Eine M&A-Longlist mit 400 Firmennamen und drei Spalten ist ein Adressverzeichnis. Brauchbar wird sie erst, wenn jede Spalte eine Frage beantwortet, die im Cut auf die Shortlist tatsächlich zählt.
Die kurze Antwort: Eine M&A-Longlist-Vorlage braucht 16 Spalten in vier Blöcken: Identifikation, Größe, Fit und Prozess. Jede Zeile ist ein Unternehmen, jede Spalte ein Kriterium. Zwei Spalten entscheiden darüber, ob die Liste nach vier Wochen noch verteidigbar ist: Quelle und Datenstand. Unten liegen die Kopierzeile für Excel, ein ausgefülltes Beispiel und die Bewertungslogik.
Der Aufbau kommt aus der Add-on-Suche im Private Equity. Er funktioniert unverändert für Lieferantenauswahl, Marktkartierung und Corporate-Development-Screenings. Die Kriterien wechseln, die Struktur bleibt.
Was die meisten kostenlosen Vorlagen im Netz auslassen, sind genau die zwei Dinge, die im vierten Bearbeitungsmonat zählen: erlaubte Werte pro Spalte und eine Quellenangabe pro Zeile. Ohne beides driftet die Liste innerhalb von zwei Wochen in Freitext ab, und niemand kann rekonstruieren, warum ein Unternehmen mit 4,2 bewertet wurde.
Was gehört in eine Longlist-Vorlage?
Sechzehn Spalten, gruppiert in vier Blöcke. Jede Spalte hat einen definierten Wertebereich, und "unklar" ist überall ein erlaubter Wert.
| # | Spalte | Was hineingehört | Beispielwert | Pflicht |
|---|---|---|---|---|
| 1 | Unternehmen | Firmierung laut Register, nicht der Markenauftritt | Nordwerk Gebäudetechnik GmbH | ja |
| 2 | Region | Land plus Bundesland oder NUTS-2-Region | DE, Niedersachsen | ja |
| 3 | Branchencode | WZ- bzw. NACE-Code plus Klartext | 43.22 Gas-, Wasser-, Heizungsinstallation | ja |
| 4 | Website | Domain ohne Protokoll | nordwerk-gt.de | ja |
| 5 | Quelle | Woher die Zeile stammt, mit Abrufdatum | Verbandsliste ZVSHK, 12.08.2026 | ja |
| 6 | Umsatz | Betrag plus Geschäftsjahr | 18,4 Mio. EUR (2024) | ja |
| 7 | Mitarbeiter | Kopfzahl oder Bandbreite, Quelle in Spalte 5 | 112 | ja |
| 8 | Ertragskennzahl | EBITDA oder Marge, sonst "unklar" | 2,2 Mio. EUR / 12% | optional |
| 9 | Datenstand | Bilanzstichtag der Zahlen aus 6 bis 8 | 31.12.2024 | ja |
| 10 | Geschäftsmodell-Cluster | Die Kategorie aus Ihrem Suchraster | Wartung & Service | ja |
| 11 | Regionale Überlappung | Deckung mit Plattform oder Bestandsportfolio | keine | ja |
| 12 | K.O.-Kriterium | Ja/nein plus welches | nein | ja |
| 13 | Fit-Score | Gewichteter Score, eine Nachkommastelle | 4,8 | ja |
| 14 | Eigentümerstruktur | Gesellschafter, Nachfolgesignal | Gründer 67, keine Nachfolge eingetragen | optional |
| 15 | Status | Rohliste, geprüft, Shortlist, raus | Shortlist | ja |
| 16 | Bearbeiter & Datum | Wer die Zeile zuletzt angefasst hat | LB, 14.08.2026 | ja |
Drei Regeln machen den Unterschied zwischen dieser Tabelle und einer, die nach drei Wochen unbrauchbar ist.
