Bottom-Up-Marktbewertung für Private-Equity-Zielnischen

Die Bottom-Up-Marktbewertung dimensioniert die Nische eines Zielunternehmens anhand überprüfbarer Einheiten statt anhand einer extrapolierten Analystenzahl. Das Deal-Team zählt die tatsächlichen Kundensegmente, die ein Zielunternehmen bedienen kann, trianguliert den Umsatz pro Kunde aus Verträgen, Preisdokumenten und vergleichbaren Transaktionen und multipliziert beide Werte, um einen Total Addressable Market zu konstruieren. Jede Eingabe ist ein Dokument oder ein Register­eintrag, der eingesehen werden kann, sodass sich die resultierende Zahl vor einem Investmentkomitee Zeile für Zeile verteidigen lässt. In der kommerziellen Due Diligence ist das der Unterschied zwischen einer behaupteten und einer belegten Marktgröße.

Der Kontrast zur Top-Down-Dimensionierung ist mechanischer Natur. Top-Down beginnt mit einer Zahl auf Branchenebene, häufig aus einem syndizierten Bericht, und verengt sie mithilfe angenommener Prozentsätze auf den Anteil des Zielunternehmens. Das ist schnell und funktioniert, wenn das Segment gut abgedeckt ist. Bottom-Up beginnt auf Kundenebene und skaliert nach oben. Wie Cartas Leitfaden zur Marktgrößenschätzung anmerkt, ist Top-Down schneller, aber weniger genau, weil es auf Schätzungen beruht, während Bottom-Up zeitaufwendiger ist, aber typischerweise genauere Ergebnisse liefert.[1] Für eine Nische unterhalb der Abdeckungsschwelle der großen Research-Häuser gibt es oft keine belastbare Top-Down-Zahl als Ausgangspunkt, was den Bottom-Up-Aufbau erzwingt.

Eine marktfähige Marktgrößenanalyse für ein Investmentkomitee hat vier Eigenschaften, und ein strukturierter Market Sizing -Arbeitsstrang wird in der Regel an ihnen gemessen:

Ein klar definierter Lösungsrahmen, der angibt, welche Produkte, Anwendungsfälle, Käufertypen und Regionen gezählt werden und welche ausgeschlossen bleiben.

Einheitenzahlen je Kundensegment, jede zurückverfolgbar auf eine namentlich genannte Quelle wie ein Unternehmensregister, eine NACE-Codetabelle oder eine Verbandsstatistik.

Eine Umsatz-pro-Kunde-Kennzahl, trianguliert aus mindestens drei unabhängigen Quellen, mit offengelegter Spannbreite.

Eine explizite Abstimmung mit dem tatsächlichen Umsatz des Zielunternehmens, die den implizierten Marktanteil zeigt und ob dieser Anteil plausibel ist.

Der Wettbewerbskontext erhöht die Anforderungen. Das trockene Kapital von Private Equity und Venture Capital ist nach einer langanhaltenden Fundraising-Schwäche von seinen Allzeithochs zurückgegangen, doch der Pool an noch nicht gebundenem Kapital, das auf den Einsatz wartet, bleibt sehr groß.[2] Die Deal-Aktivität ist mit ihm gewandert, wobei Spätphaseninvestitionen und Transaktionen im Mittelstand die Dynamik von Großübernahmen verstärken. Wenn so viel Kapital um Assets konkurriert, sind die attraktiven Nischen genau diejenigen, die kein Bericht abdeckt, und die Teams, die sie glaubwürdig beziffern können, sind schneller.

Fragmentierung ist strukturell, nicht zufällig. Im Jahr 2022 gab es in der EU 32,3 Millionen Unternehmen mit 160 Millionen Beschäftigten, und 99 % davon waren Kleinst- und Kleinunternehmen mit bis zu 49 Beschäftigten.[3] Eine Nische, die diese Unternehmen bedient, ist daher ein Zensus-Problem, kein Berichtsproblem: Der Markt existiert als hunderttausende kleine Käufer, jeder zählbar in einem Register, und keine Syndikatsstudie wird ihn jemals in dieser Auflösung segmentieren. Das ist die Realität für die meisten VC- und PE-Fonds unterhalb der Mega-Deal-Ebene.

