Le coût du « suffisant » : Qu’est-ce que la gouvernance des données CRE et pourquoi est-elle importante aujourd’hui ?

La gouvernance des données dans l'immobilier commercial consiste à structurer, connecter et maintenir l'accès aux informations qui sous-tendent les décisions d'investissement d'une entreprise. Concrètement, cela signifie déterminer où se trouvent les modèles, les hypothèses et l'historique des transactions, et si ces données sont accessibles et exploitables par une équipe. Ce sujet est crucial aujourd'hui, car les portefeuilles sont devenus plus complexes, les décisions d'investissement sont soumises à un examen plus rigoureux, et aucun outil d'IA ne peut surpasser la qualité des données sous-jacentes.

Pourquoi la gouvernance des données CRE est-elle importante aujourd'hui ?

Trois conditions ont changé simultanément. Les portefeuilles ont gagné en taille et en complexité, les conditions de marché ont évolué plus rapidement que les processus manuels ne pouvaient suivre, et l'adoption de l'IA a fait de la qualité des données de base d'une entreprise la limite des performances de ces outils. Un système qui résistait dans un marché plus stable est désormais mis à rude épreuve par ces trois facteurs simultanément.

À mesure que les portefeuilles immobiliers commerciaux (CRE) s'étendent en taille et en complexité, les entreprises génèrent et accumulent des données à un rythme sans précédent. Pourtant, pour de nombreux propriétaires et exploitants, cet afflux massif d'informations est devenu davantage un fardeau qu'un atout. Pourquoi ? Parce que, sans structure ni contexte, plus de données signifie simplement plus de bruit, ce qui se traduit par des fichiers fragmentés, des modèles isolés et des systèmes disparates.

Des données propres et contextualisées constituent le socle indispensable à toute nouvelle capacité, y compris l'IA, l'analyse avancée et l'analyse comparative concurrentielle. « L'IA ne résout pas les problèmes de données, elle les amplifie », souligne Steve Bezner, vice-président exécutif des services clients et de l'accompagnement chez Groupe Altus. « Si vos données ne sont pas cohérentes, normalisées et organisées autour d'un modèle de données commun, l'IA ne fera que révéler plus rapidement des informations erronées. Les entreprises qui réussissent ne sont pas celles qui ont adopté l'IA le plus rapidement, mais celles qui ont d'abord structuré leurs données de manière optimale. »

Les entreprises qui considèrent l'organisation des données comme un investissement stratégique à l'échelle de l'entreprise plutôt que comme un projet informatique isolé sont celles qui sont le mieux placées pour prendre de l'avance.

Cette distinction est plus importante qu'il n'y paraît. Considérer l'organisation des données comme une responsabilité informatique implique un choix d'outils. La considérer comme un investissement à l'échelle de l'entreprise modifie la façon dont chaque modèle, hypothèse et résultat est enregistré, et c'est cet effet cumulatif qui se produit. Les entreprises qui appliquent déjà cette approche à Analyse des données CREIls tendent à arriver à la même conclusion : la qualité de l'analyse dépend toujours de la structure sur laquelle elle s'appuie.

Quel est le coût d'une mauvaise organisation des données pour les entreprises de l'immobilier commercial ?

Le coût visible se traduit par le temps consacré à la recherche de modèles, à la conciliation de chiffres divergents entre les systèmes et à la reconstitution d'un contexte jamais consigné par écrit. Le coût majeur réside dans les informations confidentielles déjà acquises par l'entreprise et inaccessibles. Des années d'hypothèses de taux de capitalisation, de décisions de financement et de résultats d'opérations sont archivées dans des fichiers plutôt que dans un système interrogeable ; de ce fait, aucune de ces informations n'éclaire la décision d'analyse de crédit en cours.

Historiquement, les sociétés immobilières commerciales ont contourné le problème de la désorganisation de leurs données grâce à une volonté farouche. Pendant des années, les processus manuels, les tableurs et rapports complexes, ainsi que la mémoire institutionnelle de quelques employés clés ont constitué des solutions intrinsèquement fragiles et « suffisantes ».

Mais lorsque la gouvernance des données se résume à un assemblage hétéroclite de solutions de fortune et de bricolages, elle échoue au test du « coup de pouce du bus ». Plus la solution de contournement est manuelle, plus l'entreprise dépend d'un groupe restreint de personnes possédant l'expertise nécessaire à sa maintenance. En fin de compte, la normalisation de ces solutions de contournement masque le coût réel de l'inaction face au problème de fond.

Ce schéma se retrouve dans la plupart des entreprises. Les modèles sont stockés sur des disques partagés portant le nom de l'analyste qui les a créés. Les hypothèses sont consignées dans des échanges de courriels. L'historique des transactions est relégué dans la mémoire de personnes qui ont peut-être quitté l'entreprise il y a des années. Une simple question sur une transaction passée se transforme en projet de recherche, car l'information n'a jamais été organisée autour de l'actif auquel elle se rapporte. La même dynamique se reproduit chez modélisation des acquisitions basée sur des tableurs, où le modèle est correct mais où rien autour de lui n'est traçable.

Ce manque de gouvernance structurée engendre des problèmes en cascade au sein de l'organisation :

• Le frottement que vous connaissez : Vos équipes consacrent des efforts considérables à la recherche de modèles et à la conciliation de données contradictoires. Répondre à des questions fondamentales (comme la validation des hypothèses formulées sur un actif il y a deux ans) se transforme en un projet fastidieux et peu fiable, engendrant des freins opérationnels et une lenteur dans la prise de décision.

