La data en M&A : due diligence, valorisation et intégration post-fusion

Les deals échouent à cause de la data plus souvent qu'ils ne réussissent grâce à elle. C'est l'une des dimensions les moins discutées du M&A, et l'une de celles où les CDO peuvent apporter énormément de valeur.

Les trois phases du travail data en M&A

Phase 1 : la due diligence data avant le deal

Avant la signature, l'équipe acquéreuse doit comprendre quels actifs data elle achète réellement, et quels passifs data elle hérite.

Une due diligence data sérieuse couvre :

• Data qualityData qualityLe degré d'aptitude des données à l'usage prévu : exactes, complètes, cohérentes, à jour, valides et uniques. Une data quality faible fragilise l'analytics, le reporting et l'IA.Voir la définition complète → : les données clients de la cible sont-elles exactes, complètes et à jour ? Une mauvaise Data quality dans un CRMCRMCustomer Relationship Management : logiciel et stratégie pour gérer et analyser les interactions clients tout au long de leur cycle de vie.Voir la définition complète → peut signifier que 30 à 40 % des « clients » sont des doublons, des comptes inactifs ou des données erronées, avec un impact direct sur les projections de revenus.
• Architecture data : quels systèmes existent ? Quelle est la complexité d'intégration ? Les données peuvent-elles être migrées vers la stack de l'acquéreur, et à quel coût ?
• Gouvernance et conformité : la cible est-elle conforme au RGPDRGPDRèglement de l'UE encadrant la collecte, le stockage et l'usage des données personnelles, avec des amendes indexées sur le chiffre d'affaires mondial.Voir la définition complète → ? Existe-t-il des actions réglementaires en cours liées aux données ? Des Data processing agreements (DPA) existent-ils avec tous les partenaires clés ?
• Data lineageData lineageLe data lineage cartographie les déplacements et transformations de la donnée à travers les systèmes, de l'origine à la consommation : d'où elle vient, ce qui l'a modifiée, et où elle va.Voir la définition complète → : la cible peut-elle démontrer d'où viennent ses données financières ? Dans les secteurs régulés, c'est souvent rédhibitoire.
• Propriété intellectuelle : les modèles de données, les algorithmes et les datasets appartiennent-ils clairement à l'entreprise ? Ou existe-t-il des dépendances à des données tierces susceptibles d'être révoquées après l'acquisition ?

Le processus standard de due diligence M&A n'accorde souvent à la data que 10 % de l'attention qu'elle mérite. Pour les entreprises riches en données, ce devrait être 40 à 50 %.

Phase 2 : la data comme moteur de valorisation

Les actifs data peuvent affecter fortement le prix d'acquisition. Le deal Microsoft-LinkedIn est canonique : le chiffre d'affaires 2016 de LinkedIn était d'environ 3 Md$. Microsoft a payé 26,2 Md$, soit un multiple de 9x le revenu, considéré comme extraordinaire à l'époque.

La justification : les données de LinkedIn sur plus de 430 millions de professionnels valaient bien plus que ce que la ligne de revenus suggérait. Microsoft achetait le plus grand dataset comportemental professionnel au monde, avec les effets de réseau qui le rendaient auto-renforçant. La prime sur la valeur comptable était largement le prix payé pour la data.

Quand Google a acquis Fitbit pour 2,1 Md$ en 2019, la logique stratégique portait d'abord sur les données de santé, les données biométriques de plus de 100 millions d'utilisateurs accumulées sur des années, et non sur les revenus hardware déclinants de Fitbit.

Phase 3 : l'intégration data post-fusion

C'est là que les deals déraillent le plus souvent.

Les travaux de McKinsey montrent que 70 % des deals M&A ne délivrent pas la valeur promise. Les échecs d'intégration data figurent parmi les causes les plus fréquentes. Deux organisations avec des architectures data différentes, des définitions différentes du « client » et des standards de Data quality différents doivent partager leurs données dès le Day 1.

Ce qui se passe généralement :

• Les données clients des deux organisations ne peuvent pas être fusionnées à cause des doublons, des schémas différents et des formats incompatibles
• Le reporting financier devient un cauchemar parce que la même métrique ne désigne pas la même chose dans chaque système
• Les équipes commerciales perdent l'accès à des données clients clés pendant la période de transition
• Les politiques de Data governanceData governanceLa data governance est l'ensemble des politiques, rôles et processus qui garantissent que les données sont exactes, sécurisées, bien définies et utilisées de façon responsable dans toute l'organisation.Voir la définition complète → entrent en conflit, crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →éant des trous de conformité

Le rôle du CDO dans l'équipe deal

Le CDO doit être intégré dès les premières phases de due diligence, pas appelé après la signature.

Avant le closing : piloter la due diligence data. Signaler les problèmes de Data quality qui affectent la valorisation. Identifier les risques de conformité data qui affectent la structure du deal.

Pendant la négociation : quantifier la valeur des actifs data acquis. Obtenir des déclarations et garanties spécifiques à la data dans le contrat d'acquisition.

Après le closing : porter le workstream d'intégration data. Définir la « data Day 1 » (ce qui doit fonctionner immédiatement) par rapport à la « data Year 1 » (ce qui peut attendre). Construire le framework de Master Data ManagementMaster Data ManagementLe Master Data Management (MDM) est la discipline qui consiste à créer et maintenir une version unique, cohérente et fiable des entités métier centrales d'une organisation : clients, produits, fournisseurs.Voir la définition complète → permettant à l'entité combinée de fonctionner avec une source unique de vérité.

Quand l'intégration data échoue : le cas Sprint-Nextel

Lors de la fusion de Sprint avec Nextel en 2005, les analystes ont pointé les échecs d'intégration comme raison principale de l'échec final du deal. Les données clients n'ont pas pu être réconciliées entre les deux réseaux, provoquant des erreurs de facturation, des interruptions de service et un churn massif : Nextel a perdu plus de 80 % de sa base clients en 5 ans.

Une meilleure due diligence data et un meilleur plan d'intégration auraient permis d'identifier l'incompatibilité des systèmes de facturation avant la signature, et soit de renégocier le prix, soit d'éviter le deal purement et simplement. Le CDO qui n'a pas été invité au processus de due diligence a coûté des milliards aux acquéreurs.