FactSet

Kurzfazit

FactSet ist die dritte Säule der institutionellen Finanzdatenwelt neben Bloomberg Terminal und LSEG Refinitiv Workspace, und in vielen Buy-Side-Häusern die bevorzugte Wahl, weil die Datenqualität bei Schätzungen, Ownership und Fundamentaldaten als überlegen gilt. Mit FactSet Mercury hat das Unternehmen seit 2023 einen LLM-basierten Research-Assistenten ergänzt, der die kuratierte Datenbank in natürlicher Sprache abfragbar macht; ergänzt um NLP-Analytik auf Earnings-Calls und SEC-Filings ist das KI-Angebot inzwischen ernstzunehmend, ohne Bloomberg vom Markt zu verdrängen. Stark bei Datenqualität, Excel-Integration, Quant-Feeds und Customer-Service, schwach bei EU-Hosting, Preistransparenz und für kleine Teams. Wer institutionell investiert, kommt um eine Evaluation gegen Bloomberg und Refinitiv nicht herum; FactSet gewinnt diese Evaluation häufiger, als es seine Marketing-Reichweite vermuten lässt.

Für wen ist FactSet?

Sell-Side-Equity-Research: Analysten in Investmentbanken nutzen FactSet als Primärquelle für Schätzungen, Modelle und Vergleichsdatenbanken. Die tiefe Konsens-Datenbank (FactSet Estimates) ist in vielen Häusern die zitierfähige Referenz, und mit Mercury lässt sich in natürlicher Sprache nach Auffälligkeiten in Ergebnissen oder Guidance suchen.

Buy-Side-Portfoliomanager und Analysten: Asset-Manager und Hedgefonds setzen FactSet vor allem für Portfolio-Analytik, Performance-Attribution und Ownership-Recherche ein. Wer wissen will, welche institutionellen Investoren ein Papier aufgebaut oder abgebaut haben, findet in FactSet die saubere Aufbereitung, ein Datenpunkt, in dem das Tool Bloomberg in der Praxis oft schlägt.

Quant- und Faktor-Research: Mit FactSet Programmatic Environment, Truvalue Labs (ESG-NLP) und einer wachsenden Bibliothek alternativer Daten ist FactSet eine ernsthafte Quelle für ML- und Faktor-Modelle. Datenfeeds kommen sauber kuratiert per Snowflake, BigQuery oder Direct-Distribution, und sparen das Ingest-Boilerplate, das Quant-Teams sonst selbst bauen müssten.

Corporate Strategy und M&A-Boutiquen: Wer Wettbewerber benchmarken, Übernahmeziele screenen oder Branchenkonzentration bewerten muss, profitiert von FactSets globaler Coverage. Die strukturierten Filings-Daten und das Pitchbook-Modul (FactSet Industry Toolkit) sind in vielen Boutique-Investmentbanken Tagesgeschäft.

Compliance- und Risk-Teams in Asset-Managern: Ownership-Disclosure, Insider-Daten und Filings-Tracker sind aus dem Compliance-Alltag nicht wegzudenken. Mit der NLP-Analytik auf Earnings-Calls werden zudem stimmungsgetriebene Risikoindikatoren systematisch ableitbar.

Weniger geeignet für: Privatanleger und Trading-Hobbyisten (Plattform und Preisniveau adressieren ausschließlich institutionelle Kunden), kleine FinTech-Boutiquen mit unter zehn Lizenzen, Teams mit harten DSGVO-Anforderungen an die KI-Verarbeitung sowie reine Crypto- und DeFi-Workflows, die FactSet nur randständig abdeckt.

Preise im Detail

Lizenz / Modul	Preis (Richtwert)	Was du bekommst
Standard-Workstation	ab ca. 12.000 USD/Sitz/Jahr	FactSet-Workstation mit Markt- und Fundamentaldaten, Excel-Add-in, Standard-Filings
Buy-Side-Workstation (vollausgebaut)	ca. 30.000–60.000 USD/Sitz/Jahr	Portfolio-Analytics, Risk, Performance-Attribution, Ownership, alternative Daten
FactSet Mercury (KI-Add-on)	Auf Anfrage, separat lizenziert	LLM-basierter Research-Assistent auf der FactSet-Datenbank
Truvalue Labs (ESG-NLP)	Auf Anfrage	NLP-basiertes ESG-Sentiment auf Newsfeeds, branchenweit kategorisiert
Programmatic Environment / API	Verbrauchsabhängig + Lizenz	Python, Snowflake-Distribution, Direct-Feed für Quant-Workflows
Branchen- und Premium-Datensätze	Add-on, individuell	Geo-Revenue, Supply-Chain, Private-Markets-Coverage

