierten Durchläufen geschätzt.

Die Berechnung setzt unabhängige Kontakte und angenommene Ergebnisquoten voraus. Gemeinsame Rahmenbedingungen, wiederholt angesprochene Investoren und Wechselwirkungen zwischen Kontakten können in einer echten Kampagne die Schätzgenauigkeit verändern. Eine prospektive Feldstudie sollte die Zuteilungseinheit und die mögliche statistische Abhängigkeit innerhalb von Gruppen berücksichtigen. Anschließend ist der Stichprobenbedarf anhand geeigneter Quoten für die zulässige Population zu berechnen. Die Planungswerte belegen keine Verbesserung durch die Prüfung.

18 Auswahlverzerrung und Kosten zusätzlicher Zufallskontakte

In Kampagnendaten sind Ergebnisse nur für Investoren bekannt, die nach einer früheren Rangfolge angesprochen wurden. Wer damit eine neue Rangfolge beurteilen will, kennt nur die Ergebnisse der Investoren, die beide Verfahren ausgewählt hätten. Für neu hinzukommende Investoren gibt es kein protokolliertes Ergebnis, da sie zuvor weiter unten standen. Der naive Schätzer bildet den Durchschnitt für die Schnittmenge und rechnet ihn auf die ganze Runde hoch.

V^naive=K·∑i∈WBAiyi∑i∈WBAi(6a)
V^IPW=∑i∈WBAiyiπi(6b)

In Gleichung (6) bezeichnet W_B die Runde, die nach der neuen Rangfolge ausgewählt würde. A_i ist eins, wenn Investor i in der früheren Kampagne angesprochen wurde; y_i steht für das beobachtete Gesprächsergebnis und π_i für die Wahrscheinlichkeit einer Ansprache von i. Für die frühere Runde ist π gleich eins. Andere Investoren aus der Vorauswahl werden zufällig mit Wahrscheinlichkeit ε angesprochen; für sie ist π gleich ε. Gleichung (6b) definiert den Schätzer mit inverser Wahrscheinlichkeitsgewichtung. Die Zielgröße ist die erwartete Zahl der Gespräche in der neuen Runde, im Modell 47,09. Tabelle 12 und Abbildung 6 zeigen die Fehler der beiden Schätzer.

Abbildung 6. Schätzer bei selektiv beobachteten Ergebnissen
Balkendiagramm der mittleren Fehler und Standardabweichungen. Der naive Schätzer ist für alle fünf Quoten dargestellt. Bei 0 % Zufallskontakten ist der Schätzer mit inverser Wahrscheinlichkeitsgewichtung nicht definiert.
Abbildung in voller Größe öffnen ↗

Analyse von Matchpoint anhand der simulierten Liste. Modellwerte unter den angegebenen Annahmen, ohne Beobachtungsdaten. Mittlerer Fehler und Standardabweichung der geschätzten erwarteten Gesprächszahl; 400 Wiederholungen je Quote für Zufallskontakte.

Tabelle 12. Den Wert einer neuen Rangfolge anhand einer früheren Kampagne schätzen

Scrollen Sie horizontal, um alle Spalten zu sehen.

Zufallskontakte aus der restlichen VorauswahlZusätzliche KontakteFehler des naiven Schätzers (Mittelwert)Fehler des naiven Schätzers (Standardabweichung)Fehler des invers gewichteten Schätzers (Mittelwert)Fehler des invers gewichteten Schätzers (Standardabweichung)
0 %0,03,116,01Nicht definiertNicht anwendbar
2 %4,32,986,05-0,8334,71
5 %11,22,905,951,4723,33
10 %22,32,635,720,6716,20
20 %45,01,995,430,1410,60

Analyse von Matchpoint anhand der simulierten Liste. Modellwerte unter den angegebenen Annahmen, ohne Beobachtungsdaten. Der Fehler ist der Schätzwert abzüglich der im Modell erwarteten Gesprächszahl der neuen Runde.

