foto ki designer

Die Grundidee eine Datenlandschaft: Unternehmen erscheinen nicht mehr als isolierte Registereinträge, sondern als vernetzte Knoten mit Standorten, Produkten, Eigentümerbeziehungen und Lieferkettenverbindungen. Sichtbar wird damit, wie aus öffentlich verfügbaren digitalen Spuren ein dynamisches Unternehmensprofil entstehen kann, das Risiken, Abhängigkeiten und wirtschaftliche Veränderungen früher erkennbar macht.

Management Summary

Registerdaten zeigen oft die Vergangenheit: Klassische Firmendaten beruhen vielfach auf Handelsregistern und manueller Klassifizierung. Dadurch können Unternehmensprofile veraltet, unvollständig oder falsch eingeordnet sein – besonders bei privaten Unternehmen.
Knowledge Graph statt statischem Firmenprofil: Veridion verknüpft öffentlich verfügbare Signale aus Websites, Registern, Pressemitteilungen, Verzeichnissen und weiteren Quellen zu einem laufend aktualisierten Unternehmensbild mit Beziehungen, Historie und Konfidenzwerten.
Technischer Kern: Die Plattform erfasst nach eigenen Angaben rund 693 Millionen Unternehmensentitäten mit mehr als 461 Attributen, löst Dubletten per Entity Resolution auf und kann die Daten direkt in CRM-, Risiko-, Underwriting- und Supply-Chain-Systeme einspeisen.
Praktischer Nutzen: Versicherer können Risiken präziser bewerten, Einkäufer zusätzliche Lieferanten finden und Investoren bislang unsichtbare Übernahmeziele identifizieren. In Beispielprojekten wurden unter anderem siebenmal mehr qualifizierte Lieferanten und 5,7-mal mehr Akquisitionsziele gefunden.
Besonders relevant für Lieferketten: Der Ansatz soll auch Abhängigkeiten jenseits direkter Lieferanten sichtbar machen. 85 Prozent kritischer Supply-Chain-Risiken entstehen jenseits von Tier 1, während nur 42 Prozent der Unternehmen überhaupt über Tier 2 hinaus Sichtbarkeit besitzen.
Management-Fazit: Der eigentliche Mehrwert liegt nicht in einer weiteren Firmendatenbank, sondern in einer dynamischen, maschinenlesbaren Abbildung wirtschaftlicher Realität. Entscheidend bleibt die Qualität der Quellen, die belastbare Bewertung von Konfidenzwerten und die Frage, wie zuverlässig sich aus öffentlichen Signalen reale Geschäftsbeziehungen ableiten lassen.

Firmen nicht nach Registereinträgen bewerten, sondern danach, was sie aktuell tatsächlich tun.

Ein Hotel ist im Unternehmensregister zunächst wenig mehr als Name, Adresse und Branchenkennziffer. Für einen Versicherer, Einkäufer oder Investor reicht dieses Bild kaum aus. Veridion versucht deshalb, aus den digitalen Spuren eines Unternehmens ein laufend aktualisiertes Gesamtbild zu erstellen – automatisiert und weltweit.

Das Eurostars uHotel in Ljubljana eignet sich als Beispiel dafür, wie groß die Lücke zwischen Register und Realität sein kann. In den offiziellen Daten erscheint eine juristische Gesellschaft mit wenigen Basisinformationen. Tatsächlich gehört der Betrieb zu einer internationalen Hotelgruppe, ist in ein Geflecht aus Eigentümer- und Betreiberbeziehungen eingebunden und verfügt über Merkmale, die für eine Risikobewertung relevant sein können – vom langfristigen Mietmodell über mehrere Schwesterhotels bis hin zu Pool, Spa, Restaurants und großem Konferenzzentrum.

Ein Analyst kann solche Informationen recherchieren. Bei einem Unternehmen dauert das vielleicht Minuten. Bei Hunderttausenden oder Millionen Firmen wird daraus ein praktisch unlösbares Skalierungsproblem. Genau diese Lücke zwischen juristischer Existenz und wirtschaftlicher Realität will Veridion schließen.

Ein Datenmodell aus dem 19. Jahrhundert

Das Problem beginnt erstaunlich weit in der Vergangenheit. Noch heute beruht ein großer Teil firmografischer Daten auf einem Prinzip, das aus dem 19. Jahrhundert stammt: Unternehmen werden registriert, anschließend klassifiziert und ihre Angaben später gelegentlich aktualisiert. Das funktionierte in einer Wirtschaft, in der sich Geschäftsmodelle, Standorte und Produktportfolios über Jahre kaum veränderten.

