Early-Stage-Investments fühlen sich oft wie Mustererkennung unter Unsicherheit an. Finanzzahlen sind dünn, Produkte ändern sich monatlich, und Referenzen sind schwer zu verifizieren. Trotzdem lassen sich Startup Companies bewerten, wenn Sie konsequent auf Signale achten, die Qualität, Geschwindigkeit und Risikoprofil sichtbar machen.

Der Ansatz unten ist bewusst pragmatisch: zehn Signale, die sich in der Praxis von VCs, Angels und Research-Teams immer wieder als aussagekräftig erweisen und sich mit klassischen Due-Diligence-Fragen sowie Alternativdaten absichern lassen.

Warum klassische Due Diligence bei Early-Stage oft nicht reicht

Bei Pre-Seed und Seed sind Umsatz, Margen und Historie häufig keine verlässlichen Qualitätsindikatoren. Viele der „richtigen“ Entscheidungen basieren deshalb auf Leading Indicators: Lernkurven, Verhaltensdaten, Marktreaktionen, Talent-Zugkraft und Zeichen echter Kundenliebe. Für eine systematische Herangehensweise an Commercial Due Diligence finden Sie hier 50 ChatGPT-Prompts, die den Prozess unterstützen.

Auch die häufigsten Scheitergründe von Startups sind selten „zu wenig Excel“. CB Insights listet seit Jahren Themen wie fehlender Market Need, Cash-Runout und Team-Probleme als zentrale Ursachen. Genau dort zielen die folgenden Signale hin.

Die 10 Signale, mit denen Sie Startup Companies bewerten

Signal 1: Schärfe des Problems und Klarheit des ICP

Woran Sie Qualität erkennen: Das Team kann in einem Satz erklären, welches teure Problem für welche klar definierte Zielgruppe gelöst wird und warum jetzt.

Gute Indikatoren

• Der „Ideal Customer Profile“ ist eng, testbar und mit realen Kaufentscheidern beschrieben.
• Der Pain ist messbar (Zeitverlust, Umsatzverlust, Risiko, Compliance-Kosten).
• Das Team benennt Alternativen (inklusive „Do nothing“) und warum diese scheitern.

Red Flags

• „Für alle, die …“ als Zielgruppe.
• Problem wird über Features statt über Outcome erklärt.

Wie prüfen: Kundeninterviews (nicht nur mit Friendly Users), Lost-Deal-Analysen, Branchenforen, und ob Messaging auf Website/Deck konsistent ist.

Signal 2: Traction-Qualität statt Vanity Metrics

Woran Sie Qualität erkennen: Nutzung und Wachstum zeigen Wiederholung und Bindung, nicht nur einmalige Peaks.

Je nach Modell sehen die besten Messpunkte unterschiedlich aus:

• B2B SaaS: Aktivierung, Time-to-Value, Retention nach Kohorten, Expansion.
• Marketplace: Liquidität je Segment, Wiederkaufraten, Matching-Zeit.
• Developer Tool: Weekly active devs, Integrationsrate, Stickiness in Teams.

Red Flags

• Wachstum nur durch Discounts oder einmalige Kampagnen.
• „Viele Sign-ups“, aber kaum wiederkehrende Nutzung.

Wie prüfen: Kohorten-Exports, Event-Tracking, Produkt-Demos mit echten Workflows, und Referenzen mit konkreten Nutzungsfällen.

Signal 3: Lern- und Iterationsgeschwindigkeit (Execution Velocity)

Woran Sie Qualität erkennen: Das Team liefert häufig, misst sauber und kann erklären, was es gelernt und was es verworfen hat.

Gute Indikatoren

• Klare Hypothesen, Experimente und Entscheidungskriterien.
• Schnelle Zyklen zwischen Kundenfeedback, Produktänderung und erneuter Messung.

Red Flags

• Viele Releases ohne klare Zielmetriken.
• Roadmap wird von internen Meinungen statt von validierten Erkenntnissen getrieben.

Wie prüfen: Release Notes, Experiment-Logs, wie Entscheidungen dokumentiert sind, und ob KPI-Definitionen stabil bleiben.

