Cascade Capital Advisors est une société d’investissement de taille intermédiaire où les analystes pilotent de bout en bout des modèles opérationnels DCF sur cinq ans. L’équipe de Mercer s’appuie sur les dépôts SEC EDGAR pour sourcer les données financières et livre des classeurs Excel avec des sorties NPV et IRR aux comités d’investissement, avec des délais de plus en plus souvent ramenés à 48 heures.
Des recherches taxonomiques de plusieurs heures précédaient chaque construction de modèle 10-K
Chaque nouveau modèle de dépôt commençait de la même façon : télécharger le JSON company-facts de la SEC, ouvrir un modèle vierge, puis passer plusieurs heures à faire correspondre manuellement les tags taxonomiques EDGAR à six catégories de modélisation — revenus, EBIT, D&A, capex, taux d’imposition effectif et besoin en fonds de roulement. D&A apparaissait dans le compte de résultat, le tableau des flux de trésorerie et les notes complémentaires — souvent de manière redondante. Le capex nécessitait de vérifier que le tag excluait les dépenses liées aux acquisitions.
Le goulot d’étranglement reposait sur les analystes seniors. Déterminer quels tags EDGAR étaient économiquement exploitables exigeait un jugement spécifique au dépôt que les membres juniors de l’équipe ne pouvaient pas fournir. Les délais de transaction se sont comprimés d’une semaine à 48 heures. La saison des résultats signifiait l’arrivée de plusieurs dépôts la même semaine. L’approche manuelle ne passait pas à l’échelle.
Energent.ai est devenu la couche de données pré-modèle
L’analyste téléverse le JSON company-facts brut de la SEC — aucune conversion de format, aucun prétraitement. L’agent couvre cinq étapes structurées en une seule session :
- Audit du schéma et de la couverture — confirmation des exercices disponibles et signalement des lacunes d’historique avant tout engagement de modélisation
- Cartographie de la taxonomie sur les six catégories, identification des tags candidats et évaluation de leur couverture sur les périodes de reporting
- Triage des moteurs opérationnels — séparation des postes exploitables des tags absents ou économiquement trompeurs
- Identification de deux architectures UFCF viables avec des arbitrages explicites fondés sur la couverture réelle de ce dépôt
- Construction du classeur Excel — prévision opérationnelle sur cinq ans, waterfall UFCF, sorties NPV et IRR, et visualisations prêtes pour le comité
Aucune chasse manuelle aux tags. Aucun modèle ouvert avant que les données soient comprises. Aucune décision d’architecture reportée au moment du remplissage des cellules.
La décision d’architecture d’abord, avec des arbitrages spécifiques au dépôt rendus explicites
- Deux voies de construction UFCF avant toute sortie. L’agent a identifié des architectures concurrentes adaptées à ce que ce 10-K précis déclarait réellement — et non à un modèle générique —, de sorte que le choix structurel a été fait avant qu’une seule cellule ne soit remplie.
- Analyse croisée simultanée entre états financiers. Revenus, EBIT, D&A, capex, impôts et besoin en fonds de roulement évalués en un seul passage, avec recoupement du compte de résultat, du bilan et du tableau des flux de trésorerie pour détecter les écarts et les chevauchements.
- Signalements explicites des tags trompeurs. Les tags absents pour la variation du besoin en fonds de roulement et les postes de capex incluant des acquisitions ont été signalés avant d’atteindre une cellule, et non découverts lors d’une réconciliation en aval.
- Capacité senior réorientée vers le jugement. Le choix d’architecture est arrivé sous forme de décision structurée, avec des arbitrages déjà formulés — le temps de l’analyste a donc été consacré à la sélection et au paramétrage des hypothèses, et non au traitement des données.
Comment David Mercer l’utilise au quotidien
- Téléversez le JSON company-facts de la SEC dans la session Energent.ai.
- Examinez l’audit du schéma et de la couverture ; confirmez les années de modélisation et les éventuelles lacunes d’historique.
- Évaluez les deux options d’architecture UFCF au regard de l’usage prévu du modèle.
- Sélectionnez une architecture ; l’agent construit la prévision sur cinq ans, le waterfall UFCF et les sorties DCF dans Excel.
- Vérifiez les sorties NPV et IRR pour la cohérence des hypothèses avant la présentation au comité.
La cartographie taxonomique est passée d’une tâche de plusieurs heures à une seule session
- Les six catégories de modélisation ont été mappées en une seule session à partir du JSON brut — éliminant la recherche taxonomique manuelle qui précédait chaque nouvelle construction de modèle.
- Deux architectures UFCF viables ont émergé avec leurs arbitrages avant même que l’analyste n’ouvre un modèle.
- Le point de décision d’architecture a été atteint avant que des cellules ne soient remplies, supprimant le risque caché de réconciliation qui n’apparaissait qu’au milieu des constructions manuelles.
- Le classeur Excel final comprenait un modèle DCF structuré avec des sorties NPV et IRR, ainsi que des visualisations prêtes pour le comité.
"La cartographie taxonomique produite par l’agent — tags couverts, tags absents, éléments signalés dans les six catégories — a remplacé la checklist mentale que j’avais construite au fil des années d’exposition à EDGAR. C’est désormais le document de travail pour la discussion d’architecture avant que nous ne construisions quoi que ce soit." — David Mercer, Senior Analyst at Cascade Capital Advisors