Ein Case-Interview zur Technologiebranche prüft Ihr Verständnis von SaaS-Ökonomie (ARR, Churn, Net Revenue Retention), Plattformdynamiken (GMV, Take Rate, Netzwerkeffekte) und Hardware-Margen in sieben verschiedenen Teilsektoren. Dieses detaillierte Framework umfasst Umsatz-Bäume, Kostenstrukturen und Bewertungsansätze, die in MBB-Consulting-Interviews verwendet werden.
Technologie-Cases kommen in etwa 12 % der MBB-Beratungsinterviews vor und nehmen an Häufigkeit zu, da Technologie in jede Branche vordringt. Anders als traditionelle Branchen mit stabilen Geschäftsmodellen umfassen Tech-Cases häufig rasantes Wachstum, „Winner-takes-all"-Dynamiken und Geschäftsmodelle, die Nutzer noch lange nach der Akquisition monetarisieren. Dieser Leitfaden bietet das vollständige Framework, um in Technologie-Cases zu glänzen.
Produkt- und Dienstleistungslandschaft
Technologie umfasst mehrere klar abgegrenzte Teilsektoren mit grundlegend unterschiedlichen Wirtschaftlichkeiten. Die sofortige Identifikation des Teilsektors prägt die gesamte Analyse.
| Teilsektor | Wichtige Produkte/Dienstleistungen | Typische Margen | Wichtige Erfolgsfaktoren |
|---|---|---|---|
| Enterprise SaaS | Abonnement-Software (CRM, ERP, HCM, Kollaboration) | Brutto 70–85 %, Operativ 15–25 % | Net Revenue Retention, CAC Payback, Land-and-Expand |
| Consumer Software | Apps, Gaming, Produktivitätstools | Brutto 80–95 %, Netto stark variierend | DAU/MAU, Engagement, Monetarisierung |
| Cloud-Infrastruktur | IaaS, PaaS (AWS, Azure, GCP) | Brutto 60–65 %, mit Skaleneffekten steigend | Marktanteil, Erfassung von Enterprise-Workloads |
| Hardware | Geräte, Komponenten, Netzwerkausrüstung | Brutto 30–45 % | Lieferkette, F&E-Zyklen, Ökosystem-Lock-in |
| Halbleiter | Chips, Prozessoren, Speicher | Brutto 45–65 % | Fertigungskapazität, Design Wins, Mooresches Gesetz |
| Werbung/Plattformen | Suche, Social Media, Marktplätze | Brutto 60–85 % | Nutzer-Engagement, Daten, Werbeinventar |
| IT-Dienstleistungen | Beratung, Systemintegration, Managed Services | Brutto 25–35 % | Auslastung, Talente, Kundenbeziehungen |
Basierend auf unserer Analyse von Technologie-Cases sind die am häufigsten geprüften Szenarien SaaS (35 %), Plattform/Marktplatz (25 %) und Hardware (20 %).