Einordnung: FactSet hat keine öffentlichen Listenpreise. Alle Angaben oben stammen aus Marktbeobachtungen und Analystenkommentaren, Vertragspreise variieren stark nach Hauskonditionen, Modul-Mix, Userzahl und Mehrjahresbindung. Realistisch musst du ein Buy-Side-Sitzpaar bei vollem Funktionsumfang mit 50.000–100.000 USD/Jahr ansetzen, bevor Mercury und alternative Datenfeeds dazukommen. Das ist auf Bloomberg-Niveau (rund 30.000 USD/Terminal/Jahr ohne Ausbauten) und liegt häufig darüber, sobald Quant-Daten genutzt werden. Für KMU-Investmentboutiquen ist das ein erheblicher Posten, der Mehrwert muss klar gegen Refinitiv und S&P Capital IQ verglichen werden, beide haben in den vergangenen Jahren preislich Druck aufgebaut.

Stärken im Detail

Datenqualität bei Schätzungen und Ownership. FactSet Estimates gilt seit Jahren als eine der saubersten Konsens-Datenbanken, Broker-Schätzungen werden konsistent normalisiert, Anpassungen historisch nachvollziehbar dokumentiert. Auch in der Ownership-Datenbank (welcher institutionelle Investor hält welche Position) ist FactSet vielen Wettbewerbern voraus. Für Aktienanalysten ist das ein realer Datenvorteil, der einzelne Investmentthesen materially verändern kann.

FactSet Mercury als ernstzunehmende KI-Schicht. Mercury verbindet ein großes Sprachmodell mit der kuratierten FactSet-Datenbank, Analysten können in natürlicher Sprache nach Vergleichsgruppen, Filing-Auffälligkeiten oder Earnings-Themen suchen, statt Formel-Syntax (FQL) zu schreiben. Das senkt die Einstiegshürde für Junior-Analysten und beschleunigt Routine-Recherche merklich. Wichtig: Mercury arbeitet primär auf FactSet-eigenen Daten, anders als ein generischer LLM-Chat ist die Quellenbasis kuratiert und nachvollziehbar.

NLP auf Earnings-Calls und Filings. Auf jedem Quartalscall-Transkript laufen automatisch Sentiment-Analyse, Themen-Extraktion und Vergleich zum Vorquartal. Auffälligkeiten, plötzliche Vorsicht im CEO-Wording, neue Themen in Risikofaktoren, werden markiert. Für Buy-Side-Analysten, die hunderte Calls pro Quartal abdecken, ist das ein konkreter Hebel: weniger Lesen, präzisere Aufmerksamkeit auf Auffälligkeiten.

Excel-Integration als Werkzeug, nicht Spielzeug. Das FactSet-Excel-Add-in ist seit Jahrzehnten der Klebstoff zwischen Datenbank und Modell-Workflows. Analysten bauen ihre DCFs, Vergleichstabellen und Pitchbook-Slides direkt mit Live-Daten, und müssen den Datenraum nicht verlassen. Das klingt unspektakulär, ist aber in der Praxis der Grund, warum FactSet sich gegen Bloomberg in vielen Buy-Side-Häusern durchsetzt.

Quant-Datenfeeds und Programmatic Environment. Mit Snowflake-Distribution, Direct-Data-Feeds und einer Python-API liefert FactSet alternative Daten (Geo-Revenue, Supply-Chain, ESG-Sentiment via Truvalue) in einer Form, die direkt in ML-Pipelines fließen kann. Das ist für Quant-Teams in Hedgefonds und systematischen Asset-Managern echter Mehrwert, und etwas, in dem Bloomberg traditionell schwächer aufgestellt ist.

Customer-Service mit Fachtiefe. FactSet beschäftigt Sektor-spezialisierte Analysten im Support, wer eine schwierige Datenfrage stellt (etwa: „Wie sind GAAP-Adjustments hier vs. Bloomberg unterschiedlich?”), bekommt häufig substantielle Antworten statt Ticket-Boilerplate. Das ist im Markt ungewöhnlich gut und einer der häufigsten Gründe, warum Häuser nach einer Test-Phase bei FactSet bleiben.

Schwächen ehrlich betrachtet

Kein dediziertes EU-Hosting für KI-Features. FactSet betreibt globale Rechenzentren, aber Mercury und die KI-Workflows verarbeiten Daten primär in US-Regionen. Für Anwender, die DSGVO-strenge Workflows (etwa pre-trade-relevante Analyseprotokolle) auch für KI-Output dokumentieren müssen, ist das ein Problem ohne sauberen Workaround. Der Anbieter argumentiert mit SOC-2- und ISO-Zertifikaten, die ersetzen aber keine EU-Region.