Signal 4: Realistische Unit Economics (oder ein glaubwürdiger Pfad dahin)

Woran Sie Qualität erkennen: Auch wenn Unit Economics in frühen Phasen noch negativ sind, muss ein mechanischer Pfad zur Verbesserung erkennbar sein.

Beispiele für „Pfad-Logik“

• CAC sinkt durch Fokus, bessere ICP-Selektion, Partnerkanäle.
• Gross Margin steigt durch Automatisierung, bessere Infrastrukturkosten, Pricing.
• Payback verbessert sich durch Onboarding und höhere Aktivierung.

Red Flags

• Margen- und CAC-Annahmen ohne Bezug zu realen Kunden oder Funnel-Daten.
• Pricing wird nur „vom Wettbewerb abgeleitet“.

Wie prüfen: Funnel- und Kostenaufschlüsselung, Pricing-Experimente, sowie Sensitivitätsanalysen (klein, aber ehrlich). Tools für strategische Unternehmensanalyse können hier die Datenaufbereitung beschleunigen.

Signal 5: Go-to-Market-Fit und Sales-Effizienzsignale

Woran Sie Qualität erkennen: Das Team kann zeigen, dass es verstanden hat, wie Kunden kaufen, wie lange es dauert und welche Schritte wirklich treiben.

Gute Indikatoren

• Wiederholbarer Outreach- oder Inbound-Kanal in einem Segment.
• Klare „Trigger Events“ (z.B. neue Regulierung, neues Tooling, Teamwachstum).
• Konkrete Erkenntnisse zu Deal-Zyklen und Einwänden.

Red Flags

• „Wir skalieren Marketing später“ ohne Beweis, dass der Vertrieb überhaupt funktioniert.
• Pipeline ist groß, aber Win-Rates sind niedrig und Gründe unklar.

Wie prüfen: Call-Notizen, CRM-Exports (anonymisiert), Standardisierung von Discovery-Questions.

Signal 6: Differenzierung und Moat (heute und morgen)

Woran Sie Qualität erkennen: Der Vorteil ist mehr als „besseres UI“. In Early-Stage reicht oft ein narrow wedge, aber er muss verteidigbar ausbaubar sein.

Mögliche Moats, die sich früh anbahnen können:

• Proprietäre Daten (rechtmäßig gewonnen) und daraus lernende Modelle.
• Workflows, die tief in Prozesse integriert sind (Switching Costs).
• Distribution-Moat (z.B. Community, Ökosystem, Partner).
• Regulatorische oder technische Eintrittsbarrieren.

Red Flags

• Feature-Parität ist leicht zu kopieren, und es gibt keinen Plan für Verteidigung.

Wie prüfen: Wettbewerbs-Mapping, Kundenfrage „Warum nicht Lösung X?", und ob das Produkt echte „Lock-in"-Mechaniken hat. Eine Wettbewerbsanalyse mit AI-Tools macht das Mapping effizienter.

Signal 7: Founder-Market-Fit und „Truth-seeking“

Woran Sie Qualität erkennen: Gründerinnen und Gründer haben entweder tiefe Domänenkenntnis oder eine nachweisliche Fähigkeit, sich schnell einzuarbeiten, plus die Disziplin, unangenehme Wahrheiten zu akzeptieren.

Gute Indikatoren

• Klarer Bezug zum Problem (beruflich, akademisch, persönliche Betroffenheit).
• Sie können Schwächen des eigenen Ansatzes benennen.
• Sie rekrutieren Komplementär-Skills früh (nicht Klone).

Red Flags

• Overconfidence ohne Daten.
• Team vermeidet klare Commitments (z.B. Zielkunden, Preispunkt).

Wie prüfen: Referenzen (auch „Backchannel"), Entscheidungsbeispiele aus der Vergangenheit, und wie das Team mit Gegenargumenten umgeht. Strukturierte Due-Diligence-Tools helfen, diese Erkenntnisse konsistent zu dokumentieren.