Umsatz-Baum: Tech-Wirtschaftlichkeit verstehen
Technologie-Geschäftsmodelle unterscheiden sich erheblich von traditionellen Branchen. Die dominanten Modelle sind:
1. Abonnement-/SaaS-Modell
ARR = Kunden × Durchschnittlicher Vertragswert
Wachstum = Neuer ARR + Expansions-ARR - Abgewanderter ARR
flowchart TD
A[Jährlich wiederkehrender Umsatz] --> B[Neuer ARR]
A --> C[Expansions-ARR]
A --> D[Abgewanderter ARR]
B --> B1[Neue Kunden]
B --> B2[Initialer ACV]
C --> C1[Upsell]
C --> C2[Cross-sell]
C --> C3[Preiserhöhungen]
D --> D1[Kundenverlust]
D --> D2[Vertragsreduzierung]
style A fill:#1e3a5f,color:#fff
style B fill:#22c55e,color:#fff
style C fill:#22c55e,color:#fff
style D fill:#dc2626,color:#fff
2. Transaktions-/Plattform-Modell
Umsatz = GMV × Take Rate
GMV = Transaktionen × Durchschnittlicher Transaktionswert
3. Werbe-Modell
Umsatz = Impressionen × CPM / 1000
oder
Umsatz = Klicks × CPC
Wichtige Umsatz-Kennzahlen nach Modell
| Geschäftsmodell | Primäre Kennzahlen | Gesunde Benchmarks | Diagnosefragen |
|---|---|---|---|
| SaaS | ARR, NRR, CAC Payback, LTV:CAC | NRR >110 %, CAC Payback <18 Monate, LTV:CAC >3x | Ist das Wachstum effizient? Expandieren Kunden? |
| Marktplatz | GMV, Take Rate, Liquidität | Take Rate 10–25 %, Käufer-/Verkäuferbindung >70 % | Ist ausreichend Liquidität vorhanden? Ist die Take Rate nachhaltig? |
| Werbung | DAU/MAU, ARPU, Ad Load, CPM | DAU/MAU >50 %, ARPU wachsend | Ist das Engagement stark? Ist die Ad Load ausgeschöpft? |
| Hardware | ASP, Stückzahlen, Attach Rate | Attach Rate >30 %, Bruttomarge >35 % | Gibt es Service-/Software-Attach? Steigt oder fällt der ASP? |
SaaS-Unit-Economics im Detail
Das Verständnis der SaaS-Unit-Economics ist entscheidend für Technologie-Cases:
| Kennzahl | Definition | Best-in-Class | Warnsignale |
|---|---|---|---|
| Net Revenue Retention (NRR) | Umsatz von Bestandskunden in diesem Jahr / Vorjahr | >120 % | <100 % weist auf Netto-Schrumpfung hin |
| Gross Revenue Retention (GRR) | Gebundener Umsatz (ohne Expansion) | >90 % | <85 % weist auf ein Abwanderungsproblem hin |
| CAC Payback | Monate bis zur Rückgewinnung der Kundenakquisitionskosten | <12 Monate | >24 Monate ist bedenklich |
| LTV:CAC-Verhältnis | Lifetime Value / Kundenakquisitionskosten | >3x | <2x bedeutet unprofitables Wachstum |
| Magic Number | Netto-Neu-ARR / Vertriebs- und Marketingausgaben | >0,75 | <0,5 weist auf ineffiziente Ausgaben hin |
| Rule of 40 | Umsatzwachstum % + operative Marge % | >40 % | <20 % liegt unter dem gesunden Schwellenwert |
Kostenstruktur: Wohin Tech-Ausgaben fließen
SaaS-Kostenstruktur
pie title Kostenstruktur eines SaaS-Unternehmens (% des Umsatzes)
"Umsatzkosten" : 25
"Vertrieb & Marketing" : 35
"Forschung & Entwicklung" : 20
"Allgemein & Verwaltung" : 15
"Operativer Gewinn" : 5
| Kostenkategorie | % des Umsatzes (Wachstumsphase) | % des Umsatzes (Reifephase) | Wesentliche Treiber |
|---|---|---|---|
| Umsatzkosten | 20–30 % | 15–25 % | Hosting, Support, Customer Success |
| Vertrieb & Marketing | 40–60 % | 20–35 % | Vertriebspersonal, Nachfragegenerierung, Marke |
| F&E | 20–35 % | 15–25 % | Entwicklungspersonal, Tools |
| G&A | 10–20 % | 8–15 % | Verwaltung, Recht, Finanzen |
