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 possible.
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 ces 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 dans les deals de fusions et 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 F&A ne semble pas avoir pris le pas et prend du retard par rapport à ses homologues.
Une valorisation de l’entreprise cible plus précise et plus complète
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. Par exemple, de nombreux documents financiers sont indispensables à la validation des étapes comme les comptes de résultats ou les bilans actifs-passifs, parmi d’autres, qui vont permettre de s’assurer de l’approbation de l’évaluation du prix de la cible par la hiérarchie de l’associé en charge de l’achat.
On peut noter que tous ces protocoles conduisent les associés en F&A à reproduire les mêmes tâches de manière répétitive avec la même rigueur afin de remplir des modèles d’évaluation de la valeur des entreprises ciblées. De plus, il arrive fréquemment que les entreprises ciblées ne communiquent pas toutes les documentations les concernant pour diverses raisons, par oubli ou tout simplement pour cause de non-existence de ces documents car nombre d’entreprises n’en disposent pas étant encore en cours de développement. Dans le cas où des documents sont manquants, le rôle de l’associé sera de les structurer uniformément afin qu’il soit ensuite possible de transférer l’information contenue dans les modèles d’évaluation économique, financière, de ressources humaines et d’imposition.
La description des difficultés rencontrées lors de la collecte des données afin de conduire la phase de due dilligence permet de comprendre à quel point l’acheminement et le traitement des données est au cœur des projets de F&A aujourd’hui. C’est pourquoi, une entreprise qui va mieux gérer ces flux de données aura un avantage de vitesse et de qualité dans la réalisation d’une étude d’une entreprise cible. Cette avance sur le plan purement technique, permettra aux entreprises en avance sur leurs concurrents de concentrer leurs ressources sur d’autres points tels que des évaluations plus qualitatives qui ne peuvent être gérées que par des humains, comme la compréhension des synergies dans l’entreprise ou la relation entre les collaborateurs.
L’acquisition et l’utilisation de la donnée : une économie considérable de temps
À titre d’exemple, nous nous concentrons sur les processus d’acquisitions car les fusions impliquent des facteurs d’approche différents et se révèlent aussi plus rares. Au sein des acquisitions, nous nous focalisons sur la phase du processus allant de la première évaluation économique de l’entreprise cible jusqu’à la finalisation de l’achat, c’est-à-dire que nous négligerons les phases de recherches des cibles ainsi que l’implémentation d’une entreprise nouvellement achetée dans un écosystème plus global.
La première phase d’un processus d’acquisition est la collecte des données financières, légales et de ressources humaines qui interviennent lorsque l’entreprise acheteuse communique à la cible sa potentielle intention d’achat. Dès lors, la plupart des informations sont envoyées sous le format portable document format (.pdf), aujourd’hui normé. Il va permettre bien évidemment que tous les documents soient lisibles lors de la réception, peu importe le matériel et les logiciels utilisés sans par exemple être obligé de posséder un système d’exploitation (Windows, MacOS, Linux) particulier ou même une suite bureautique telle que Microsoft Office pour laquelle il est nécessaire de posséder des licences onéreuses.
Cependant, ce format standardisé amène les collaborateurs en acquisitions à des complications dès lors qu’ils doivent transférer l’information contenue dans ces documents vers des modèles d’évaluations sur Microsoft Excel. Cette étape se révèle être systématiquement longue, fastidieuse et répétitive pour les collaborateurs et ne représente pas une valeur ajoutée considérable.
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%
Le rôle de l’Intelligence artificielle et l’automatisation de processus dans les F&A
Cependant, la ROC n’effectue qu’une transcription des documents en texte et ne traite pas le remplissage automatique des cellules dans un document Excel de destination par exemple. Une solution permettant de compléter les étapes de traitement allant du recueillement de l’information à la complétion des champs d’un modèle d’évaluation Excel par exemple, serait d’accompagner la ROC par une intelligence artificielle (IA) qui apprendrait quelles cellules compléter dans les modèles Excel de manière itérative. Cette technique s’appelle l’automatisation de processus automatisés (RPA – Robotic Process Automation). Elle permet à la machine d’apprendre la liste des tâches à automatiser en observant le comportement d’utilisateurs humains et de pouvoir les réaliser automatiquement au fur et à mesure que la machine accumule des connaissances.
Alors que cette solution a déjà fait ses preuves dans d’autres domaines à l’instar de la ROC, le domaine des F&À peine toujours à prendre ses marques et les associés s’occupant de ces tâches perdent un temps précieux à effectuer ce travail fastidieux, qui peut entraîner plus fréquemment des erreurs. De plus, les analystes pourraient se concentrer sur des tâches à plus grande valeur ajoutée comme expliqué précédemment.
Durant l’évaluation économique de l’entreprise cible, la mission de l’acheteur est d’évaluer la relation entre la cible et ses clients, en les appelants les uns après les autres afin de récolter des informations à propos de leurs échanges et de leur capacité à gérer cet aspect plus abstrait de la santé de l’entreprise. En plus du nombre important de clients à vérifier, dans un domaine comme l’informatique, les entreprises portent souvent des noms assez similaires comprenant les mots « solutions », « software » et d’autres qui rendent la vérification de l’existence des clients, de leurs informations de contacts et de localisations sur internet bien plus compliquée. La technologie appropriée afin de pallier cette situation dépendrait du machine learning et permettrait de lire une liste de noms d’entreprise et de retourner tous les contacts associés en fonction des recherches précédentes et en recoupant plusieurs facteurs afin de s’assurer de l’authenticité des sources. La machine apprendrait ensuite de ses recherches au fur et à mesure des tentatives, des validations et corrections de l’utilisateur. Elle rechercherait les informations d’une manière de plus en plus intelligente et fiable.
