INVESTIR DANS LA DATA

  – Marc — 00:00 :

 Aujourd’hui, je reçois Alexis Frentz Investment Manager chez Elaia, ingénieur de Polytechnique, il a voulu monter sa boite de ski pliable mais n’a pas trouvé de cofondateur. Il a donc rejoint le capital risque avec Elia en 2017 devient Investment manager en 2020 Et là, c’est un fond d’investissement qui investit dans la tech qui la Deep tech en amorçage en Europe. 20 ans d’existence sans start-up en portefeuille, dont 3 licornes où elaya investis en Cid. Bonjour Alexis. 

– Alexis — 00:24 :

 Salut Marc. 

– Marc — 00:24 :

 Alors, Alexis, est-ce que tu peux nous parler un peu d’Elia? Qu’est-ce que vous faites exactement? 

– Alexis — 00:28 :

 Ouais, avec plaisir donc elia comme tu disais. C’est un fonds d’investissement qui a été créé il y a plus de 20 ans par 3 personnes. Xavier, qui a fait une thèse en maths, Maryline et Philippe, lui qui a fait l’école polytechnique. La particularité, c’est que parmi les fondateurs, y a 2 profils scientifiques et je pense que ça a pas mal drivé l’existence. Délia et surtout, l’écriture de notre ADN qui a investi dans la tech et la Deep tech. Aujourd’hui ellia, c’est une quarantaine de personnes dont 7 pieds j doctorants, avec de la diversité à la fois dans les parcours, dans les genres, dans les dans les nationalités. 

– Marc — 00:58 :

 Ok alors la data chez vous, à quoi ça sert et à quoi ça sert? 

– Alexis — 01:02 :

 Comme dans beaucoup d’entreprises, je pense que la data est présente partout chez lia. Moi je vois 3 gros axes où on utilise la data. Je vais essayer de faire ça dans l’ordre chronologique, dans notre manière d’opérer. Le premier, qui est pour identifier des opportunités d’investissement. Aujourd’hui, on a accès à des quantités de données incroyables partout sur Internet et en fait avec l’aide de ces données, on va pouvoir trouver des opportunités d’investissement. Il y a un 2ème endroit où on se sert de la data, c’est une fois qu’on fait l’investissement pour faire le suivi et le monitoring de ces sociétés dans lesquelles on a investi. Y a pas mal de data qu’on doit remonter, qu’on doit traquer et qu’on doit reporter à nos investisseurs et donc c’est là le 2ème niveau, intervient la data. Et le 3ème, c’est un outil propriétaire qu’on a développé chez Elia qui est un outil d’aide à la prise de décision. Donc c’est un modèle qu’on a créé nous-mêmes parce qu’en fait, Xavier, comme j’ai dit, il a fait une thèse en maths et donc il avait pas mal réfléchi à ça et qui nous en interne, nous aide à arbitrer et à simuler des portefeuilles. 

– Marc — 01:54 :

 C’est à dire arbitrer, simuler. 

– Alexis — 01:56 :

 En gros, sans trop rentrer dans le détail, l’idée c’est de faire des simulations de Monte-Carlo pour comprendre comment les portefeuilles. Se comporte. 

– Marc — 02:04 :

 D’accord alors sur le premier usage, identifier les opportunités d’investissement la source, c’est internet, la data pour le 2ème suivi monitoring des boîtes en portefeuille la. Comment est-ce que vous vous Obtenez de la donnée sur des entreprises qui sont trop petites pour avoir des obligations de publication comme les sociétés cotées en bourse? Hein, comment vous Obtenez une donnée? 

– Alexis — 02:26 :

 Heureusement qu’on demande pas le même niveau. Effectivement, on n’a pas la même exigence que pour des petites sociétés privées de 3 personnes que pour des grandes boîtes de côté. Je pense que sinon les CFO des les directeurs financiers, des nos participations nous détesteraient, on essaie d’avoir un niveau d’information qui soit à la fois quantitatif et qualitatif, donc sur la partie quantitative c’est des informations qu’on remonte à peu près une fois par trimestre. Sur à la fois le business de la boîte où est-ce qu’elle a en termes de cache le nombre de personnes qu’il a recrutées? Donc ça c’est des métriques très génériques et puis après on essaie aussi d’avoir des métriques plus spécifiques qui sont spécifiques à la boîte. À son stade de développement. Et enfin on remonte aussi des données de manière moins régulière, mais on a un devoir vis-à-vis de nos investisseurs de le faire sur tous les données E g. 

– Marc — 03:06 :

 D’accord alors sur le 3ème usage, celui de la prise de décision avec des modèles internes, et cetera. Le de Monte Carlo. Vos hypothèses là-dessus c’est des hypothèses de secteurs. Qu’est-ce que vous simulez exactement? 