| Operative Marge | −20 % bis +10 % | 15–30 % | Verbessert sich mit Skaleneffekten |
Hardware-Kostenstruktur
| Kostenkategorie | % des Umsatzes | Unterkomponenten | Optimierungshebel |
|---|---|---|---|
| COGS | 55–70 % | Komponenten, Fertigung, Logistik | Mengenrabatte, Design-to-Cost, vertikale Integration |
| F&E | 8–15 % | Hardware-Design, Firmware, Testing | Plattformwiederverwendung, modulares Design |
| Vertrieb & Marketing | 8–15 % | Kanalkosten, Werbung, Einzelhandel | Direct-to-Consumer-Umstellung, digitales Marketing |
| G&A | 5–10 % | Unternehmensgemeinkosten | Skaleneffekte |
| Operative Marge | 5–15 % | — | Service-Attach, Premium-Positionierung |
Wesentliche Kostenerkenntnis: Operating Leverage in Software
Software verfügt über einen außergewöhnlichen Operating Leverage, da die Grenzkosten für die Bedienung eines zusätzlichen Kunden nahezu null betragen. Das bedeutet:
- Unternehmen in der Frühphase arbeiten häufig mit erheblichen Verlusten, während sie in Wachstum investieren
- Im großen Maßstab können Softwareunternehmen operative Margen von 25–35 % erzielen
- Die „Rule of 40" (Wachstumsrate + Gewinnmarge > 40 %) balanciert Wachstum und Profitabilität
Wettbewerbslandschaft
Technologiewettbewerb folgt unterschiedlichen Mustern, je nachdem, ob Netzwerkeffekte vorhanden sind.
Porters Fünf-Kräfte-Modell für Technologie
| Kraft | SaaS | Plattformen/Marktplätze | Hardware |
|---|---|---|---|
| Rivalität | Hoch (überfüllte Kategorien) | Mittel-Niedrig (Winner-take-most) | Hoch (Kommoditisierung) |
| Neue Marktteilnehmer | Hoch (niedrige Einstiegshürden) | Niedrig (Netzwerkeffekte als Schutz) | Mittel (kapitalintensiv) |
| Lieferantenmacht | Niedrig (Cloud kommoditisiert) | Niedrig | Mittel-Hoch (Schlüsselkomponenten) |
| Käufermacht | Mittel (Wechselkosten) | Niedrig (im Ökosystem gebunden) | Hoch (Preisvergleich einfach) |
| Substitute | Hoch (Build vs. Buy, Alternativen) | Niedrig (kaum tragfähige Alternativen) | Mittel (konkurrierende Ökosysteme) |
Netzwerkeffekte-Framework
Netzwerkeffekte sind der entscheidende Wettbewerbsvorteil in der Technologiebranche. Es ist essenziell zu verstehen, welcher Typ jeweils zutrifft:
flowchart LR
A[Netzwerkeffekte] --> B[Direkt]
A --> C[Indirekt]
A --> D[Daten]
B --> B1[Mehr Nutzer → mehr Wert]
B --> B2[Soziale Netzwerke, Messaging]
C --> C1[Mehr Nutzer → mehr Angebot]
C --> C2[Marktplätze, Plattformen]
D --> D1[Mehr Daten → besseres Produkt]
D --> D2[KI, Empfehlungen]
style A fill:#1e3a5f,color:#fff
style B fill:#2563eb,color:#fff
style C fill:#2563eb,color:#fff
style D fill:#2563eb,color:#fff
| Netzwerkeffekt-Typ | Definition | Beispiele | Verteidigungsfähigkeit |
|---|---|---|---|
| Direkt | Wert steigt mit jedem Nutzer | WhatsApp, Zoom, Slack | Sehr hoch – schwer zu verdrängen |
| Indirekt/Wechselseitig | Mehr Nutzer ziehen mehr Angebot an (und umgekehrt) | Uber, Airbnb, App Store | Hoch – erfordert beide Seiten |
| Daten | Mehr Nutzung verbessert ML/KI | Google Search, Netflix-Empfehlungen | Mittel-hoch – Datengräben erodieren |
| Skaleneffekte | Stückkosten sinken mit dem Volumen | AWS, Fertigung | Mittel – kann repliziert werden |
Kundenanalyse
Die Tech-Kundenanalyse variiert je nach Geschäftsmodell erheblich.
