Efficiency Score

Der Efficiency Score eines Wachstumsunternehmens ist ein Maß für die Effizienz des Wachstums. Er wird gebildet als Summe aus Umsatzwachstum und Free Cash Flow Marge:

Efficiency Score = Umsatzwachstum + FCF-Marge

Das Ergebnis ist wiederum ein Prozentsatz. Aus der Erfahrung gelten Werte über 40% als gut, daher wird der Score mitunter auch als „Rule of 40“ bezeichnet.

Die auf den ersten Blick etwas seltsam anmutende Verknüpfung von Umsatzwachstum und FCF-Marge hat eine sehr praktische Bedeutung. Hemdsärmelig kann man sagen, dass dieser Score eine Aussage darüber macht, ob die Kunden dem Unternehmen die Produkte geradezu aus den Händen reißen (hohes Wachstum ohne große Marketing-Aufwände), oder ob sie mit großem Aufwand (Sales & Marketing-Kosten) zu den Produkten hingetragen werden müssen. Denn wenn ein starkes Umsatzwachstum nur mit hohen Kosten erkauft werden kann, wird die FCF-Marge entsprechend gering sein und der Efficiency Score entsprechend geringer ausfallen.

Der Efficiency Score ist daher ein wichtiger Bestandteil des LionFolio Enterprise Score.

LionFolio Enterprise Score

Im LionFolio Enterprise Score sind alle Bewertungskriterien eines Unternehmens, gewichtet nach ihrer Bedeutung, zu einem einzigen Wert zusammengefasst. Dadurch kann man auf 1 Blick sehen, ob ein Unternehmen überdurchschnittlich attraktiv erscheint und wenn ja, wie groß der Anteil dieses Unternehmens in einem Portfolio in etwa sein sollte.

Der LionFolio Enterprise Score berechnet sich durch eine komplexe Formel aus den relativen Kennzahlen und unseren qualitativen Einschätzungen. Folgende Kriterien fließen zur Zeit ein:

  1. Fähigkeit des Managements
  2. Kurzfristige Vermögenswerte / kurzfristige Schulden
  3. Eigenkapitalquote
  4. Ökonomischer Burggraben
  5. Blue Ocean
  6. Konjunkturabhängigkeit
  7. Skalierbarkeit bzw. Efficiency Score
  8. Kundenbreite
  9. Preis-Score (abhängig von der Bewertungskategorie)

Der LionFolio Enterprise Score ist selbst auch wieder eine relative Kennzahl und eignet sich daher besonders gut, um verschiedene Unternehmen miteinander zu vergleichen.

Regenbogen

Ideale Aktien-Strategien

Ideale Aktien-Strategien finden zu wollen gleicht dem Versuch, den Regenbogen zu fassen bekommen zu wollen. Denn immer wenn man glaubt, die ideale Strategie gefunden zu haben, ist sie schon nicht mehr ideal – der Markt hat seine Spielregeln geändert, der Regenbogen ist weitergezogen.

In der hoffnungslosen Unübersichtlichkeit von wahrscheinlich Millionen von Büchern und Artikeln zum Thema, wie man sein Geld am besten anlegen sollte und was ideale Aktien-Strategien sein könnten, bietet dieser Artikel eine Basis, ohne die man ansonsten verloren wäre. Warum, das erfährst Du in den nächsten Absätzen.

Die Wissenschaft hat festgestellt…

Ich beginne mit dem einzigen, was wirklich belastbar ist, und das ist die Wissenschaft. Wir können heute zum Mars fliegen, in Sekundenbruchteilen Informationen aus der ganzen Welt abrufen und Krankheiten heilen, an denen Menschen in früheren Generationen noch gestorben sind. All das ist nur möglich durch die moderne Wissenschaft, die Methoden entwickelt hat, um Erkenntnisse zu erlangen, die wirklich wahr sind – und nicht nur häufig wiederholte Meinungen, die aber dennoch falsch sein können.

Dabei kann eine wahre Erkenntnis auch darin bestehen, dass man etwas nicht weiß. Diese Erkenntnis ist oft noch viel schwieriger zu akzeptieren, weil die menschliche Psyche einen enormen Drang dazu hat, in alles und jedem Muster zu erkennen und Erklärungen zu finden. Dass etwas mit dem aktuellen Wissen nicht erklärt, geschweige denn vorausgesagt werden kann, ist für den Menschen sehr schwer zu akzeptieren. Manche reagieren darauf mit religiösen Überzeugungen oder sonstigen abstrusen Ideen, die mit der Realität nichts zu tun haben. Einfach weil es so unerträglich ist zu akzeptieren, dass man etwas nicht versteht.