Erstens: jede Spalte bekommt eine erlaubte Wertemenge. Spalte 10 hat fünf Cluster als Dropdown, nicht Freitext. Sobald zwei Analyst*Innen parallel arbeiten, entstehen sonst "Wartung", "Wartung/Service", "Service & Instandhaltung" und "Maintenance" als vier Kategorien für dieselbe Sache. Die Liste lässt sich danach nicht mehr filtern.
Zweitens: eine leere Zelle ist kein Wert. Wenn kein Umsatz auffindbar ist, steht dort "unklar", nicht nichts. Der Unterschied klingt kosmetisch, ist es aber nicht: Eine leere Zelle bedeutet "noch nicht recherchiert", ein "unklar" bedeutet "recherchiert, nicht belegbar". Nur mit dieser Unterscheidung wissen Sie, wie weit die Liste tatsächlich ist.
Drittens: Quelle und Datenstand sind Pflichtfelder. Beim Investment Committee fragt niemand nach dem Fit-Score. Gefragt wird, woher die Umsatzzahl kommt und aus welchem Geschäftsjahr sie stammt. Wer das nachträglich rekonstruieren muss, verliert einen halben Tag pro Sitzung.
So bauen Sie die Longlist-Vorlage in Excel nach
Zwanzig Minuten, eine leere Datei, keine Macros.
-
Neue Mappe, Blatt 1 umbenennen in
Longlist. Zeile 1 einfrieren. -
Die Kopfzeile in A1 einfügen. Tabulator zwischen den Feldern, sonst landet alles in einer Zelle: Unternehmen, Region, Branchencode, Website, Quelle, Umsatz, Mitarbeiter, Ertragskennzahl, Datenstand, Cluster, Reg_Ueberlappung, KO, Fit_Score, Eigentuemer, Status, Bearbeiter.
-
Datenüberprüfung als Dropdown: Cluster (Ihre fünf Kategorien),
Reg_Ueberlappung(keine / gering / hoch),KO(nein / ja: Größe / ja: Rechtsform / ja: Eigentümer / ja: Insolvenz),Status(Rohliste / geprüft / 2. Runde / Shortlist / raus / raus (Score) / offen). -
In
Fit_Scorekeine Formel, die Zahlen aus Nachbarzellen rät. Der Score kommt aus der Bewertungstabelle im nächsten Abschnitt, nicht aus einer Excel-Schätzung. -
Filter auf Zeile 1, bedingte Formatierung auf
Status = rausin Grau, aufunklarin jeder Zahlenspalte in Hellgrau.
Danach beginnt der Teil, der die Wochen frisst: 400 bis 800 Zeilen zu finden und für jede davon Umsatz, Mitarbeiterzahl und Eigentümerstruktur aus Registern, Verbandslisten und Unternehmenswebsites zusammenzutragen. Ein Analyst schafft im Schnitt 30 bis 50 qualifizierte Zeilen pro Woche. Bei 500 Zielunternehmen sind das zehn Wochen für einen einzigen Durchlauf.
Genau an dieser Stelle setzt Researchly an: Die Longlist wird aus der Marktstruktur hergeleitet statt aus einem Datenbankexport gezogen, und jede Zelle trägt Quelle und Abrufdatum.
Longlist mit Quellen in 15 Min. starten
Wie sieht eine ausgefüllte Longlist aus?
So. Der Ausschnitt zeigt sieben Zeilen aus einem Add-on-Screening im technischen Gebäudemanagement, Plattform in Nordrhein-Westfalen, Zielkorridor 5 bis 25 Mio. EUR Umsatz. Firmennamen sind illustrativ, die Struktur ist die aus der Vorlage.
