La veille automatisée, Boutiques M&A, cabinets et directions générales
Plateforme de signal intelligence pour boutiques de fusions-acquisitions et fonds de Private Equity.
Avant : 10 à 15 heures par semaine de veille manuelle bruitée.
Résultat
90 %du temps de sourcing supprimé
Un scan toutes les 4 heures, plus de 120 cibles scorées, fiche entreprise et contacts prêts pour l'analyste.
Le contexte
Un analyste M&A passe 10 à 15 heures par semaine en veille manuelle pour identifier des cibles pertinentes via Bodacc, presse spécialisée, cessions et procédures collectives. Le travail est répétitif, le signal très bruité, et chaque cabinet refait la même tâche sans mutualiser.
Pour qui
Analystes et associés de boutiques M&A, fonds de Private Equity en sourcing, cabinets d'advisory et de transmission.
Ce qui a été construit
Le système agrège en continu deux types de signaux : signaux de détresse (liquidation, redressement, plan de cession) et signaux de mouvement (cessions, fusions, scissions). Chaque signal est dédupliqué, classé par type, puis enrichi via Pappers (SIREN, NAF, dirigeants, chiffres). Un scoring tiéré Claude Haiku attribue une note de pertinence M&A ; les cibles à fort score déclenchent une synthèse Claude Sonnet directement exploitable. Le pipeline tourne en autonomie complète avec contrôle de coûts intégré. L'enrichissement des cibles à fort score se déroule en deux étages. Étage 1, enrichissement entreprise : à partir du SIREN de la cible détectée et scorée, le système interroge Pappers pour récupérer les données société (chiffre d'affaires, dirigeants, données légales et financières), ce qui transforme un signal brut en fiche entreprise qualifiée. Étage 2, enrichissement contact en waterfall : une cascade multi-sources reconstitue les coordonnées professionnelles, chaque fournisseur servant de repli au précédent pour maximiser le taux de complétion tout en maîtrisant les coûts d'API. L'ordre du waterfall est SerpAPI pour identifier le nom de domaine et le contexte web de l'entreprise, puis Hunter.io pour les emails professionnels rattachés au domaine, puis Apollo pour l'enrichissement du contact professionnel, puis Kaspr en dernier recours. Le système ne déclenche une source que si la précédente n'a pas retourné de résultat exploitable, ce qui évite les appels API redondants.
Résultats
- de temps de sourcing économisé
- 90 %de temps de sourcing économisé
- cibles analysées
- 120+cibles analysées
- intervalle de scan
- 4 hintervalle de scan
Ce que j'en retiens
- Un scoring en deux niveaux coûte dix fois moins qu'un seul grand modèle : Haiku trie tout, Sonnet ne lit que les cibles à fort score.
- La cascade d'enrichissement ne déclenche une source payante que si la précédente a échoué : taux de complétion élevé, facture d'API maîtrisée.
- La déduplication entre Bodacc, presse et Pappers est le vrai travail : sans elle, l'analyste reçoit trois fois le même signal.
Contexte d'usage
Plus de 120 entreprises analysées et scorées. Démos et échanges en cours avec des boutiques M&A spécialisées (aéronautique, intérim, décarbonation).
Stack concernée
- Frontend
- Next.js, React, TypeScript
- Backend
- Prisma, PostgreSQL
- IA
- Claude Haiku, Claude Sonnet
- Sources de données
- Bodacc, Pappers, Google News
- Enrichissement
- Pappers, SerpAPI, Hunter.io, Apollo, Kaspr
- Pilotage
- Metabase
Un process similaire vous coûte du temps ?