Rechercher
Rachat de créances : homme en bureau
  • L'évaluation de portefeuilles de créances non garanties, menée par les analystes d'EOS à travers l'Europe, est le socle des décisions d'investissement.
  • Des modèles complexes permettent de structurer des millions de données, de regrouper les créances et d'établir des prévisions fiables.
  • Au-delà des données, la connaissance du marché, l'expertise locale et l'historique des performances sont des éléments essentiels.

À première vue, cet ensemble de données a tout d'un fichier banal : un long tableau Excel recensant des millions d'informations. Chaque ligne correspond à une créance impayée d'un débiteur en défaut de paiement. Pour Malte Janzen, c'est pourtant le point de départ d'une analyse cruciale, pouvant déboucher sur des décisions d'investissement de plusieurs millions d'euros.

Depuis 2025, il dirige le département des Investissements non garantis (Unsecured Investments) chez EOS. Avec son équipe d'analystes crédit et de spécialistes de la donnée, il évalue des portefeuilles de créances cédés par des banques à travers toute l'Europe. Son parcours témoigne de son expertise : titulaire d'un doctorat sur la prise de décision en matière d'investissement, il a également travaillé dans le conseil en fusions-acquisitions (M&A) ainsi que pour un groupe basé à Hambourg.

Rachat de créances : Malte Janzen, EOS

Nos modèles nous permettent de représenter un large éventail de scénarios et d’identifier les facteurs ayant le plus d’impact sur le portefeuille.

Malte Janzen
Vice-président senior des investissements non garantis

Anatomie d’un portefeuille

« Notre travail consiste à analyser le portefeuille pour bâtir un business plan. C’est sur la base de cette analyse que nous proposons un prix d'acquisition au conseil d'administration d'EOS », explique Malte. Chaque année, EOS évalue ainsi entre 500 et 600 portefeuilles dans plus de 20 pays européens.

Le processus débute lorsqu'une banque décide de céder un portefeuille. Les filiales nationales d'EOS reçoivent alors les données anonymisées et procèdent à une analyse détaillée.

L'historique du portefeuille est également un facteur clé : l'ancienneté des créances, les actions de recouvrement déjà entreprises ou encore la typologie des clients. « Le fait de bien connaître le vendeur nous permet, par exemple, de mieux apprécier la qualité des créances. »

Des données aux prévisions

Face à un tel volume de données, il est impossible de traiter chaque créance individuellement. « Notre première étape consiste donc à identifier des caractéristiques clés pour regrouper les créances en segments homogènes », explique Malte. C'est là qu'interviennent des méthodes mathématiques et statistiques, ainsi que des modèles d'apprentissage automatique (machine learning). En s'appuyant sur un riche historique de données, ces modèles simulent l'évolution la plus probable de chaque segment de créances.

L'analyse intègre également d'autres facteurs, comme les évolutions réglementaires ou les tendances macroéconomiques. « Nos modèles nous permettent de simuler un grand nombre de scénarios. Cela nous aide à identifier les facteurs les plus influents du portefeuille et à définir les points de vigilance pour sa gestion future. »

Toutefois, même les modèles les plus sophistiqués ne sauraient remplacer l'expertise humaine. Tout comme Malte, les membres de son équipe bénéficient de nombreuses années d'expérience en analyse de crédit et de la donnée. Ils collaborent étroitement avec les filiales nationales. « Celles-ci ont une connaissance fine des marchés locaux et sont plus à même de contextualiser les différentes tendances. »

Lorsque la décision d'investissement est favorable, le travail d'analyse se poursuit. La performance réelle du portefeuille est alors suivie en continu et confrontée aux prévisions initiales. Tout écart fait l'objet d'une analyse pour en déterminer les causes.

« Chaque enseignement est directement réintégré dans nos outils d'analyse, ce qui nous permet d'améliorer constamment notre processus d'évaluation. »

Contactez pour en savoir plus sur la vente et l’évaluation de créances.

Crédits photos : EOS

Explorez davantage EOS

Une jeune femme se tient dehors dans un environnement urbain, tenant son smartphone et souriant en regardant devant elle. Des bâtiments modernes et des arbres sont visibles en arrière-plan.

Confiance dans l’IA bancaire : plébiscitée contre la fraude

3 minutes
Pour se protéger de la fraude, beaucoup font confiance à l’IA, mais préfèrent une intervention humaine pour les crédits. L’EOS Banking AI Barometer révèle pourquoi la transparence est décisive.
En savoir plus
Un jeune homme est allongé sur un canapé dans son salon, portant un casque et regardant son smartphone en souriant, tout en écoutant de la musique ou un podcast.

Étude EOS : jeunes à l’aise avec l’IA, mais fragiles financièrement

3 minutes
Les jeunes Européens utilisent davantage l’IA bancaire, mais rencontrent aussi plus de difficultés d’endettement. L’EOS Banking AI Barometer révèle les enjeux pour les banques.
En savoir plus
Une jeune femme souriante aux cheveux bouclés, vêtue d'un pull jaune confortable, est assise sur un canapé dans son salon et regarde son smartphone tout en tenant un document papier.

Les personnes ayant connu l’endettement sont plus ouvertes à l'IA

3 minutes
EOS Banking AI Barometer : les personnes ayant connu l’endettement sont plus ouvertes à l’aide de l’IA. Appréciée sur ce sujet sensible, elle ne remplace pas le contact humain.
En savoir plus