Ohne Zufallskontakte überschätzt der naive Schätzer die Zielgröße um 3,11 Gespräche oder 7 %. Mit steigender Quote nimmt die Verzerrung langsam ab. Bei 20 % Zufallskontakten ist die Verzerrung des invers gewichteten Schätzers im Rahmen des Stichprobenfehlers nicht erkennbar. Die Streuung bleibt hoch: Die Standardabweichung liegt bei 10,60 Gesprächen gegenüber 5,43 beim naiven Schätzer. Bei 20 % beträgt die Wurzel des mittleren quadratischen Fehlers 10,59 gegenüber 5,78. Ohne Zufallskontakte lässt sich der gewichtete Schätzer nicht berechnen. Die ungewichtete Summe der beobachteten Ergebnisse weist dann einen Fehler von -25,58 Gesprächen auf. Auf Ebene einer einzelnen Kampagne verringert die Korrektur die Verzerrung um weniger, als sie die Streuung erhöht.

In diesem Modell kommen bei einer Quote von 20 % insgesamt 45,0 Zufallskontakte hinzu, also mehr als die Hälfte der ursprünglichen Runde mit 75 Kontakten. Die Stichprobe wird aus der verbleibenden Vorauswahl der simulierten Population gezogen. Eine Feldstudie darf vor der Zufallszuteilung nur Kombinationen aus Investor und Anspracheweg zulassen, die für das Angebot, den Empfänger, den Absender und den Kanal unabhängig geprüft wurden. Die Fehler- und Kapazitätswerte der Simulation lassen sich nicht auf diese gefilterte Population übertragen.

19 Modellkontrollen und der Zirkelschluss in der Ausgangsannahme

Tabelle 13 nennt 44 Kontrollen. Bei perfekter Prüfung und stabilen Ausschlusskriterien entspricht die vollständig geprüfte Runde der Auswahl mit den höchsten tatsächlichen Modellwahrscheinlichkeiten innerhalb der Vorauswahl. In jeder Wiederholung des Basisszenarios erreicht sie mindestens das Ergebnis jeder Teilprüfung. In einzelnen Ziehungen kann eine Teilprüfung weniger erwartete Zusagen ergeben als die Auswahl allein nach Anbieterdaten. Die Kontrollen prüfen außerdem, ob die Shapley-Werte den gesamten Zugewinn ergeben, ob die mittlere Vorhersage kalibriert ist und ob die Probit-Formel mit numerischer Integration übereinstimmt.

Tabelle 13. Kontrollen zur Reproduzierbarkeit

Scrollen Sie horizontal, um alle Spalten zu sehen.

KontrolleErgebnis
Im Modell geprüfte Eigenschaften44 Kontrollen bestanden
Vergleichswert bei vollständiger Prüfung im BasisszenarioEntspricht der besten Runde aus der Vorauswahl und erreicht oder übertrifft jede Teilprüfung
Shapley-Werte ergeben den gesamten ZugewinnSumme entspricht dem Zugewinn bis auf 1e-9
Rangwert nur mit Anbieterdaten ist kalibriertMittlere Vorhersage weicht um weniger als 3 % von der mittleren tatsächlichen Modellwahrscheinlichkeit ab
Identität für den Erwartungswert des Probit-TermsGeschlossene Formel stimmt bis auf 1e-9 mit numerischer Integration überein
Schätzer mit inverser WahrscheinlichkeitsgewichtungBei 20 % Zufallskontakten ist im Rahmen von vier Standardfehlern keine Verzerrung erkennbar
Wiederholungen200 im Hauptszenario, 100 je Stressszenario, 80 für beschreibende Felder, 60 je Rasterpunkt und 400 für selektiv beobachtete Ergebnisse
Startwert des Zufallsgenerators20261014 plus Index der Wiederholung

Analyse von Matchpoint. Der Modellcode führt die Kontrollen bei jeder Ausführung durch und bricht ab, wenn eine davon fehlschlägt.