… dass Statistik manchmal nichts erhellt

In seinem auch für Nicht-Wissenschaftler verständlichen Buch „Genial einfach investieren“ fasst Prof. Dr. Martin Weber die Ergebnisse seiner jahrzehntelangen Forschungen zusammen. Eine zentrale Aussage findet sich auf Seite 208:

Es fehlt uns an historischen Daten, um eine Dominanz der Aktienanlage
für langfristig agierende Investoren zu beweisen. Die Statistiker wissen
es: Man benötigt mindestens 25 unabhängige Beobachtungen, um
verlässliche Schlussfolgerungen zu ziehen. Die geballte Information eines Jahrhunderts liefert uns aber nur vier 25-Jahres-Zeiträume, die sich
nicht überlappen und deshalb unabhängig voneinander sind. Um ein repräsentatives Ergebnis zu erhalten, reichen 100 Jahre bei weitem nicht
aus. Es sind vielmehr mindestens 25 x 25 = 625 Jahre notwendig.

Um die doppelte Bedeutung der Zahl 25 in dieser Betrachtung zu vermeiden, wandeln wir die Fragestellung leicht ab zu:

Was wären ideale Aktien-Strategien für einen Zeitraum von 20 Jahren?

20 Jahre sind ein typischer Zeitraum, den Anleger oft im Blick haben. Weber sagt nun, dass man dazu einen Forschungszeitraum von 25 x 20 Jahren = 500 Jahren benötigt, um zu wissenschaftlich belastbaren Ergebnissen zu kommen. 500 Jahre historische Daten zum Aktienmarkt gibt es jedoch nicht. Daher ist es aktuell nicht möglich, eine wissenschaftlich fundierte Aussage zu idealen Aktien-Strategien zu finden!

Instinkte und Daumenregeln

Diese Erkenntnis hat weitreichende Auswirkungen. Denn sie ermöglicht erst den ganzen unüberschaubaren Wildwuchs an Aktien-Strategien und Empfehlungen, wie man sich am besten am Aktienmarkt positionieren sollte. Denn wenn es keine wissenschaftliche Antwort gibt, muss man sich notgedrungen auf seinen Instinkt, Daumenregeln oder bestenfalls wissenschaftliche Teilergebnisse verlassen. Das ist der einerseits frustrierende, aber natürlich auch spannende Grund, warum niemand am Aktienmarkt über eine absolute Wahrheit verfügt. Frustrierend, weil jeder Versuch, aus den zu geringen Daten doch noch wissenschaftliche Erkenntnisse zu gewinnen, letztlich zum Scheitern verurteilt ist. Denn solche Aussagen können immer nur unter dem Vorbehalt „sofern die zu geringen Daten zufällig doch ausreichend sein sollten“ getätigt werden. Man kann aus diesen aber eben keine belastbaren Prognosen für die Zukunft treffen.

Backtesting von Aktien-Strategien

Zur Verdeutlichung ein Beispiel: Vom US-Aktienmarkt liegen detaillierte Daten sei 1870 vor. Das sind immerhin 150 Jahre. Auf Basis dieser Daten kann man verschiedene Aktien-Strategien prüfen, in der Art: „Welche Rendite hätte jemand erzielt, der in diesem Markt 150 Jahre lang Strategie XY verfolgt hätte?“ Das nennt man Backtesting. Solchen Arten von Analysen wurden natürlich bereits in Unmengen getätigt. Das Ergebnis sind dann wissenschaftlich korrekte Aussagen wie „Mit der Aktien-Strategie XY hätte ein Anleger in diesen 150 Jahren 8% Rendite pro Jahr erzielt“. Das ist schön. Aber für die Zukunft leider wertlos, denn die Betonung liegt auf „diesen 150 Jahren„, also von 1870 bis 2020. Von 1880 bis 2030 kann etwas ganz anderes gelten, und von 2020 bis 2170 erst recht. Und vor allem, was nützt mir eine Aussage zum Durchschnitt von 150 Jahren, wenn mein Anlagezeitraum nur 20 oder höchstens 40 Jahre sind?

Bleibt alles anders

Weiter veranschaulichen kann man sich das Problem, wenn man sich die Zinsentwicklung seit 2008 anschaut. Eine solche Phase der massiven Zinssenkungen bis in den negativen Bereich, der nun auch schon mehr als 10 Jahre andauert, hat es in den 140 Jahren vorher nicht gegeben. Damit wird es auch intuitiv verständlich, warum die 140 Jahre wenig Aussagekraft für die Zukunft haben: wir haben einfach noch nicht alle Marktsituationen gesehen, geschweige denn mit ausreichender Häufigkeit, um daraus statistisch belastbare Aussagen tätigen zu können.

