Venture-Client-Bewertungs-Dashboard

Ein KI-gestütztes Entscheidungsunterstützungstool, das ein Innovationsteam vom Startup-Scouting bis zur strukturierten Go/No-Go-Empfehlung begleitet, entwickelt mit einem Vier-Agenten-Komitee in Python und Streamlit.

Überblick

Während meines MBA-Programms habe ich ein KI-gestütztes Entscheidungsunterstützungstool für den Venture-Client-Prozess entwickelt — die unternehmerische Methodik zur Einbindung von Startups als zahlende Kunden statt als Portfolioinvestitionen. Das Dashboard operationalisiert ein mehrstufiges Bewertungsframework basierend auf Oliver Gassmanns Venture-Clienting-Methodik in einer einzigen interaktiven Webanwendung und begleitet ein Innovationsteam vom initialen Startup-Scouting bis zur strukturierten Go/No-Go-Empfehlung.

Der Venture-Client-Prozess

Das Tool basiert auf den fünf kanonischen Phasen der Venture-Client-Methodik:

Discovery → Assessment → Buy → Pilot → Adoption

Jedes Startup im System ist mit seiner aktuellen Phase markiert. Das Dashboard ist speziell für die Assessment-Phase entwickelt — den analytisch intensivsten Schritt — und unterstützt den gesamten Prozess durch beschaffungsreife PDF-Berichte, Phasen-Tracking in der Pipeline und einen dedizierten Methodik-Referenz-Tab, der jede Phase, ihre Hauptaktivitäten und die Rolle des Tools erklärt.

Was ich entwickelt habe

Multi-Agenten-KI-Bewertungskomitee

Vier-Agenten-Komitee

Das Herzstück des Dashboards ist ein Vier-Agenten-KI-System, bei dem jeder Agent eine definierte Persona und einen klar abgegrenzten Verantwortungsbereich hat. Die Agenten sind verkettet — jeder nachfolgende Agent liest die Ausgaben der vorherigen Agenten, bevor er seine eigene Einschätzung verfasst:

Agent 1 — Innovation Scout (Maria Chen): Bewertet Team, Traktion und Technologie — die „3Ts”-Matchmaking-Ebene, die beantwortet, ob das Startup real und bereit ist
Agent 2 — Business Unit Director (Klaus Weber): Bewertet Wünschbarkeit, Machbarkeit und Tragfähigkeit aus unternehmerischer und kaufmännischer Perspektive
Agent 3 — Risk & Compliance Officer (Dr. Anna Müller): Beurteilt Kompatibilität, Fähigkeit und Kontextualität — einschließlich rechtlicher, IP-, DSGVO- und Integrationsrisiken
Agent 4 — Committee Chair (Heinrich Bauer): Fasst alle drei Berichte zusammen und gibt eine abschließende Empfehlung mit Begründung aus

Jede Bewertung ist eine ganze Zahl von 1 bis 5, begleitet von einer zitierten Datenquelle, einem Konfidenzniveau (hoch / mittel / niedrig) und einer strukturierten Begründung mit vier Elementen: dem verwendeten spezifischen Beleg, seiner Implikation für den Pilot, fehlenden Informationen und einem Ein-Satz-Urteil. Das System setzt eine Anti-Halluzinations-Regel durch: Wenn Belege unzureichend sind, wird die Bewertung auf 3 mit niedrigem Konfidenzniveau gesetzt, anstatt eine Zahl zu erfinden.

Die Pipeline unterstützt vier zur Laufzeit auswählbare KI-Anbieter — Anthropic Claude, OpenAI, Google Gemini und Mistral — mit einem konfigurierbaren Token-Budget pro Agent.

Qualifizierungs-Checkliste

Binäre Muss-Kriterien

Bevor die KI-Agenten ausgeführt werden, bewertet das Tool programmatisch fünf binäre Muss-Kriterien, die direkt aus der Venture-Clienting-Methodik stammen:

Registrierung als juristische Person (bestätigt über Finanzierungsdaten)
Hauptsitz und DSGVO-Konformitätszone (DACH / EU / Nicht-EU)
Ausreichende Finanzierung und Runway — mindestens 9 Monate erforderlich, um einen Pilot zu tragen
Referenzkunden als Marktvalidierungsnachweis
Vorläufiger Problem-Lösungs-Fit basierend auf ARR und Produktreife

Jedes Kriterium erhält einen grünen / gelben / roten Status mit einem erklärenden Hinweis. Zwei oder mehr rote Flags lösen eine Ablehnungsempfehlung aus, unabhängig von den KI-Scores.

