La matrice de décision du SIFP efficace dans 93.9 % des incidents !

J'ai essayé de tester l'efficacité de la matrice de décision qui est sur mon blog.

J'ai comme principe que si un outil ne fonctionne pas, il faut le supprimer et le remplacer par un autre.

Vérifions cela empiriquement si c'est le cas ou pas :  projet par projet et critère par critère :

La notation est sur 20 pour chaque critère :

Nom de l'entreprise Note secteur d'activité Note durée du prêt Note taux d'intérêt Note année de naissance du dirigeant Note année de la création de la société Note chiffre d'affaires Note nombre de salariés Note scoring societe.com NOTE FINALE 
ALM Solution Industrielle 3,6 20,0 0,0 6,7 6,7 12,0 4,0 20,0 9,1
Atout Menage 1,8 5,0 6,7 6,7 6,7 8,0 16,0 0,0 6,4
Bijouterie Delaye-Joyerot 3,6 0,0 0,0 13,3 20,0 4,0 0,0 0,0 5,1
Bio Culture 3,6 5,0 10,0 0,0 0,0 4,0 0,0 0,0 2,8
Bio Culture 3,6 5,0 10,0 0,0 0,0 4,0 0,0 0,0 2,8
Bio-Froid 10,9 20,0 0,0 13,3 20,0 12,0 8,0 20,0 13,0
BLI Alsace 0,0 15,0 10,0 6,7 13,3 12,0 20,0 0,0 9,6
C.G.M.O.D. 0,0 0,0 3,3 0,0 0,0 8,0 12,0 0,0 2,9
C.G.M.O.D. 0,0 0,0 6,7 0,0 0,0 8,0 12,0 0,0 3,3
C.G.M.O.D. 0,0 15,0 3,3 0,0 0,0 8,0 12,0 0,0 4,8
Choc Thermique 5,5 0,0 6,7 6,7 0,0 16,0 4,0 0,0 4,8
Complément Europe 3,6 20,0 0,0 20,0 20,0 0,0 8,0 20,0 11,5
Digital Systems 3,6 0,0 0,0 0,0 13,3 0,0 0,0 0,0 2,1
Digital Systems 3,6 0,0 3,3 0,0 13,3 0,0 0,0 0,0 2,5
Digital Systems 3,6 0,0 6,7 0,0 13,3 0,0 0,0 0,0 3,0
Ega lEspace Autrement 5,5 0,0 6,7 20,0 0,0 16,0 0,0 0,0 6,0
Etablissements Ligier 5,5 15,0 10,0 6,7 0,0 4,0 0,0 10,0 6,4
EURL Le Pippino 18,2 0,0 20,0 20,0 20,0 16,0 4,0 20,0 14,8
Eurocar Negoce 3,6 5,0 6,7 0,0 6,7 16,0 12,0 10,0 7,5
Frédéric Escoffier 10,9 0,0 6,7 13,3 0,0 4,0 16,0 0,0 6,4
Funelia 1,8 5,0 6,7 6,7 0,0 16,0 4,0 20,0 7,5
HADC 14,5 5,0 20,0 13,3 6,7 16,0 4,0 0,0 9,9
Hautes Alpes Only 3,6 0,0 10,0   13,3 8,0 12,0 0,0 6,7
INOVIP 3,6 0,0 0,0 20,0 0,0 8,0 4,0 0,0 4,5
Karma Voyages 0,0 15,0 10,0 6,7 0,0 8,0 4,0 0,0 5,5
L D M Librairie du Marché 3,6 0,0 6,7 0,0 6,7 4,0 4,0 0,0 3,1
La Criée Costelloise 3,6 15,0 10,0 0,0 6,7 4,0 12,0 0,0 6,4
LDM Librairie de Marché 3,6 20,0 0,0 0,0 6,7 4,0 4,0 0,0 4,8
Les Primeurs de Rambouillet 3,6 15,0 3,3 0,0 0,0 4,0 12,0 0,0 4,7
LOurson 0,0 5,0 6,7   6,7 8,0 0,0 0,0 3,8
Marcel et Cendrillon 10,9 10,0 16,7 20,0 6,7 4,0 0,0 10,0 9,8
Natouch 3,6 5,0 3,3 6,7 6,7 12,0 12,0 0,0 6,2
Natouch 3,6 5,0 6,7 6,7 6,7 12,0 12,0 0,0 6,6
Pacha 5,5 5,0 3,3 6,7 13,3 12,0 8,0 0,0 6,7
Philtex and Recycling 3,6 0,0 0,0   0,0 12,0 20,0 0,0 5,1
Qualiop Data Word 16.4 0.0 13.3 20.0 0.0 0.0 20.0 10.0 9.96

 

Suite

Nom de l'entreprise Note secteur d'activité Note durée du prêt Note taux d'intérêt Note année de naissance du dirigeant Note année de la création de la société Note chiffre d'affaires  Note nombre de salariés Note scoring societe.com

