Altares est l’expert de l’analyse de données BtoB, qui aide les entreprises à anticiper les risques pouvant impacter leur développement et leur pérennité. Pour ce faire, Altares procède notamment à une analyse de solvabilité puis à la notation des entreprises présentes dans sa base de données comptant plus de 550 millions d’entités. Cette évaluation permet d’apprécier le risque que ces organisations entrent en procédure collective dans les mois à venir : on parle de score de prédiction de la défaillance, ou plus simplement de score de défaillance.
Découvrons ensemble les données qui entrent en compte dans le calcul de ce score Altares, et comment Altares assure leur qualité.
Quelles données sont utilisées pour calculer le score Altares de défaillance ?
Fort de ses centaines de sources de données et de son processus DQM unique (Data Quality Management) assurant la mise à disposition de la meilleure version de la donnée (vérifiée, normalisée, augmentée), Altares exploite une multitude de paquets de données pour réaliser le calcul du score Altares de défaillance. On y retrouve notamment :
- les informations identitaires et statutaires qui bénéficient d’une couverture complète (forme juridique, secteur d’activité, nombre d’établissements, âge de l’entreprise, capital social, adresses, etc.) ;
- les informations relatives aux dirigeants (ancienneté et stabilité des mandats, fonction du dirigeant principal, nature du dirigeant [personne morale ou physique], etc.) ;
- l’actionnariat et les participations pour tenir compte de la santé de l’actionnaire et des filiales ;
- les éléments financiers pour analyser la liquidité, la rentabilité et la solvabilité ;
- les données de comportements de paiement (retard moyen, fréquence des paiements en retard, stabilité du comportement de paiement, etc.) ;
- les annonces légales révélant les défaillances passées, les difficultés récentes (présence d’une conciliation, plan de continuation ou de sauvegarde en cours, perte de capital social, etc.) ou des changements majeurs (déménagement, changement de dirigeants, etc.).
Par ailleurs, outre l’accès aux bilans confidentiels et semi-confidentiels (largement majoritaires dans les publications actuelles), Altares offre à toute entreprise la possibilité de soumettre volontairement ses données de bilans (en toute confidentialité puisque ces informations ne seront jamais distribuées ou affichées) pour permettre l’ajustement de son score de défaillance, consultable notamment dans la solution de gestion du risque intuiz+.
Comment ces données sont-elles choisies ?
Il existe plusieurs critères déterminants pour décider de retenir une donnée dans un modèle de scoring :
- couverture et exhaustivité de la collecte : l’enjeu est de nous assurer que l’information n’est pas trop discrète (elle doit être valable pour un nombre suffisant d’entreprises) et que nous n’introduisons pas un biais de collecte pour garantir un traitement équitable pour tous ;
- fraîcheur : le délai doit être le plus court possible entre la date de validité de la donnée et son intégration dans le système d’information Altares pour sa prise en compte dans le score ;
- pérennité des sources : le piège à éviter est de recourir à des sources susceptibles de disparaître, soit par l’arrêt de la diffusion de l’information (fournisseur qui disparaît, source qui devient confidentielle), soit par une hausse du coût de revient de la donnée qui ne pourrait pas être supporté (donnée qui devient payante, fournisseur qui augmente excessivement ses tarifs) ;
- disponibilité de la donnée historique : pour construire un modèle prédictif, il est impératif de pouvoir observer les données à date passée pour juger de la relation avec la variable à prédire (voir point suivant) mais aussi de la stabilité dans le temps (analyse longitudinale) ;
- corrélation avec l’objectif du score : la variable doit permettre d’anticiper l’entrée en défaillance, il convient donc de nous assurer d’une part que la donnée permet d’identifier des populations à risque accru (on parle alors de facteur de risque) ou à risque réduit, d’autre part que la relation entre notre variable explicative et la défaillance soit relativement stable dans le temps ;
- complémentarité : ajouter une donnée dans un modèle n’a d’intérêt que si elle apporte une « plus-value » par rapport aux autres donnée déjà disponibles ;
- parcimonie : il est important de privilégier la simplicité du modèle en n’intégrant que les variables suffisantes pour atteindre un niveau satisfaisant de performance, car l’intégration excessive de variables complexifierait inutilement la lecture d’un score ainsi que la maintenance de celui-ci.
Doit-on s’attendre à l’intégration de nouveaux types de données dans le futur ?
Oui, cela passe d’un côté par l’évolution des sources officielles existantes qui collectent de nouvelles informations, mais aussi par la diversification de notre sourcing de données afin d’intégrer de la donnée à la fois « chaude » (donnée très récente tendant vers le temps réel) et spécifique pour permettre d’affiner encore plus l’analyse prédictive sur certains secteurs d’activité en intégrant davantage de données contextuelles. Parmi les typologies de données en cours d’intégration ou à venir, on retrouve :
- Le RNE (Registre National des Entreprises) qui évolue régulièrement, ce qui permet d’acquérir de nouvelles données exploitables.
- L’accès aux données de fréquentation en magasin, aux données de caisses automatiques, aux données de facturation ou aux balances âgées clients qui permettraient d’estimer le volume de ventes avant la parution du bilan et donc, d’anticiper le risque de défaillance via un ralentissement de l’affluence ou des ventes.
- L’e-réputation, qui influence directement la fréquentation d’un commerce (notamment dans le secteur des cafés, hôtels et restaurants) et offre ainsi une capacité prédictive intéressante par anticipation des flux clients.
- Le risque de RSE : le développement des relations commerciales s’adossent désormais aux politiques RSE clairement définies par les directions achats ce qui implique – pour de nombreux acteurs – des efforts significatifs en termes de décarbonisation. Par ailleurs, notre environnement en mutation induit des défis forts pour faire face aux risques physiques (risque climatique, risque incendiaire, risque d’inondation, risque technologique, etc.).
- Des indicateurs extra-financiers comme la mesure de la pression concurrentielle (via l’analyse de la dynamique sectorielle, des zones de chalandises) ou l’observation des dynamiques démographiques (mouvements de population, niveau de richesse de la population locale, évolution des prix de l’immobilier pour capter l’attractivité d’un zone géographique) qui apportent également une meilleure compréhension de l’environnement sectoriel et géographique dans lequel l’entreprise se situe.
En conclusion, Altares se positionne comme un acteur incontournable dans l’analyse de données BtoB en proposant des outils prédictifs de haute précision, tels que le score Altares de défaillance. Grâce à une gestion rigoureuse de la qualité des données et à l’intégration progressive de nouvelles sources d’information, nous répondons aux besoins évolutifs des marchés et aidons les organisations à anticiper les risques majeurs. Cette approche, alliant expertise technique et innovation, permet à ses clients de prendre des décisions éclairées, renforçant ainsi leur résilience face aux défis économiques.