Gewichtete Gesamtbewertung

Drei-Schichten-Bewertungsmodell

Der Gesamtscore (0–100) kombiniert drei Bewertungsschichten mit festen Gewichtungen, die der Methodik entsprechen:

Schicht	Gewichtung	Quelle
Qualifizierungs-Checkliste	20%	Objektive Eingaben
3Ts-Durchschnitt (Team, Traktion, Technologie)	30%	KI-Agent 1
Gewichteter Durchschnitt der sechs Dimensionen	50%	KI-Agenten 2 & 3

Innerhalb der sechs Dimensionen spiegeln die Teilgewichtungen die strategische Priorität wider: Wünschbarkeit, Machbarkeit und Tragfähigkeit je 20%; Kompatibilität und Fähigkeit je 15%; Kontextualität 10%. Scores über 65 ohne kritische Flags ergeben eine Empfehlung „Weiter zum Pilot”; unter 45 oder ein Score von 1 bei Traktion oder Kontextualität ergibt „Ablehnen”; alles andere ist „Weitere Bewertung erforderlich”.

Kontexterfassung

Vor jeder KI-Bewertung sammelt das Tool automatisch externe Informationen über das Startup:

Scraped die öffentliche Website des Startups nach Produktbeschreibungen, Teaminformationen und Kundenbelegen
Führt eine DuckDuckGo-Nachrichtensuche nach aktueller Presseberichterstattung, Finanzierungsankündigungen und Marktsignalen durch
Kombiniert gescrapte Inhalte, die vom Nutzer bereitgestellte Beschreibung und strukturierte Eingaben zu einem einzigen Kontextblock, der an alle vier Agenten übergeben wird

Phasen-Tracking in der Pipeline

Jedem Startup in der Bewertungspipeline wird eine aktuelle Venture-Client-Phase zugewiesen — Discovery, Assessment, Buy, Pilot oder Adoption. Ein visueller Fortschrittsbalken auf jeder Startup-Karte zeigt die vollständige Fünf-Phasen-Reise, wobei abgeschlossene Phasen grün markiert und die aktive Phase hervorgehoben ist. Der Analyst kann ein Startup mit einer einzigen Dropdown-Auswahl in die nächste Phase verschieben, und die Pipeline-Tabelle spiegelt die aktuelle Phase aller bewerteten Startups gleichzeitig wider.

Eingabe-Plausibilitätsprüfungen

Eine Vorab-Validierungsebene wird ausgeführt, bevor die KI aufgerufen wird, und erkennt häufige Datenqualitätsprobleme:

Problemstellungen kürzer als 50 Zeichen (blockiert)
Startup-Beschreibungen unter 30 Wörtern (blockiert)
Widersprüche zwischen Finanzierungsphase und Umsatz (z.B. Series B, aber noch kein Umsatz)
Kritischer Runway unter 3 Monaten — markiert das Startup als nicht in der Lage, einen Pilot zu tragen
Fehlerhafte Website-URLs — Scraping wird mit einer Warnung übersprungen

Fehler blockieren die Einreichung; Warnungen werden dem Analysten ohne Blockierung angezeigt.

DSGVO und Datenschutzkontrollen

Da das Tool Startup-Daten an externe KI-Anbieter sendet, sind zwei Datenschutzkontrollen integriert:

Ein Daten- und Datenschutz-Panel in der Seitenleiste listet genau auf, was an den KI-Anbieter übermittelt wird — Startup-Name, Beschreibung, Problemstellung, Finanzdaten, Zusammenfassung des strategischen Unternehmensprofils und öffentlich verfügbare gescrapte Inhalte — sowie Links zur API-Datenschutzrichtlinie jedes Anbieters, die bestätigt, dass API-Tier-Daten nicht für das KI-Training verwendet werden.

Ein Bestätigungs-Checkbox vor der Bewertung verpflichtet den Analysten zu bestätigen, dass keine personenbezogenen Daten (Mitarbeiternamen, persönliche Kontakte) eingegeben wurden, bevor die KI-Bewertung gestartet wird. Dies dient als leichtgewichtige DSGVO-Compliance-Erinnerung, ohne den Arbeitsablauf zu blockieren.