Die Annahme ist zirkulär: Das Modell erzeugt die Ergebnisse anhand derselben Merkmale, die der Rangalgorithmus verwendet. Dieser kennt bereits die Gewichte. Die Simulation zeigt, wie das Verfahren funktioniert, wenn die Merkmale die Zusagen wie angenommen beeinflussen. Sie zeigt nicht, dass Mandat, Strategiepassung oder ein anderes Merkmal in einer wirklichen Platzierung für die Zusage ausschlaggebend ist. Auch das Ergebnis zu den beschreibenden Feldern folgt aus der Konstruktion: Beschäftigtenzahl und Sichtbarkeit erhielten keine eigenständige Wirkung. Ob ein solches Feld in der Praxis einen Informationswert hat, muss anhand von Daten geprüft werden.

Die Simulation lässt weitere Aspekte realer Kampagnen aus: Zusammenhänge zwischen Ausschlusskriterien, Lernen zwischen Runden, Reaktionen auf den Ruf des Beraters, den Einfluss des Zeitpunkts und eine Verlustfunktion, die aufsichtsrechtliche Risiken bewertet. Die verwandten Fragen nach Kapazität, Zeitpunkt und Reihenfolge liegen außerhalb der Studie. Ein vollständiges Modell würde sie gemeinsam behandeln.

20 Eine Feldstudie braucht datierte Aufzeichnungen, die erforderlichen Einwilligungen und einen vorab festgelegten Analyseplan

Eine Studie, die die Modellannahmen durch Beobachtungen ersetzen soll, muss Untersuchungseinheit, Beobachtungszeitraum und Zielgrößen festlegen. Die Einheit ist der potenzielle Investor innerhalb einer Kampagne. Der Zeitraum beginnt mit der Prüfung eines Feldes und endet mit der Unterzeichnung der Zusage oder dem Abschluss der Kampagne. Ein qualifiziertes Gespräch, der Beginn einer formellen Due Diligence und die Unterzeichnung einer Zusage werden jeweils mit Zeitstempel erfasst. Tabelle 14 fasst den Plan zusammen.

Tabelle 14. Datenerhebung für eine Studie mit Einwilligung

Scrollen Sie horizontal, um alle Spalten zu sehen.

ElementAnforderungBegründung
Einheit und DokumentationKombination aus Investor und Kampagne; Quelle, prüfende Person und Datum für jedes FeldUnterscheidet veraltete von falschen Angaben
Rechtsgrundlage und DatenminimierungFestgelegter Zweck für jedes personenbezogene Feld; begrenzte AufbewahrungsdauerDatenschutzgrundsätze [12, 15]
Randomisierte TeilstichprobeKombinationen aus Investor und Anspracheweg vorab auf Zulässigkeit prüfen; innerhalb der zugelassenen Gruppe zufällig auswählen und Einschlusswahrscheinlichkeiten protokollierenErmöglicht Rückschlüsse innerhalb der vorab geprüften Population
Kontrolle der PrüfungZufallsstichprobe ausgeschlossener Investoren unabhängig erneut prüfenMisst unerkannte, fehlerhafte Ausschlüsse
ErgebnisstufenGespräch, Beginn der Due Diligence und Zusage, jeweils mit ZeitstempelZusagen sind selten
Auswertung mehrerer KampagnenStichprobenbedarf anhand des Studienplans, der Abhängigkeiten innerhalb der Kampagnen und der beobachteten Quoten in der zulässigen Population berechnenTeststärke für das seltenste Ergebnis
AnalyseplanVor der Datenerhebung festlegen, wie Shapley-Werte und Werte bei Prüfung an letzter Stelle samt Intervallen geschätzt werdenBegrenzt nachträgliche Ergebnisauswahl

Vorgeschlagener Untersuchungsplan. Die Tabelle beschreibt die zu erhebenden Daten. Sie enthält keine Ergebnisse.