Investmentkomitees haben sich angepasst. Eine Top-down-Folie, die einen Bericht über eine benachbarte Kategorie zitiert und dann einen verfeinernden Prozentsatz anwendet, um auf das Segment des Zielunternehmens zu kommen, wird zunehmend an genau zwei Punkten hinterfragt: Deckt die Quelle dieses Segment tatsächlich ab, und ist jede Verfeinerungsannahme belegt? Wenn beides nicht beantwortet werden kann, wird die Marktgrößenanalyse als Marketing statt als Analyse behandelt, und das Memo trägt den Glaubwürdigkeitsschaden davon.

Quellenabdeckung: Benennt der zitierte Bericht das Segment des Zielunternehmens oder nur die übergeordnete Kategorie?

Annahmekette: Ist jeder verfeinernde Prozentsatz an Belege gebunden oder nur behauptet?

Abstimmung: Entspricht der implizite Marktanteil dem tatsächlichen Umsatz des Zielunternehmens oder beschönigt er die These?

Der Aufbau beginnt vor jedem Zählen mit der Definition des Umfangs. Wie Commercial-Diligence-Praktiker anmerken, ist ein häufiger Fehler, aus Bequemlichkeit einen breiten Proxy für den Lösungsbereich zu wählen; das Modell muss festlegen, welche SKUs, Anwendungsfälle, Käufertypen und Regionen einbezogen werden, bevor Stakeholder die Zahlen interpretieren können.[4] Erst dann beginnt die Einheitenarbeit.

Kundensegmente aus Registern und Branchendaten zählen

Die Zählung der Kundensegmente stützt sich auf drei Quellenfamilien. Unternehmensregister und nationale Statistikämter liefern Unternehmenszahlen nach Branchenklassifikation; NACE-Codes in Europa (und entsprechende Systeme anderswo) ermöglichen es dem Team, die Branchen zu isolieren, die das Zielunternehmen tatsächlich bedient. Branchenverbände veröffentlichen Mitgliederverzeichnisse und Sektorstatistiken, die oft feiner segmentieren als offizielle Statistiken. Wer die Registerzahlen nach den Kriterien filtert, die einen echten Käufer definieren – etwa Unternehmensgröße, Region und das Vorhandensein des Problems, das das Zielunternehmen löst –, verwandelt eine rohe Branchensumme in eine zählbare potenzielle Kundenbasis.

Umsatz pro Kunde triangulieren

Der Umsatz pro Kunde ist der zweite Multiplikator, und Cartas Framework bringt es auf den Punkt: TAM entspricht der Gesamtzahl potenzieller Kunden multipliziert mit dem durchschnittlichen Jahresvertragswert pro Kunde.[1] Der Durchschnitt selbst sollte trianguliert, nicht behauptet werden. Kundenverträge und Preislisten aus dem Datenraum liefern die realisierte Preisgestaltung; CRM-Exporte liefern die Verteilung, nicht nur den Mittelwert, was wichtig ist, weil wenige große Konten einen Durchschnitt verzerren können; vergleichbare Transaktionen und Wettbewerbs-Preiskarten begrenzen die Spanne. Wo die drei Quellen widersprüchlich sind, wird die Spannbreite offengelegt, statt sie wegzumitteln.

Der hybride Ansatz der kommerziellen Due Diligence behandelt Triangulation als Standard, nicht als Ausnahme: Die Kombination aus veröffentlichten Daten, Top-down-Prüfungen und Bottom-up-Aufbauten aus mehreren validierten Quellen wird als zuverlässigste Methode beschrieben, um ein Marktmodell zu erstellen, auf dessen Grundlage ein Investment Committee handeln kann.[4] Der Bottom-up-Aufbau ist das Rückgrat dieser Triangulation, denn er ist das Bein, dessen sämtliche Eingaben sich erneut überprüfen lassen.