Listenpreise nicht öffentlich. Wer ein Pricing möchte, muss den Sales-Prozess durchlaufen, und der ist auf institutionelle Käufer kalibriert. Für KMU, Familyoffices oder akademische Institutionen ist das eine Hürde, weil schon die Vergleichbarkeit gegen Bloomberg und Refinitiv Aufwand kostet. Hier wäre Transparenz im Sinne des Marktes wünschenswert; sie ist branchenintern aber nicht üblich.

Mehrjahresverträge mit Mindestlaufzeit. 24- bis 36-Monats-Bindungen sind die Regel, einzelne Kündigungs-Sonderrechte schwer verhandelbar. Das passt schlecht zur Realität wachsender oder schrumpfender Teams: Wer in einem Quartal drei Analysten verliert, sitzt trotzdem auf den Lizenzkosten, und Sub-Lizenzierung an Dritte ist vertraglich ausgeschlossen.

Mercury halluziniert wie jeder LLM. Die Datenbasis ist kuratiert, das Sprachmodell aber bleibt ein Sprachmodell. In der Praxis bedeutet das: Mercury bietet plausibel klingende Antworten, die in Randfällen Datenpunkte verwechseln oder veraltete Werte zitieren. Für regulierte Pre-Trade-Entscheidungen bleibt manuelle Verifikation Pflicht, Mercury ist Beschleuniger der Recherche, kein Auto-Pilot. Wer das anders einsetzt, baut Compliance-Risiko auf.

Kein deutscher Support, keine deutsche Oberfläche. FactSet ist ein US-Produkt für einen englischsprachigen Finanzmarkt. Deutsche Anwender bekommen englische Tickets, englische Dokumentation, englischsprachige Account-Manager. Für die meisten institutionellen Anwender im DACH-Raum ist das kein Show-Stopper, für Compliance-getriebene Häuser, die Ticket-Verläufe in deutscher Sprache archivieren müssen, schon.

Buy-Side-Chat schwächer als Bloomberg. Bloomberg-Messenger ist im Fixed-Income- und FX-Sales-Markt Marktstandard für institutionelle Kommunikation. FactSet hat Messaging, aber die Reichweite und Verbreitung im Counterparty-Netzwerk ist deutlich kleiner. Wer als Trader oder Sales darauf angewiesen ist, mit anderen Trading-Desks zu kommunizieren, kommt um Bloomberg parallel kaum herum, was die Sparpotenziale gegen Bloomberg de facto reduziert.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Den Bloomberg-Chat als Counterparty-Standard brauchst	Bloomberg Terminal
Eine integrierte Workspace-Suite mit Refinitiv-Daten suchst	LSEG Workspace (Refinitiv)
Web-basierte Recherche zu Märkten mit Quellenangaben willst	Perplexity
Eine günstigere Equity-Research-Datenbank für Mid-Market suchst	S&P Capital IQ
Eigene Quant-Pipelines mit Open-Source-Stack bauen willst	Hugging Face

Erwähnenswert ohne eigene Tool-Seite: Koyfin (deutlich günstigere Web-Plattform für unabhängige Analysten und Family Offices, KI-Features wachsen, aber Datenbreite kleiner), YCharts (US-fokussierte Mid-Market-Alternative für RIA-Geschäft), Sentieo / AlphaSense (KI-NLP-Search auf Filings und Calls, direkter Wettbewerber zu Mercury, schlanker und günstiger einstiegig), Visible Alpha (Konsens-Schätzungen-Spezialist) und BamSEC (SEC-Filings-Search). AlphaSense ist die spannendste Konkurrenz zu Mercury im engeren Sinn, wer primär das KI-Search-Feature auf Filings und Calls braucht, sollte AlphaSense in jeder Evaluation mit prüfen.

So steigst du ein

Schritt 1: Use-Case scharf stellen, bevor du sprichst. FactSet-Sales optimiert auf Vollausbau, und du zahlst, was du bestellst. Vor dem ersten Termin definiere intern: Wer braucht welche Module? Reicht Standard-Workstation, oder ist Portfolio-Analytics Pflicht? Brauchst du Mercury und Quant-Feeds, oder nur Datenbank? Diese Schärfung kann das Angebot um 20–40 % reduzieren.

