Direkte Antwort
Ein KPI Dashboard für Startups und Portfolio Companies ist ein zentrales Monitoring-System, das 5-15 Kennzahlen wie Cash/Runway, Revenue Growth und Retention Metrics in Echtzeit visualisiert. Top-VCs wie Atomico und Bain Capital Ventures nutzen Traffic-Light-Systeme (rot/gelb/grün) zur Risikoerkennung und spezialisierte Tools wie Vestberry oder Standard Metrics zur automatisierten Datenerfassung. Der entscheidende Unterschied zu generischen Dashboard-Lösungen: VC-Portfolios erfordern Benchmarking über mehrere Unternehmen hinweg, Stage-spezifische Metriken und AI-gestützte Frühwarnsysteme.
Inhalt
- Warum VCs ihre Zeit zwischen Pre- und Post-Investment 50/50 aufteilen
- Die 5-15 KPIs, die Top-VCs wirklich tracken
- Traffic-Light-Systeme: So erkennen Investoren Risiken frühzeitig
- KPI Dashboard Tools: Vestberry, Standard Metrics & Alternativen im Vergleich
- Datenquellen und Integration: Vom Board Deck zum Data Lake
- AI im Portfolio Monitoring: Von der Datenbereinigung zum Agenten
- Wo Researchly Portfolio Data Hub beim KPI Dashboard konkret hilft
- KPI Dashboard erstellen: Schritt-für-Schritt für Startups
- Vom Dashboard zur Entscheidung: Wie VCs die Daten nutzen
- Häufig gestellte Fragen
Warum VCs ihre Zeit zwischen Pre- und Post-Investment 50/50 aufteilen
Vor fünf Jahren konzentrierten sich VC Data Teams fast ausschließlich auf Pre-Investment-Aktivitäten: Sourcing, Screening, Due Diligence. Das hat sich fundamental geändert.
Garrett von Atomico beschreibt die Verschiebung so: Seine Zeit verteilt sich inzwischen "getting close to 50/50" zwischen Pre- und Post-Investment-Arbeit.
Was das konkret bedeutet:
| Phase | Aktivitäten | Anteil (historisch) | Anteil (2026) |
|---|---|---|---|
| Pre-Investment | Deal Sourcing, Screening, Due Diligence | ~80-90% | ~50% |
| Post-Investment | Portfolio Monitoring, Value Creation, Exit Support | ~10-20% | ~50% |
Diese Verschiebung hat einen klaren Grund: Der größte Kostenfaktor im Portfolio Management ist Opportunity Cost. Wer sich auf die falschen Unternehmen konzentriert, verschwendet wertvolle Partner-Zeit.
KPI Dashboards sind das Werkzeug, um diese Ressourcenallokation datengestützt zu optimieren. Sie ermöglichen:
- Automatisierte Identifikation von At-Risk-Companies
- Benchmarking über das gesamte Portfolio hinweg
- Frühwarnsysteme für Runway-Probleme
Praxis-Tipp: Die meisten Gründer unterschätzen, wie systematisch VCs ihre Portfolios monitoren. Wer als Startup proaktiv strukturierte KPI-Reports liefert, signalisiert Professionalität – und erhöht die Wahrscheinlichkeit für Follow-on-Investments.
Die 5-15 KPIs, die Top-VCs wirklich tracken
Die goldene Regel für Portfolio-KPIs lautet: 5 bis 15 Metriken und Signale, abhängig vom Stage. Mehr führt zu Rauschen, weniger verhindert fundierte Entscheidungen.