Wenn es keine Berichterstattung durch namentlich genannte Analysten gibt, existiert auch keine veröffentlichte Marktanteilstabelle, auf die man sich stützen könnte – das Team erstellt daher stattdessen eine Wettbewerbszählung. Die Methode ist unspektakulär: Man erfasst die Akteure über Handelsregister, Branchenverzeichnisse, Mitgliedslisten von Branchenverbänden und die eigenen Win-Loss-Aufzeichnungen des Zielunternehmens und ordnet jeden nach Segment, Geografie und geschätzter Größe ein. Die Zählung liefert keine präzisen Marktanteile für jeden Akteur, aber sie stellt die beiden Fakten fest, die für die These zählen: wie viele glaubwürdige Wettbewerber existieren und wie groß der größte von ihnen im Verhältnis zum erfassten Markt ist.

Eine Wettbewerbszählung erfasst jeden zählbaren Akteur der Nische und ersetzt die fehlende Analysten-Anteilstabelle durch eine überprüfbare Aufzählung. · KI-generiert

Marktanteil und Konsolidierungsspielraum lassen sich anschließend schätzen, indem die Zahl der Unternehmen der Branche als Nenner dient. Die Strukturstatistiken über Unternehmen von Eurostat liefern genau das: Unternehmenszahlen nach Branche und Größenklasse, sodass ein Team beispielsweise feststellen kann, dass eine Nische mit einigen tausend adressierbaren Unternehmen nur eine Handvoll Akteure oberhalb einer bestimmten Umsatzgröße enthält, und beziffern kann, wie viel vom Markt unterhalb dieser Größenordnung bleibt.[3] Diese Spielraum-Zahl ist der Rohstoff einer Roll-up-These und gehört ab dem ersten Durchlauf in die Ziel-Screening und das IC-Material – nicht als Nachgedanke.

Roll-up- und Add-on-Thesen bergen zudem Einschränkungen, die eine bloße Zählung nicht offenlegt. Wie BLGs Analyse von Private-Equity-Konsolidierungsstrategien anmerkt, benötigen Firmen vor dem Einsatz eines Roll-ups ein umfassendes Verständnis der gesetzlichen und regulatorischen Regeln, die Eigentum oder Betrieb von Unternehmen beschränken können, da Eigentumsbeschränkungen in manchen Branchen Management- oder Joint-Venture-Strukturen erzwingen können, die die Strategie wirtschaftlich weniger tragfähig machen.[5] Denselben Analysen zufolge sind Gründerbindung und Earn-out-Dynamiken wiederkehrende Ausführungsrisiken bei Serienakquisitionsstrategien.

Regulatorische Eigentumsgrenzen, die ein konventionelles Equity-Roll-up blockieren und alternative Strukturen erzwingen können.

Branchenspezifische finanzielle Covenants, die die Akquisitionsverschuldung gegebenenfalls erfüllen muss.

Abhängigkeiten von Gründern und Schlüsselpersonen, die das Ausführungsrisiko über mehrere gleichzeitige Integrationen konzentrieren.

Tiefe des Exit-Marktes, denn ein Konsolidierer, der den Pool verbleibender Käufer schrumpfen lässt, verengt auch seine eigenen Exit-Optionen.

Die Verifikationsebene ist der Ort, an dem ein Bottom-up-Aufbau seine Glaubwürdigkeit unter Beweis stellt. Die Evidenzbasis sollte zusammengestellt werden, bevor das Modell finalisiert wird, und jede Eingabe sollte sich auf ein Dokument abbilden lassen, das ein Komitee-Mitglied anfordern und erhalten könnte.

Kundenverträge und Preislisten, die den realisierten Umsatz je Kunde abbilden statt Listenpreise.

CRM-Exporte, die die Kundenverteilung, Konzentration und Abschlussquoten hinter dem Durchschnitt zeigen.

Registerzählungen und NACE-Code-Auszüge, die die Nenner der Kundensegmente stützen.

Statistiken von Branchenverbänden, die eine unabhängige zweite Zählung für dieselben Segmente liefern.

Arbeitspapiere zur Wettbewerbererhebung mit der Quellenangabe für jeden genannten Akteur.