Kundensegmentierung für Enterprise-SaaS
| Segment | Definition | Merkmale | Vertriebsansatz |
|---|---|---|---|
| Enterprise | >1000 Mitarbeiter, >500K USD ACV | Lange Verkaufszyklen (6–12 Monate), individuelle Anforderungen, mehrjährige Verträge | Außendienst, lösungsorientierter Vertrieb |
| Mid-Market | 100–1000 Mitarbeiter, 25K–500K USD ACV | 2–4 Monate Zyklen, wachsende Ansprüche | Innendienst + Außendienst |
| KMU | <100 Mitarbeiter, <25K USD ACV | Self-Service oder leichte Betreuung, hohes Volumen, höhere Abwanderung | PLG, Innendienst |
| Endverbraucher | Einzelne Nutzer | Freemium-Konvertierung, virale Schleifen | Produktgetrieben, Marketing |
Wichtige Kundenkennzahlen
| Kennzahl | Definition | Benchmark | Diagnosewert |
|---|---|---|---|
| DAU/MAU | Täglich aktive / Monatlich aktive Nutzer | >50 % gilt als starkes Engagement | Misst die Nutzerbindung |
| Time to Value | Tage von der Registrierung bis zur Aktivierung | Idealerweise <7 Tage | Prognostiziert die Kundenbindung |
| Net Promoter Score (NPS) | Wahrscheinlichkeit einer Weiterempfehlung | >40 ist ausgezeichnet für B2B | Prognostiziert Wachstum |
| Logo-Retention | % der gehaltenen Kunden | >85 % jährlich | Grundlegende Gesundheitskennzahl |
| Dollar-Retention (NRR) | Gehaltener + erweiterter Umsatz | >110 % ist erstklassig | Nachhaltigkeit des Wachstums |
Vertriebskanäle
Der Tech-Vertrieb hat sich deutlich in Richtung produktgeführter und digitaler Kanäle entwickelt.
Software-Vertriebsmodelle
| Kanal | CAC | Kontrolle | Am besten geeignet für |
|---|---|---|---|
| Product-Led Growth (PLG) | Niedrig (100–500 USD) | Hoch | KMU, Prosumer, virale Produkte |
| Innendienst | Mittel (2K–15K USD) | Hoch | Mid-Market, transaktionaler Vertrieb |
| Außendienst | Hoch (30K–100K+ USD) | Hoch | Enterprise, komplexe Deals |
| Kanal/Partner | Variabel (15–30 % des ACV) | Niedrig | Geografische Expansion, Vertikalen |
| Marktplätze | Variabel (15–25 % der Transaktion) | Niedrig | Sichtbarkeit, Glaubwürdigkeit |
Hardware-Vertrieb
| Kanal | Margen-Auswirkung | Volumen | Kontrolle | Am besten geeignet für |
|---|---|---|---|---|
| Direkt (D2C) | Am höchsten | Niedriger | Sehr hoch | Premium, beratungsintensiv |
| Einzelhandel | Mittel (40–50 % des UVP) | Hoch | Niedrig | Massenmarkt, Impulskäufe |
| Mobilfunkanbieter | Mittel | Sehr hoch | Niedrig | Subventionierte Geräte |
| B2B/Enterprise | Variabel | Mittel | Mittel | Unternehmenskunden |
Lieferkette
Tech-Lieferketten variieren je nach Teilbereich, wobei Hardware und Halbleiter besonders komplexe Ketten aufweisen.