La data science et les F&A
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'outil 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’IA 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.
Excel n’est pas un environnement favorable à l’automatisation de processus
Il existe tout de même des possibilités d’adaptation et d’amélioration du logiciel pour automatiser certains processus en utilisant des templates plus sophistiqués et réactifs avec notamment le recours aux macros ou bien même à des solutions customisées avec le langage de programmation d’Excel VBA qui permet de pousser la personnalisation à un degré supérieur. Cependant, ces solutions demandent des heures de programmation difficiles à supporter dans un environnement comme les F&A et présentent, elles aussi, leurs limites pour effectuer du machine learning.
Néanmoins, il existe dans Excel un module nommé PyXLL, qui permet d’intégrer le langage de programmation Python dans Excel afin de mettre en place via l’utilisation de certaines librairies classiques telles que scikit-learn, tensorflow ou même keras, des algorithmes d’apprentissage automatique prédictifs utilisant les arbres de décisions par exemple. Même s’il y a des possibilités d’intégrer du machine learning dans Excel, ce tableur ne constitue pas un environnement favorable, ni naturel, pour le développement d’une application de prédiction quelle qu’elle soit.
Alors que certaines entreprises de F&A utilisent uniquement des logiciels classiques, d’autres essayent à l’instar des modules supplémentaires sur Excel, d’exploiter au mieux les logiciels qu’ils détiennent déjà avec des modules sur Powerpoint par exemple, qui permettent d’ajouter des fonctionnalités comme la vérification de format des diapositives afin que la donnée et la présentation soient consistantes. Ces fonctionnalités ont une valeur ajoutée primordiale mais ne suffisent pas à fournir un cadre technologique compétitif dans l’ère dirigée par l’intelligence de la donnée dans laquelle nous sommes aujourd’hui.
Une capacité d’amélioration dans les acquisitions existe avec la vérification des numéros IBAN des entreprises qui sont insérés dans Excel afin de s’assurer de leur cohérence avec le client et de la banque dans laquelle ils se trouvent. Sachant que ces vérifications sont faites manuellement à ce jour, il serait intéressant qu’un logiciel de RPA (automatisation des processus métiers) puisse effectuer ces tâches afin de gagner un temps précieux pour les analystes.
Pas d’interfaçage ni d’automatisation du transfert des données entre logiciels
La présence de plus en plus fréquente de Salesforce, un logiciel de gestion de la relation client, a amené plus de dynamisme et de visualisation concernant les caractéristiques des clients et des projets réalisés par l’entreprise. Cependant, il ne fournit pas encore assez d’automatisation des tâches et d’intelligence par exemple en s’interfaçant avec d’autres logiciels tels qu’une boîte mail afin d’enregistrer automatiquement tous les contacts et les enregistrer de manière intelligente au carnet de contact Salesforce.
Le statut des projets pourrait être mis à jour en utilisant de l’IA. Ainsi un projet qui passe de la phase de première analyse économique à la phase de proposition d’une première offre pourrait être mis à jour dans le gestionnaire de clientèle automatiquement lorsque les documents sont déposés officiellement.
Un logiciel permettant une prédiction avec le machine learning
Aujourd’hui, il existe plusieurs solutions logicielles capables de prédire le prix des actions, en considérant un grand nombre de paramètres, telles que Quest Solution, Inc (QUES) Stock Price Prediction, mais aucune n’est présente en F&A qui permettrait aux associés d’avoir une idée d’une première évaluation bien plus rapidement que par l’analyse manuelle des documents et des processus classiques. Cette solution pourrait se baser sur l’historique des entreprises précédemment achetées. En tenant compte du fait que les entreprises acheteuses possèdent des bases de données très complètes qui rassemblent toutes les informations sur les précédentes acquisitions, il serait assez aisé d’intégrer ces informations en entrée d’un algorithme de machine learning comme paramètre. Cette démarche donnerait une première estimation de prix d’achat en se basant sur des critères tels que l’industrie au sein de laquelle l’entreprise cible évolue, sur l’état actuel du marché et tous les anciens deals réalisés par l’entreprise.
Selon les associés de F&A interrogés, ce logiciel fournirait une précieuse aide et permettrait de conforter grandement les évaluations manuelles tout en permettant de rejeter des projets lorsqu’ils sont considérés comme hors budget pour l’entreprise acheteuse. Les associés pourraient alors se concentrer sur des facteurs d’évaluation intangibles tels que les ressources humaines de la cible qui ne sont pas évidents à traiter de manière logique et ne sont pas intégrables en tant que paramètre d’entrée de l’algorithme de machine learning.
Même s’il existe des entreprises qui proposent des évaluations économiques de petites et moyennes entreprises comme Atometrics, elles n’incluent pas d’analyses prédictives en se basant sur les chiffres actuels.
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.
Conclusion
Finalement, nous avons montré que des techniques de machine learning et d’IA pourraient être appliquées au domaine des F&A 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.