| Unternehmen | Region | Umsatz (GJ) | MA | Cluster | Reg. Überlappung | K.O. | Score | Status |
|---|---|---|---|---|---|---|---|---|
| Nordwerk Gebäudetechnik GmbH | DE, NDS | 18,4 Mio. (2024) | 112 | Wartung & Service | keine | nein | 4,8 | Shortlist |
| Hansa TGA GmbH & Co. KG | DE, SH | unklar | ~70 | Wartung & Service | keine | nein | 3,9 | 2. Runde |
| Vogel Klima- und Kältetechnik GmbH | DE, NRW | 9,1 Mio. (2023) | 48 | Kältetechnik | hoch | nein | 3,1 | 2. Runde |
| Berger Elektro AG | AT, OÖ | 31,7 Mio. (2024) | 190 | Elektrotechnik | keine | ja (Größe) | – | raus |
| Sander Facility Solutions GmbH | DE, HE | 12,6 Mio. (2024) | 88 | Wartung & Service | gering | nein | 4,1 | Shortlist |
| Kremer Anlagenbau GmbH | DE, RP | 6,3 Mio. (2023) | 41 | Anlagenbau | keine | nein | 2,6 | raus (Score) |
| Thalmeier Haustechnik GmbH | DE, BY | unklar | ~55 | Wartung & Service | keine | nein | unklar | offen |
Vier Zeilen lohnen einen zweiten Blick.
Bei Hansa TGA und Thalmeier steht "unklar" im Umsatz. Das ist im deutschen Mittelstand der Normalfall, kein Rechercheversagen: Kleine Kapitalgesellschaften übermitteln nach § 326 HGB nur Bilanz und Anhang, ohne Gewinn- und Verlustrechnung. Eine GmbH & Co. KG unterhalb der Schwellen hinterlegt oft nur, statt zu veröffentlichen. Hansa bekommt trotzdem einen Score, weil die anderen vier Kriterien belegt sind. Thalmeier nicht, weil dort zwei Kriterien offen sind. Der Status "offen" hält die Zeile im Prozess, statt sie stillschweigend zu verlieren.
Berger Elektro fällt über ein K.O.-Kriterium raus, nicht über den Score. Das ist der entscheidende Unterschied in der Mechanik: K.O.-Kriterien sind binär und laufen vor der Bewertung. Ein Unternehmen mit 31,7 Mio. EUR Umsatz im 5-bis-25-Korridor bekommt keinen schlechten Score, es bekommt gar keinen.
Kremer bleibt mit Status "raus (Score)" in der Tabelle stehen. Gelöscht wird nichts. Im dritten Monat fragt garantiert jemand, warum Kremer nicht dabei ist, und dann steht die Antwort in Spalte 15 statt in einer alten E-Mail.
Wie bewerten Sie die Zeilen ohne Scheingenauigkeit?
In zwei Stufen: harte K.O.-Kriterien zuerst, danach ein gewichteter Score über maximal fünf Kriterien auf einer Skala von 1 bis 5. Mehr Kriterien erzeugen Nachkommastellen, die keine zusätzliche Information tragen.
Die K.O.-Kriterien für ein typisches Add-on-Screening sind kurz und binär: Umsatz außerhalb des Korridors, bereits in Konzern- oder PE-Besitz, Rechtsform ohne übertragbare Anteile, Kernregion doppelt besetzt, Insolvenzverfahren anhängig. Was hier durchfällt, wird nicht bewertet.
Danach das Scoring:
| Kriterium | Gewicht | 1 Punkt | 3 Punkte | 5 Punkte |
|---|---|---|---|---|
| Größenpassung | 30% | am Rand des Korridors | unteres Drittel | Mitte des Zielkorridors |
| Geschäftsmodell-Fit | 25% | angrenzendes Gewerk | überlappendes Leistungsbild | identisches Leistungsbild |
| Regionale Ergänzung | 20% | Kernregion bereits besetzt | Nachbarregion | weißer Fleck im Plattformnetz |
| Ertragsqualität | 15% | unklar oder unter 5% Marge | 5 bis 10% | über 10% oder wiederkehrende Umsätze |
| Ansprechbarkeit | 10% | Konzernmutter, kein direkter Zugang | Mehrheitsgesellschafter operativ aktiv | Inhaber über 60, keine Nachfolge eingetragen |
Der Fit-Score ist die Summe aus Punktzahl mal Gewicht. Nordwerk aus dem Beispiel oben kommt so auf 4,8:
| Kriterium | Punkte | Gewicht | Beitrag |
|---|---|---|---|
| Größenpassung | 5 | 30% | 1,50 |
| Geschäftsmodell-Fit | 5 | 25% | 1,25 |
| Regionale Ergänzung | 5 | 20% | 1,00 |
| Ertragsqualität | 5 | 15% | 0,75 |
| Ansprechbarkeit | 3 | 10% | 0,30 |
| Fit-Score | 4,80 |
Zwei Regeln halten das Verfahren ehrlich.
