Machine learning als antwoord op de onzekerheid
Elon Musk doet een bod om Twitter te kopen. Microsoft neemt de game ontwikkelaar Activision Blizard over, om zijn positie in de strijd om de metaverse te versterken. Ook in de Belgische energiesector zijn er plannen voor een grote fusie tussen Euronav en Frontline. Kortweg bedrijven worden verhandeld aan de lopende band. Dit is niet alleen van belang voor de aandeelhouders van deze ondernemingen maar beïnvloedt ook de consumenten en de bredere samenleving. Als we kijken naar het voorbeeld van Twitter is het duidelijk dat Elon Musk graag wil weten of hij Twitter zal kunnen aankopen en hoeveel hij daarvoor zou moeten betalen. Daarnaast zullen aandeelhouders benieuwd zijn wat deze mogelijke verkoop inhoudt voor de aandelenkoers en de verdere strategie van de onderneming. Ten derde zullen ook gebruikers, en zelfs de bredere samenleving, zich afvragen wat deze mogelijke verkoop betekent voor de toekomst van Twitter. Ga ik Twitter nog kunnen gebruiken? Gaat iedereen mogen zeggen wat hij of zij wil op dit platform? Wat zal de impact hiervan zijn op de bredere samenleving?
De verkoop van een onderneming creëert een zeer onzekere situatie voor een grote groep personen. Een manier om vat te krijgen op deze onzekere situatie is door te voorspellen wat de toekomst zal brengen. Deze voorspellingen geven aan welk scenario van de toekomst het meest waarschijnlijk is en bieden op deze manier een houvast voor hetgeen we kunnen verwachten. Tegenwoordig wordt het maken van voorspellingen al snel gekoppeld aan machine learning. In het geen wat volgt zullen we nagaan hoe machine learning ingezet kan worden om de onzekerheid rond overnames en fusies te verkleinen.
Wat is machine learning?
Machine learning is het onderzoeksdomein dat bestudeert hoe men kan leren van data. Hierbij worden grote hoeveelheden data samengebracht met geavanceerde algoritmes. Deze algoritmes analyseren de data om verbanden te ontdekken. Vervolgens kunnen deze verbanden gebruikt worden om voorspellingen te maken over de toekomst. Hoe meer data de algoritmes analyseren, hoe nauwkeuriger hun voorspelling.
Machine learning in overnames en fusies
Deze machine learning technieken kunnen concrete drie zaken voorspellen binnen de context van overnames en fusies. Ten eerste kunnen we voorspellen of een overname of fusie zal doorgaan. Ten tweede kunnen we voorspellen hoeveel men moet betalen voor een onderneming in de context van een overname of fusie. Ten derde kan men ook voorspellen hoeveel voordeel men zal behalen met een overname of fusie.
Voltooien van een overname of fusie
Een van de meest fundamentele vragen voor een overname of fusie is of ze daadwerkelijk zal worden uitgevoerd. Zo wil de koper van een onderneming weten of hij de eigenaar zal worden. De verkopers willen weten of ze hun onderneming kunnen verkopen. Daarnaast willen ook de werknemers en klanten van de onderneming weten wie het bestuur van de onderneming zal uitvoeren in de toekomst. Machine learning modellen kunnen een voorspelling maken of een overname of fusie daadwerkelijk zal doorgaan. Hiervoor baseren ze zich op overnames en fusies die in het verleden al voorkwamen. Een grote uitdaging hierbij is om gegevens te verzamelen van zowel overnames en fusies die lukken als pogingen die niet doorgaan. Hierbij zien we dat geslaagde overnames en fusies vaak sterk in de kijker gezet worden. Wanneer een overname of fusie niet doorgaat, wordt dit minder in beeld gebracht
Kostprijs van een overname of fusie
Voordat een koper een bod kan doen op een onderneming moet hij de waarde van deze onderneming inschatten. Dit zorgt er voor dat hij niet te veel betaalt. Ook de verkoper wilt de waarde van zijn onderneming kennen om zo een correct bedrag te ontvangen. Machine learning kan ingezet worden om de waarde van een onderneming te bepalen. De algoritmes analyseren informatie over de prijs die betaald werd voor eerder uitgevoerde overnames en fusies. Vervolgens gebruiken ze deze informatie om een voorspelling te maken over de huidige onderneming. Het voordeel van machine learning in deze situatie is de hoeveelheid en de diversiteit van de data die geanalyseerd kan worden.
Voordelen van een overname of fusie
Ten slotte wil men ook weten of de overname of fusie voordelen oplevert voor de betrokken ondernemingen. Veelal wordt dit geanalyseerd aan de hand van de aandelenkoers of het bedrijfsresultaat. Kortweg wil men weten of het bedrijf meer inkomsten (of minder kosten) kan genereren na de overname of fusie. Opnieuw kunnen machine learning technieken ingezet worden om dit te voorspellen aan de hand van historische gegevens. De grote moeilijkheid in deze situatie is dat de onderneming die volgt uit de overname of fusie vergeleken wordt met een hypothetische situatie waarin de overname of fusie niet had plaatsgevonden. Deze hypothetische situatie moet ook ingeschat worden en kan hierdoor de voorspelling vertekenen.
Conclusie
Overnames en fusies zijn alomtegenwoordig in de wereld. Ze zorgen voor grote onzekerheid bij alle lagen van de bevolking. Een manier om deze onzekerheid te verkleinen is door het maken van voorspellingen. Deze voorspellingen kunnen gemaakt worden door historische gegevens te analyseren gebruikmakend van machine learning technieken. Hierbij worden verbanden gezocht in de data die gebruikt kunnen worden om de toekomst in te schatten. Op deze manier kunnen we meer zekerheid krijgen over het voltooien, de kostprijs en de voordelen van overnames en fusies. Machine learning bewijst zich dus als een technologie die een sterke bijdrage kan leveren aan het domein van overnames en fusies.