Hardware-Lieferkette
flowchart LR
A[Rohmaterialien] --> B[Komponentenlieferanten]
B --> C[Auftragsfertiger]
C --> D[OEM/Marke]
D --> E[Distribution]
E --> F[Endkunde]
B --> B1[Chips, Displays, Speicher]
C --> C1[Foxconn, Pegatron]
E --> E1[Einzelhandel, Mobilfunkanbieter, D2C]
style A fill:#1e3a5f,color:#fff
style D fill:#2563eb,color:#fff
style F fill:#1e3a5f,color:#fff
Wichtige Kennzahlen der Lieferkette
| Kennzahl | Definition | Benchmark | Bedeutung |
|---|---|---|---|
| Lagerumschlag | COGS / Durchschnittlicher Lagerbestand | 8–12x für Hardware | Effizienz des Umlaufvermögens |
| Reichweite des Lagerbestands | Lagerbestand / Tägliche Lieferungen | 30–60 Tage | Balance zwischen Angebot und Nachfrage |
| Durchlaufzeit | Bestellung bis Lieferung | Stark variierend | Reaktionsfähigkeit |
| Ausbeute | Gute Einheiten / Gesamtproduzierte Einheiten | >95 % | Fertigungsqualität |
| Komponentenkosten % des BOM | Kosten der Hauptkomponente / Gesamt-BOM | Variierend | Risiko der Lieferkonzentration |
Halbleiterspezifische Überlegungen
- Fab vs. Fabless: Foundries (TSMC, Samsung) vs. reines Design (Nvidia, AMD, Qualcomm)
- Prozessknoten: Kleiner = mehr Leistung, höhere Kosten (5 nm, 3 nm usw.)
- Kapazitätsengpässe: Fab-Kapazitäten sind begrenzt und Durchlaufzeiten lang (18–24 Monate)
- Zyklizität: Die Halbleiternachfrage ist stark zyklisch
Wichtige Branchentrends
Diese Trends tauchen häufig in Technologie-Cases auf und prägen strategische Empfehlungen.
| Trend | Auswirkung | Relevanz für Cases | Wichtige Daten |
|---|---|---|---|
| KI/ML überall | Transformation von Produkten, Operations und ganzen Branchen | Produktstrategie, Wettbewerbsreaktion | ChatGPT erreichte 100 Mio. Nutzer in 2 Monaten |
| Cloud-Migration | Verlagerung von On-Premise zu Cloud-Infrastruktur | Marktvolumen-Schätzung, Preisstrategie | Cloud ist ein ~500-Mrd.-$-Markt, wächst jährlich um 20 %+ |
| Product-Led Growth | Self-Service ersetzt vertriebsgesteuertes Wachstum für viele Segmente | Go-to-Market-Strategie, Unit Economics | PLG-Unternehmen wachsen schneller bei niedrigerem CAC |
| Vertikalisierung | Horizontale Plattformen werden vertikal spezialisiert | Markteintritt, Differenzierung | Vertikales SaaS wächst schneller als horizontales |
| Cybersicherheit als Pflicht | Sicherheit als Anforderung, nicht als Feature | Alle Technologie-Cases | Cyber-Markt >200 Mrd. $, wächst um 10 %+ |
| Datenschutz/Regulierung | DSGVO, CCPA, kartellrechtliche Prüfung | Risikobewertung, strategische Einschränkungen | Big Tech steht vor mehreren regulatorischen Maßnahmen |
Wichtige Fachbegriffe
Beherrschen Sie diese Begriffe vor Ihrem Technologie-Case-Interview:
SaaS-Kennzahlen
| Begriff | Definition | Verwendungskontext |
|---|---|---|
| ARR/MRR | Jährlich/Monatlich wiederkehrender Umsatz | Kernkennzahl für Abonnements |
| NRR/NDR | Netto-Umsatzbindung / Netto-Dollar-Bindung | Expansions- und Bindungsgesundheit |
| CAC | Kundenakquisitionskosten | Vertriebseffizienz |
