Quand l’intelligence artificielle démêle la data ESG

14/05/2020

Quand l’intelligence artificielle démêle la data ESG

© Ryzhi

Les investissements responsables ont connu une croissance fulgurante ces dernières années. Sous la pression aussi bien du grand public que des investisseurs institutionnels, ce sont plus de 30000 milliards de dollars qui sont placés aujourd’hui dans des produits qui présentent une composante ESG. Pour faciliter ces investissements, la production de données ESG s’est bien évidemment intensifiée, tant pour répondre à des besoins de transparence qu’à des impératifs de performance. Aujourd’hui, elles inondent littéralement le marché, sans qu’il soit vraiment possible d’en limiter le débit. Ces données forment en effet la matière première nécessaire pour évaluer la capacité d’un titre, action ou obligation, à générer de la valeur selon la politique responsable et durable de son émetteur. Face à cette masse de données, l’intelligence artificielle peut être l’issue salutaire pour absorber, diriger, analyser et harmoniser la donnée ESG.

Dans l’ensemble, les entreprises communiquent de plus en plus sur le sujet. Elles se montrent parfois intarissables sur le sujet. En 2011, selon une étude réalisée par le cabinet KPMG, moins de 20% des sociétés cotées au S&P 500 divulguaient des informations relatives à leurs engagements ESG. Dix ans plus tard, ou presque, la tendance s’est complètement inversée et la plupart des Large Caps vont même jusqu’à publier des  rapports dédiés justifiant de leurs efforts en matière de durabilité.

La data ESG, un véritable labyrinthe

En peu de temps, la data ESG a pris des proportions si massives que son exploitation peut s’apparenter à un véritable labyrinthe. Les points d’entrée ne cessent de se multiplier et, en l’absence de standards clairement établis sur le modèle des ratios financiers, les analystes comme les investisseurs peinent parfois à trouver leurs repères. A sa décharge, ce magma multidimensionnel doit couvrir in extenso les trois critères qui composent le triptyque ESG : environnemental, social et gouvernance. Pour chacun d’entre eux, les paramètres se déclinent à l’infini.  

Alimentées par les entreprises, les organismes publics ou leurs propres équipes de recherche, de nouvelles agences de notation sont apparues au cours de la dernière décennie pour collecter et décrypter cette hyper-information. Vigeo-Eiris, Sustainalytics, EthiFinance, ISS-Oekom, Robeco-Sam, pour n’en citer que quelques-unes, se sont ainsi positionnées sur ce créneau avec des méthodes pour le moins disparates. Si les données qu’elles exploitent sont hétérogènes, les notations et les classements qu’elles proposent en retour ont tendance à l’être tout autant. Chacune applique ses propres recettes, fixe ses propres cadres et dans la mesure où elles ne sont pas encore soumises à des normes par le régulateur, les notations ou les classements qu’elles diffusent révèlent pour l’instant un certain manque de cohérence. 

Ces divergences, comme l’a récemment démontré une étude de la Sloan School of Management du MIT, sont dues par exemple à l’emploi de critères différents dans l’établissement des ratings. Elles peuvent aussi résulter des barèmes inégaux accordés à de mêmes variables. Ces écarts dans la méthodologie laissent parfois apparaître de vraies contradictions.

L'intelligence artificielle comme facilitateur de l'homogénéisation de la data ESG

A terme, on peut bien sûr s’attendre à ce que les données ESG soient normalisées et fondues dans un même système qui en rende la lecture plus homogène. La concentration dans ce secteur, à l’image de la récente reprise de RobecoSam par Standard & Poor’s, plaide également en ce sens.

Les avancées proposées dans les domaines de l’intelligence artificielle, du big data et encore du machine learning faciliteront également à terme le traitement et la modélisation de données. En effet, l’obsolescence des outils d’analyse classiques, le manque d’expertise d’analyse et d’intégration des facteurs ESG caractérisent aujourd’hui les limites de l’exercice de notation.

L’intelligence artificielle "à finalité durable*" est déjà exploitée dans de très nombreuses entreprises, avec un impact fort. Les responsables du développement y recourent pour concevoir des produits et des services qui se distinguent donc par leur capacité à générer une valeur durable. Grand dévoreur d’informations, le secteur de l’asset management est un candidat idéal pour l’intelligence artificielle.

Les analyses prédictives, les projections statistiques et le séquençage de l’intelligence artificielle se prêtent en effet, parfaitement, au caractère singulièrement protéiforme de la data ESG. L’intelligence artificielle présente déjà l’avantage de pouvoir contribuer à la détection et à la correction des biais et des incohérences. 

Ses algorithmes, son architecture et la puissance de calcul qui en découle sont en mesure de permettre à un marquage et à une gestion des données plus rigoureux, voire plus équitables. Des millions d’informations provenant de milliers de sources peuvent ainsi être synthétisés et transcrits dans des formats beaucoup plus structurés et bien plus faciles à consommer que ce n’est le cas aujourd’hui.

Dans l’immédiat, il s’agit donc plutôt pour les gestionnaires engagés dans une démarche ESG de s’accommoder de la data disponible en l’état, malgré ses lacunes ou ses approximations. Quelles que soient la qualité, la pertinence ou la granularité des données brutes récupérées, leur hétérogénéité rend nécessaire leur retraitement qui a un coût substantiel. Dès lors, la priorité consiste à les remettre en forme de telle sorte qu’elles contribuent pleinement à la construction optimale d’un portefeuille labellisé ESG. Ce travail porte à la fois sur le sourcing des données, sur leur organisation et sur leur utilisation. 

Dans cette optique, l’idéal est de concevoir une mini-chaîne de valeur avec des outils et des processus qui faciliteront l’exploitation de la data. Cette chaîne intègre plusieurs maillons, depuis la sélection des fournisseurs jusqu’à l’automatisation du reporting en passant par la création des méthodologies internes et l’organisation des données à des fins de gestion. Il est indispensable en effet de rationaliser les sources de données, qu’elles soient externes ou internes. De même, il est tout aussi important que données financières et extra-financières puissent être exploitées conjointement dans la mesure où elles viennent en complément les unes des autres. Enfin, il faut s’assurer que les outils retenus soient adaptés à l’ensemble de ces fonctions.

Ce travail de fond, mené avec une réelle mise en perspective, fluidifiera probablement le processus de prise de décision et aboutira à des choix d’investissements pertinents qui rencontreront d’autant plus facilement l’adhésion des investisseurs. Si les investissements ESG sont promis à une très forte croissance au cours des prochaines décennies, leur succès dépendra de plus en plus de la capacité des gestionnaires à maîtriser des ensembles de données toujours plus complexes. 

*IA "à finalité durable" : Utilisation de l’intelligence artificielle dans des produits et marchés pour créer une valeur durable et exploiter des gisements de valeur précédemment délaissés.