Standard-KPIs für alle Portfolio Companies
| KPI | Was es misst | Warum es kritisch ist |
|---|---|---|
| Cash in the Bank | Liquide Mittel | Basis für Runway-Berechnung |
| Burn Rate | Monatliche Ausgaben | Zeigt Effizienz des Kapitaleinsatzes |
| Runway (Monate) | Cash ÷ Burn Rate | Frühwarnsystem für Funding-Bedarf |
| Revenue / ARR | Monatlicher oder jährlicher Umsatz | Core Growth Metric |
| Revenue Growth Rate | MoM oder YoY Wachstum | Zeigt Momentum |
| Headcount | Mitarbeiterzahl | Proxy für Skalierung |
SaaS-spezifische Metriken
Für SaaS-Unternehmen erweitern VCs das Set um Retention-Metriken:
| KPI | Zielwert (Series A+) | Warnsignal |
|---|---|---|
| Net Dollar Retention (NDR) | >100%, ideal >120% | <90% |
| Gross Retention | >85% | <80% |
| Monthly Churn | <2% | >5% |
| Expansion Revenue | >20% des Umsatzes | <10% |
Die Segmentierungs-Logik
Polina von Bain Capital Ventures erklärt den Ansatz: "Wir brechen unser Portfolio in SaaS vs. Non-SaaS auf und segmentieren zusätzlich nach Stage für die interne Analyse."
Das ist entscheidend: Ein Pre-Seed-Startup mit 50% MoM-Wachstum ist nicht vergleichbar mit einer Series-B-Company mit 50% YoY-Wachstum. Ohne Segmentierung produzieren Dashboards irreführende Benchmarks.
Wichtig: Die 6 Preset-Metriken, die BCV von allen Companies sammelt, bilden das Minimum. Darüber hinaus werden stage- und sektorspezifische KPIs ergänzt – ähnlich wie bei einer systematischen Startup-Bewertung anhand von Qualitätssignalen.
Traffic-Light-Systeme: So erkennen Investoren Risiken frühzeitig
Das Traffic-Light-System ist der De-facto-Standard für Portfolio-Risikobewertung. Es übersetzt komplexe KPI-Kombinationen in eine einfache Ampel-Logik.
Typische Schwellenwerte
| Metrik | 🟢 Grün | 🟡 Gelb | 🔴 Rot |
|---|---|---|---|
| Runway | >18 Monate | 6-12 Monate | <6 Monate |
| Actual vs. Budget | <10% Abweichung | 10-25% Abweichung | >25% Abweichung |
| Revenue Growth (YoY) | >100% | 50-100% | <50% |
| Founder Response Time | <48h | 2-7 Tage | >7 Tage |
Qualitative Risikosignale
Über reine Zahlen hinaus tracken erfahrene Investoren:
- Founder Responsiveness: Wenn Gründer aufhören zu antworten, ist das oft ein Frühwarnsignal für Probleme.
- Sentiment über Zeit: Wie hat sich die Einschätzung des Partners zum Founder entwickelt?
- Budget-Varianz-Trend: Eine einmalige Abweichung ist normal. Eine steigende Abweichung über mehrere Quartale ist ein Leading Indicator für tiefere Probleme.
Aus der Praxis: Ein VC-Fonds, mit dem wir zusammenarbeiten, entdeckte durch systematisches Tracking der Founder-Responsiveness, dass eine Portfolio-Company in Schwierigkeiten steckte – drei Monate bevor die Runway-Probleme in den Zahlen sichtbar wurden.
KPI Dashboard Tools: Vestberry, Standard Metrics & Alternativen im Vergleich
Die Tool-Landschaft für VC Portfolio Management hat sich in den letzten Jahren stark professionalisiert.
Die wichtigsten Plattformen
| Tool | Hauptfunktion | Besonders geeignet für | Preismodell |
|---|---|---|---|
| Vestberry | KPI-Ingestion, Portfolio Analytics | Mid-sized Funds, European VCs | Enterprise |
| Standard Metrics | Standardisierte KPI-Collection | Large Portfolios (200+ Companies) | Enterprise |
| Visible | Investor Reporting, LP Updates | Emerging Managers | Tiered |
| Carta | Cap Table + Portfolio Insights | US-focused Funds | Enterprise |
| Researchly | AI-native Analysis | Agenten-basiert, DACH-Fokus | Tiered |
Wie Top-Funds ihre Stacks aufbauen
Atomico nutzt Vestberry als primäres Tool für KPI-Ingestion. Die Daten fließen dann in einen zentralen Data Lake, gemeinsam mit CRM-Daten aus Affinity. Looker dient als Dashboard-Layer.