Zwei Tests leisten den größten Teil der Arbeit. Erstens: Abgleich des Bottom-up-TAM mit dem tatsächlichen Umsatz des Zielunternehmens: Impliziert der aktuelle Umsatz des Ziels einen Anteil am errechneten Markt, der unplausibel hoch oder unplausibel niedrig ist, stimmt entweder die Kundenzahl oder die Annahme zum Umsatz je Kunde nicht – und die Diskrepanz lokalisiert den Fehler. Zweitens: Sensitivitätsprüfung des Umsatzes je Kunde über das triangulierte Spektrum hinweg statt anhand eines einzelnen Punktwerts, denn in einer Nische mit einer Handvoll großer Accounts erzählen Mittelwert und Median oft unterschiedliche Geschichten. Teams, die diese Belege durchgehend quellenverknüpft halten, wie es die Praxis zur Datenherkunft beschreibt, können den Abgleich bei Bedarf neu generieren, statt ihn neu aufzubauen.

Die wiederkehrenden Warnsignale sind in der Praxis der Commercial Due Diligence gut dokumentiert. Ein überhöhter TAM, der jeden Dollar einer angrenzenden Kategorie mitzählt, lässt eine Folie zwar beeindruckend aussehen, übersteht aber selten die Nachfragen der Investoren; das lineare Fortschreiben von Wachstum aus Endmarkt-CAGRs ignoriert reale Reibungen durch Kapazitäten, Wettbewerb und Kanaldynamik; und SOM als Ausdruck von Ambition statt als Abbild verifizierter Go-to-Market-Reichweite zu behandeln, bläht Erwartungen auf und untergräbt die Glaubwürdigkeit.[4] Jedes davon ist ein Sizing-Fehler, den eine disziplinierte Evidenz-Checkliste früh aufdeckt, und jedes gehört auf das Risikoregister statt in eine Fußnote.

Die Sizing-Ergebnisse fließen unmittelbar in das Deal-Geschehen ein. Ein verifizierter TAM- und SOM-Bereich verankert die Wachstumsannahmen im Operating Model, die wiederum das Entry-Multiple rahmen, das der Käufer verteidigen kann: Ein Multiple zu zahlen, das Wachstum im obersten Dezil einpreist, ist nur rational, wenn der gezählte Markt dies trägt. Zeigt die Berechnung Spielraum, den das Zielunternehmen noch nicht ausgeschöpft hat, werden Earn-out-Strukturen, die an die Marktausweitung gekoppelt sind, zu einem Weg, eine Bewertungskluft zu überbrücken, und die Wettbewerbererhebung identifiziert, welche Add-on-Akquisitionen tatsächlich gezählten Marktanteil konsolidieren statt angrenzenden Nebengeräuschs. Schwaches oder unverifiziertes Sizing bewirkt das Gegenteil: Es verlangsamt die Verhandlung, lädt zum Nachverhandeln ein und liefert den Beratern des Verkäufers ein leichtes Ziel in den Diskussionen um das Finanzmodell.

Ein Diligence-Workspace unterstützt diesen Workflow, ohne Märkte automatisch zu dimensionieren; das Sizing-Urteil bleibt beim Deal-Team, und die Plattform strukturiert die Evidenz darum herum. Data Room Ingestion scannt virtuelle Datenräume und verarbeitet Verträge, Tabellen und Finanzmodelle innerhalb von Minuten, sodass Kundenlisten und Preisdokumente schnell in die Analyse einfließen. Die AI-Analysis Engine liest diese Dokumente und kreuzverweist sie, extrahiert und verknüpft die Kunden- und Umsatzbelege, von denen die Unit-Berechnung abhängt – mit Quellnachverfolgbarkeit für jeden Befund. Risk Radar bewertet Befunde nach Wesentlichkeit, finanzieller Auswirkung und Deal-Relevanz – so wird ein überhöhter TAM oder eine unbelegte SOM-Annahme als markiertes Risiko sichtbar statt als vergrabene Annahme. Der Report Builder entwirft das Deliverable mit jeder auf die Quelle rückführbaren Zahl, und eine gemeinsame Kollaborationsebene hält die kommerziellen, finanziellen und rechtlichen Workstreams auf derselben Evidenzbasis. Das ist das Arbeitsmuster für M&A-Beratungshäuser wie für Fondsteams gleichermaßen: Die Maschine organisiert und beschleunigt die Evidenz, und die Professionals dimensionieren den Markt.