| LTV | Lifetime Value eines Kunden | Unit Economics |
| ACV | Jährlicher Vertragswert | Dealvolumen |
| Bookings | Gesamter unterzeichneter Vertragswert | Frühindikator |
| Billings | In Rechnung gestellter Betrag | Cashflow-Indikator |
| Deferred Revenue | Vereinnahmt, aber noch nicht realisiert | Verbindlichkeit in der Bilanz |
Plattform-/Marktplatzbegriffe
| Begriff | Definition | Verwendungskontext |
|---|---|---|
| GMV | Brutto-Warenwert | Gesamtes Transaktionsvolumen |
| Take Rate | Plattformgebühr in % des GMV | Monetarisierungskennzahl |
| Liquidität | Ausreichendes Angebot trifft auf Nachfrage | Marktplatzgesundheit |
| Netzwerkeffekte | Wert steigt mit mehr Nutzern | Wettbewerbsvorteil |
| Multi-Homing | Nutzer auf mehreren Plattformen | Wettbewerbsrisiko |
| Disintermediation | Parteien handeln außerhalb der Plattform | Abwanderungsrisiko |
Technische/Produktbegriffe
| Begriff | Definition | Verwendungskontext |
|---|---|---|
| API | Application Programming Interface | Integration, Plattformstrategie |
| Freemium | Kostenlose Basis, kostenpflichtiges Premium | Akquisitionsmodell |
| PLG | Product-Led Growth | Go-to-Market-Strategie |
| Churn | Kunden-/Umsatzverlust | Bindungskennzahl |
| Kohorte | Kundengruppe nach Akquisitionszeitraum | Analysemethodik |
| Stickiness | DAU/MAU-Verhältnis | Engagement-Kennzahl |
Wichtige Berechnungen
Diese Berechnungen tauchen häufig in Technologie-Cases auf.
SaaS-Bewertungskennzahlen
ARR-Multiplikator = Unternehmenswert / ARR
- Stark wachsendes SaaS: 10–20x ARR
- Reifes SaaS: 5–10x ARR
- Schwächelndes SaaS: <5x ARR
Rule of 40 = Umsatzwachstumsrate % + operative Marge %
- Ausgezeichnet: >40 %
- Gut: 20–40 %
- Bedenklich: <20 %
Magic Number = Netto-Neu-ARR (Q) / Vertriebs- und Marketingausgaben (Q-1)
- Effizient: >1,0
- Akzeptabel: 0,5–1,0
- Ineffizient: <0,5
Unit-Economics-Berechnungen
CAC = Gesamte Vertriebs- und Marketingkosten / Neu gewonnene Kunden
LTV = (Durchschnittlicher Umsatz pro Kunde × Bruttomarge) / Churn-Rate
- Oder: ARPA × Bruttomarge × Durchschnittliche Kundenlebensdauer
LTV:CAC-Verhältnis = LTV / CAC
- Gesund: >3x
- Break-even-Punkt: 1x
- Unrentabel: <1x
CAC-Amortisationszeit = CAC / (Monatlicher Umsatz pro Kunde × Bruttomarge)
- Erstklassig: <12 Monate
- Akzeptabel: 12–18 Monate
- Bedenklich: >24 Monate
Hardware-/Plattformberechnungen
Bruttomarge = (Umsatz - COGS) / Umsatz
- Premium-Hardware: 35–45 %
- Standardhardware: 15–25 %
Take Rate = Plattformumsatz / GMV × 100
- Marktplätze: 10–25 %
- Zahlungsabwicklung: 2–3 %
- App-Stores: 15–30 %
ARPU = Umsatz / Aktive Nutzer
- Monatlich (ARPU) oder jährlich (ARPA) verwenden
Wichtige Überlegungen
Diese Faktoren unterscheiden starke Kandidaten von durchschnittlichen in Technologie-Cases.
Häufige Fehler
Unit Economics ignorieren: Starkes Wachstum bedeutet nichts, wenn das LTV:CAC-Verhältnis ungünstig ist. Fragen Sie immer nach der Effizienz der Kundenakquisition.
