Prédiction des entreprises en défaut de paiement. Etude de cas.

Details

Supervisors

Fouss, François

Faculty

Louvain School of Management

Degree label

Master [120] en sciences de gestion (horaire décalé à Mons)

Abstract

La gestion de la trésorerie est au cœur de la survie des entreprises. Sans liquidités, elles ne peuvent financer leurs activités d’exploitation. Intuitivement, chacun pense que conclure des ventes, réaliser du chiffre d’affaires, est le premier besoin à assouvir. C’est évidemment vrai mais pas suffisant. En effet, seul l’encaissement de la créance conclut la transaction commerciale. Outre la gestion du besoin en fonds de roulement qui passe par un équilibre à trouver entre le délai de paiement accordé aux clients et celui reçu des fournisseurs, la gestion des créances impayées requiert une attention particulière. Beaucoup d’énergie, de temps et d’argent peuvent être perdus dans la bataille. Ce travail n’étant finalement qu’une réaction à postériori. Dans ce contexte, il est intéressant de connaître le client avec qui on s’engage. Cela passe par un aperçu de sa situation financière, sa capacité à honorer ses dettes, sa faculté à respecter les délais administratifs ou encore sa capacité de gestion. Aujourd’hui, un certain nombre d’informations sur les entreprises sont disponibles publiquement. Le Data Mining peut nous aider à traiter l’ensemble de ces informations pour déterminer des profils types de clients, en fonction de leur solvabilité par exemple. Employé au sein d’une entreprise internationale active dans le secteur du transport et de logistique, nous allons utiliser, au cours de ce mémoire, la base client de cette entreprise, pour identifier à partir des informations récoltées, les variables permettant de classer ces clients comme étant « bon payeurs » ou non. Pour ce faire, nous nous inspirerons des techniques de scoring du secteur bancaire utilisées dans le cadre de l’octroi de crédit ainsi que des modèles de prédiction de faillites des entreprises. Nous utiliserons les arbres de décision comme méthode de Data Mining. En effet, autodidacte en la matière, celle-ci nous a semblé appropriée, notamment pour sa capacité à fournir des règles de décisions facilement interprétables. De plus, cette méthode permet de traiter tout type de variables en étant résistante aux données manquantes ainsi qu’aux effets de corrélation et de non-linéarité. Les modèles établis à partir de cette technique manquent souvent de robustesse. Le nôtre ne fera pas exception à la règle. Cependant, les résultats obtenus sont cohérents et encourageants. Ce mémoire nous a permis de découvrir les capacités prédictives des méthodes de Data Mining.