Heute öffnen und schließen Niederlassungen, Unternehmen wechseln Eigentümer, nehmen neue Produkte auf, geben Geschäftsfelder auf oder erschließen andere Märkte. Registerdaten sind deshalb häufig zu alt, zu dünn und zu statisch. Hinzu kommen manuelle Klassifizierungen – und damit weitere Fehlerquellen.

»Wir hatten kein Interesse daran, die rumänische Version von etwas zu bauen, das in London bereits existiert«, sagt Alexandra Tofan, Growth Verticals bei Veridion. Die ursprüngliche Idee sei vielmehr aus einem sehr praktischen Problem entstanden: Einer der Gründer suchte im Vertrieb nach geeigneten Unternehmen und stellte fest, dass vorhandene Datenbanken veraltete Adressen, falsche Branchenzuordnungen oder Holdinggesellschaften statt der tatsächlich operativen Firmen lieferten. Die Frage lautete schließlich: Kann eine Maschine ein Unternehmen so recherchieren wie ein Mensch – aber im großen Maßstab?

Der digitale Fußabdruck wird zum Firmenprofil

Die Antwort ist ein Knowledge Graph, der Unternehmen nicht als einzelne Datenzeile, sondern als Geflecht aus Eigenschaften und Beziehungen betrachtet.

Dafür werden öffentlich verfügbare Informationen aus Unternehmenswebsites, Registern, Pressemitteilungen, Karten, Verzeichnissen, Produktkatalogen und zahlreichen weiteren Quellen ausgewertet. Aus diesen Daten extrahieren Modelle einzelne Signale: Standorte, Produkte, Dienstleistungen, Eigentümerstrukturen, Technologien oder Geschäftsaktivitäten. Anschließend werden diese Informationen einem Unternehmen zugeordnet, miteinander abgeglichen und kontinuierlich aktualisiert.

Nach Angaben des Unternehmens umfasst der Graph 693 Millionen Unternehmensentitäten und mehr als 461 Attribute pro Firma. Der eigentliche Wert liegt dabei nicht in einer weiteren Benutzeroberfläche. Die Daten selbst sind das Produkt. Sie lassen sich beispielsweise in CRM-Systeme, Risikomodelle, Underwriting-Prozesse oder Supply-Chain-Plattformen integrieren.

»Ein Unternehmen ist nicht einfach eine Zeile in einem staatlichen Register«, beschreibt Tofan den Ansatz. »Entscheidend ist die Summe dessen, was ein Unternehmen nach außen hinterläßt: Produkte, Standorte, Märkte, Eigentümerbeziehungen und andere digitale Spuren.« Das klingt zunächst nach einer besonders großen Firmendatenbank. Der interessante Teil beginnt jedoch dort, wo unterschiedliche Signale miteinander verknüpft werden.

Wenn fünf Lieferanten plötzlich nur einer sind

Viele große Unternehmen besitzen über Jahre gewachsene Datenbestände aus ERP-Systemen, gekauften Datenbanken, Tabellen und manuellen Einträgen. Dieselbe Firma kann dort mehrfach vorkommen – mit unterschiedlichen Schreibweisen, Adressen oder früheren Namen.

Eine sogenannte Entity Resolution soll daraus eine eindeutige Unternehmensidentität erzeugen. Anschließend lassen sich weitere Informationen ergänzen. Attribute und Zuordnungen erhalten Konfidenzwerte; zugleich wird die Historie von Veränderungen gespeichert. Dadurch kann auch auffallen, wenn sich ein Unternehmen ungewöhnlich stark verändert – etwa wenn aus einem Produktionsbetrieb scheinbar plötzlich ein völlig anderes Geschäftsmodell wird.

Topan betont dabei eine Grenze, die für den Ansatz wichtig ist: »Wir versuchen, so viele Informationen wie möglich auf den Tisch zu bringen – mit so wenig menschlichem Eingriff wie möglich.« Einen Anspruch auf eine universelle Wahrheit erhebt das Unternehmen ausdrücklich nicht. Stattdessen sollen mehrere unabhängige Signale ein möglichst belastbares Bild ergeben.

Siebenmal mehr Lieferanten

Was das praktisch bedeutet? Topan nannte einige Beispiele von Kunden. Bei einem kanadischen Versicherer etwa stieg die Trefferquote bei kleinen und mittleren Unternehmen von 15 auf 60 Prozent. Bei einem Fünftel der zusätzlich zugeordneten Policen zeigte sich anschließend, dass die Preisberechnung nicht zum tatsächlichen Risiko passte.

In einem Beschaffungsprojekt wurden siebenmal mehr qualifizierte Lieferanten gefunden – und diese 3,2-mal schneller identifiziert. Bei einem Fall im Private-Equity-Umfeld stieg die Zahl potenzieller Übernahmeziele auf das 5,7-Fache.