Netzwerkeffekte unterschätzen: In Plattformgeschäften bedeutet der zweite Platz oft Bedeutungslosigkeit. Winner-takes-most-Dynamiken sind real.
Umsatz und Bookings verwechseln: SaaS-Unternehmen realisieren Umsatz über die Zeit. Ein heute unterzeichneter 1-Mio.-$-Deal bedeutet nicht 1 Mio. $ Umsatz heute.
Kohortenanalyse übersehen: Frühe Kunden haben oft andere Wirtschaftlichkeit als spätere. Fragen Sie nach der Kohortenentwicklung.
Wechselkosten außer Acht lassen: Hohe Wechselkosten = Preissetzungsmacht und Kundenbindung. Niedrige Wechselkosten = Commoditisierungsrisiko.
Immer zu stellende Fragen
- Was ist das Geschäftsmodell (SaaS, Marktplatz, Werbung, Hardware)?- Was sind die Unit Economics (LTV:CAC, CAC-Amortisationsdauer)?
- Gibt es einen Netzwerkeffekt, und wenn ja, welcher Art?
- Wie sieht die Wettbewerbslandschaft aus und wodurch unterscheidet sich das Unternehmen?
- In welcher Phase befindet sich das Unternehmen (frühes Wachstum, Skalierung, Reife)?
- Welche Go-to-Market-Strategie wird verfolgt (PLG, Inside Sales, Enterprise)?
Warnsignale in Tech-Cases
| Signal | Was es nahelegt | Weiterführende Analyse |
|---|---|---|
| Hohes Wachstum, aber CAC-Amortisationsdauer >24 Monate | Nicht nachhaltiges Wachstum | Unit Economics und Weg zur Effizienz untersuchen |
| Sinkende NRR trotz stabiler Kundenbindung | Umsatzrückgang, Preisdruck | Expansionstreiber und Wettbewerbsbedrohungen analysieren |
| Steigende Take Rate bei nachlassendem GMV | Plattform-Squeeze, Disintermediationsrisiko | Mehrwert, Multi-Homing bewerten |
| Steigender F&E-Anteil am Umsatz ohne höhere Produktgeschwindigkeit | Ineffizienz im Engineering | Teamproduktivität und technische Schulden untersuchen |
| Kundenkonzentration >20 % | Umsatzrisiko | Vertragsbedingungen und Expansionspotenzial bewerten |
Wichtigste Erkenntnisse
- Tech-Cases erfordern eine sofortige Identifikation des Geschäftsmodells – SaaS, Plattform, Hardware und Werbung haben grundlegend unterschiedliche Wirtschaftlichkeiten
- SaaS-Unit-Economics sind entscheidend: CAC, LTV, NRR und die Rule of 40 sollten sicher beherrscht werden
- Netzwerkeffekte prägen den Wettbewerb im Tech-Bereich – direkte, indirekte und datenbasierte Netzwerkeffekte sollten verstanden werden
- Software bietet außerordentlichen Operating Leverage: frühe Verluste sind zu erwarten, doch bei Skalierung entstehen hohe Margen
- Die Kundengewinnungsstrategie ist relevant: PLG gegenüber vertriebsgesteuertem Ansatz hat erhebliche Auswirkungen auf Kosten und Skalierbarkeit
- Wichtige Kennzahlen variieren je nach Modell: ARR/NRR für SaaS, GMV/Take Rate für Plattformen, ASP/Stückzahlen für Hardware
- Relevante Trends: KI-Transformation, Cloud-Migration, PLG, Vertikalisierung und regulatorischer Druck
Bereit zum Üben? Stöbern Sie in den Tech-Branchenfällen unserer Case-Bibliothek oder testen Sie Ihr Framework in einem zeitgesteuerten KI-Mock-Interview, um Geschwindigkeit und Sicherheit aufzubauen.