Dans la foulée des lois Hamon et Macron sur la confidentialité des comptes, Altares a procédé à une refonte de son score qui est entrée en vigueur le 8 octobre dernier.

Pourquoi ce nouveau score ?

A l’origine de cette refonte, il y a eu les changements liés à la règlementation sur la publication des bilans avec les lois Hamon et Macron. Par ailleurs, les modèles évoluent naturellement dans le temps. Chez Altares, nous avons donc souhaité adapter notre modèle de score à toutes ces évolutions, législatives ou autres. Mais notre démarche était plus globale : à l’écoute de nos clients et pour mieux répondre à leurs attentes, nous avons apporté plusieurs nouveautés, notamment l’indicateur d’activité sur lequel nous allons revenir plus loin.

Au regard de la diversité des 10 millions d’entreprises françaises, construire un score revient à créer plusieurs algorithmes, par exemple un algorithme propre aux sociétés commerciales sans bilan.  Nous avons totalement repensé ce dernier modèle, à la fois en utilisant les informations dont nous disposions jusqu’à présent mais aussi en introduisant de nouvelles variables.

Nos échanges réguliers avec nos clients sont une source d’inspiration intarissable et incontournable. Par exemple, un jour, un de nos clients nous a dit : « Donnez-nous de l’information là où il n’y a pas de données : pour les grandes structures, on a beaucoup d’informations à la fois d’ordre financier et de paiement ; pour les moyennes structures on dispose généralement d’un bilan ou des informations de paiement, mais pour les petites structures souvent il n’y a ni les unes ni les autres ». Ainsi s’est posée la question de savoir comment nous pouvions aider nos clients à mieux cerner ces entités !

Pour y répondre, nous avons mené avec le réseau Dun & Bradstreet, dont nous sommes membres, une réflexion sur les signaux faibles, en particulier à des fins de gestion du risque. Un signal faible, qu’est-ce que c’est ? Altares est une « data factory », en français une usine à « brasser » de la donnée. Totalement digitalisée, nous avons mis des capteurs à des endroits stratégiques qui nous permettent d’identifier des signaux qui, pris séparément, ne veulent rien dire mais qui font sens lorsqu’on les assemble. Ainsi, parmi les dix millions d’entreprises nous pouvons identifier celles pour lesquelles il se passe des choses, signe d’une activité, et celles pour lesquelles il ne se passe jamais rien. Aujourd’hui, nous sommes en mesure de traduire ces signaux en actions pour des usages risque, et aussi pour des usages marketing.

Est-ce que cela s’applique aux associations ?  Sont-elles toutes scorées ?  Quel est leur taux de défaillance ?

Oui, nous les notons mais les informations disponibles sont limitées. Il n’y a que deux variables : la date de création et le secteur d’activité. Et pourtant, comme on dénombre à peu près 800 000 associations en France, il nous importe de fournir à nos clients une information pour les aider à y voir plus clair. Pour les plus importantes d’entre elles, La Croix Rouge ou les Restos du Cœur par exemple, nous disposons des informations de paiement grâce au PAYDEX, une exclusivité du réseau Dun & Bradstreet, qui nous permet de déduire un comportement-payeur. Mais pour la majorité des associations, nous n’avons ni informations de paiement ni informations financières. Le recours aux signaux faibles nous a permis de mieux segmenter le risque et d’aller au-delà de ce que la seule donnée légale pouvait nous apporter.

Illustration de la segmentation des risques pour les 770 000 associations en France.

Nous arrivons désormais à mieux segmenter le risque pour des populations pour lesquelles ce n’était pas possible jusqu’à présent, en particulier pour les entrepreneurs individuels ou les très petites entreprises. Par exemple, pour une entité qui n’émet jamais de facture, le risque sera infime.  Idem pour une entité qui émet rarement des factures ou très ponctuellement, car elle a, en principe, les liquidités pour le faire. A contrario, le risque d’avoir un impayé sera plus important pour celle qui commence à émettre davantage de factures. En conclusion, pour les associations le risque augmente avec le niveau d’activité que nous détectons, puis, au-delà d’un certain seuil, le risque diminue car elles ont alors des capacités de réaction (ex. cession d’actifs) si elles se trouvent en difficulté.

Cet indicateur fonctionne comme un radar pour les 100% des 10,2 millions d’entreprises (*).

Ceci montre qu’aujourd’hui, en utilisant les « signaux faibles », nous sommes tout à fait capables de créer de l’information. Ce fait induit un changement de paradigme. Pendant des années, Altares travaillait essentiellement avec de la donnée légale, en provenance de l’Insee, du Bodacc, des greffes ; aujourd’hui, en combinant entres elles les différentes informations (données légales, sources privées, « signaux faibles », ……), nous créons de nouvelles variables qui nous permettent de mieux répondre à des problématiques que l’on adressait déjà, mais aussi d’adresser de nouvelles problématiques.

(*) ne sont pas scorées les entreprises qui sont fermées ainsi que les entreprises de droit étranger pour lesquelles il vaut mieux alors s’orienter vers leur maison mère.

Comment s’apprécie la performance d’un score ?

La performance d’un score peut se mesurer par l’indice de GINI (en général utilisé par les statisticiens, les banques ou les assureurs). Mais les acteurs du marché de l’information BtoB utilisent essentiellement la métrique des 20% des entreprises les moins bien notées qui représente, du point de vue du score les entreprises les plus à risque. Le score répond ainsi à la question suivante : « pour les 20% des entreprises qui ont les notes les plus basses, quelle est la proportion d’entreprises qui entreront en procédure collective à un horizon de douze mois ? »

Ainsi, le score Altares, depuis sa refonte, en date du 8 octobre 2018 permet d’identifier 83% des entreprises qui entreront en procédure collective à 12 mois, parmi les 20% des entreprises les moins bien notées. Notre score est même Pareto-optimal !

La performance d’un modèle est issue de la combinaison des outils statistiques, des outils financiers et des règles métiers. Meilleure est la qualité des données, meilleure est leur couverture et meilleur en sera le modèle. L’habileté du data scientiste qui crée le modèle est primordial, mais la DATA reste le cœur du sujet.