Vor der Feldarbeit sind die Erlaubnisse zur Ansprache, die anwendbaren Datenschutz- und Vermarktungsanforderungen, die Rechtsgrundlage und die Genehmigungen der Studie zu dokumentieren. Die Zufallszuteilung schafft keine Erlaubnis zur Kontaktaufnahme. Die zulässige Zielgruppe ist vorab festzulegen. Für jede Kombination aus Investor und Anspracheweg in dieser Gruppe ist eine bekannte, positive Einschlusswahrscheinlichkeit zu protokollieren. Das Budget für Zufallskontakte ist vorher festzulegen; Abhängigkeiten innerhalb von Kampagnen sind zu berücksichtigen. Ausgeschlossene Investoren lassen sich anhand von Unterlagen prüfen, ohne sie zu kontaktieren.

Die Analyse würde dieselben Größen wie das Modell schätzen, jeweils mit einem Intervall: den Zugewinn pro Merkmal, den Zugewinn je Dollar und die Wirkung der Zufallsstichprobe auf den Schätzwert. Sie würde insbesondere prüfen, ob beschreibende Felder einen eigenen Informationswert haben und ob das Nichterfüllen von Ausschlusskriterien so viel kostet wie angenommen.

21 Dem Mandanten oder Ausschuss geprüfte Felder, Kosten und Kontrollergebnisse vorlegen

Der Bericht soll dem Mandanten oder Anlageausschuss eine Entscheidung ermöglichen. Er nennt die Größe der Runde, die geprüfte Vorauswahl und die geprüften Felder mit Quellen und Datum. Er zeigt, wie viele Investoren je Kriterium ausschieden, wie viele später ausfielen und bei wie vielen sich der Rang änderte. Der Aufwand in Analystenstunden wird den zusätzlich erwarteten Zusagen gegenübergestellt. Die Wirtschaftlichkeitsschwelle je Zusage wird wie in Tabelle 7 ausgewiesen.

Der Bericht nennt auch ungeprüfte Felder und begründet, warum sie ungeprüft blieben. Bei übernommenen Anbieterangaben legt er die angenommene Genauigkeit offen. Die Ergebnisse der Stichprobenprüfung ausgeschlossener Investoren gehören auf dieselbe Seite. Das Prüffehler-Szenario zeigt, warum: Zu viele Ausschlüsse können effizient aussehen und dennoch Zusagen kosten. Bei jeder Zahl muss erkennbar sein, ob sie beobachtet, geprüft oder angenommen wurde.

Ein modellierter Zugewinn ist keine Prognose für die Kapitalbeschaffung. Die erwartete Zahl von Zusagen dient als Hilfe zur Rangbildung unter offengelegten Annahmen. Tatsächliche Gespräche und Zusagen werden erst erfasst, wenn sie stattfinden. Modell und Bericht versprechen kein Ergebnis. Die Studie enthält keine Beratung zu einem konkreten Angebot.

22 Daten und KI zur Aktualisierung nutzen und die Ausschlussentscheidung einer benannten Person übertragen

Prüfen Sie automatisierte Werkzeuge an wiederkehrenden Aufgaben: Mandate mit Strategien abgleichen, Spannen für Anlagebeträge erfassen und Richtlinienänderungen markieren. Erfassen Sie vor der Auswahl der Einsatzbereiche die Prüfzeit und die Fehler, die nach menschlicher Kontrolle verbleiben. Die Prüfkosten sind Modellannahmen. Sinkt der Aufwand für ein Feld, rückt es in der Prüfreihenfolge nach vorn. Die Studie berichtet keine gemessene Genauigkeit oder Geschwindigkeit eines automatisierten Systems.