NOTE FINALE

RL and Partners 14,5 5,0 13,3 13,3 0,0 4,0 0,0 10,0 7,5
SARL Afcall 7,3 10,0 6,7 6,7 6,7 16,0 4,0 0,0 7,2
Semafer 3,6 5,0 3,3 13,3 0,0 12,0 4,0 0,0 5,2
Serenity drive 14,5 10,0 13,3 6,7 6,7 16,0 0,0 0,0 8,4
Serre Conseil 9,1 20,0 6,7 20,0 6,7 8,0 4,0 0,0 9,3
Shala SARL 5,5 0,0 0,0 0,0 0,0 12,0 16,0 0,0 4,2
Smok-It 3,6 15,0 0,0 0,0 6,7 12,0 16,0 0,0 6,7
Spokesn Motion Europe 3,6 15,0 3,3 20,0 13,3 4,0 4,0 0,0 7,9
Techwise 0,0 5,0 6,7 20,0 0,0 16,0 16,0 0,0 8,0
Topique 14,5 0,0 0,0 20,0 13,3 16,0 0,0 0,0 8,0
Vision du Ciel Industries 10,9 0,0 3,3 6,7 6,7 4,0 16,0 10,0 7,2
Wonder Gift 3,6 10,0 16,7 20,0 0,0 12,0 0,0 10,0 9,0
Yaritrans 12,7 5,0 6,7 6,7 6,7 4,0 8,0 10,0 7,5
Moyenne par critère 5,6 6,7 6,4 8,6 6,1 8,6 7,1 3,7 6,6

 

Que constate t-on ?

La note moyenne des projets avec incidents est de 6.6/20 ce qui est très faible ! Et plutôt bon signe !

Sur 49 incidents, 3 ont des notes supérieures à 10/20 et 46 ont des notes en dessous de la moyenne.

La matrice de décision paraît donc très efficace puisqu'elle donne une mauvaise note dans 93.9 % des projets avec incidents !

Le SIFP fera en sorte d'augmenter dans les prochaines semaines l'efficacité de cette matrice pour franchir la barre des 95 % sachant que 100 % reste utopique.

Toujours au service de mes lecteurs et des prêteurs en crowdlending !

crowdlending SIFP matrice de décision

Commentaires (7)

Manu
  • 1. Manu | 21/02/2017
Oui pour une prochaine mise à jour.

Concernant les ratios financiers, j'avais déjà fait une étude il y a quelques mois.
Que je serai prêt à réactualiser.
Etude qui montrait que les indicateurs les plus pertinents pour prévoir les incidents sont les suivants :
1/ Ratio fonds propres / passif faible
2/ Ratio endettement financier / capitaux propres élevé
3/ Encours clients / CA important
4/ Encours fournisseurs / CA important

En gros les sociétés ayant des incidents ont des structures de bilan fragiles mais pas de problème particulier au niveau du compte de résultat.
Mickaelt
  • 2. Mickaelt | 20/02/2017
Bonjour Manu,

Comptes-tu faire une mise à jour de cette étude avec la matrice mise à jour et les derniers défauts ? Ce serait intéressant de voir la progression.
Par ailleurs, as-tu déjà testé quelques statistiques sur des chiffres financiers tels que fonds propres, dettes, ou BFR ?

Mickaël
Manu
  • 3. Manu | 06/02/2017
Avec un nombre de projets dépassant le millier on commence à avoir une base très intéressante et qui va s'améliorer en fiabilité et en pertinence.

Tu as raison certaines variables sont peu corrélées au risque et j'ai l'intention dans l'avenir de ne garder que les plus pertinentes.

La matrice est tout sauf figée et s'adapte aux nouveaux incidents et aux nouvelles données.

Concernant la variable du CA : disons que le risque diminue sensiblement à partir de 10 millions d'euros de CA pas avant... La casse est 2 fois moins importante à ce jour qu'avec les entreprises avec moins d'1 million de CA.

Pour les effectifs, aussi plus de 2 fois moins de casse au dessus de 10 salariés vs 1 à 2 salariés.

Le ratio prêt/ CA n'est pas très convaincant tu as raison il y a une courbe en U au niveau des incidents sans qu'on puisse l'expliquer...

Quant au scoring societe.com et score 3, on remarque que les entreprises les plus risques ne sont pas les moins biens scorés (bien au contraire) mais les non scorés.

Les notes des projets évoluent avec les nouveaux incidents (le système réévalue les projets avec les nouveaux incidents) mais ce qui est intéressant c'est le caractère prédictif que j'ai testé qui est très prometteur.
Les nouveaux incidents étaient souvent déjà mal notés et la note moyenne des nouveaux incidents est nettement en dessous de 10 (avant que le système ne réévalue ces projets).