Bain Capital Ventures hat eine Partnerschaft mit Standard Metrics. Die Daten fließen direkt ins CRM und einen internen Data Lake, wo sie für alle Downstream-Prozesse und Tools zugänglich sind.
Worauf Sie bei der Tool-Auswahl achten sollten
- Data Governance: Enterprise-Lösungen stellen sicher, dass Founder-Daten nicht zum Training externer AI-Modelle verwendet werden.
- Integrationsfähigkeit: Das Tool muss mit Ihrem CRM und Data Warehouse kommunizieren können.
- Skalierbarkeit: 20 Portfolio Companies sind anders als 200.
- AI-Features: Die Zukunft liegt in automatischer Datenbereinigung, Board-Deck-Parsing und Portfolio-Level-Assistenten.
Eine detaillierte Analyse der Tool-Fragmentierung im VC-Alltag finden Sie in unserer Case Study: 34 Tools, 542 Aufgaben.
Datenquellen und Integration: Vom Board Deck zum Data Lake
Ein KPI Dashboard ist nur so gut wie seine Datenquellen. Die Herausforderung: Daten kommen aus völlig unterschiedlichen Formaten und Frequenzen.
Primäre Datenquellen
| Quelle | Frequenz | Datentyp | Herausforderung |
|---|---|---|---|
| Manuelle Eingabe (Excel/Google Sheets) | Monatlich/Quartalsweise | Strukturiert | Inkonsistente Formate |
| Board Decks (PDFs/PPT) | Quartalsweise | Unstrukturiert | Extraktion aufwendig |
| Accounting-Systeme (QuickBooks, Xero) | Echtzeit | Strukturiert | API-Integration nötig |
| CRM (Affinity, Salesforce) | Kontinuierlich | Semi-strukturiert | Datenqualität variiert |
| Externe Enrichment | Ad-hoc | Unstrukturiert | Matching-Probleme |
Der Data Lake als Single Source of Truth
Die Best Practice sieht so aus:
Datenfluss-Architektur:
- Portfolio Company Inputs → KPI Tool (Vestberry / Standard Metrics)
- KPI Tool → Data Lake / Warehouse
- Data Lake → CRM, BI-Tools (Looker), AI Tools
Warum dieser Aufbau? Er ermöglicht:
- Konsistenz: Alle Teams arbeiten mit denselben Zahlen.
- Historisierung: Trends über Zeit werden sichtbar.
- AI-Readiness: LLMs können auf den gesamten Datenbestand zugreifen.
Datenqualität sicherstellen
BCV hat ein proprietäres Tool entwickelt, das Companies scored und Daten identifiziert, die nicht plausibel aussehen (siehe unsere Tool: VC Scorecard). Die Kombination aus automatisierten Checks und Human Review ist entscheidend – ein Ansatz, den auch KI-Agenten für Due Diligence verfolgen.
Realität: Manche Portfolio Companies liefern regelmäßig vollständige Daten. Andere sind weniger konsistent. Ein gutes KPI Dashboard muss mit beiden Szenarien umgehen können.
AI im Portfolio Monitoring: Von der Datenbereinigung zum Agenten
AI transformiert Portfolio Management – aber nicht so, wie viele es erwarten. Die größten Effizienzgewinne liegen nicht in "ChatGPT für VCs", sondern in automatisierten Workflows.
Konkrete AI-Anwendungsfälle (Stand 2026)
| Use Case | Zeitersparnis | Komplexität | Tools |
|---|---|---|---|
| Data Cleaning & Reconciliation | 80% | Niedrig | Custom Scripts, Vestberry |
| Automated Tearsheet Generation | Tage → Stunden | Mittel | Standard Metrics, Researchly |
| Board Deck Summarization | 90% | Mittel | Glean, Custom LLMs |
| External Data Enrichment | 70% | Hoch | Researchly Market Analyzer |
| Portfolio-Level Q&A | Neu | Hoch | Standard Metrics (Beta) |
Enterprise Search als Game Changer
Tools wie Glean sitzen auf dem unified Data Lake und ermöglichen Natural Language Queries über das gesamte Portfolio:
- "Welche Companies haben weniger als 12 Monate Runway?"
