Financial due diligence · Praktijkcase
We konden de klanten niet eens tellen
Hoeveel klanten heeft deze onderneming? Hoeveel daarvan keren terug? En hoeveel procent van de omzet komt van de grootste klanten? Het zijn basisvragen bij een financial due diligence. Toch konden we ze niet beantwoorden.
Voor de overnemende partij voerde ik tijdens een internationale overname de financiële en commerciële data-analyses uit. Mijn opdracht was duidelijk: dashboards en inzichten opleveren waarmee de CFO en het dealteam de onderneming achter de cijfers konden begrijpen.
Toen de vragen over de klantenanalyse op tafel kwamen, dacht ik: easy.
Tot ik de data opende.
Geen klant-ID. Zelfs geen uniek sleutelveld
In de aangeleverde salesdata stond geen klant-ID. Er was ook geen ander uniek sleutelveld waarmee we een klant betrouwbaar doorheen de verschillende tabellen konden volgen.
Wat hadden we wel? Klantnamen. Alleen waren die namen niet stabiel. Ze werden anders gespeld, tussentijds aangepast of aangevuld met interne opmerkingen.
Op basis daarvan kun je regels samenbrengen die op elkaar lijken. Maar je kunt niet met voldoende zekerheid zeggen hoeveel unieke klanten er zijn, welke klanten opnieuw kopen of welk aandeel van de omzet bij één klant hoort.
Mijn eerste reactie was vooral onbegrip: hoe kan het dat een onderneming haar klanten niet betrouwbaar kan tellen of segmenteren?
Net deze analyse is essentieel voor een overnemer
De vragen van de CFO waren niet uitzonderlijk. Een overnemer wil weten:
- hoeveel actieve klanten de onderneming heeft;
- hoeveel klanten terugkeren;
- hoe sterk de omzet bij enkele grote klanten geconcentreerd is;
- welke types klanten worden bediend;
- in welke landen of regio's die klanten zitten;
- hoe stabiel en wederkerend de omzetbasis is.
In dit dossier groeide de uiteindelijke klant- en omzetanalyse uit tot een van de doorslaggevende elementen in de aankoopbeslissing. Net die analyse kon aanvankelijk niet betrouwbaar worden uitgevoerd.
Eerst de klanten reconstrueren
Er bestond geen magische Excel-formule die het probleem plots oploste. Voor we konden analyseren, moesten we de klanten eerst opnieuw herkenbaar maken.
Ik kreeg afzonderlijke klantenlijsten aangeleverd en vergeleek die met de beschikbare salesdata. Met fuzzy matching zocht ik overeenkomsten op basis van verschillende combinaties van klantnaam, adres, postcode, land en andere beschikbare kenmerken.
Elke voorgestelde match kreeg een matchscore. Bij een score vanaf 85 op 100 nam het salesteam het voorgestelde klantnummer over. Lag de score lager, dan controleerde het salesteam de match manueel. Daarna werd het klantnummer in de klantenfiche ingevuld en konden we het meenemen in de analyse.
Die aanpak werkte omdat we onzekerheid niet verborgen. Sterke matches konden snel verwerkt worden en menselijke aandacht ging naar de twijfelgevallen. Maar pas nadat we eerst een ontbrekend stuk van de datastructuur hadden gereconstrueerd, kon het echte analysewerk beginnen.
De data die we misten, zat dichterbij dan gedacht
Tijdens dat werk werd duidelijk wat ik eigenlijk nodig had: rechtstreekse en gestructureerde toegang tot de meest gedetailleerde boekhouddata.
In de boekhouding zit vaak veel bruikbare klantinformatie. Afhankelijk van het pakket vind je die in de grootboekregels, verkoopfacturen, debiteurenkaarten of klantenfiches.
Als je die bronnen gecontroleerd met elkaar en met de commerciële salesdata verbindt, ontstaat een controleerbaar totaalbeeld. Dan hoef je klanten niet langer te herkennen op basis van wisselende namen alleen.
Zorg bij een financial due diligence dat de analist toegang heeft tot alle relevante databronnen en niet alleen tot samenvattende rapporten. Denk aan grootboekregels, verkoopfacturen, debiteureninformatie en waar nodig ook CRM- of salesdata.
Daar werd de nood aan Insitely zichtbaar
De Insitely-tool bestond toen nog niet. De nood eraan werd tijdens deze opdracht wel bijzonder duidelijk.
Vandaag haalt Insitely, wanneer de gegevens in een ondersteund boekhoudpakket beschikbaar zijn, via een beveiligde koppeling onder meer de gedetailleerde grootboekboekingen, verkoopfacturen en klantgegevens op. Die gegevens worden gestructureerd voor analyse en beschikbaar gemaakt in Power BI en Excel.
Toevallig exact de twee omgevingen waarin ik ook tijdens deze due diligence mijn dashboards en inzichten moest opleveren.
Niet omdat financial due diligence zonder Excel kan. Wel omdat een externe analist zijn tijd beter besteedt aan analyse en professioneel oordeel dan aan het herstellen van exports.
Hoe loopt jullie DD-proces vandaag?
Hoe verzamelen, koppelen en controleren jullie vandaag financiële en commerciële data in een DD-dossier? In een inhoudelijk gesprek leggen we jullie proces naast deze praktijkcase. Daarna kan een gerichte demo tonen waar Insitely tijd en manueel werk kan wegnemen.
Over Roel Bäumer
Ondertussen 18 jaar data en BI, bij middelgrote tot grote ondernemingen. Met Insitely combineer ik een herbruikbare financiële datalaag met implementatie- en M&A-data-expertise. Waar een dossier extra analyse of maatwerk vraagt, kan ik ook als data-specialist naast het bestaande dealteam worden ingeschakeld.
Verder lezen: Welke klantanalyses zijn onmisbaar bij een overname?