– Alexis — 03:18 :

 Là-dedans, c’est à la fois des hypothèses, effectivement. Internes et baquet sur des datas de marché externe l’idée, c’est un peu. Chacun essaie d’avoir ses propres prévisions, on essaye de prendre de la donnée externe qui est de la donnée à la fois sur des sociétés publiques, sur des benchmarks un peu privés, pour essayer de comprendre comment les boites vont se comporter et donc bah comme toujours dans le monde de la finance, ça a commencé sur un modèle Excel. Je sais pas si tu connais le le même avec Prométhée qui porte le monde et en fait c’est le monde représente effectivement tout le monde de la finance et promettez c’est Excel et donc Excel. On se rend compte que ça porte énormément de choses dans le monde de la finance

Marc

 incontournable hein? 

– Alexis — 03:55 :

 Le le grand, incontournable. Et donc c’est on a commencé à à bosser là-dessus et donc justement pour la petite anecdote c’est des scénarios. On essaie d’avoir plusieurs milliers voire centaines de milliers, voire des millions de scénarios. Et bah on a découvert qu’Excel avait une limite et donc il y a plus de 16000 colonnes sur Excel et en fait on peut pas aller au-delà et on a aussi découvert que c’était comme ça que les autorités de santé en Angleterre avaient découvert les limites d’El au moment du COVID ou il reportait les cas de COVID. En fait il pouvait pas aller au-delà de 16000 colonnes depuis non, on a eu à peu près le même problème et donc au moment où on est passé à l’étape d’après. C’est là où on s’est dit Bon bah Excel c’est bien, c’est bien pour bootstrapper, mais derrière il faut qu’on ait un peu plus de puissance de calcul et donc c’est là où on a commencé à faire un peu plus d’algorithmes pour développer notre notre outil. 

Marc – D’accord, alors, la data c’est gérée par qui c’est la responsabilité de qui on va dire chez vous c’est une responsabilité partagée. 

Chez Laya, on est un fonds d’investissement, on n’est pas une boîte tech au même titre qu’on investit dans des boites tech, on adoré la tech, mais on n’a pas vocation à développer un énorme produit interne avec une équipe de distanciation. Liste 20 data ingénieurs et 30 data Analyst. Donc ce qui fait qu’aujourd’hui il y a plutôt une responsabilité partagée entre les différentes business units? Délia, si je dois retourner un peu dans le passé sur ces histoires de data, quand est-ce que ça a commencé ça, toujours ces histoires de modèle Excel de remonter de la donnée, ça existe depuis toujours, mais le moment où on a commencé à vraiment accélérer, je pense. Les premières réflexions de 2019 et c’est à l’occasion du confinement où on avait un peu plus de temps libre sur certains sujets, on a beaucoup accéléré, passé pas mal de temps. Là-dessus, ce qui fait qu’aujourd’hui donc pas de personnes qui soient à 100 % dessus mais plutôt cette personne au sein d’elias qui consacre sérieusement du vous êtes une entreprise, mais vous investissez surtout dans des entreprises et à ce titre. Qu’est-ce que vous Regardez quand vous cherchez à investir? Qu’est-ce que vous Regardez dans une boîte tech, côté de data? 

– Alexis — 05:48 :

 Ouais effectivement et là on est une boîte qui cherche à automatiser des processus avec l’aide de la data, prendre des meilleures décisions. Mais on est avant tout un fonds d’investissement qui investissent à la tech et bien évidemment la data. C’est un sujet crucial là-dedans, donc on commence à avoir pas mal d’expériences et on essaie de développer des cadres d’analyse qui soient reproductibles. Donc il y a des cadres qui sont très spécifiques au monde de l’investissement, donc on va regarder l’équipe, on va regarder la taille de marché, on va regarder le modèle économique associé, l’attraction de la boîte. Et on développé aussi des cadres d’analyse qui sont plutôt spécialisés sur le monde de la data. Donc là ça va être typiquement comprendre l’architecture de la data, quels sont les flux de données, quels sont les processus mis en place, quels sont-ils, les outils, quels sont les processus de continuité d’activité? Voilà donc, comme on construirait un projet interne sur la data, on se rend compte que les entrepreneurs et les entrepreneurs ont les mêmes questions quand ils construisent leur propre boîte tech et donc finalement le le cadre de questions qu’on se pose en interne. On peut tout à fait le réutiliser dans le cas d’investissement dans des boîtes spécialisées sur la data. 

– Marc — 06:47 :

 Alors comment on juge une boîte sur sa maturité data de l’extérieur? 

