Le domaine des Fusions-Acquisitions (F&A) ne semble pas encore avoir pris le virage de la digitalisation. Pourtant les techniques de Machine Learning et d’Intelligence artificielle pourraient être appliquées à plusieurs étapes du processus d’évaluation d’une entreprise cible.
Le rôle de la donnée dans les fusions et acquisitions (F&A) et la manière dont elle est utilisée dans cette industrie très spécifique est la question centrale de notre analyse. La donnée est présente à tous les niveaux et intervient durant toutes les étapes d’un projet de F&A. Elle se révèle être un élément clé permettant à l’entreprise acheteuse de faire les meilleurs choix possibles.
Quelles sont les voies d’amélioration du processus de F&A dès lors que nous sommes confrontés à des faiblesses dans le processus de collecte de l’information ? Quelles sont les étapes qui pourraient être grandement améliorées afin de gagner un temps précieux dans le traitement de ces dossiers au quotidien ? Quelle solution impliquant de la Data Science permettrait de créer de la valeur au sein d’une entreprise de F&A face à ses concurrents ?
Avec la digitalisation et l’augmentation qualitative et quantitative des données, le processus de F&A devra évoluer pour intégrer les analyses basées sur la collecte massive de Data et réaliser des valorisations plus complètes et précises.
Le rôle des données et de l’Intelligence artificielle dans les deals de Fusions-Acquisitions
Alors que la plupart des industries ont pris le virage de l’usage des techniques d’apprentissage machines (machine learning) afin d’améliorer leur capacité à créer de la valeur, le domaine des Fusions-Acquisitions (F&A) ne semble pas avoir pris le pas et prend du retard par rapport au domaine de la finance.
Les entreprises spécialisées dans les F&A ont pour habitude de ne pas dévoiler d’informations concernant leurs procédés afin de garder un avantage concurrentiel à propos des avancées technologiques et organisationnelles.
Il est important de souligner que les processus d’acquisitions sont soumis à des protocoles stricts à chaque étape de la chaine de travail afin d’assurer que la valorisation de l’entreprise cible est la plus précise et la plus complète possible. C’est pourquoi une solution impliquant la Data Science nommée Optical Character Recognition (OCR), ou reconnaissance optique de caractères (ROC), constitue une solution pertinente à ce problème identifié. La ROC permet en effet de transformer des fichiers contenant des images ou des textes imprimés ou dactylographiés en fichiers de textes exploitables par la suite. De grands progrès sont réalisés dans la communauté scientifique concernant la ROC et cela pourrait réduire les temps de traitement administratif et répétitif par 75%.
La Data Science et les Fusions-Acquisitions
L’utilisation de la donnée dans le cadre des F&A demeure encore aujourd’hui très similaire à ce qu’elle était il y a une dizaine d’années. Le domaine n’a pas encore pris le train de la Data Science. L’outils le plus utilisé afin de traiter les informations reste Microsoft Excel, qui reste bien sûr un incontournable de la finance en permettant de dresser des modèles d’évaluation économique par exemple. Cependant, il ne propose pas assez d’outils en termes d’automatisation, d’intelligence artificielle et de visualisation des données et il ne permet pas de s’accorder avec les dernières avancées en termes d’apprentissage automatique et d’automatisation des tâches.
L’insuffisance des algorithmes en matière d’évaluation
Il existe des solutions permettant d’effectuer certaines prédictions économiques des entreprises cibles dans le cadre de F&A, mais ces logiciels ne convainquent pas et ne donnent pas encore aujourd’hui aux entreprises les possédant un avantage concret sur leurs compétiteurs. La première raison est le manque de paramétrages réalisables en entrée du logiciel, ce qui rend la prédiction trop générale et pas assez précise. De plus, les associés utilisant ces solutions ont des difficultés à faire confiance à ces logiciels en raison du manque d’informations concernant la manière dont ils fonctionnent et dont les prédictions sont générées. Aujourd’hui, ces algorithmes nommés « boîtes noires » ne permettent pas de justifier aux supérieurs contrôlant les évaluations économiques, la manière dont le résultat a été obtenu, alors que dans le contexte actuel du Règlement Général sur la Protection des Données (RGPD), l’explicabilité des données est au centre des attentions.
Finalement, nous avons montré que des techniques de Machine Learning et d’Intelligence artificielle pourraient être appliquées au domaine des Fusions et Acquisitions à plusieurs étapes du processus d’évaluation d’une entreprise cible. De la simple automatisation des tâches à la prédiction algorithmique se basant sur des bases de données riches, de nombreuses possibilités existent et sont attendues par les professionnels du domaine.
Avec la digitalisation grandissante des métiers des entreprises et l’augmentation qualitative et quantitative des données, les processus de F&A seront amenés à évoluer et à intégrer massivement les analyses de celles-ci pour réaliser des valorisations plus complètes et précises.
Cet article est extrait de la Revue Banque n°842 (27/02/2020, Le rôle de la data science dans le process d’analyse des cibles)
