Approche

La demande pour des investissements durables et responsables est en forte croissance depuis plusieurs années, tout comme la demande pour la notation Environnement, Social, Gouvernance (ESG). Les ratings ESG décrivent la conformité des pratiques des entreprises aux standards de durabilité tels que le Global Compact des Nations Unies ou la Global Reporting Initiative (GRI). Ils constituent un outil de gestion des risques et permettent de sélectionner les meilleures entreprises. Pour évaluer les pratiques des entreprises, Covalence utilise 50 critères inspirés des lignes directrices de reporting en durabilité GRI.

Les investisseurs ne veulent pas seulement connaître les pratiques des entreprises et leur degré de conformité aux critères ESG. Ils veulent aussi connaître l’impact des entreprises sur la société et l’environnement. Pour le Global Impact Investing Network (GIIN), l’investissement à impact est un investissement réalisé avec l’intention de générer un impact social ou environnemental mesurable ainsi qu’un rendement financier.

Alors qu’historiquement l’investissement à impact se focalisait sur les petites et moyenne entreprises privées, cette approche est de plus en plus adoptée à l’échelle des grandes entreprises cotées. Cela est en partie dû à l’influence des Objectifs de développement durable (ODD), qui appellent le secteur privé à développer des produits et services qui contribuent à résoudre les grands problèmes du monde. Pour évaluer l’impact des entreprises, Covalence se réfère donc aux ODD.

Un nombre croissant d’entreprises publient des indicateurs ESG. Ces indicateurs s’expriment en chiffres absolus (cf tonnes d’émissions de CO2), en ratios (cf % de femmes dans le Conseil d’administration) ou en termes booléens (existence d’une politique de santé & sécurité pour les fournisseurs : oui / non). Covalence acquiert ces données auprès de fournisseurs externes et les intègre à son système de notation propriétaire.

Les indicateurs ESG et ODD divulgués par les entreprises nous informent utilement sur les politiques, processus et engagements définis à l’échelle globale. Ils répondent à des demandes croissantes pour plus de transparence sur la façon dont une entreprise gère ses activités. Cependant, les données divulguées ne sont pas suffisantes pour produire une évaluation équilibrée. Il manque de données sur certains sujets. Les données disponibles sont hautement agrégées, couvrant principalement la performance globale et donnant peu d’indications sur les pratiques locales. Elles peuvent aussi être positivement biaisées, se focalisant sur les réussites et minimisant les problèmes. L’utilisation de données additionnelles provenant de sources tierces est donc nécessaire pour documenter la perception des parties prenantes et pour éclairer les situations locales.

Les parties prenantes telles que les ONG, gouvernements, syndicats et medias décrivent le rôle des entreprises en termes positifs et négatifs, générant ainsi des approbations et des controverses. Depuis 2001, Covalence est devenue spécialisée dans l’analyse semi-automatisée de ce contenu narratif. Cette expertise s’est concrétisée dans l’indice de réputation EthicalQuote qui a été plusieurs fois primé.

Nous utilisons des outils de collecte et de classification de données s’appuyant sur des techniques d’intelligence artificielle (apprentissage automatique, traitement du langage naturel) pour analyser ce contenu narratif. Ce processus est enrichi par des interventions humaines classifiant le contenu en termes de critères et de polarité (positive/négative). Notre équipe d’analystes vérifie à double les entrées proposées par le programme, assurant ainsi des standards élevés de curation. Seules les sources identifiées, publiques et disponibles en ligne sont considérées.

Aujourd’hui, la base de données de Covalence comprend un million de documents provenant de 50’000 sources différentes sur 6000 entreprises, qui ont été classifiées par plus de 600 analystes en collaboration avec une trentaine d’universités.

Cette base de données permet de renforcer l’usage de techniques d’apprentissage automatique (machine learning) avec l’aide de notre conseiller scientifique Prof. Patrick Ruch, un spécialiste du domaine, professeur à la Haute école de gestion de Genève. Le recours à des algorithmes de classification nous permet d’automatiser entièrement l’extraction et la pré-classification de l’information, y compris sur des éléments complexes comme la polarité – ou sentiment – et des critères multiples.