– Alexis — 06:51 :

 Fin, une bonne question sur laquelle il est pas évident de répondre. Ce qu’on essaie de faire, c’est d’avoir des analyses à plusieurs niveaux. Il y a une analyse de premier niveau qui est fait par l’équipe délaya. On en parlera peut-être plus tard, mais nous, chez Lydia, on adoré la tech et donc ça nous fait pas peur. On aime bien se taper un peu la tête contre le mur, perdre les cheveux pour essayer de comprendre comment les choses sont faites et donc on a des personnes en interne, donc ce que disait dans la diversité il y a des PHDYA des gens qui aussi plutôt des compétences business. Il y a en ordre de grandeur 1/3 des personnes qui sont plutôt des anciennes entrepreneurs, 1/3 Business finance et 1/3 avec l’expérience tech scientifique et donc on va aller avoir des discussions avec les City o avec les personnes en charge de la tech et de la data et ce qu’on va essayer de comprendre c’est la capacité à expliquer, c’est de pour des personnes qui sont très orientées data très tech. La capacité est de s’extraire de leur problématique technique uniquement pour expliquer une vision business et non seulement la vision court terme mais nous ce qui nous intéressé les investisseurs long terme. Donc on va essayer de comprendre. La roadmap, donc ça c’est le premier niveau et en 2ème niveau on fait appel à des externes qui sont experts du sujet qu’on va chercher dans notre réseau à la fois personnel ou les réseaux de l’ensemble des gens chez liens on passe pas mal de temps dans les labos et donc ce qui fait qu’on est souvent en discussion avec des chercheurs des meilleurs niveaux sur des sujets d’intelligence artificielle sur des sujets de gestion de la data, tout un ensemble de secteurs et on n’hésite pas à faire appel à eux parce qu’ils ont bien sûr une bien meilleure compréhension que nous sur les sujets tech. 

– Marc — 08:18 :

 Vous leur demandez une diligence? Technique de l’entreprise dans laquelle vous voulez investir. 

– Alexis — 08:22 :

 Exactement. Le but c’est pas non plus qu’ils ouvre tout le code et qui fasse une relecture Lina line, mais plutôt qui comprenne? La structure du produit, comment la tech a été construite, quelles sont ses forces, quelles sont les faiblesses? 

– Marc — 08:35 :

 Quels sont les bons et les mauvais signaux dans une entreprise tech côté data? 

– Alexis — 08:39 :

 Je dirais que du côté des bons signaux, y avoir une expérience préalable dans l’industrie, c’est évidemment pas un truc qui est obligatoire, mais ça aide. Moi j’aime beaucoup parce qu’on investit beaucoup dans les boîtes B to B, donc qui vendent à des entreprises. Et déjà d’avoir une expérience, un réseau, ça permet au sujet de data d’aller un peu plus vite. Ensuite, si un sujet est vraiment Deep tech pour nous avoir quelqu’un dans l’équipe et surtout dans l’équipe fondatrice qui a fait une thèse sur le sujet, c’est primordial. Parce qu’on est sur des sujets tellement poussés que si la personne n’a pas passé du temps à intellectualiser le problème, à essayer de trouver des solutions, on arrivera sur ce que moi j’appelle plutôt des projets d’exécution où l’intensité technologique n’est pas l’atout numéro un, et c’est complètement valable aussi dans la data, mais dans la Deep tech, ça ne marche pas. Ensuite, les bons signaux, c’est la capacité à évaluer un business. Ce que je vois pas mal, inversement, en mauvais signal. Le corollaire, c’est avoir des gens tech qui résolvent des problèmes uniquement pour des tech et sur la partie data. Ils ont l’impression que c’est un énorme problème alors qu’en fait c’est un petit problème pour un petit nombre de personnes qui ne va pas payer très cher et ça, ça fait sans doute des très  belles PME innovantes, mais c’est malheureusement pas des modèles qui   sont compatibles avec le modèle du venture capital qui cherche de l’hyper croissance sur des marchés en milliards, voire en dizaines de milliards sur la partie data et en plus particulièrement sur la partie machine learning.Moi ce que j’essaie de regarder aussi, c’est sur quelle base de données ils ont fait leur entraînement. Est-ce que c’est une base de données propriétaire privée? Est-ce que c’est une base de données publiques? Mais enfin, le dernier point, je regarde, c’est l’intégration au workflow existant. Si c’est juste pour créer une petite brique technologique qui va s’insérer dans une grande proposition de valeur à la fin, la valeur de la brique technologique  sera minuscule et on arrivera pas à avoir une très grande valeur pour cette société. Inversement, si la brique technologique est intégrée dans un workflow et prend de plus en plus de valeur au sein de la Stack, là ça devient intéressant dans les mauvais signaux qu’on peut avoir sur la partie data. Il y a une partie qui est sur l’externalisation de la R et D une fois de plus. C’est pas un Red Flag définitif mais c’est un signal faible, on se dit, est-ce que c’est vraiment une boîte tech? Est-ce que c’est vraiment une boîte avec des fondateurs et des fondatrices qui vont être capables de comprendre de skyler toute la tête, sachant qu’elle est externalisée? Y a un autre point, les profils qu’ils ont pas trop tendance à être dans l’acte du marketing de lovell. Et quand je vois un City ou une City o qui arrive et et qui a des très grandes ambitions et qui vend beaucoup trop, ça m’inquiète. C’est un, c’est un profil de CTO qui est pas dans le profil type du CTO Voilà, et donc j’ai peut-être des biais de de sélection là-dessus à prendre des sites iOS. Au profil timide mais si on est trop dans un acte d’overkill, j’ai du mal à y croire. 

