Ein Private-Equity-Käufer nutzte die satellitengestützten Emissionsdaten von Floodlight innerhalb des Due-Diligence-Workflows von KPMG und verhandelte eine Reduzierung des Erwerbspreises um ~19% für ein Industrieportfolio mit 30 Standorten.
Wenn ein Private-Equity-Käufer die Emissionsdaten von Floodlight während der Due Diligence für 30 Industrieanlagen verwendete, gingen sie mit einer Reduzierung des Erwerbspreises um ~19 % nach Hause.
Die Climate Advisory-Praxis von KPMG berät Private-Equity-Firmen, große öffentliche Unternehmen und globale Vermögensverwalter durch einige der intensivsten Nachhaltigkeitsoffenlegungszyklen, mit denen ihre Kunden je konfrontiert waren. Das Tempo ist brutal. CSRD, die SEC-Klimaregel und SFDR haben den Zeitrahmen zur Überprüfung der Emissionen über globale Portfolios hinweg verkürzt, während traditionelle Bottom-up-Audits teurer und schwerer skalierbar geworden sind.
Als einer von KPMGs Private-Equity-Kunden mit der Due Diligence für ein 30-Standorte umfassendes Industrieportfolio mit europäischer Exportexposition begann, benötigte das Team ein glaubwürdiges, standortspezifisches Bild der operationellen Emissionen und physischen Klimarisiken für jedes Asset, und sie benötigten es in Tagen, nicht in Quartalen. Die selbstberichteten Daten des Ziels waren dünn. Standortbesuche hätten länger gedauert als das Deal-Fenster. Der Käufer verhandelte gegen eine angegebene Emissionsbasislinie, die niemand unabhängig verifiziert hatte.
Das Team holte Floodlight hinzu, um satellitengestützte Emissionsintelligenz in den Due-Diligence-Prozess zu integrieren. Innerhalb einer Woche lieferte Floodlight Basislinien für Scope 1 für alle 30 Standorte, physische Klimarisikobewertungen, die an die genauen Koordinaten jedes Assets gebunden waren, und einen Screening-Bericht, der die Standorte kennzeichnete, die am stärksten den kommenden CSRD-Anforderungen ausgesetzt waren.
Da die Messungen aus unabhängigen Satellitenbeobachtungen und nicht aus selbstberichteten Zahlen stammten, waren sie direkt verteidigbar in der Offenlegungsarbeit, die nach dem Abschluss folgen würde. Floodlights Pipeline kombiniert top-down CO₂-Retrievals von NASAs OCO-2-Mission mit hochauflösenden Methan-Daten von GHGSat und Sentinel-5P und gleicht diese Beobachtungen dann mit lokaler Meteorologie und assetspezifischen Dispersionmodellen ab. Das Ergebnis sind asset-spezifische Scope 1-Schätzungen mit einer verteidigbaren wissenschaftlichen Herkunft und einem Vertrauensintervall, nicht eine Zahl in einer Tabelle.
Der Käufer nutzte die Daten zur Neuverhandlung. Die angegebenen Emissionen des Verkäufers, die an selbstberichtete Zahlen gebunden waren, unterschätzten erheblich die regulatorische Haftung, die auf mehreren Anlagen lastete. Mit unabhängigen Messungen auf dem Tisch drängte der Käufer auf eine Preisänderung, die sowohl die Reinigungskosten als auch den Zeitrahmen für die Sanierung widerspiegelte, der durch die kommenden europäischen Offenlegungsanforderungen impliziert wurde. Der endgültige Kaufpreis lag etwa 19 % unter dem ursprünglichen Angebot.
Die gleiche Pipeline aktualisiert jetzt das Portfolio jährlich. KPMGs Beratungsteams nutzen die Datenebene für CSRD-konforme Offenlegungen, für risikoadjustierte Finanzprognosen und zur Bewertung von Desinvestitionskandidaten. Die "Outside-in"-Sicht hält einer Prüfungsprüfung stand, auf eine Weise, die selbstberichtete Zahlen aus vergangenen Jahren einfach nicht tun.
"Wir streben danach, die innovativsten Lösungen zu liefern, um unseren Kunden zu dienen. Floodlights hochmoderne Methode zur direkten Messung, im Gegensatz zu Schätzungen, hat KPMGs Fähigkeit, die Bedürfnisse unserer Kunden zu erfüllen, dramatisch erhöht. Da sich die Vorschriften weltweit weiter ändern, passen Floodlights GHG-Emissionsfähigkeiten gut zu KPMGs Strategien zur Unterstützung der Klimaziele unserer Kunden."
Mark Golovcsenko, Principal (Partner), Climate Advisory, KPMG US
Sehen Sie, wie Floodlight Ihrer Organisation helfen kann, ähnliche Ergebnisse mit unserer umfassenden Plattform für Klimarisiko-Intelligenz zu erzielen.