Die Gewichte werden fixiert, bevor die erste Zeile bewertet wird. Wer nachträglich justiert, bis die drei bekannten Favoriten oben stehen, hat kein Bewertungsmodell gebaut, sondern eine Begründung. Das passiert häufiger, als es zugegeben wird.
Der Score wird in Bändern gelesen, nicht als Zahl. Ein 4,1 ist nicht besser als ein 3,9, dafür ist die Datengrundlage zu grob. Arbeiten Sie mit drei Bändern: ab 4,0 Shortlist-Kandidat, 3,0 bis 3,9 zweite Runde, unter 3,0 dokumentiert raus.
Das Modell ist in einer Stunde definiert. Es zu füllen heißt, für 400 Zeilen jeweils fünf Kriterien einzeln zu belegen. Genau hier schrumpfen die meisten Longlists auf die 40 Unternehmen zusammen, die im Team ohnehin bekannt waren, und das Screening liefert am Ende das Ergebnis, mit dem es begonnen hat. Researchly füllt die Matrix spaltenweise über alle Zeilen und markiert jede Zelle ohne belastbare Quelle als unklar, statt sie zu schätzen.
Bewertete Longlist ohne Handrecherche starten
Wann schneiden Sie von der Longlist auf die Shortlist?
Nach drei Filtern in fester Reihenfolge, wobei der Aufwand pro Zeile mit jeder Stufe steigt und die Anzahl entsprechend fällt.
| Stufe | Typische Anzahl | Was den Filter auslöst | Aufwand pro Zeile |
|---|---|---|---|
| Rohliste | 400 bis 800 | Marktstruktur, Branchencode, Region | 2 bis 5 Minuten |
| Nach K.O.-Filtern | 120 bis 200 | Größe, Rechtsform, Eigentümer, Insolvenz | 5 bis 10 Minuten |
| Nach Scoring | 30 bis 40 | Fit-Score ab 4,0 | 15 bis 30 Minuten |
| Shortlist | 10 bis 15 | Ansprechbarkeit, Prozessstatus, Timing | 1 bis 2 Stunden |
Die dritte Stufe ist die, die in Vorlagen fast immer fehlt. Ein Unternehmen kann perfekt passen und trotzdem nicht auf die Shortlist gehören, weil bereits ein M&A-Berater mandatiert ist, weil der Inhaber vor 18 Monaten abgesagt hat oder weil die Nachfolgeregelung erst in zwei Jahren ansteht. Diese Information steht in keinem Register. Sie kommt aus Gesprächen und gehört in Spalte 14, sobald sie da ist.
Und noch einmal, weil es der häufigste operative Fehler ist: Der Cut wird dokumentiert, nicht gelöscht. Jede ausgeschiedene Zeile behält Status und Grund. Eine Longlist ist auch ein Protokoll darüber, welchen Markt Sie angesehen haben.
Longlist, Shortlist und Pipeline: wo liegt der Unterschied?