Signal 8: Talent-Zugkraft (Hiring Signal) und Organisationsdesign

Woran Sie Qualität erkennen: Gute Teams ziehen gutes Talent an, selbst bevor „Marke“ und große Gehälter vorhanden sind.

Gute Indikatoren

• Schlüsselrollen sind sinnvoll priorisiert (z.B. Produkt/Engineering vor „Growth-Team“).
• Hiring-Qualität steigt mit der Zeit, nicht umgekehrt.

Red Flags

• Viele Einstellungen ohne klare Ownership.
• Hohe Fluktuation in kritischen Rollen.

Wie prüfen: Teamverlauf auf LinkedIn, Job-Posts (Anforderungsniveau, Klarheit), und ob Rollen und Verantwortungen sauber sind.

Signal 9: Kapitaldisziplin, Runway-Management und „Option Value“

Woran Sie Qualität erkennen: Das Startup kann mit Kapital mehrere Shots on Goal finanzieren. Es versteht Burn-Treiber, arbeitet mit Szenarien und schützt Runway.

Gute Indikatoren

• Transparente Burn-Logik und klare Cut-Mechanismen.
• Finanzierung ist mit Meilensteinen verknüpft, nicht mit Hoffnung.

Red Flags

• Burn wird als Statussymbol verkauft.
• Keine klare Sicht auf 6 bis 12 Monate Cash und Prioritäten.

Wie prüfen: Monatliche Cash-Bridge, Szenario „Base/Downside“, und welche Annahmen wirklich variabel sind.

Signal 10: Externe Validierung durch Alternativdaten (mit Vorsicht)

Woran Sie Qualität erkennen: Unabhängige Datenpunkte stützen die Story. Alternativdaten sind kein Beweis, aber starke Hinweise.

Typische Quellen und was sie bedeuten können:

• Web- und Suchinteresse: Steigende Nachfrage nach Problem/Marke (interpretieren mit Vorsicht).
• Job-Postings: Hinweise auf GTM-Phase, Tech-Stack, Standortstrategie. Wie Sie Unternehmensstrategien aus Job-Postings ableiten, zeigt unser Tutorial mit N8N-Template
• GitHub/Package-Downloads (bei Dev-Tools): Aktivität, Community-Engagement.
• App-Store-Bewertungen (bei Mobile): Qualität der Nutzererfahrung, wiederkehrende Pain Points.
• Gründer-Reputation und Netzwerk: Wer empfiehlt wen, wer arbeitet mit wem.

Red Flags

• Alternativdaten widersprechen dem Pitch (z.B. Hiring-Freeze trotz „Hypergrowth“).
• „Growth“ kommt nur aus Brand-PR ohne Produkt-Usage.

Wie prüfen: Mehrere Quellen kombinieren, Trends über Zeit betrachten, und niemals einzelne Datenpunkte überbewerten.

Ein kompakter Überblick: Signal, Red Flags und Prüfmethoden

Signal	Was „gut“ oft bedeutet	Typische Red Flags	Praktischer Check
Problem + ICP	Enger Zielkunde, messbarer Pain	„Für alle“, Feature-Story	Kundeninterviews, Messaging-Review
Traction-Qualität	Kohorten-Retention, Wiederholung	Vanity Metrics	Produktanalytics, Referenzen
Execution Velocity	Hypothesen, schnelle Lernzyklen	Viel Output, wenig Outcome	Experiment-Log, KPI-Review
Unit Economics Pfad	Mechanik zur Verbesserung	Annahmen ohne Daten	Funnel- und Kostenaufschlüsselung
GTM-Fit	Wiederholbarer Kanal, Trigger Events	Pipeline ohne Win-Rate-Logik	CRM-Exports, Call-Notizen
Moat	Verteidigbare Wedge	Leicht kopierbar	Wettbewerbs-Mapping
Founder-Market-Fit	Domäne + Wahrheitssuche	Overconfidence	Referenzen, Case-Fragen
Talent-Zugkraft	Starke Schlüsselhires	Fluktuation, Unklarheit	LinkedIn, Job-Posts
Kapitaldisziplin	Runway-Management, Szenarien	Burn als Strategie	Cash-Bridge, Prioritäten
Alternativdaten	Konsistente externe Hinweise	Widersprüche, Hype	Multi-Source Trendcheck