Veraltete Prüfungen und Lesefehler können unentdeckt bleiben. Automatisierte Systeme können beide Fehlerarten in großer Zahl erzeugen. Ein falsch verstandenes Mandat kann einen Investor ausschließen, der hätte zusagen können, ohne dass der Verlust in der Runde auffällt. Automatisch gelesene Angaben sollten als Vorschläge mit Quellenlink in den Bericht eingehen. Eine benannte Person sollte jeden Ausschluss verantworten und pro Prüfzyklus sollte ein Mensch eine Zufallsstichprobe automatisierter Ausschlüsse kontrollieren.

Die Bewertung eines automatisierten Systems sollte die Folgen der Fehler abbilden. Ein falscher Ausschluss kostet die erwarteten Zusagen des Investors. Eine falsche Aufnahme kostet einen Kontakt und kann bei der Zulässigkeitsprüfung ein aufsichtsrechtliches Risiko auslösen. Das System ist an ausschließlich für die Prüfung zurückgehaltenen Fällen zu testen. Ändern sich die Quellen, sollte der Test wiederholt werden. Ein System, das auf die Richtliniensprache eines Jahres abgestimmt ist, kann im Folgejahr scheitern.

23 Regel für die laufende Kapitalbeschaffung: Ausschlusskriterien prüfen, nach Nutzen je Dollar priorisieren und Ausschlüsse kontrollieren

Die Simulation stützt eine Arbeitsregel, die ein Team anhand eigener Daten testen kann. Erstens die Runde auf die verfügbare Zeit der leitenden Mitarbeiter begrenzen und die Vorauswahl zwei- bis viermal so groß ansetzen. Zweitens vor den Rangmerkmalen die Ausschlusskriterien der Vorauswahl prüfen und Quellen und Datum erfassen. Drittens Rangmerkmale nach ihrem zusätzlichen Nutzen je Dollar hinzufügen, bis der erwartete Zugewinn des nächsten Feldes unter seinen Kosten geteilt durch den angesetzten Wert einer Zusage liegt. Viertens eine Zufallsstichprobe ausgeschlossener Investoren prüfen.

Drei Bedingungen ändern die Anwendung der Regel. Bei genauen Anbieterdaten nimmt der Zugewinn der Prüfung ab und die Vorauswahl kann kleiner ausfallen. Ist die Runde im Verhältnis zur Vorauswahl klein, wiegen Rangmerkmale ungefähr so schwer wie Ausschlusskriterien; beide sollten parallel geprüft werden. In einem schwächeren Markt fallen Ausbeute und Zugewinn gemeinsam. Die Aufteilung zwischen Ausschluss und Rangfolge bleibt im Modell ähnlich. Die Regel bleibt in diesem Szenario anwendbar; für jede Prüfung steigt die Wirtschaftlichkeitsschwelle.

Die Regel ist eine Hypothese für eine Feldstudie. Sie folgt aus der Simulation und ihren Annahmen. Das Team kann sie zur Arbeitsplanung nutzen und Ergebnisse erfassen, die ihr widersprechen könnten: geprüfte Investoren, die spät ausfallen; ausgeschlossene Investoren, die zu einer Zusage bereit gewesen wären; und Gespräche ohne nächsten Schritt.

24 Grenzen und nächster Schritt: Gewichte anhand einer protokollierten Stichprobe neu schätzen

Die Grenzen ergeben sich aus dem Aufbau des Experiments. Gewichte, Wahrscheinlichkeiten und Kosten sind vorgegeben. Der Rangalgorithmus kennt das Modell. Die Ausschlusskriterien sind unabhängig, die Rangmerkmale normalverteilt und das Ergebnis folgt einem einzigen Probit-Modell. Investoren lernen nicht aus früheren Kontakten, und die Ansprache verursacht keine Reputationskosten. Die Ergebnisse beschreiben die Funktionsweise des Berichts unter diesen Bedingungen. Sie liefern keine Schätzung für eine reale Investorenpopulation. Andere Gewichte könnten die Reihenfolge der Merkmale ändern.