– Marc — 11:17 :

 Donc, lovell, c’est y a trop vendu par rapport à ce qui peut délivrer. 

– Alexis — 11:20 :

 Exactement. C’est, c’est bien de montrer l’ambition, il faut de l’ambition parce qu’on est là pour investir dans des boîtes qui vont devenir des leaders mondiaux. Et si on a pas de l’ambition dès le début, il y a peu de chances que ça se passe pour donner un exemple précis sur un type de performance, sur un algo de machine learning, on va regarder la sensibilité et là spécificité, si ces 2 métriques sont à 100 % c’est littéralement impossible. Ça veut dire que la personne en charge. Du développement de l’algorithme à over fêter son modèle il a fait sur un sous cas d’ensemble et sur lequel effectivement il y a une performance exceptionnelle mais qui sera pas capable de généraliser et donc on arrive sur les trop petits problèmes. Et enfin le dernier point, c’est en termes de mauvais signal. Les gens qui ne comprennent pas les barrières réglementaires, la donnée. On arrive très vite sur les sujets sensibles, en particulier dans le milieu médical, au milieu finance et donc c’est une manière spéciale de l’analyser, de la collecter, de la traiter. Et ça, si les l’architecture technique depuis le début de la société. Ne sont pas capables de prendre en compte ces contraintes, ça laisse souvent une dette technique dans le futur. 

– Marc — 12:22 :

 Alors pour une entreprise tech, généralement dans quel cas est ce que les les profils des fondateurs doivent absolument avoir une formation data machine learning? 

– Alexis — 12:30 :

 Je pense que pour Elia, c’est assez particulier, je dirais dans 100 % des cas, on a vocation à investir dans la tech. Et si dans l’équipe fondatrice y a pas une fondatrice ou un fondateur qui a un background tech, ça va être extrêmement compliqué. Alors après temps en temps, il peut y avoir des gens qui apprennent sur le tard, qui apprennent de même, mais c’est, c’est jamais bon signe et donc on a un gros biais où on préfère avoir trop de profils tech. Plus de profils business. 

– Marc — 12:54 :

 Quelles sont les tendances que vous observez aujourd’hui? 

– Alexis — 12:57 :

 Dans le monde de la data, je pense que la tendance de fond, elle est incroyable dans la data science, on est vraiment aux prémices. On voit aujourd’hui que la date est en train de devenir de plus en plus pervasive. Elle commence à intégrer tous les business models. Y a pas une boîte aujourd’hui que je vois en pitch qui me dit pas le mot data ou de donner à un moment du pitch et pour autant il y a encore tout à créer le marché. Il est très jeune, on manque encore de maturité. Je regardais sur LinkedIn tout à l’heure, il y a 200000 personnes qui s’annoncent comme Data Scientist sur LinkedIn, c’est à la fois énorme mais tout petit quand on y réfléchit, 200000 data Scientist c’est juste. 2 fois, le nombre d’employés chez Facebook et ça, c’est la population mondiale des data Scientists, donc y a encore tout à faire. Y a déjà une tech que j’appellerais, désolée pour le terme facile qui a été créé dans les dernières années, et là on arrive sur une tech beaucoup plus compliquée avec la data science et nous c’est vraiment ce qu’on aime chez Lydia, c’est creuser ces sujets compliqués. Et si on regarde un peu sur la partie future, ma conviction c’est que la data science va beaucoup simplifier au même titre que si on regarde des différentes vagues ou plutôt des tendances de fond sur comment la tech. À imprégner tout le monde du business et en particulier, on revient sur les modèles internet en quatre-vingt-dix-huit 2000 Internet, c’était juste pour un petit nombre de personnes et c’était des geeks. Et puis après les gens du business en sont emparés et là il y a commencé à avoir une énorme vague pareil dans les années 2010 Au début, tout ce qui était réseaux sociaux, c’était pour un tout petit nombre de gens. Et puis après les gens du business en sont à Paris et je pense qu’aujourd’hui on est à ce point d’inflexion dans le monde de la data science ou c’est énormément un sujet de tech Data Scientist, Data Analyst, Data Ingénieure, mais on commence à être au point de bascule. Ou c’est justement des profils plus business qui vont entrer dans ce marché et qui va exploser. 

– Marc — 14:35 :

 Sur quel créneau est-ce que vous avez vu trop de bois de se positionner aujourd’hui? 