Voilà pour les explications.
Zinho do 68
  • 4. Zinho do 68 | 04/02/2017
Tout d'abord, félicitation à Manu pour cette matrice.
Vraiment très utile et pratique.

Par contre, je me la lui approprié en la modifiant légèrement.
J'ai supprimé 3 champs qui ne me semblaient pas être clairement corrélés au risque:
- le CA
- l'effectif
- le ratio pret/CA

Attention au risque en tenant compte d'info non corrélées.

Enfin attention quand tu appliques ta matrice au projets en échec. Il faut l'utiliser dans l'etat où elle était au moment de l'ouverture du projet. Tu le fais peut être déjà...
Sinon ça veut dire que l'impact de l'echec d'un projet etait déjà intégrée lors du choix d'y aller ou pas.
Ça me rappelle ces algorithmes qui veulent prédire le CAC et qu'on trouve en vente sur le net. En se construisant qu'avec des données passées, ils ne font que prédire le passé...
Manu
  • 5. Manu | 01/02/2017
Si la note moyenne de tous les projets financés est de 10 et que la note moyenne des projets avec incidents est de 6.6, la moyenne des projets sans incident est automatiquement supérieure à 10 par définition.
Et comme Dieu merci le taux d'incident n'est pas de 50 % mais de 6 à 7%, la note moyenne des projets sans incident restera proche des 10 tout en étant supérieure (c'est très mathématique).
Elle est actuellement de 10,2 / 20.
L'objectif est de financer des projets ayant des notes supérieures à 12/20. Le taux d'incident est de 0,8 % à cette notation.
On divise les risques par 8 environ !!!
Manu
  • 6. Manu | 29/01/2017
La moyenne des projets en crowdlending dans ma matrice est de 10/20 et cette note ne change jamais.
Ma matrice fait donc un calcul RELATIF de risque de défaut de chaque projet selon certaines caractéristiques (taux d'intérêt, secteur d'activité, publication ou non des résultats, âge du dirigeant....) sachant que la moyenne est toujours de 10/20.
La notation de chaque projet évolue donc "légèrement" avec les nouveaux incidents qui "enrichissent" la base.
Exemple fictif : si sur les 10 premiers incidents, il n'y a que des projets concernant le secteur du commerce qui font défaut, la notation de ces projets se rapproche de 0/20.
Si sur les 30 incidents suivants, il n'y a aucun projet commerce qui fait défaut, le note des projets de ce secteur sera relevée. La note de chaque projet est donc "vivante" et de plus en plus fiable avec un nombre d'incidents croissant.
Mais la moyenne de la notation de tous les projets financés restera toujours à 10/20.

Si tu as 6.6 de moyenne pour les sociétés avec incidents, tu as donc forcément une note moyenne supérieure à 10 pour les projets sans incident.

Les limites du modèle :
* c'est encore une base pas suffisamment riche (il faudrait au moins 500 incidents).
* rien ne dit qu'une caractéristique défavorable actuellement la soit dans le futur (car la conjoncture évolue et pas uniformément) et les plateformes peuvent prendre conscience des caractéristiques défavorables de certaines demandes de financement et être dans l'avenir plus vigilantes pour certaines ou inversement plus laxistes pour d'autres.
Exemple : le secteur de l'optique/ Professions libérales / pharmacie connait peu d'incidents. Les plateformes pourraient être plus laxistes dans l'étude des futurs dossiers de ce secteur.

Mais je suis convaincu qu'en utilisant la matrice, on peut clairement limiter les risques, et beaucoup plus qu'avec des analyses de certains prêteurs sur des forums. J'avais fait une étude là dessus il y a quelques mois et qui est toujours d'actualité qui montrait que les prêteurs n'anticipaient pas bien les risques en ne faisant qu'une analyse micro.
Beaucoup d'incidents n'étaient pas anticipé, et beaucoup de paiement en règle non plus...
L'explication est que le le niveau d'information est trop faible et souvent biaisé avec des bilans anciens et des fiches présentation projets avec des infos non vérifiées.
Mickaelt
  • 7. Mickaelt | 27/01/2017
Bonjour Manu,

Super cette validation de ta matrice de décision, c'est très prometteur. Ce serait intéressant de compléter ton étude en faisant la même chose sur les projets qui n'ont pas de défaut, pour t'assurer que ta matrice de décision donne des meilleures notes pour les bons projets. Ca donnerait une idée de la discrimination entre les bons et les mauvais projets. (Autrement dit, je me fais l'avocat du diable, mais rien ne dit que la matrice ne donne pas aussi une moyenne de 6.6 aussi aux projets qui n'ont pas de défaut, même si ça m'étonnerait ;) ).

Ajouter un commentaire

Vous utilisez un logiciel de type AdBlock, qui bloque le service de captchas publicitaires utilisé sur ce site. Pour pouvoir envoyer votre message, désactivez Adblock.