Dans les secondaires, la qualité des données compte parce que de petites erreurs d’entrée peuvent se transformer en grandes erreurs de rendement. La question n’est pas seulement de savoir si la donnée est «bonne», mais si elle est assez bonne pour étayer une vue sur le montant de trésorerie qui reviendra finalement au LP, et à quel moment.

Pourquoi est-ce important?

Parce que l’analyse d’une transaction secondaire opère à deux niveaux à la fois. Au niveau des sociétés, on évalue ce que les sociétés en portefeuille peuvent délivrer et quand interviendront les sorties. Au niveau du fonds, il s’agit de traduire ces résultats en flux revenant au LP, nets de carry, de frais et de dette du fonds. La qualité des données importe aux deux niveaux; au niveau du fonds, elle fait aussi le pont entre les deux.

Elle n’est donc pas une simple question de back-office. L’analyse y dépend moins d’un indicateur isolé que du caractère complet, rapproché et stable dans le temps du tableau économique. Concrètement, trois exigences: exhaustivité, exactitude et cohérence. Dispose-t-on de l’ensemble des données pertinentes, aujourd’hui et historiquement? Les chiffres concordent-ils? Les définitions clés restent-elles stables dans le temps?

Les limites et hypothèses qui font courir un risque

L’exhaustivité est souvent la vraie contrainte. Lorsque des données manquent, les lacunes doivent être comblées par des hypothèses, des estimations ou des approximations. C’est parfois inévitable, surtout sur de vastes portefeuilles LP diversifiés. Mais ces hypothèses ne restent pas locales: elles se répercutent directement sur les produits attendus, leur calendrier et les rendements nets.

Le carry couru en est un bon exemple. Une erreur fréquente dans les données extraites par des prestataires consiste à retenir le taux de carry affiché, mais à ignorer le carry déjà intégré à l’économie de l’opération. Pour un modèle d’analyse fondé sur l’IA, cela peut ne pas affecter la prévision des produits bruts, mais cela modifie la mécanique du fonds et la prévision finale qui compte pour l’acheteur: ce qui revient au LP une fois les droits économiques antérieurs satisfaits.

Comment cela fonctionne en pratique

Un exemple prospectif simple l’illustre. Supposons qu’un investisseur secondaire paie 100 pour une part de fonds censée générer 200 de produits bruts futurs, le fonds étant déjà en carry. Vu naïvement, un carry de 20% impliquerait 40 de carry, 160 de produits nets et un MOIC de 1,60x.

Mais si 20 de carry sont déjà économiquement courus et doivent encore être prélevés sur les flux futurs, le calcul change. Dans ce cas, 20 des produits futurs servent d’abord à couvrir ce carry couru, laissant 180 auxquels s’applique un carry supplémentaire de 20%. Le carry total prélevé sur les produits futurs atteint donc 56, ce qui laisse 144 de produits nets et ramène le MOIC à 1,44x. Le poids effectif du carry sur les produits futurs n’est pas de 20%, mais de 28%. Dans ce scénario, le LP vendeur a pu réaliser de la valeur avant que tout le poids du carry ne se fasse sentir, tandis que l’acheteur hérite d’une part plus élevée de ce poids sur les produits futurs.

Le même principe vaut pour la dette du fonds. Si l’utilisation d’une ligne de crédit ou les obligations de remboursement sont omises, les produits futurs du LP peuvent là encore paraître plus solides qu’ils ne le sont, car des flux qui semblent distribuables au LP doivent en pratique d’abord servir la dette ou reconstituer les tirages. Dans les deux cas, le problème est identique : la valeur brute peut être correctement prévue, mais les produits nets revenant à l’acheteur restent surestimés.

Cela importe particulièrement dans une analyse assistée par l’IA. Les modèles peuvent prévoir efficacement les produits bruts, mais la décision dépend de ce qui subsiste une fois l’économie au niveau du fonds correctement appréhendée. Si les courus de carry, les obligations de dette ou d’autres droits économiques sont incomplets, une bonne prévision de la valeur brute peut devenir une mauvaise prévision des rendements secondaires.

En résumé

Le constat est simple. Dans les secondaires, la qualité des données n’est pas une question d’hygiène opérationnelle: elle fait partie de la thèse d’investissement. Des données manquantes ou instables ne font pas que réduire la confiance dans un modèle; elles peuvent modifier les produits attendus, leur calendrier et les rendements réalisés. Sur un marché où l’avantage à l’analyse vient de plus en plus de la compréhension de la valeur qui reste à l’acheteur, des données disciplinées sont la condition d’une analyse disciplinée. L’IA peut aider à repérer les lacunes, à tester les sensibilités et à expliciter les hypothèses. Mais le principe sous-jacent est plus simple que la technologie: s’il s’agit de répondre «combien et quand», la qualité des données déterminera souvent la qualité de la réponse.

Les opinions exprimées reflètent les opinions actuelles de Coller Capital à la date du présent article ; elles sont susceptibles d’évoluer à tout moment, et les hypothèses ou anticipations sur lesquelles elles reposent peuvent ne pas se réaliser.