– Alexis — 14:39 :

 Y a jamais trop de boîtes, moi, j’adore l’innovation, j’adore rencontrer des entrepreneurs et des entrepreneurs qui sont passionnés par le métier, donc c’est pas trop de boîtes. Mais on constate toujours ces vagues comme tu dis y a d’un côté les tendances de fond qui sont des lames de fond qui font avancer. Et puis y a des petites tendances par-dessus des petites vagues. Et en fait, si on regarde moi y en a une que j’ai eu y a pas longtemps qui était le déploiement d’infra sur le cloud et en gros c’était historiquement des gens qui faisaient du Conseil, qui déploient de l’infra sur le cloud. Outil de client? Et puis, ils ont commencé à productifs leurs services et derrière, il commence à le vendre et je sais pas pourquoi, c’est des vagues qui arrivent dans le temps et en l’espace de 3 mois j’ai dû voir 5-6 sociétés faire ça ou une autre. Ah qui est complètement d’actualité, c’est tout ce qui est sur générative I Ben je pense que t’as entendu parler du nouveau chat GPT où tout le monde fait ses petits tests. En fait, si on prend un peu de recul et on utilise le cadre d’analyse du cycle de hype de Gartner, c’est normal, on revient en deux mille dix sept y a une énorme hype sur le monde du Chatbot tout le monde. Nous laissons Chabot et pour autant de cette époque, quelle boîte a survécu, est devenu un mastodonte du chatbot. J’en connais peu et derrière, ça a été là désillusion et aujourd’hui, on arrive sur le plateau de la productivité parce que là tech s’est améliorée aujourd’hui, les performances de chat GP elles sont incroyables, elles sont encore améliorables et il y aura encore toujours des choses à faire. Et pour moi, on n’a pas encore dépassé le test de turing, mais on a fait un saut quantique en termes de productivité tech et en plus y a une partie des gens du monde du business. Qui a été une première fois sensibiliser à ça, qui a été déçue, mais qui maintenant voit vraiment la proposition de valeur, ou un un dernier exemple de de vague, mais qui peut être moins sur le monde de la data? C’est l’One Click paiement, c’est donc la capacité pour n’importe quel e commerçant de proposer du paiement en un clic. Et cette vague, elle a explosé en 2019 pour une raison assez simple, l’inventaire du One click paiement, c’était Amazon qui a déposé un brevet en 1999 La durée des brevets, c’est 20 ans, 2019 le brevet tombe et là tout le monde se jette dessus. 

– Marc — 16:38 :

 Et alors, c’est vagues. C’est plutôt une de bonne augure, une mauvaise augure quand vous voulez investir le fait d’appartenir à une vague. 

– Alexis — 16:45 :

 On essaye de prendre du positif quand on décide de faire des vagues, ça veut dire que à très court terme, la boîte va être capable de recruter. Elle va être capable d’attirer des capitaux. Elle va être capable d’attirer l’attention des médias parce que c’est des sujets de type, mais nous, on est là pour bâtir des tendances long terme et donc quand on investit souvent, on revend les boîtes 5 à 8 ans plus tard, donc il faut qu’on soit capable de dire, est-ce que la tendance sur laquelle j’investis c’est une tendance long terme où court terme? Et auquel cas c’est pas les méthodes d’investissement qu’on fait, on essaie de faire des plans beaucoup plus portées par l’exécution où il faut que la boîte exécuté dans un temps très court et donc c’est des contraintes énormes pour les fondateurs et les fondatrices ou inversement. On essaie d’avoir des tendances plus long terme qui sont moins de la hype, mais sur des sujets de fond auxquels on croit. 

– Marc — 17:27 :

 Et alors au contraire, quels sont les sujets sur lesquels il y a pas assez de monde, pas assez de boîtes et qui sont les sujets à prendre selon toi? 

– Alexis — 17:34 :

 Un des sujets que j’aime beaucoup parce qu’il est complètement prospectif d’un point de vue business, c’est surtout ce que l’ordinateur quantique. On sait que ça existe sur la science. Aujourd’hui, on a la phase de la technologie. Typiquement, on investit dans une société qui s’appelle Alice et Bob qui cherche à développer des cubes stables, mais tout ce qui est dans la stack au-dessus, tout ce qui est la partie Software, c’est en cours de développement. Pourquoi c’est en cours de développement? Parce que la partie sous-jacente la partie hardware, elle est pas encore scalable. Aujourd’hui, elle va être dans les quelques prochaines années et là on va développer des nouveaux cas d’usage auxquels on a même pas idée aujourd’hui. Donc je trouve ça ultra excitant. C’est un énorme pari technologique parce que si ça se trouve l’ordinateur quantique, il sortira pas l’année prochaine, mais il sortira dans 5 ans et donc il faudra que les sociétés qui développent du Software ordinateur quantique soient capables de survivre 50 plus. Mais s’il y a beaucoup de risques, c’est qu’il y a potentiellement un énorme rendement. 