Schritt 2: Pilot mit 3 echten Workflows, nicht Demo-Sessions. Demos sind für FactSet-Sales-Engineers Heimspiel. Verlange stattdessen einen 30-Tage-Pilot mit drei realen Use-Cases aus deinem Haus, etwa: einen Quartalsbericht-Vergleich, ein Ownership-Movement-Check, eine Mercury-Recherche zu einem Branchentrend. Vergleiche Ergebnisse direkt mit Bloomberg oder Refinitiv. Erst dann ist die Entscheidung belastbar.

Schritt 3: Excel-Add-in als Adoptions-Test. Die Akzeptanz im Team entscheidet sich am Excel-Add-in. Lass zwei bis drei Senior-Analysten ihre laufenden Modelle im Pilot mit dem FactSet-Add-in nachbauen. Wenn das nach einer Woche flüssig läuft, ist die operative Adoption gesichert, wenn nicht, wirst du auch nach 18 Monaten Lizenzkosten Schatten-Excel-Modelle in deinem Team finden.

Schritt 4: Mercury und KI-Features bewusst rollen. Mercury sollte nicht als „Magie-Knopf” eingeführt werden, sondern als spezifischer Recherche-Beschleuniger für klar definierte Aufgaben (z. B. Themen-Scan auf Earnings-Calls). Lege intern einen Verifikations-Standard fest: jede pre-trade-relevante Mercury-Antwort wird gegen FactSet-Rohdaten oder Filings geprüft. Damit baust du Compliance-Sicherheit, ohne den Geschwindigkeitsvorteil zu verlieren.

Ein konkretes Beispiel

Ein mittelgroßer Asset-Manager in Frankfurt (38 Investmentprofis, AuM ca. 9 Mrd. EUR, Schwerpunkt europäische Aktien und globale Tech) evaluiert 2025 den Wechsel von Bloomberg auf FactSet für die Buy-Side-Research-Funktion. Setup nach Pilot: 22 FactSet-Workstations für PMs und Analysten, 4 Bloomberg-Terminals bleiben für Trader und FI-Sales-Kontakte erhalten. KI-Einsatz: Mercury für Earnings-Themen-Scans (jeder Analyst hört nicht mehr alle 80 Calls pro Quartal komplett, sondern nutzt NLP-Sentiment und Mercury-Zusammenfassung als Filter), plus Truvalue für ESG-Sentiment im Stewardship-Reporting. Datenstrategie: Quant-Team zieht Geo-Revenue und Supply-Chain-Feeds via Snowflake-Distribution direkt in seine Faktor-Modelle. Spürbarer Effekt: Lizenzkosten für die Buy-Side-Funktion sinken um rund 30 % gegenüber Vollausbau Bloomberg, Recherche-Zeit pro Earnings-Saison um schätzungsweise 35 %. Aber: DSGVO-Bewertung von Mercury wird mit dem CISO formal dokumentiert (Verarbeitung in US-Region, Standardvertragsklauseln, kein KI-Output mit personenbezogenen Daten), und der Hebel auf den Trading-Desk bleibt Bloomberg.

DSGVO & Datenschutz

• Datenhosting Plattform: Globale FactSet-Rechenzentren, primär USA mit Spiegelung in weiteren Regionen. Keine dedizierte EU-Region für KI-Workloads (Mercury, NLP-Analytics).
• Datenhosting KI-Features (Mercury): Verarbeitung in US-Regionen. Inputs werden laut FactSet nicht zum Training öffentlicher LLMs genutzt; vertragliche Details werden mit institutionellen Kunden bilateral verhandelt.
• Zertifikate und Standards: SOC 1, SOC 2 Type II, ISO 27001, ISO 27018, branchenüblich für institutionelle Datendienste. Ersetzen keine EU-Region, sind aber bei Outsourcing-Risk-Bewertungen anerkannt.
• Auftragsverarbeitung (AVV): Über Enterprise-Vertrag verfügbar inklusive Standardvertragsklauseln (SCC). Anbieter ist FactSet Research Systems Inc., USA, mit Niederlassungen in Europa.
• Datennutzung: Personenbezogene Daten in der Plattform sind in erster Linie professionelle Identifikatoren (Analysten-Logins, Audit-Trails). Keine Verarbeitung von Endkundendaten, FactSet ist ein B2B-Werkzeug für Investmentprofis.
• Empfehlung für Unternehmen: Für reine Marktdatenanalyse mit professionellen Identifikatoren ist FactSet bei sauber dokumentierter DSFA und SCC nutzbar. Für KI-Output, der Teil regulierter Pre-Trade- oder Compliance-Prozesse wird, ist eine zusätzliche Bewertung nötig, speziell, wenn Filings mit personenbezogenen Inhalten (Vorstandsvergütung, Insider-Daten) durch Mercury laufen. CISO-Prozess vorab einplanen.