Damit wird aus Datenqualität ein betriebswirtschaftliches Thema. Ein falsch klassifizierter Betrieb kann zu einer falschen Versicherungsprämie führen. Ein unbekannter Hersteller fehlt möglicherweise bei einer Ausschreibung. Eine übersehene Tochtergesellschaft kann eine Risikobewertung verfälschen. Für einen Investor kann ein Unternehmen unsichtbar bleiben, obwohl es exakt in das gesuchte Profil passt.

Das größte Lieferkettenrisiko liegt oft dort, wo niemand hinsieht

Besonders brisant wird diese Informationslücke in Lieferketten. Die direkten Lieferanten – Tier 1 – sind meist bekannt. Dahinter verschlechtert sich die Sicht rapide. Nach den von Tofan genannten Daten entstehen 85 Prozent kritischer Supply-Chain-Risiken jenseits von Tier 1. Gleichzeitig verfügen nur 42 Prozent der Organisationen über irgendeine Sicht über Tier 2 hinaus.

Statt ausschließlich Lieferanten nach ihren Zulieferern zu fragen, versucht der Ansatz, Beziehungen aus allen öffentlich verfügbaren Spuren abzuleiten. Für das Toyota-Yaris-Werk im tschechischen Kolín wurden so mehr als 5.000 potenzielle Lieferanten identifiziert. Stellenanzeigen, Geschäftsbeziehungen, Produktangaben und Aussagen der beteiligten Unternehmen dienen dabei als Belege mit unterschiedlichen Konfidenzstufen.

Das Ziel ist damit nicht nur eine längere Lieferantenliste. Interessant wird vielmehr die Frage, welche Abhängigkeiten sichtbar werden, bevor eine Störung sie offenlegt.

Von Unternehmensdaten zu Wirtschaftssignalen

Wie weit sich dieser Ansatz treiben lässt, zeigen ungewöhnlichere Projekte. So wurden weltweit Rechenzentren kartiert und Informationen zu Standorten, Alter und Stromverbrauch miteinander kombiniert.

Während der Hormus-Krise wiederum wurde untersucht, welche Fluggesellschaften steigende Treibstoffpreise besonders gut verkraften könnten. Dabei zeigte sich, dass nicht nur die Verfügbarkeit von Kerosin interessant war, sondern vor allem der Preis und die Frage, wie flexibel Flugzeuge an günstigeren Standorten betankt werden konnten. Daraus entstand ein Resilienzindex.

Hier wird deutlich, wohin Veridion eigentlich will: weg von der klassischen Firmenauskunft, hin zu einer maschinenlesbaren Abbildung wirtschaftlicher Realität. Die relevante Frage lautet dann nicht mehr nur: Welche Branche steht im Register? Sondern: Was tut dieses Unternehmen heute tatsächlich, mit wem ist es verbunden, wovon hängt es ab – und was hat sich seit gestern verändert?

Stefan Mutschler, freier Journalist

Stefan Mutschler ist ein erfahrener freier IT‑Journalist, der seit vielen Jahren für führende Fachmedien über IT‑Security, Infrastruktur, Industrie 4.0 und Digitalisierung berichtet. Seine Beiträge zeichnen sich durch klare Analyse, technische Präzision und praxisnahe Einordnung aus. Als unabhängiger Autor unterstützt er Verlage und Unternehmen dabei, komplexe IT‑Themen verständlich und zielgruppengerecht aufzubereiten.

»Ein Unternehmen ist nicht einfach eine Zeile in einem staatlichen Register«, so Alexandra Tofan, Growth Verticals bei Veridion. »Entscheidend ist die Summe dessen, was ein Unternehmen nach außen hinterläßt: Produkte, Standorte, Märkte, Eigentümerbeziehungen und andere digitale Spuren.«

Foto: Stefan Mutschler/KI-bearbeitet

FAQ

Was ist Veridion?
Veridion ist ein Datenunternehmen, das strukturierte Unternehmensinformationen erzeugt und lizenziert. Nach eigener Darstellung ist nicht die Abfragesoftware das eigentliche Produkt, sondern der zugrunde liegende Datensatz, der in bestehende Geschäftsprozesse und Systeme integriert werden kann.

Welches Problem soll der Dienst lösen?
Klassische Unternehmensdaten stützen sich vielfach auf Registerinformationen. Diese können veraltet oder unvollständig sein und bilden Veränderungen wie neue Standorte, Produkte, Eigentümer oder Geschäftsfelder häufig erst verspätet ab.

Woher stammen die Informationen?
Aus öffentlich verfügbaren Quellen. Dazu zählen unter anderem Unternehmenswebsites, Register, Pressemitteilungen, Karten, Verzeichnisse und Produktkataloge. Es werden mehr als 119 Quellenarten beziehungsweise Quellenbereiche für die Datengewinnung genutzt.