– Marc — 18:23 :

 Quand il y a une Judy Legends technique qui est faite sur une entreprise dans laquelle vous voulez investir, est-ce qu’on peut aller dans le détail pour bien comprendre en quoi ça consiste, jusqu’où vous allez dans la, je dirais la profondeur de l’investigation. Concrètement, ça consiste en quoi moi, 

– Alexis — 18:39 :

 Ce que j’aime bien faire, c’est m’asseoir à côté de la City ou du City O et comprendre le chemin qu’ils ont pris pour construire leurs produits et donc ce que je fais. C’est, je reprends tout simplement le schéma des flux de données, comprendre d’où vient la donnée. Quelles étaient les workflow avant où est-ce qu’on envoie cette donnée? Comment est-ce qu’on la transforme, comment est-ce qu’on la stocké, où est-ce qu’on l’envoie ensuite à qui allait exploser? Et donc c’est vraiment d’avoir cette compréhension fine sur l’utilisation de la donnée, et c’est pas simplement d’un point de vue technique. Il y a évidemment la technique, c’est la base, mais derrière il faut avoir une vision business parce que j’ai trouvé les meilleurs sites du monde qui avaient développé la technologie la plus poussée. Pour autant, il y avait aucun use case business derrière, et donc ça c’est un problème. 

– Marc — 19:25 :

 Est-ce que vous vous occupez du RGPD en tant qu investisseur? 

– Alexis — 19:28 :

 On peut pas passer à côté du RGPD évidemment, toutes les sociétés doivent traiter cette problématique là particularité chez laya. Comme je le disais, on investit plutôt dans des boîtes B to B et donc qui détiennent des données sur les entreprises. Si on était sur des boîtes B to c qui vendent des consommateurs, les réglementations sont beaucoup plus fortes. Toujours est-il que maintenant, dans l’ensemble de nos dirigeants, on demande toujours un auditeur, GPD alors on a envie peut-être d’entendre une belle et une mauvaise histoire d’une belle et une moins belle histoire de. D’investissement est ce que peut être, tu peux commencer par la mauvaise, qu’est-ce que t’as en tête d’investissement qui s’est mal passé, d’entreprise dans lequel? 

– Alexis — 20:06 :

 C’est, c’est une un investissement qui date un peu dans une société à Toulouse, qui s’appelait Synode et en gros pour faire simple ce qu’elle faisait, c’était du stockage sur des disques durs qui étaient non utilisés, donc optimisation de l’espace de stockage. Et au moment où on a réinvesti, on a fait le choix de pousser la société à aller s’implanter aux US parce que c’était là où était le marché. Et la réalité, c’est que la société n’était pas assez mûre pour ça et donc nous ce qu’on a appris là-dessus, c’est que les US très souvent dans le monde de la data, c’est un marché indispensable. Il faut passer par là, mais il faut passer au bon moment, il faut pas y passer trop tôt, il faut pas y passer trop tard et surtout, il faut avoir assez de moyens et des bonnes personnes. 

– Marc — 20:46 :

 Et alors une belle histoire. 

– Alexis — 20:48 :

 Une belle histoire que j’aime beaucoup. C’est une société basée à Montpellier qui s’appelle 6 Manucure, qui est dans le monde de la santé et qui fait un logiciel d’optimisation pour la pose de stent dans le cerveau. Et là tu vas me dire Bah Alexis, c’est quoi le rapport avec le monde de la data en fait? Ça fait aussi partie d’et je te parlais tout à l’heure à quel point on allait profonds dans les dudit gence. Typiquement pour cette boîte avec Samantha la Partner, on est allé à Montpellier, on est allé dans la salle d’opération et on a vu un médecin utiliser le Software et comme ça on a vraiment compris comment le logiciel, s’intégrer dans les processus existants et en fait, au fur et à mesure, la boîte a connu un succès phénoménal et elle a fait de plus en plus de simulations de postes de cas. Et donc c’était des médecins qui simulaient la pose d’un stent et en fait au fur et à mesure, la société a commencé à créer une base de données qui était une base de données extrêmement qualifiée aujourd’hui, avec plus de 10000 cas patients. En fait, elle est assise sur une mine d’or et là on est dans l’étape ultra intéressante, je trouve, on va pouvoir utiliser de la data qui a été qualifiée privée propriétaire. Pour en faire un algorithme de Deep learning pour plus simplement simuler la pose, mais pour faire un outil d’aide à la décision en disant voilà le meilleur stunt à poser salon moi. 

– Marc — 22:01 :

 Du côté des investissements que vous auriez pu faire et que vous n’avez pas fait, si on veut regarder un seul à quoi tu penses? 

– Alexis — 22:09 :

 Tous les visions un anti portefeuille on est super fiers de tous les investissements qu’on a faits, y a évidemment plein qu’on aurait aimé faire et je pense data COM Ouais dans le monde de la data en investissement, quand on aime faire. 

– Marc — 22:20 :

 Pourquoi est-ce que vous êtes passé à côté et pourquoi est ce qu’aujourd’hui tu regrettes? 

– Alexis — 22:25 :

 Sans trop rentrer dans les détails, c’était pour des obscures techniques internes. Et aujourd’hui, pourquoi? Je regrette? Parce que c’est une boîte formidable, c’est une boîte française qui a réussi à internationaliser, à monter une équipe à New York et partout dans le monde, et qui est le leader mondial sur des sujets de data Science. 

– Marc — 22:41 :

 Un conseil pour ceux qui veulent monter une boîte où veulent lever des fonds auprès des Mayas, peut-être? 