Fazit: Es bleibt spannend! Da keine wissenschaftlichen Endergebnisse vorliegen, kann niemand sagen, welche Aktien-Strategien mit welcher Wahrscheinlichkeit in Zukunft zu den besten Ergebnissen führen. Erst recht nicht kann das Verhalten der Aktienmärkte für die nächsten Jahre konkret prognostiziert werden. Es kann buchstäblich alles passieren. Oder um es in Abwandlung des Sokrates zugeschriebenen Zitats zu sagen:

Wir wissen, dass wir nichts wissen.

Wer von diesem Ergebnis enttäuscht ist, hat immerhin die Möglichkeit, sich auf die Suche nach zumindest einleuchtenden, plausiblen Aktien-Strategien zu machen. Dazu mehr in den kommenden Artikeln.

Quasi-PEG

Das Quasi-PEG ist eine Bewertungskennzahl für defizitäre Startups. Sie stellt ein Maß für das PEG des erwachsenen Unternehmens dar.

Bei „erwachsenen“ Unternehmen, die die Phase des schnellsten Wachstums bereits hinter sich haben und nun Gewinne schreiben, verwendet man gerne das Price/Earnings-to-Growth Verhältnis (PEG) als „Preis“ des Unternehmens, der auch die Geschwindigkeit des Gewinnwachstums berücksichtigt. Diese stellt die m.E. aussagekräftigste einzelne Kennzahl dar, die heutzutage in Unternehmensdaten wie auf Morningstar oder Factset verfügbar ist.

Bei jungen Startups, die noch schnell wachsen und k(l)eine Gewinne (oder sogar Verluste) schreiben, ist die Berechnung des PEG jedoch nicht (sinnvoll) möglich. Stattdessen kann man bei diesen Unternehmen jedoch ein Quasi-PEG ermitteln:

Quasi-PEG = Quasi-KGV / Umsatzwachstum

Statt des KGV verwendet man also das Quasi-KGV, statt des Gewinnwachstums das Umsatzwachstum. Damit hat man nun auch für defizitäre Startups die „eierlegende Wollmilchsau der Unternehmenskennzahlen“ verfügbar.

Quasi-KGV

Das Quasi-KGV ist eine Bewertungskennzahl für noch defizitäre Startups. Sie ein Maß für das zukünftige KGV des erwachsenen Unternehmens dar.

Bei „erwachsenen“ Unternehmen, die die Phase des schnellsten Wachstums bereits hinter sich haben und nun Gewinne schreiben, verwendet man gerne das Kurs-Gewinn-Verhältnis als „Preis“ des Unternehmens. Dieses gibt an, wie viele Jahre das Unternehmen braucht, um mit dem aktuellen Jahresgewinn seinen aktuellen Marktwert zu erwirtschaften. Etwaige Veränderungen des Jahresgewinns werden dabei nicht berücksichtigt.

Bei jungen Startups, die noch schnell wachsen und k(l)eine Gewinne (oder sogar Verluste) schreiben, ist die Berechnung des KGV jedoch nicht (sinnvoll) möglich. Stattdessen kann man bei diesen Unternehmen jedoch ein Quasi-KGV ermitteln:

Quasi-KGV = Enterprise Value / ( Umsatz x SopM )

SopM steht für eine Schätzung der späteren operativen Gewinnmarge, der sich das Unternehmen im erwachsenen Zustand annähert. Die spätere operative Marge muss geschätzt werden, weil die operative Marge bei jungen Startups oft noch negativ oder sehr gering ist und daher keine sinnvolle Aussage macht.

Als Schätzung für die spätere operative Gewinnmarge verwenden wir folgende Daumenregeln:

  • Software: SopM = Bruttomarge – 35%
  • E-commerce: SopM = Bruttomarge – 20%
  • Hardware: SopM = Bruttomarge – 10%
  • Biotech: SopM = Bruttomarge – 40%

Der springende Punkt besteht also darin, aus den aktuellen Umsätzen und der Bruttomarge die zukünftig erwarteten Gewinne abzuschätzen.

Beispiel: Für ein Software-Unternehmen ergibt sich insgesamt folgende Formel für das Quasi-KGV:

Quasi-KGV = Enterprise Value / ( Umsatz x (Bruttomarge – 35%) )

Das Quasi-KGV ist eine relative Kennzahl und kann als solche gut zum Vergleich verschiedener Unternehmen herangezogen werden.

Wie das KGV berücksichtigt das Quasi-KGV noch nicht die Wachstumsgeschwindigkeit des Unternehmens. Dies erreichen wir erst mit dem Quasi-PEG.