Die Methode lässt sich zu einer Abfolge verdichten, die ein Deal-Team in einer laufenden Transaktion durchführen kann, und sie lässt sich sauber auf eine strukturierte Checkliste für Commercial Due Diligence abbilden:

Definieren Sie den Lösungsumfang schriftlich: welche Produkte, Anwendungsfälle, Käufertypen und Geografien gezählt werden und welche ausgeschlossen sind.

Zählen Sie die adressierbare Kundenbasis aus Registern, NACE-Code-Statistiken und Branchenverbandsverzeichnissen, gefiltert nach den Kriterien, die einen realen Käufer definieren.

Triangulieren Sie den Umsatz je Kunde über Verträge und Preislisten, CRM-Exporte und Wettbewerber-Rate-Cards und legen Sie die Spannweite offen, statt sie im Durchschnitt zu verwischen.

Begrenzen Sie TAM auf SAM und SOM anhand verifizierter Go-to-Market-Reichweite, nicht anhand von Ambition.

Erstellen Sie die Wettbewerbererhebung und quantifizieren Sie den Konsolidierungsspielraum gegenüber der Zahl der Unternehmen im Sektor.

Gleichen Sie die Berechnung mit dem tatsächlichen Umsatz und dem implizierten Anteil des Zielunternehmens ab und prüfen Sie die Sensitivität der Umsatz-je-Kunde-Spannweite, bevor die Zahl das Investment Committee erreicht.

Die Disziplin, die die Sequenz zusammenhält, ist Transparenz über die Logik: Praktiker, die Kunden jeden Treiber, jede Einheit und jeden Preiseingang erläutern – von den Quellen bis zu den Konfidenzniveaus – erstellen Marktmodelle, die die Prüfung durch das Komitee überstehen, weil darin nichts unbelegbar ist.[4] Plausity ist darauf ausgelegt, diese Transparenz zum Standard zu machen statt zu einem Mehraufwand, und verbindet jede Größeneingabe über den gesamten Workspace hinweg mit ihrem Quelldokument. Gebaut für die heutigen Investment- und Deal-Teams. Vertraut von über 200 Firmen. Bei Ihrem nächsten Nischendeal gewinnt das Team, das seine Einheiten belegen kann, das Argument – und der oben beschriebene Aufbau zeigt, wie dieser Nachweis erbracht wird.

Plausity ist eine KI-native Due-Diligence- und Deal-Intelligence-Plattform, die M&A-Beratungen, VC- und PE-Fonds, Corporate-Development-Teams und Investment-Banking-Teams dabei unterstützt, Nachweise, Findings und Fragen entlang eines Datenraums zu strukturieren. Plausity unterstützt Evidenzextraktion, Quellenverankerung, Findings-Management und IC-Vorbereitung — die Plattform ersetzt keine menschlichen Analysten, Berater oder Investmentprofessionals, liefert keine Rechts-, Steuer-, Prüfungs-, Regulierungs- oder Anlageberatung und trifft keine autonomen Investitionsentscheidungen. Alle Findings erfordern menschliche Prüfung. Gebaut für die heutigen Investment- und Deal-Teams. Vertrauen von >200 Firmen.

Weitere Details zu den Kernbausteinen finden Sie beim Plausity AI Analysis Engine und in der Findings & Risk Intelligence-Übersicht. Für team-spezifische Workflows sehen Sie, wie VC- und PE-Fonds und M&A-Beratungen Plausity in laufenden Deals einsetzen.

1. [1] carta.com — https://carta.com/learn/startups/metrics/market-size/
2. [2] spglobal.com — https://www.spglobal.com/market-intelligence/en/news-insights/articles/2025/12/private-equity-dry-powder-recedes-from-all-time-highs-amid-slow-fundraising-96015525
3. [3] ec.europa.eu — https://ec.europa.eu/eurostat/web/products-eurostat-news/w/ddn-20241025-1
4. [4] martecgroup.com — https://martecgroup.com/market-intelligence-in-commercial-due-diligence/
5. [5] blg.com — https://www.blg.com/en/insights/2020/02/private-equity-rollups-strategic-considerations