– Alexis — 22:46 :

 Je pense que c’est paradoxalement le meilleur moment pour monter une boîte aujourd’hui et se lancer l’entrepreneuriat pour une raison assez simple, le contexte macroéconomique sur les 2 prochaines années risque d’être très compliqué. Et donc il va être compliqué de vendre inversement les premières années pour un entrepreneur et je pense que tu sais mieux que personne. C’est le moment où on développe son produit, c’est le moment. On va tester ses clients, on va essayer de comprendre leur pain et justement ils auront un peu plus de temps. Les clients pour essayer d’y a de plus en plus de solutions et nous ces post-crise c’est en 2012 qu’on a investi dans nos licornes. Aujourd’hui Shift Technology et miracle, et on était bien content d’avoir continué à investir à cette époque parce que c’est là où on a trouvé les meilleures opportunités. 

– Marc — 23:26 :

 Alors sur la data interne, qu’est ce que vous faites pour collecter et gérer toute votre data?  Et pour quel usage? 

– Alexis — 23:30 :

Pour revenir sur le, le premier cas d’usage dont je te parlais sur identifier des opportunités d’investissement, on est pragmatique, on n’a pas de data Scientist comme je le disais, on n’a pas de ressources dédiées, donc on essaie de prendre des outils, nos codes, le code, donc comment ça se passe? En fait, on a des petits scrappers qui vont choper de la donnée sur crunch, basé sur LinkedIn, qui vont abreuver une base de données dans R table là-dessus sur lequel on a mis en place. Les petits fils très simples et par-dessus lequel on fait un travail de curation manuelle et les boîtes qui passent. Un certain seuil sont envoyées ensuite dans notre CRM Et là, ça devient de nouveau un processus humain. Et en fait, quand il réfléchit, ça ressemble un peu à un processus sels où il va falloir trouver le plus de livres possible, faire du lit, scoring et cetera. Avec une particularité, quand je suis cells, mon but c’est de Closer. Le plus de temps possible. Alors que moi, quand je suis investisseur, c’est d’en faire le moins possible ou tout du moins de faire, il est meilleur. On reçoit 3000 opportunités d’investissement chez Lia et à la fin on investit entre 10 et 15 par an donc c’est des taux de sélectivité qui sont très très très très faibles et donc faut qu’on ait la capacité, avec de la data à automatiser tous nos processus pour pouvoir passer 99 % du temps sur le 1 % des boîtes qui compte. Sur notre 2ème usage sur collecter de la donnée sur faire du portfolio monitoring, on utilise un outil qui s’appelle High level, développé par h Market et donc qui est une sorte de grosse base de données internes avec des petits plugins sur Excel. Et c’est les entrepreneurs et les directeurs et directrices financiers qui vont abreuver cette base de données avec un envoi par mail de manière trimestrielle et donc l’usage qu’on fait de cette donnée. On concatène cette information donc ça nous donne des informations assez intéressantes sur comment se comporte notre portefeuille. Au niveau global, quelle est l’évolution de chiffre d’affaires de chacune des boîtes? Est-ce qu’on peut remarquer des tendances de fond dans certaines industries en termes de recrutement et ce qu’on voit qu’il y a des boîtes qui ont un peu plus de mal à recruter et ça nous permet aussi d’abreuver nos analyses. Quand on investit dans les nouvelles boîtes parce qu’on a un benchmark de données internes contre lequel on peut comparer les nouvelles sociétés dans lesquelles on investit. 

– Marc — 25:36 :

 Vous êtes un peu confronté à des changements du monde? Enfin, le fait que les données évoluent de par le parce que le monde évolue, quoi c’est complètement une des limites qu’on a dans l’usage de la data dans le milieu de vie. Notre code d’investissement c’est sûr des boîtes Hurley stage, qu’est-ce que ça veut dire? C’est des boîtes qui sont extrêmement jeunes, qui ont peu d’informations sur internet. Les informations sont rarement fraîches, elles pivotent toutes les semaines, donc savoir qu’elle, la bonne information. Et donc on a des informations qui sont pas à jour, donc c’est extrêmement dur de qualifier exactement quelles sont les bonnes lois dans lesquelles investir. Parce que selon le bon vieux proverbe shit in shit out. Et l’autre point, c’est ce que tu disais, on investit dans des tendances très long terme et donc Regardez des signaux passés pour essayer de prédire des tendances long terme. Ça marche pas toujours, on est là pour investir dans les tendances de demain et bien malin celui qui arrivera à prédire les tendances de demain. Le dernier point, c’est que sur les identifications d’opportunité d’investissement. Tous les vices. On peut ou prou le même processus, ont les mêmes sources de données et en fait ce dont on se rend compte, c’est qu’à la fin, on arrive tous sur les mêmes profils d’entrepreneurs et donc il y a un énorme biais. Y a un côté très positif pour les entrepreneurs qui arrivent à être dans ce petit scoop dans lequel tout le monde regarde, qui est très compétitif. Mais inversement, ça veut dire que pour tous ceux qui sont pas dans le sweet spot de la plupart de ces fonds, ça va être compliqué de lever et pour autant, c’est au moment où on est contrariant qu’on a réussi à faire les meilleurs investissements, donc il faut à la fois qu’on soit capable d’utiliser de la donnée pour essayer de qualifier des opportunités d’investissement qu’on aurait raté sinon, mais qu’on regarde une certaine indépendance d’esprit, un grain de folie qui nous permettra de faire des bons investissements. 