Mehrere Quellen behandeln engere Fragen. Das Feldexperiment betrifft Informationen zu Start-ups und Business Angels. Die Datenbankstudie untersucht Wagniskapitaldaten. Die Arbeiten zum Informationswert betreffen Gesundheitstechnologien. Die Richtlinie von CalPERS veranschaulicht die veröffentlichten Grenzen eines einzelnen Investors, die sich nicht auf andere Investoren übertragen lassen. Die Quellen stützen einzelne Teile der Argumentation. Keine liefert einen Wert für die Modellparameter. Die Regelwerke werden mit dem Stand am jeweiligen Einsichtsdatum wiedergegeben und wurden nicht auf ein konkretes Angebot angewendet.

Zunächst sollten die Ausschlussentscheidungen und die Prüfkosten jedes Feldes anhand von Unterlagen geprüft werden. Für eine prospektive Studie ist die zulässige Kontaktpopulation unabhängig zu bestimmen. Danach ist eine Quote für Zufallskontakte zu wählen, die das Team bewältigen kann und die für die gewählte Zielgröße ausreichende Genauigkeit ergibt. Nutzen und Kosten sind aus der zulässigen Studienpopulation neu zu schätzen, bevor die Berichtsvorlage geändert wird.

Quellen

  1. Bernstein, S., Korteweg, A. und Laws, K. Is it Just the Idea that Matters? A Randomized Field Experiment on Early Stage Investments. Arbeitspapierentwurf, März 2014, vollständig eingesehen. Veröffentlicht als Attracting Early-Stage Investors: Evidence from a Randomized Field Experiment, Journal of Finance 72(2), 2017, DOI 10.1111/jofi.12470. Von der Veröffentlichung wurde nur die Zusammenfassung eingesehen. https://www.haas.berkeley.edu/wp-content/uploads/BernsteinKorteweg_032314.pdf
  2. Gompers, P., Gornall, W., Kaplan, S. und Strebulaev, I. How Do Venture Capitalists Make Decisions? NBER-Arbeitspapier 22587, September 2016. https://www.nber.org/system/files/working_papers/w22587/w22587.pdf
  3. Guyon, I. und Elisseeff, A. An Introduction to Variable and Feature Selection. Journal of Machine Learning Research 3, 2003, S. 1157 bis 1182. https://www.jmlr.org/papers/volume3/guyon03a/guyon03a.pdf
  4. Heath, A. und Baio, G. Calculating the Expected Value of Sample Information using Efficient Nested Monte Carlo: A Tutorial. arXiv:1709.02319. Anwendung in der Gesundheitsökonomie. https://arxiv.org/pdf/1709.02319
  5. Bindels, J. et al. Use of Value of Information in Healthcare Decision Making: Exploring Multiple Perspectives. PharmacoEconomics, 2015. Die Ergebnisse betreffen die Niederlande. https://repub.eur.nl/pub/79197/2015-12-07-033.pdf
  6. Kaplan, S. und Lerner, J. Venture Capital Data: Opportunities and Challenges. NBER-Arbeitspapier 22500, August 2016. https://www.nber.org/system/files/working_papers/w22500/w22500.pdf
  7. Lerner, J., Schoar, A. und Wong, W. Smart Institutions, Foolish Choices? The Limited Partner Performance Puzzle. NBER-Arbeitspapier 11136, Februar 2005. Nur Zusammenfassung und Einleitung eingesehen. https://www.nber.org/system/files/working_papers/w11136/w11136.pdf
  8. US-amerikanische Securities and Exchange Commission. 17 CFR 230.506, Exemption for limited offers and sales without regard to dollar amount of offering, Absatz (c). Geltender eCFR-Text, eingesehen am 14. Oktober 2026. https://www.ecfr.gov/current/title-17/chapter-II/part-230/section-230.506
  9. US-amerikanische Securities and Exchange Commission. 17 CFR 230.501, Definitions and terms used in Regulation D, Absatz (a). Geltender eCFR-Text, eingesehen am 14. Oktober 2026. https://www.ecfr.gov/current/title-17/chapter-II/part-230/section-230.501
  10. Dubai Financial Services Authority. DFSA Rulebook, Conduct of Business Module (COB), Version 51 (COB/VER51/07-26), Regeln 2.3.2 bis 2.3.4 und zugehörige Hinweise. Konsolidierte Fassung, gültig bei Einsicht am 14. Oktober 2026. https://dfsaen.thomsonreuters.com/sites/default/files/net_file_store/DFSA1547_12383_VER510726.pdf
  11. California Public Employees’ Retirement System. Public Employees’ Retirement Fund Investment Policy, gültig seit 1. Juli 2026, Anhang 4, Private Equity: Partner Relationship Exposure. https://www.calpers.ca.gov/documents/202606-invest-agenda-item05a-10-a/download
  12. Vereinigtes Königreich. Verordnung (EU) 2016/679 in der Fassung als Teil des britischen Rechts, Artikel 5(1)(c) und (d). legislation.gov.uk. https://www.legislation.gov.uk/eur/2016/679/article/5
  13. Institutional Limited Partners Association. ILPA Due Diligence Questionnaire 2.0, aktualisiert im November 2021. Freiwilliges Brancheninstrument. https://ilpa.org/wp-content/uploads/2021/11/ILPA-DDQ-2.0.pdf
  14. California Public Employees’ Retirement System. Investment Committee Meeting Summary, 15. Juni 2026, Genehmigung des Tagesordnungspunkts 5a, Total Fund Policy Review. https://www.calpers.ca.gov/documents/202606-full-agenda-item7a-invest-committee-summary/download?inline=
  15. Dubai International Financial Centre. Data Protection Law, DIFC-Gesetz Nr. 5 von 2020, konsolidierte Fassung vom Juli 2025, Artikel 9(1). https://edge.sitecorecloud.io/dubaiintern0078-difcexperie96c5-production-3253/media/project/difcexperiences/difc/difcwebsite/documents/laws--regulations/data-protection-law.pdf