- "Zeige alle SaaS-Companies mit NDR unter 100%."
- "Vergleiche die Hiring-Trends von Company A und B."
Slack als Delivery-Interface
Ein unterschätzter Trend: Slack wird zum primären Interface für Portfolio Insights. Statt Dashboards aktiv aufzurufen, pushen AI-Systeme relevante Updates direkt in Slack-Channels:
- Automatische Alerts bei Runway-Warnsignalen
- Zusammenfassungen neuer Board Decks
- Weekly Portfolio Health Summaries
Der Ausblick: AI Agents für Portfolio Support
Die nächste Entwicklungsstufe sind AI Agents, die Tools verbinden für:
- Automatisierte Introductions (Portfolio ↔ Kunden)
- Talent Matching (Portfolio ↔ Kandidaten)
- Proactive Portfolio Support
Das entspricht dem Shift von reaktiven Chatbots zu proaktiven Agenten, den wir auch in anderen Bereichen beobachten.
Wo Researchly Portfolio Data Hub beim KPI Dashboard konkret hilft
Researchly Portfolio Data Hub ist eine KI-native Plattform für bidirektionales Private-Market-Datenmanagement. Statt eure internen Prozesse zu ersetzen, beschleunigt die Plattform dort, wo manuell am meisten Zeit verloren geht: bei Datensammlung, Validierung, Reporting und der Verknüpfung interner mit externen Signalen.
Auf Basis der beschriebenen Funktionen kann der Portfolio Data Hub typischerweise in diesen Schritten eingesetzt werden:
- Portfolio Company Portal: Dediziertes Einreichungsportal mit sicheren Login-Credentials – Portfolio Companies laden Daten selbstständig hoch, automatisierte Reminder tracken Deadlines.
- Strukturierte Finanz-Templates: Vordefinierte Datenstrukturen für P&L, Balance Sheet, Cash Flow sowie SaaS-KPIs (MRR, ARR, Churn, CAC, LTV, NDR) – keine Excel-Formatierungskämpfe mehr.
- Unstrukturierte Datenverarbeitung: Agentic Workflows extrahieren und normalisieren Daten aus Excel-Exports, PDF-Financials und Board Decks automatisch in euer Schema.
- Quality Check Agents: Automatische Alerts bei Threshold-Verletzungen, Cross-Source-Validierung gegen externe Signale (LinkedIn Headcount, Crunchbase Funding) und Historical Trend Analysis für Anomalie-Erkennung.
- LP Reporting Layer: TVPI, DPI, IRR und MOIC werden automatisch berechnet. Export-ready Formate (PDF, Excel) für Quartals-Reports an LPs – konfigurierbare Zugriffsrechte inklusive.
- Unified Data Infrastructure: Ob Daten aus SEC Filings oder Founder-Spreadsheets stammen – alle durchlaufen dasselbe Schema und dieselbe Validierung. Eine Single Source of Truth.
- Integration in bestehende Systeme: API-Zugang zum Data Warehouse, native Power BI Dashboards und n8n-Templates für CRM-Anbindung – Discovery läuft nicht nebenher, sondern fließt direkt in eure Pipeline.
Wichtig für die Erwartungshaltung: Ein Tool löst nicht die strategische Arbeit (KPI-Auswahl, Portfolio-Priorisierung, Value Creation). Aber es kann euch helfen, aus diesen Bausteinen einen Prozess zu machen, der jeden Monat wiederholt und verbessert wird – mit validierter Datenqualität statt manuellem Copy-Paste.
Der entscheidende Unterschied: Push-basierte Collection (Portfolio Companies liefern Daten) kombiniert mit Pull-basierter Validierung (autonome Agenten cross-referenzieren externe Quellen). Ihr seht nicht nur, was Portfolio Companies reporten – sondern wie diese Reports im Vergleich zu externen Marktsignalen aussehen.
