Altares, expert de la donnée d’entreprise, analyse chaque jour les informations sur des millions d’entreprises dans le monde. Ces analyses permettent à nos clients de bénéficier d’une vue fiable de leur marché (clients, partenaires, concurrents) pour prendre leur décision en toute connaissance de cause. Choisir un fournisseur, accepter un client, mettre fin à une relation commerciale, octroyer un crédit, recouvrer une créance, Altares guide les choix des utilisateurs de ses solutions grâce à une base de données solide. Nos algorithmes sont alimentés par un panel de sources, dont la presse fait partie.
Le NLP pour analyser les articles de presse
À travers plus de 140 sources et en agrégeant automatiquement plus de 6 000 articles par semaine, le moteur de NLP (Natural Language Processing – traitement automatique des langues) créé par Altares permet d’identifier les sociétés citées dans les articles de presse. Mais le moteur va au-delà de l’identification, il détermine si la nature de l’information est positive ou négative, ce qui dans ce dernier cas peut entraîner un risque de défaillance pour l’entreprise mentionnée. Cela permet par là même d’ajuster le score de solvabilité (capacité à payer ses dettes) de l’entreprise analysée, en renforçant le dispositif de détection des annonces imminentes de procédures collectives.
Quelles informations sont analysées dans la presse ?
Grâce à ses outils de NLP, Altares consulte la quasi-exhaustivité de la presse quotidiennement dans le but de capter l’information la plus à jour sur les entreprises. La nature des informations captées va des annonces imminentes de fermetures ou d’entrées en procédure collective, aux cyberattaques, en passant par les fusions/acquisitions ou encore les projets d’investissement. Ces mots clés ou « smart tags » permettent d’élargir le champ de recherche.
Altares-D&B renforce son dispositif de détection des annonces d’entrée en procédure collective en analysant de façon industrielle la presse économique française. Au travers de la captation de plus de 140 sources presse publiques, le moteur NLP permet non seulement d’identifier précisément les sociétés citées, mais aussi de déterminer la criticité de l’article quant à la poursuite d’activité de l’entreprise nommée.
Des millions d’informations d’entreprises captées grâce à la presse
Le lien avec les entités mentionnées dans les articles est opéré par un moteur NLP qui permet une identification des entreprises dans 82% des cas. Concrètement, le moteur de deep learning identifie le nom de l’entreprise mentionnée dans l’article et affecte le SIREN associé depuis la base de données Altares-D&B, qui regroupe à ce jour plus de 11 millions d’entreprises en France. Ce SIREN est ensuite reconnu par la base de données Altares, permettant immédiatement d’affecter le niveau de risque à la bonne entreprise. Altares conserve également l’historique des articles permettant une recherche dans le passé afin de constituer une bibliothèque conséquente.
Le moteur permet également de capter les signaux faibles sur les difficultés passagères que rencontrent les entreprises, commentées et reportées dans les flux publics de la presse nationale, régionale et spécialisée. L’expérience des experts d’Altares permet d’écarter les homonymes et d’apprendre au système de Machine Learning la bonne sélection parmi les millions d’entités actives en France. Les modules d’analyse du langage lié au Machine Learning permettent également de relativiser la nature du risque évoquée dans les articles.
À terme, cette solution va s’élargir à l’identification d’autres critères extra-financiers, tels que l’analyse des articles sur les cyberattaques, les fusions et acquisitions et bien entendu les enjeux de la RSE, tel que l’impact sociétal et écologique qui revêt une importance croissante pour les entreprises. Altares sera ainsi en mesure d’alerter ses clients au quotidien sur les risques qui pèsent sur leurs tiers et par conséquent sur eux-mêmes.
En mai 2023, 20 350 articles ont été captés par le moteur NLP d’Altares, dont 13 917 évoquant des entreprises et 289 articles d’annonces de fermetures imminentes.