Pipeline-Management und Vergleich

Das Dashboard führt eine sitzungsbasierte Pipeline aller bewerteten Startups. Der Pipeline-Tab ermöglicht:

Trichterdiagramm, das zeigt, wie viele Startups sich in jeder Empfehlungsphase befinden
Wünschbarkeit-vs.-Tragfähigkeit-Blasendiagramm zum visuellen Vergleich aller Kandidaten
Multi-Startup-Radar-Overlay zum gleichzeitigen Vergleich aller bewerteten Startups über die sechs strategischen Dimensionen
Sortierbare Übersichtstabelle mit Scores, Empfehlung, Hauptsitz, Finanzierungsphase und aktueller VC-Prozessphase

Visualisierungen

Tachodiagramm mit dem Gesamt-Composite-Score in Empfehlungsfarbe
Radardiagramme für 3Ts-Matchmaking und Sechs-Dimensionen-Bewertung
Dimensionsaufschlüsselungs-Balkendiagramm — Balkenfarbe kodiert das Score-Niveau (grün für 4–5, gelb für 3, orange für 2, rot für 1); Balkenopazität kodiert das KI-Konfidenzniveau (fest = hoch, halbtransparent = mittel, verblasst = niedrig)
Pipeline-Trichter und Vergleichs-Blasendiagramm über alle Kandidaten

PDF-Export

Ein Ein-Klick-Export erstellt einen formatierten PDF-Bericht mit Startup-Identität, Problemstellung, Gesamtscore, Empfehlungs-Badge, Qualifizierungs-Checkliste mit Ampelfarben, allen neun KI-Scores mit Begründung und Datenquellen sowie Analystennamen und Datumsstempel. Der Bericht ist für die Präsentation vor einem internen Venture-Board formatiert.

Einheits-KPI-Dashboard

Ein KPI-Tab aggregiert Kennzahlen über die gesamte Bewertungspipeline: Gesamtzahl bewerteter Startups, Anzahl der für den Pilot freigegebenen Startups, Pilot-Konversionsrate, Startups in weiterer Bewertung, Ablehnungsanzahl und Durchschnittswerte für Wünschbarkeit und Tragfähigkeit. Diese Kennzahlen verfolgen die Gesundheit des Scouting- und Bewertungsprozesses der Innovationseinheit im Laufe der Zeit, mit einem Branchen-Benchmark von 20–30% Konversionsrate von der Bewertung zum Pilot.

Technologie-Stack

Komponente	Technologie
Frontend und Anwendung	Python · Streamlit
KI-Anbieter	Anthropic Claude · OpenAI · Google Gemini · Mistral
Web-Scraping	BeautifulSoup · httpx
Nachrichtensuche	DuckDuckGo Search API
PDF-Export	ReportLab
Visualisierungen	Plotly
Hosting	Streamlit Community Cloud

Was ich gelernt habe

Dieses Projekt hat mir gezeigt, was es bedeutet, ein qualitatives Unternehmensframework in ein funktionierendes Softwaresystem zu übersetzen. Der schwierigste Teil war nicht der Code — es waren die Designentscheidungen: Wie bringt man ein LLM dazu, Bewertungsregeln konsistent zu befolgen, ohne Belege zu erfinden? Wie baut man ein Bewertungsmodell, das sowohl rigoros als auch für nicht-technische Stakeholder erklärbar ist? Wie geht man mit Datenschutz um, wenn das Tool Unternehmensstrategie an einen US-amerikanischen KI-Server sendet?

Auf der technischen Seite habe ich praktische Erfahrung mit Multi-Agenten-Prompt-Verkettung, strukturiertem JSON-Output-Parsing, Streamlit-Sitzungsstatusverwaltung, PDF-Generierung und dem Deployment von Python-Anwendungen in die Cloud gesammelt. Ich habe auch gelernt, aus der Perspektive von Nutzern zu denken, die keine Softwareentwickler sind — jede Designentscheidung in der UI existiert, weil ein echter Analyst dem Output vertrauen muss, um ihn in einem Meeting präsentieren zu können.

Das Feedback vom Venture-Client-Team bestätigte, dass die Framework-Ausrichtung des Tools — insbesondere die 5-Phasen-Prozessstruktur und die Sechs-Dimensionen-Bewertung — der Art entspricht, wie Praktiker tatsächlich über Startup-Bewertungen denken. Diese Validierung bedeutete mir mehr als die technische Umsetzung.

Live-Anwendung

Dashboard in neuem Tab öffnen →