Gut kombiniert mit

• Snowflake, FactSet bietet Direct-Distribution seiner Datasets in Snowflake. Quant-Teams ziehen Geo-Revenue, ESG-Sentiment und Fundamentaldaten direkt in ihren Cloud-Warehouse, ohne Custom-ETL. Für ML-Pipelines die mit Abstand sauberste Anbindung.
• Microsoft 365 Copilot, FactSets Excel-Add-in liefert Live-Daten ins Modell, Microsoft 365 Copilot übernimmt die Aufbereitung in PowerPoint-Pitchdecks und Word-Memos. Klassische Analysten-Workflowschiene, in der KI an zwei Punkten Wert liefert: Recherche (FactSet Mercury) und Aufbereitung (Copilot).
• Perplexity, für die nicht-finanzielle Marktrecherche (Branchentrends, regulatorische Entwicklungen, Verbraucherstudien), die FactSet bewusst nicht abdeckt. Perplexity übernimmt mit Quellenangaben, FactSet bleibt Quelle für Finanzdaten.

Unser Testurteil

FactSet verdient 4 von 5 Sternen. Es ist eine erstklassige institutionelle Finanzdatenplattform mit überlegener Datenqualität bei Schätzungen und Ownership, einer ernstzunehmenden KI-Schicht (Mercury, NLP-Analytics) und einem Excel-Add-in, das im Tagesgeschäft funktioniert. Den fünften Stern verlieren wir an drei Stellen: kein EU-Hosting für KI-Features ist 2026 für DSGVO-bewusste Häuser eine wachsende Schwäche; die Listenpreis-Intransparenz bleibt eine echte Hürde für mittelgroße Häuser; und Mehrjahresverträge mit harter Bindung lassen wenig Flexibilität bei Teamveränderungen. Trotzdem: Wer institutionell Aktien analysiert, einen Buy-Side-Pitchprozess durchläuft oder ein Quant-Team mit alternativen Daten füttert, sollte FactSet in jeder Evaluation gegen Bloomberg und Refinitiv führen. In Buy-Side-Häusern mit Schwerpunkt Equity-Research wird FactSet diese Evaluation überdurchschnittlich oft gewinnen, auch nach Einrechnung der Kosten.

Was wir bemerkt haben

• 2023, FactSet hat mit der ersten Mercury-Beta einen LLM-basierten Research-Assistenten direkt an die FactSet-Datenbank angedockt. Bemerkenswert war die Architektur: nicht ein generischer Chat über die FactSet-Daten, sondern eine Retrieval-Schicht über die kuratierte Datenbank, die Halluzinationen messbar reduziert. Trotzdem nicht halluzinationsfrei, FactSet selbst kommuniziert das offen.
• 2024, Truvalue Labs (NLP für ESG-Sentiment) wurde tiefer in den Standard-Stack integriert. Vorher war Truvalue ein separates Add-on; seit der Integration ist ESG-Sentiment in vielen Standardpaketen ohne Mehrkosten verfügbar, ein leiser, aber preislich relevanter Schritt.
• 2024, FactSet hat mehrfach betont, keine FactSet-Daten würden ohne Vertragsgrundlage zum Training öffentlicher Foundation-Modelle verwendet. Diese Klarstellung war eine direkte Reaktion auf Sorgen institutioneller Kunden, die kuratierte Daten nicht an Drittmodelle abgeben dürfen, ein Punkt, der in Bloomberg-Vergleichsgesprächen seitdem oft zur Sprache kommt.
• 2025, Im direkten Wettbewerb zu AlphaSense bei NLP-Search auf Filings hat FactSet Mercury weiter ausgebaut, aber AlphaSense hält in vielen Buy-Side-Häusern den ersten Platz für „suchgetriebene Filings-Recherche”. FactSet positioniert Mercury daher zunehmend als integriertes Workflow-Element, weniger als reines Search-Tool, eine bewusste Abgrenzungsstrategie.
• Mai 2026, Eine dedizierte EU-Region für Mercury wurde nicht angekündigt. Während Bloomberg und Refinitiv ähnliche Lücken haben, ist dieser Punkt im DACH-Markt zunehmend Verhandlungsthema mit dem Sales-Team, vor allem bei Häusern mit BaFin-Aufsicht und Pre-Trade-Compliance-Anforderungen an KI-Output.