Wie groß ist die Datenbasis?
Nach Angaben des Unternehmens umfasst der Knowledge Graph rund 693 Millionen Unternehmensentitäten mit mehr als 461 Attributen je Unternehmen.

Was ist der Unterschied zu einer klassischen Firmendatenbank?
Der Ansatz versucht nicht nur juristische Stammdaten abzubilden, sondern auch Geschäftstätigkeit, Produkte, Standorte, Konzernbeziehungen und andere öffentlich erkennbare Signale miteinander zu verknüpfen. Die Daten werden zudem fortlaufend aktualisiert.

Was bedeutet Entity Resolution?
Dabei werden unterschiedliche Datensätze erkannt, die tatsächlich dasselbe Unternehmen beschreiben. Mehrfacheinträge, unterschiedliche Schreibweisen oder veraltete Firmennamen können auf einen gemeinsamen Datensatz zurückgeführt und anschließend angereichert werden.

Welche Unternehmen profitieren besonders davon?
Genannt werden unter anderem Versicherer, Einkaufs- und Supply-Chain-Plattformen, Ratingagenturen, Private-Equity-Unternehmen, Investmentbanken, Third-Party-Risk-Plattformen und Anbieter von Finanzdaten.

Welchen Nutzen hat der Ansatz für den Einkauf?
Einkäufer können zusätzliche potenzielle Lieferanten identifizieren und bestehende Lieferantenstammdaten verbessern. In einem Beispielprojekt wurden siebenmal mehr qualifizierte Lieferanten gefunden und diese 3,2-mal schneller identifiziert.

Wie hilft die Technologie Versicherern?
Versicherer können Unternehmensaktivitäten genauer erfassen und dadurch Risiken möglicherweise präziser bewerten. Bei einem kanadischen Versicherer stieg die SMB-Trefferquote von 15 auf 60 Prozent; bei 20 Prozent der zusätzlich zugeordneten Policen zeigte sich eine falsche Preisgestaltung.

Kann der Dienst auch Lieferketten unterhalb von Tier 1 sichtbar machen?
Das ist eines der hervorgehobenen Einsatzfelder. Für ein Toyota-Werk wurden beispielsweise mehr als 5.000 potenzielle Lieferanten aus unterschiedlichen öffentlichen Signalen abgeleitet und mit verschiedenen Konfidenzgraden versehen.

Sind alle ermittelten Beziehungen definitiv korrekt?
Nein. Das Unternehmen spricht ausdrücklich von Konfidenzwerten und unterschiedlichen Graden der Sicherheit. Mehrere Signale werden kombiniert, um sich der tatsächlichen Situation möglichst weit anzunähern. Ein Anspruch auf vollständige oder absolute Wahrheit wird nicht erhoben.

Werden auch historische Veränderungen gespeichert?
Ja. Historische werden Zustände erfasst. Dadurch können ungewöhnliche Veränderungen in Geschäftsmodell, Tätigkeit oder Unternehmensstruktur auffallen und für weitere Analysen genutzt werden.

Wie werden die Daten bereitgestellt?
Die Daten können unter anderem über APIs sowie über Plattformen wie Snowflake, Databricks und AWS Data Exchange bereitgestellt und in bestehende Systeme integriert werden.

Was ist die zentrale Abgrenzung zu klassischen Anbietern?
Der wesentliche Unterschied liegt im Datenmodell: Statt ein Unternehmen primär über seine formalen Registerdaten zu beschreiben, soll sein aktueller digitaler Fußabdruck zu einem dynamischen Unternehmensprofil verdichtet werden.

Was ist die wichtigste Einschränkung?
Der Ansatz ist auf öffentlich verfügbare Informationen angewiesen. Informationen, die nicht digital oder öffentlich zugänglich sind, können nicht automatisch in den Knowledge Graph einfließen. Das Unternehmen weist zudem selbst darauf hin, dass es keine universelle Datenquelle für sämtliche Unternehmensinformationen sein will.

140 Artikel zu „Knowledge Graph“

Ausgabe 3-4-2025 | Business | Favoriten der Redaktion | Künstliche Intelligenz | Nachhaltigkeit | News

Nachhaltige Investments – Wie KI und Knowledge Graphen ESG-Analysen beschleunigen

6. Mai 2025

Für viele Unternehmen ist eine umfassende Analyse von Umwelt-, Sozial- und Governance-Faktoren (ESG) heute schon Pflicht – und regelmäßig weiten die Gesetzgeber den Kreis dieser Unternehmen aus. Manuell ist die Analyse der Massen unterschiedlicher Daten jedoch kaum zu leisten. Hier hilft die Kombination von künstlicher Intelligenz und Knowledge Graphen: Diese beschleunigt den Vorgang erheblich und erleichtert die verständliche Darstellung der Ergebnisse.