Über den Autor

Chennakeshav (CK) ist eine Führungskraft in Corporate Finance und Investmentbanking mit mehr als 25 Jahren weltweiter Erfahrung in Anbahnung, Strukturierung und Umsetzung von M&A, Wachstumskapital und Unternehmensstrategie. Er hat Wertschaffungsmandate für Gründer, Unternehmen und Fonds geleitet; dabei verbindet er die Perspektive der Unternehmensleitung mit praktischer Umsetzung und Transaktionsvollzug.

Seine Laufbahn umfasst Morgan Stanley, HSBC, Lloyds Banking Group, EWEC, ADQ-Portfoliounternehmen und Emirates Growth Fund in TMT, Immobilien, Fintech, Deeptech, Cleantech, Infrastruktur und Energie. Er hat mit Unternehmensleitungen, Private-Equity- und Venture-Capital-Fonds, Staatsfonds und Family Offices zusammengearbeitet, um komplexe Kapitalaufnahmen und Wachstumsunternehmen zu finanzieren, und hat M&A-Due-Diligence, Post-Merger-Integration und Unternehmenstransformation zur Wertschaffung geleitet.

Bei Matchpoint Partners ist er Managing Partner und leitet Corporate Finance, M&A und Kapitalaufnahme. Er hat einen MBA der London Business School und einen Ingenieurabschluss der VTU; derzeit absolviert er einen Master of Laws (LLM) an UCL London.