Die drei Begriffe beschreiben denselben Trichter auf drei Verdichtungsstufen. Sie unterscheiden sich weniger in der Anzahl als in der Datentiefe pro Zeile.
| Longlist | Shortlist | Pipeline | |
|---|---|---|---|
| Umfang | 200 bis 800 | 10 bis 25 | 3 bis 8 |
| Datenquelle | öffentlich zugänglich | plus Erstgespräch | plus NDA, Information Memorandum |
| Datentiefe | 5 bis 8 Felder | Zahlen, Ansprechpartner, Bereitschaft | Modell, Bewertung, Struktur |
| Zweck | Marktraum vollständig abbilden | priorisieren und ansprechen | Deal führen |
| Wer arbeitet damit | Analyst | Deal Team | Partner und Investment Committee |
Praktisch heißt das: Auf die Longlist gehört jedes Unternehmen, das die formalen Kriterien erfüllt, auch wenn Sie es für unattraktiv halten. Der Ausschluss passiert im Scoring und wird dokumentiert. Wer schon beim Befüllen vorsortiert, baut die eigene Erwartung in die Datengrundlage ein.
Woher kommen die Daten für jede Spalte?
Aus öffentlichen Quellen, aber nicht aus einer einzigen. Diese Tabelle zeigt, was im DACH-Raum tatsächlich befüllbar ist und wo die Deckung ausdünnt.
| Spalte | Primärquelle | Deckung | Fallstrick |
|---|---|---|---|
| Firmierung, Sitz, Geschäftsführung | Handelsregister, Unternehmensregister | hoch | Firmierung weicht oft vom Markenauftritt ab |
| Umsatz, Ertragskennzahl | Jahresabschluss im Unternehmensregister | mittel | Kleine Kapitalgesellschaften legen keine GuV offen |
| Mitarbeiter | Anhang zum Jahresabschluss, Website, LinkedIn | mittel | LinkedIn zählt Profile, keine Vollzeitäquivalente |
| Branchencode | WZ 2008 bzw. NACE Rev. 2.1 | hoch | Der Code beschreibt die Anmeldung, nicht das heutige Geschäft |
| Geschäftsmodell-Cluster | Website, Referenzprojekte, Stellenanzeigen | hoch | Kein Datenbankfeld, nur manuell oder per Agent |
| Eigentümerstruktur, Nachfolge | Gesellschafterliste, Geburtsjahr der Geschäftsführung | mittel | Gesellschafterlisten sind teils Jahre alt |
| Regionale Abdeckung | Standortseiten, öffentliche Ausschreibungen | mittel | Firmensitz ist nicht das Einsatzgebiet |
Für die Größenkriterien in Spalte 6 und 7 lohnt es sich, die EU-Definition für KMU als Referenzraster zu nehmen: unter 50 Mio. EUR Umsatz und unter 250 Mitarbeiter für mittlere Unternehmen, unter 10 Mio. und unter 50 für kleine. Das ersetzt Ihren Zielkorridor nicht, macht die Longlist aber anschlussfähig an Förder- und Marktstatistiken.
Die unbequeme Erkenntnis aus dieser Tabelle: Es gibt im deutschsprachigen Mittelstand keine Datenbank, die alle sieben Zeilen abdeckt. Genau deshalb liefern Datenbankexporte so verdächtig kurze Longlists. Sie zeigen die Unternehmen, die bereits erfasst sind, und erfasst ist im Zweifel, wer schon einmal in einem Prozess war. Die interessanten Add-ons im fragmentierten Handwerk oder in der Nischenindustrie fehlen dort systematisch. Wie sich diese Lücke schließen lässt, steht im Detail unter Add-on-Screening mit KI-Agenten, das den Workflow rund um die Longlist beschreibt.
Fünf Fehler, die eine Longlist unbrauchbar machen
- Leere Zellen statt "unklar". Sie können danach nicht mehr unterscheiden, was ungeprüft und was nicht belegbar ist. Der Fortschritt der Liste wird unmessbar.
- Freitext ohne erlaubte Werte. Nach zwei Wochen existieren vier Schreibweisen für dasselbe Cluster, und jeder Filter liefert ein anderes Ergebnis.
- Scoring vor der Gewichtung. Wer die Gewichte erst festlegt, nachdem er die ersten dreißig Unternehmen gesehen hat, schreibt eine Begründung statt einer Bewertung.
- Gelöschte Ausschlüsse. Ohne Status und Grund pro ausgeschiedener Zeile wiederholen Sie in Monat vier dieselbe Diskussion, die Sie in Monat eins schon geführt haben.