Wie Sie die 10 Signale je nach Stage gewichten

Ein häufiger Fehler ist, Seed-Startups wie Series-B-Companies zu bewerten. Sinnvoller ist eine grobe Gewichtung:

• Pre-Seed: Signal 1, 3, 7 und 10 sind oft entscheidend (Problem, Lernspeed, Team, externe Hinweise).
• Seed: Signal 2, 5 und 4 gewinnen an Bedeutung (Traction-Qualität, GTM-Lernen, Unit-Economics-Pfad).
• Series A: Reproduzierbarkeit steht im Vordergrund, Signal 5, 4, 9 und 6 werden kritischer (GTM, Economics, Kapitaldisziplin, Moat).

Wichtig: Das Modell (SaaS, Deep Tech, Marketplace) verschiebt die Messpunkte, nicht das Prinzip. Auch in Deep Tech gilt, dass Lernzyklen, Teamqualität und Validierung (z.B. Pilotkunden, IP-Position, regulatorischer Pfad) die Unsicherheit reduzieren.

Von „Signalen“ zu einem wiederholbaren Sourcing- und Bewertungsprozess

Teams, die viele Deals pro Monat screenen, scheitern selten an Intelligenz, sondern an Konsistenz: unterschiedliche Analysten bewerten unterschiedlich, Daten liegen verstreut, und Updates gehen unter.

Ein robuster Prozess sieht häufig so aus:

• Definieren Sie pro Signal 1 bis 3 konkrete Beobachtungen, die Sie immer abfragen.
• Legen Sie eine gemeinsame Skala fest (z.B. „stark“, „neutral“, „Risiko“) und dokumentieren Sie Belege.
• Re-checken Sie Signale zeitbasiert (z.B. alle 30 Tage) statt nur „bei Funding-Runden“.

Genau hier helfen AI-gestützte Workflows und Alternativdaten: Sie reduzieren manuelle Recherche und machen Trends sichtbar, bevor sie in klassischen Datenbanken auftauchen. Wie KI das Deal Sourcing im Venture Capital 537x beschleunigt, zeigt unsere ausführliche Analyse.

Wie Researchly dabei unterstützen kann (ohne mehr Arbeit zu machen)

Wenn Sie Startup Companies bewerten, ist der Engpass oft nicht die Bewertung selbst, sondern die Datenbeschaffung und das laufende Monitoring. Researchly ist als AI-Plattform darauf ausgerichtet, Early-Stage-Startups schneller zu finden und zu analysieren, indem alternative Datenquellen aggregiert und Workflows automatisiert werden.

Je nach Team-Setup kann das zum Beispiel bedeuten:

• AI-driven Startup Discovery und präzise Suchfilter, um neue, relevante Companies früher zu sehen.
• Custom Signal Feeds mit täglichem Daten-Refresh, damit sich Veränderungen (Hiring, Momentum, neue Narrative) nicht im Posteingang verlieren.
• Market Mapping via NLP und Competitor Sourcing, um Differenzierung und Marktstruktur schneller einzuordnen.
• Founder Ranking als zusätzliches Signal (als Startpunkt, nicht als Ersatz für Interviews).
• CRM-Integrationen und automatisierte Sourcing-Workflows, damit Research nicht in Copy-Paste endet.

Mehr dazu finden Sie auf der Researchly Website.

Fazit

Eine gute Early-Stage-Entscheidung entsteht selten aus einem einzelnen „Killer-KPI“. Sie entsteht aus der Kombination: klare Problemdefinition, nachweisbare Lernspeed, frühe Traction-Qualität, ein plausibler Unit-Economics-Pfad, und Signale, dass Team und Markt wirklich zusammenpassen.

Wenn Sie diese zehn Signale konsequent erfassen und über Zeit verfolgen, wird das Bewerten von Startup Companies deutlich weniger Bauchgefühl und deutlich mehr ein wiederholbarer Prozess.