– Marc — 27:07 :

 Est-ce que t’as un souvenir dans lequel la data était Game changer pour investir? 

– Alexis — 27:13 :

 Ouais, il y en a un ou en fait c’est pas la data uniquement, c’est un mélange de data et d’humains et c’est pour ça que j’aime bien donner cet exemple. C’est un investissement dans une des sociétés qui s’appelle old qui était une société espagnole. On a investi en série B Donc il se trouve avec notre processus d’identification d’opportunité. On a un signal faible qui est sorti sur cette start-up. On a un 2ème signal faible qui est sorti sur ce statut donc on avait 2 signaux faibles qui sont remontés grâce à notre pipeline de data. Et en plus on a une qualification humaine par ailleurs qui nous disait que c’était un bon investissement et moi là, c’est là où je me dis, la data, c’est incroyable. Si on avait dû se reposer uniquement sur l’humain, en fait l’information, elle est passée à la trappe. On n’aurait pas activé le deal et là on a eu des signaux faibles qui provenaient d’un processus automatisé qui a été qualifié par un humain et là c’est le combo gagnant. On a investi et ça a été un très bon investissement pour lire. 

– Marc — 28:05 :

 Le signal faible tu parles de quel genre de signal? 

– Alexis — 28:07 :

 Ça peut être le temps. Depuis le dernier tour d’investissement. Ça peut être la croissance du nombre d’employés, ça peut être le nombre d’abonnements sur des réseaux sociaux, des visites sur des sites web de nombre de postes de recrutement. Sur Welcome to jungle ou sur d’autres sites, tout un ensemble de petits signaux faibles où on essaye de mis bout à bout d’avoir une information qualifiée. 

– Marc — 28:25 :

 D’accord, vous mettez un peu en relation tous ces indicateurs et vous mettez des sortes de seuils au-delà desquels il y a une alerte clip quelque part et qui vous dit attention, cette boîte, il faut. 

– Alexis — 28:35 :

 Le regarder exactement? Après, il y a la théorie et la pratique. Là je te présente pas mal de théories. On a l’impression que tout est automatisé, tout marche bien. Dans la pratique, il y a encore beaucoup de travail qui est là. 

– Marc — 28:45 :

 Alors, est-ce que vous avez des projets de machine learning à utiliser vous-même pour votre usage? 

– Alexis — 28:51 :

 J’adorais qu’on fasse du machine learning parce que je vois des vrais usagés en interne. On pourrait faire ça, mais une manière pragmatique. Aujourd’hui, on n’a pas les ressources et c’est pas prioritaire dans notre MAP si on décide de faire ça, je pense qu’il y a tout un ensemble de questions auxquelles on doit s’atteler en particulier sur la confidentialité des données, sur le type d’algorithme qu’on veut utiliser, sur la l’actualisation de nos modèles, sur comment est-ce qu’on les passe en production? Et aujourd’hui, je pense qu’on est pas encore assez mature pour faire ça. 

– Marc — 29:19 :

 Si c’était à refaire ces 5 années chez laya, qu’est-ce que tu changerais? 

– Alexis — 29:25 :

 Sur la partie data, on a été très ambitieux, voire trop ambitieux à un moment, on avait fixé des objectifs qui étaient inatteignables et je pense que si je devrais changer quelque chose, je découperais le problème en problème de plus petite entité, des problèmes plus simples, plus petits, plus faciles à résoudre dans le temps sur lequel on est capable de mesurer des achievements à plus court terme, plutôt qu’avoir un énorme projet sur lequel on a l’impression de pas avancer. 

– Marc — 29:48 :

 Pour conclure un mot sur le futur délaya. 

– Alexis — 29:50 :

 Je pense qu’on est dans une période pivot, je suis arrivé dans la société, on était 10 aujourd’hui, on est une quarantaine. Et on va rentrer dans un contexte macroéconomique particulier qui va être fait à la fois d’opportunités mais énormément de risques. Et ça tombe bien, on fait du capital risque et on est là pour prendre du risque. 

– Marc — 30:06 :

 Merci Alexis. 

– Alexis — 30:07 :

 Merci Marc. 

– Alexis — 30:08 :

 Vous venez d’entendre Alexis? Friends Investment Manager chez Elia, sur Data-driven One One, merci d’avoir écouté. Si vous avez aimé et que vous voulez nous soutenir, n’hésitez pas à vous abonner à la chaîne, à liker et à partager.