CK ist aktiver Start-up-Mentor bei Techstars, DIFC FinTech Hive, Startup Grind, Founder Institute und IN5, arbeitet als Entrepreneur Mentor in Residence (EMiR) an der London Business School und ist Juror des Entrepreneurship World Cup.

https://www.linkedin.com/in/ckadya/

https://www.matchpoint-partners.com/team/ck-adya.html

Haftungshinweis

Dieser Beitrag ist Teil einer fortlaufenden Reihe zur Struktur privater und alternativer Märkte. Die geäußerten Ansichten sind die des Autors. Der Beitrag dient ausschließlich der Information, beschreibt Marktstrukturen allgemein und ist weder Anlage-, Rechts-, Steuer- oder Regulierungsberatung noch eine Empfehlung zu einem Wertpapier, Vehikel oder einer Gegenpartei.

Häufig gestellte Fragen

Zeigt das Experiment, welche Merkmale eine Zusage vorhersagen?

Das Modell erzeugt Ergebnisse aus denselben Merkmalen, die der Rangalgorithmus verwendet. Der Algorithmus kennt die Gewichte. Die Simulation zeigt, wie das Verfahren unter diesen Annahmen funktioniert. Sie belegt nicht, dass Mandat, Strategiepassung oder andere Merkmale in einer realen Platzierung ausschlaggebend sind. Die Rangfolge, einschließlich des kleinen Abstands zwischen Mandat und Strategiepassung, beruht auf den gewählten Gewichten. Für eine Prüfung braucht es eine protokollierte Feldstudie mit Zufallsstichprobe.

Welche Felder sollte der Auswahlbericht zuerst prüfen?

In der Simulation liefern Mandat, Anlagebetrag und Anspracheweg sowie Strategiepassung und Stärke der Geschäftsbeziehung rund neun Zehntel des Zugewinns für weniger als zwei Drittel der Kosten. Die Reihenfolge hängt von den angenommenen Gewichten und Kosten ab. Das Team sollte sie anhand seiner eigenen Daten neu berechnen.

Lohnt es sich, beschreibende Felder wie die Beschäftigtenzahl zu speichern?

In der Simulation trägt die Beschäftigtenzahl nichts mehr bei, wenn die Größe bekannt ist. Typ und Größe helfen nur bei der Entscheidung, wer geprüft wird. Ob beschreibende Felder in der Praxis einen eigenen Informationswert haben, muss mit Felddaten geprüft werden. Daten über identifizierte Personen brauchen nach den Datenschutzgrundsätzen außerdem einen festgelegten Zweck.

Warum den Bericht nicht anhand erreichter Zusagen bewerten?

Bei 75 unabhängigen Kontakten je Gruppe beträgt die Teststärke für den angenommenen Zusageunterschied 21 %. Gespräche sind ein separates Ergebnis. Vor der Feldarbeit sollte der Stichprobenbedarf für die zulässige Population unter Berücksichtigung der Kampagnenstruktur und der Zuteilungseinheit bestimmt werden.

Welches Risiko birgt die automatische Prüfung?

Ein falsch gelesenes Mandat kann einen Investor ausschließen, der hätte zusagen können. Dieser Verlust bleibt unbemerkt. Automatisch ermittelte Angaben sollten Vorschläge mit Quelle sein. Eine benannte Person sollte jeden Ausschluss verantworten und eine Zufallsstichprobe der Ausschlüsse erneut prüfen lassen.

Enthält die Studie Rechts- oder Anlageberatung?

Die Studie beschreibt veröffentlichte Vorschriften allgemein, nutzt sie als Beispiele für prüfbare Kriterien und berichtet über eine Simulation. Zulässigkeits- und Ansprachevorschriften hängen vom Rechtsgebiet und Anspracheweg ab. Jedes Angebot erfordert eine eigene rechtliche Prüfung. Die Studie verspricht kein Ergebnis der Ansprache.

Ihre Investorenauswahl überprüfen

Besprechen Sie mit Matchpoint Partners, welche Merkmale Sie vor der Ansprache prüfen und wie Sie Ihre Vorauswahl kontrollieren können.

WhatsApp