Joris CayreForward Deployed Engineer, ingénieur IA freelanceRéserver 30 min

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

Schéma fonctionnel de La veille automatiséeSignauxDétectionScoringEnrichissementLivrableBodaccprocédures, cessionsPresse spécialiséeflux RSSPapperssignaux sociétéDétection, dédupscan toutes les 4 hScoring M&AClaude Haiku, note tiéréeFiche entreprisePappers : CA, dirigeantsContacts procascade SerpAPI, Hunter, Apollo, KasprSynthèseClaude SonnetAnalyste M&A

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 ?