- Datenbankexport als Longlist. Der Export ist ein Startpunkt für die Rohliste, mehr nicht. Als Ergebnis verkauft er Ihnen den Markt, der ohnehin sichtbar ist.
Nummer fünf ist der teuerste Fehler, weil er sich gut anfühlt. Eine Liste mit 180 Unternehmen aus einem Anbieter sieht nach Arbeit aus. Ob die 300 Unternehmen fehlen, die kein Datenanbieter erfasst hat, merkt niemand im Deal-Team, weil man nicht sieht, was nicht auf der Liste steht.
Excel, Google Sheets oder Matrix: welches Format passt?
Für den ersten Durchlauf ist Excel vollkommen ausreichend. Interessant wird die Frage beim zweiten.
| Format | Funktioniert bei | Bricht bei |
|---|---|---|
| Excel lokal | einmaliges Screening, unter 150 Zeilen, ein Bearbeiter | zweitem Bearbeiter, Quellenpflege, Wiederholung |
| Google Sheets | 2 bis 4 Bearbeiter, laufende Suche über Wochen | über 300 Zeilen mit Quellenspalten, Versionsfragen |
| Matrix oder Datenbank | wiederkehrende Suchen, Quelle je Zelle, Vergleich über Läufe | einmaligem Screening ohne Wiederholung |
Der Bruchpunkt ist selten die Zeilenzahl. Er liegt bei der Wiederholung. Buy-and-Build ist per Definition kein einmaliger Vorgang, und Bain rechnet inzwischen mit 10 bis 12 Prozent EBITDA-Wachstum, damit der Deal-Math noch aufgeht. Fonds, die das über Add-ons statt nur über die Plattform holen, lassen die Pipeline dauerhaft laufen statt anlassbezogen. Wer denselben Markt zweimal im Jahr screent, will beim zweiten Lauf wissen, was sich verändert hat, und nicht bei null anfangen.
Genau das leistet eine Excel-Datei nicht. Die Kriterien stehen in den Köpfen, die Quellen in den Kommentarfeldern, und der Kollege, der Spalte F gefüllt hat, ist inzwischen im nächsten Projekt. Researchly hält Suchprofil, Kriterien und Quellen als wiederholbaren Workflow, sodass der zweite Lauf die Veränderung zeigt statt einer neuen Liste.
Longlist als wiederholbaren Workflow anlegen
Verwandte Formate arbeiten nach derselben Logik. Eine Market Map für einen Startup-Sektor ist eine Longlist mit Clusterachsen statt Scoring-Spalten, und die Suche nach ähnlichen Firmen zu einem Referenzunternehmen ist eine Longlist, deren Kriterien aus einem bestehenden Portfoliounternehmen abgeleitet werden.
Was Sie mitnehmen sollten
- Sechzehn Spalten in vier Blöcken reichen. Identifikation, Größe, Fit und Prozess. Alles darüber hinaus wird nicht gepflegt und verwässert die Liste.
- Quelle und Datenstand sind keine Zusatzfelder. Sie entscheiden darüber, ob die Longlist im Investment Committee hält oder in eine Rekonstruktionsübung führt.
- Erst K.O.-Filter, dann gewichteter Score, gelesen in drei Bändern. Gewichte vorher fixieren, Ausschlüsse dokumentieren statt löschen.
- Die Vorlage ist in zwanzig Minuten gebaut. Die zehn Wochen stecken in den Zeilen darunter, und dort entscheidet sich, ob Ihre Longlist den Markt abbildet oder das Adressbuch des Teams.
Wenn die Longlist steht, beginnt die nächste Verdichtung: aus 30 bewerteten Unternehmen werden 10 mit Erstkontakt und am Ende ein Deal, der ins Investment Memo geht. Der Weg dorthin und die Rolle von KI in den einzelnen Schritten stehen unter M&A mit KI und, für die datengetriebene Suchlogik dahinter, unter Data-Driven Deal Discovery.
