Shareholder Activism: wir sagen voraus wen es trifft!

Heute haben Sie einen ganz anderen Artikel vor sich als sonst. Denn heute wollen wir Ihnen exemplarisch zeigen, wie wir Unternehmen identifizieren, die für Falcon Bedarf haben könnten. Dabei geht es nicht um Marketing. Es geht um die Identifikation von Unternehmen mit einen bestimmten Bedarf. Der Bedarf den wir uns heute rausgesucht haben ist gleichzeitig wenig bekannt aber umso spannender: Shareholder Activism.

Ein Aktionärsaktivist ist eine Person, die versucht, ihre Rechte als Aktionär einer börsennotierten Gesellschaft zu nutzen, um Veränderungen innerhalb oder für die Gesellschaft herbeizuführen. Der Begriff verweist insbesondere auf Investoren, die glauben, dass das Management eines Unternehmens schlechte Arbeit leistet. Diese Gruppe aktivistischer Investoren versucht oft, die Kontrolle über das Unternehmen zu erlangen und das Management zu ersetzen oder einen größeren Unternehmenswandel zu erzwingen. Nicht selten steht dabei das Wohl des Aktivisten im Vordergrund – und weniger das des Unternehmens.

Es scheint, als wäre den meisten deutschen Managern der Begriff nicht wirklich geläufig. Doch immer häufiger drängen aggressive Minderheitsaktionäre auf einen Verkauf oder stoßen feindliche Übernahmen durch Wettbewerber an. Die Beratungszunft hat das längst erkannt. Strategieberatungen wie McKinsey oder BCG, aber auch die Big Four und finanznahe Dienstleister wie PWC und A&M beschäftigen sich intensiv mit der Abwehr von Shareholder Activitsts. Angeboten werden Projekte, die naturgemäß sehr gut mit Falcon begleitet werden können. Denn es sind echte Transformationsprojekte, die das ganze Unternehmen erfassen.

Grund genug für uns, um einen Versuch zu starten, Unternehmen zu identifizieren, die vielleicht in der Zukunft Aktivisten zum Opfer fallen könnten.

Wie wir in 3 Schritten 90% Vorhersagegenauigkeit schaffen

Niemand weiß genau, was Shareholder Activism begünstigt. Die Forschung identifiziert eine ganze Latte an potentiellen Einflussfaktoren und ist sich über die Wirkungsrichtung und -stärke uneins. Hier kann man das ganz gut nachlesen.

Die Vielzahl der sich gegenseitig beeinflussenden Faktoren schreit förmlich nach modernen Methoden des maschinellen Lernens und genau das haben wir gemacht.

Schritt 1: Daten

In einem kleinem Feldversuch haben wir ein Set Unternehmen zusammengestellt, die rein von der Größe und vom Industriezweig vielleicht in die Fänge von Aktivisten geraten könnten. Die Anzahl der Unternehmen ist im mittleren dreistelligen Bereich. Knapp 29% der Firmen waren bereits Opfer von Aktivisten. Sie waren also bereits Target. Unser Ziel war es, eine Methode zu entwickeln, die "versteht", warum ein Unternehmen Target oder Non-Target in einem Zeitraum von drei Jahren war. Sollte diese Methode gut genug sein, könnten wir sie auf neue Unternehmen loslassen und auf Knopfdruck bestimmen, wer vielleicht Morgen als Target in Frage kommt. Über öffentlich verfügbare Quellen, haben wir uns im nächsten Schritt ein Datenset erstellt, das neben den klassischen Fragen wie Größe und Industrie auch diverse weitere Variablen enthält, die uns Aufschluss über die Vermögens-, Finanz- und Ertragslage der Unternehmen aufzeigt.

Ein kleiner - aber repräsentativer - Auszug aus den Daten zeigt, dass auf den ersten Blick nicht wirklich viel Unterschied zwischen Targets und Non-Targets besteht. Aber das kann täuschen. Denn so schön so ein 2D-Pairplot auch aussieht...die echten Zusammenhänge gehen sicherlich über die zweite Dimension hinaus. Dennoch lohnt es sich in der zweiten Dimension ein wenig rumzugucken.

Das zeigt z.B. dieser kleine Korrelationsplot. So scheint es positive korrelierte Zusammenhänge zwischen Targets und z.B. der durschnittlichen EBITDA-Marge zu geben. Alleine sagt uns das noch nichts. Aber es ist ungemein wichtig ein Gespür für die Daten zu entwickeln. Denn gerade hoch-korrellierte Daten können in der Analyse Probleme bereiten. Unternehmens-KPIs sind augrund ihrer Natur per se stark korrelliert.

Schritt 2: Modell basteln

Ein statistischer Ansatz um die Wirkungsbeziehung zwischen Target (Ja/Nein) und den Unternehmenskennzahlen zu bilden wäre eine logitische Regression. Obwohl logistische Regressionen weit verbreitet sind, haben sie einige gravierende Nachteile. Soweit potentielle Merkmale unbekannt sind, wird durch einfaches Hinzufügen aller Merkmale erwartet, dass die Modellleistung aufgrund eines Effizienzverlustes abnimmt. Außerdem kann das Modell keine komplexe Interaktionsstruktur erfassen.

Wir haben uns stattdessen für Ansätze entschieden die hochdimensionale Feature-Räume besser beherrschen. Sie führen in der Regel zu hochgradig skalierbaren und robusten Modellen. Die nachstehden Ergebnisse zeigen, was wir genutzt haben.

Schritt 3: Ergebnis checken

Mit unseren Modellen haben wir bis zu 90.75% Unternehmen analog der Realität klassifiziert. Das heißt, unser bestes Modell hat für knapp 9 aus 10 Unternehmen mittels statistischer Methoden richtig verstanden, ob es Target ist oder nicht. Für die Interessierten...nachstehend ein paar ROC-Kurven:

Doch können wir noch einiges mehr. Nicht nur kann unser Modell die Unternehmen in knapp 0.2 Millisekunden einordnen, es sagt uns auch, welche Eigenschaften der Unternehmen wichtig für die Entscheidung sind. Wir wollen hier nicht alles verraten. Aber ein bisschen veraten wir dann doch: Es geht nicht allein darum in Sachen Umsatz und Ergebnis besonders gut zu sein. In der Tat scheinen Unternehmen für Aktivisten von Interesse zu sein, die sich an Extremen bewegen – besonders gut oder eben besonders schlecht. Einiges begünstigt Aktivismus jedoch scheinbar immer: Eine wacklige Finanzierungsstruktur, hohe Overheads (sowie SG&A) und mangelnde Innovation. Letzteres gilt insbesondere für Unternehmen, die die nötigen Cash-Reserven zwar haben aber nicht reinvistieren. Ein bisschen mehr über unsere Findings erzählen wir hier.

Unser Modell steht. Wir können die Datenlage beliebig ausweiten und Unternehmen indentifizieren, die im Zweifel mit Ihren Aktionären Probleme bekommen werden. Und genau so suchen wir nach Unternehmen, die vielleicht Bedarf an Falcon haben. Denn z.B. Overheads zu reduzieren geht mit Falcon wunderbar.