Avant qu’un achat de créances ne soit réalisé, l’acheteur et le vendeur doivent d’abord s’accorder sur un prix. Pour déterminer un prix d’achat aussi juste que possible, EOS s’appuie à la fois sur l’expertise humaine et sur les technologies modernes pour valoriser le portefeuille de créances.
- La valorisation des lots de créances est un processus complexe qui aboutit à un prix d’achat approprié.
- Les experts d’EOS examinent chaque détail du portefeuille afin de déterminer le risque lié à l’achat de créances envisagé.
- Ce processus s’appuie sur des algorithmes et sur l’expertise d’analystes qualifiés.
Dans le cadre de la gestion des risques, l’équipe Operational Debt Purchase collabore avec des spécialistes des méthodes et de l’analyse afin d’examiner en détail environ 600 lots de créances par an. À l’issue de ce processus complexe, un prix d’achat peut être recommandé. « Ces portefeuilles peuvent contenir jusqu’à un million de créances. Nous les considérons donc un peu comme un banc de poissons. Nous devons comprendre ce qui anime le banc et dans quelle direction il se déplace, et non la trajectoire de chaque poisson individuellement », explique Matthias Schmidt, Head of Operational Debt Purchase chez EOS Group.
Plus l’évaluation est précise, plus le risque financier est faible.
« Contrairement au recouvrement fiduciaire, l’achat de créances nous expose à un risque important. Une fois l’achat réalisé, l’argent est engagé », explique Matthias. Afin que lui et son équipe puissent examiner au préalable le portefeuille en cours de négociation, le vendeur fournit un ensemble anonymisé de données brutes sous forme de fichier Excel. Chaque ligne du fichier représente une créance impayée et un débiteur défaillant.
Se sont-ils déjà trompés dans leurs recommandations ? « Oui, bien sûr ! », reconnaît Matthias. « Mais notre taux de réussite est plutôt bon. » Matthias est en réalité docteur en physique. Après ses études, il a d’abord travaillé dans le développement des technologies des semi-conducteurs, puis comme consultant, principalement pour des « bad banks ». « Aujourd’hui, mon travail consiste à comprendre ce qui fait fonctionner les portefeuilles de créances », explique-t-il. Tous ses précédents postes avaient en commun la nécessité de traiter des sujets complexes. « J’aime comprendre ce qui se cache derrière les choses », dit-il. Une qualité essentielle lorsqu’il s’agit d’évaluer des portefeuilles. Car au final, il s’agit de prendre des décisions portant sur des montants considérables.
Les données brutes racontent l’histoire.
Les informations fournies peuvent varier considérablement. « Dans le pire des cas, nous ne disposons que du montant des créances individuelles. Mais nous recevons aussi des jeux de données contenant 50 à 60 colonnes d’informations, par exemple sur la durée du retard de paiement, la date de prescription de la créance ou encore le lieu de résidence du débiteur. Plus les informations sont solides, plus nous avons de chances de déterminer un prix d’achat reflétant fidèlement la créance et le portefeuille.
Outre la quantité, la qualité des données joue également un rôle essentiel. Dans certains pays, vous pouvez recevoir sept numéros de téléphone pour chaque créance. Vous ne savez pas lequel est encore valable, s’il y en a un, tant que vous ne les avez pas tous essayés », explique Matthias. « Ou bien vous ignorez si les informations sont toujours à jour. Tout dépend du contexte. Des données fournies il y a dix ans lors de la souscription d’un prêt peuvent ne plus être valables aujourd’hui. » Les erreurs de transcription constituent également un défi, par exemple lorsque la propriété d’une créance change de mains, que deux banques fusionnent ou que des systèmes sont migrés vers une nouvelle plateforme. Après avoir examiné les données, Matthias et son équipe se posent deux questions : que savons-nous et, parfois plus important encore, que ne savons-nous pas ?
« Pour vraiment comprendre l’histoire, il suffit parfois de produire une représentation graphique des paramètres disponibles. Là encore, comme souvent dans la vie, faire un dessin peut aider », explique Matthias. « Cela permet de repérer plus facilement les anomalies. » Un autre élément important est le contexte dans lequel le portefeuille est vendu. S’agit-il, par exemple, d’un portefeuille issu d’une période de crise ? Quand un paiement a-t-il été effectué pour la dernière fois et que signifient les écritures comptables et les dates ? Quel est l’historique du vendeur et que se passait-il sur le marché à ce moment-là ? Quel est le pourcentage d’insolvabilités ? Existe-t-il de nouvelles lois qui influencent notre manière de travailler et que révèlent-elles sur la nature ou l’histoire du portefeuille que nous souhaitons poursuivre ? À chaque question, le profil du portefeuille de créances devient plus précis. Pour aller encore plus loin, lui et son équipe répartissent ensuite les créances en groupes qualitatifs et quantitatifs : « C’est à ce moment-là que le portefeuille acquiert une dimension presque humaine. Car chaque portefeuille raconte sa propre histoire et est totalement unique », ajoute-t-il.
Un algorithme ne pourra jamais comprendre l’histoire d’un portefeuille comme le fait un analyste.
L’expérience passée aide à déterminer le prix.
Les analystes d’EOS recherchent ensuite des données empiriques historiques dans la vaste base de données dont ils disposent. Pour la valorisation, ils se posent les questions suivantes : quel portefeuille de référence raconte une histoire similaire ? En d’autres termes, EOS a-t-il déjà acquis un portefeuille comparable dans le même secteur ou la même région ? Comment la réalisation de ce portefeuille s’est-elle déroulée ? Les analystes utilisent ces données historiques pour établir des références moyennes auxquelles les nouveaux portefeuilles doivent être comparés, tout en tenant compte des conditions actuelles et, plus encore, futures. L’évaluation prend également en considération les bouleversements ou changements intervenus dans l’environnement politique. « Le recouvrement de créances évolue constamment. Nous devons donc en tenir compte et ajuster nos prévisions en conséquence sur la base des références disponibles », explique Matthias.
Dans certains cas particuliers, l’équipe fait appel à des algorithmes utilisés pour traiter des données complexes. Toutefois, un bon résultat ne dépend pas uniquement des données brutes. Le facteur humain joue également un rôle essentiel dans l’évaluation : « Un algorithme ne pourra jamais comprendre l’histoire d’un portefeuille comme le fait un analyste », souligne Matthias. À partir d’un certain point, l’intuition devient également nécessaire, et celle-ci repose sur l’expérience.
Si vous souhaitez vendre vos créances, n’hésitez pas à nous contacter.
Explorez davantage EOS