• Le coût que vous sous-estimez : Comme le dit l'adage, on ne peut gérer ce qu'on ne mesure pas. Si la plupart des dirigeants du secteur de l'immobilier commercial savent que leurs données ne sont pas parfaitement organisées, ils n'ont souvent pas une vision claire du coût réel de cette désorganisation : informations manquées, décisions sous-optimales et risque accru d'audit.

• Les renseignements que vous laissez de côté : Le coût caché le plus important est peut-être le coût d'opportunité. Les entreprises possèdent une mine d'or de données comparatives et d'informations historiques exclusives sans s'en rendre compte, laissant ainsi une valeur concurrentielle considérable inexploitée dans des fichiers non cartographiés.

« Imaginez ce que cela signifie d'examiner un actif et de voir tous les modèles jamais construits à son sujet », remarque Bezner. « Chaque hypothèse de taux de capitalisation, chaque taux d'actualisation, chaque scénario de financement, tout est lié à cet unique historique. La plupart des entreprises n'ont pas cette possibilité. Et lorsque vous y parvenez, cet historique devient l'un de vos atouts concurrentiels les plus précieux. »

Pourquoi les données historiques des transactions constituent-elles l'atout le plus précieux d'une entreprise d'immobilier commercial ?

Car aucun fournisseur de données externe ne peut le reproduire. Les hypothèses formulées par une entreprise concernant un actif spécifique, les décisions de financement prises au cours d'un cycle et l'écart entre ses prévisions et la réalité lui sont propres. La valeur n'est révélée que lorsque cet historique passe de l'état stocké à l'état interrogeable, ce qui dépend entièrement de son organisation.

Le savoir institutionnel contenu dans les modèles historiques d'une entreprise — des hypothèses et décisions à la justification stratégique — constitue une ressource de renseignement exclusive qui ne peut être achetée ni reproduite par aucun fournisseur externe.

Comme le souligne Bezner, l'ère moderne des données exige une refonte architecturale complète. « Nous ne nous contentons plus d'une simple base de données centralisée ; nous nous organisons désormais autour du contexte et des métadonnées de vos actifs. Vous pouvez ainsi analyser les données de manière plus logique pour mieux comprendre vos fonds, vos portefeuilles et vos actifs », explique-t-il.

« Il s’agit de passer d’une base de données centralisée à une véritable intelligence. En ajoutant des métadonnées, vous libérez la véritable valeur – non pas en termes de quantité de données ou de qualité de leur stockage, mais en termes de capacité à les maîtriser pour obtenir un avantage concurrentiel. »

Une fois cette structure fondamentale en place, l'IA devient le moteur qui la met en œuvre. Au lieu de simplement bénéficier de données propres, l'IA les transforme activement en exploitant de vastes quantités de métadonnées historiques pour faire émerger des informations prédictives et des tendances cachées.

Par exemple, au lieu de se fier uniquement aux données de marché externes, les entreprises peuvent désormais interroger facilement leurs propres modèles historiques pour constituer une base de données comparatives propriétaire, composée de leurs transactions passées, de leurs hypothèses et de leurs résultats, afin de valider leurs stratégies actuelles. Une fois organisées, ces données circulent de manière transparente entre les différents systèmes.ARGUS Intelligenceles capacités de gestion d'actifs, de gestion de portefeuille et d'analyse comparative de l'entreprise.

Lorsque ce changement s'opère, trois choses deviennent possibles, et ce, pour la première fois : les cycles de reporting se raccourcissent ; les pistes d'audit sont établies par défaut au lieu d'être constituées a posteriori ; et les analyses de portefeuille qui nécessitaient auparavant une semaine de travail de la part d'un analyste sont désormais disponibles instantanément, dès que la question est posée, soit généralement le seul moment où elles sont réellement utiles.

Qu’est-ce qui rend un actif immobilier commercial prêt pour l’IA ?

Un actif compatible avec l'IA est un enregistrement structuré et interconnecté, et non un simple fichier stocké. Il reflète le fonctionnement réel de l'immobilier : un bien physique, ses composantes, le groupe d'investissement qui en est propriétaire, les modèles financiers élaborés au fil du temps et les portefeuilles auxquels il appartient. Lorsque ces relations sont explicites et non sous-entendues par des noms de dossiers, l'IA peut les exploiter au lieu de se contenter de récupérer des documents.

La préparation à l'IA ne se résume pas à une question de volume. La plupart des entreprises d'immobilier commercial possèdent déjà plus de données qu'elles ne peuvent en utiliser. Il s'agit plutôt de savoir si le modèle de données définit les entités pertinentes et les relations entre elles. Cela implique au minimum cinq éléments :

• Propriété : l'adresse ou le lieu physique.

• Éléments constitutifs de la propriété : les parties physiquement identifiables de cette propriété, telles que les bâtiments, les étages et les unités.

• Actif : un regroupement logique d'une ou plusieurs propriétés ou composantes, reflétant la manière dont l'investissement est réellement détenu et géré plutôt que sa disposition physique.

• Modèle : une représentation financière à un instant T, qu’il s’agisse d’une évaluation, d’une souscription ou d’un scénario hypothétique, liée à l’actif et à ses composantes.

• Portefeuille ou fonds : regroupement d'actifs à des fins d'agrégation, d'analyse et de prise de décision en matière d'investissement.

La distinction essentielle réside entre un enregistrement et un enregistrement exploitable par l'IA. Quatre éléments les différencient :

• Chaque modèle, hypothèse et résultat est lié à l'actif et à ses composantes sous-jacentes, de sorte que rien n'est déconnecté.

• Les données sont temporelles et versionnées, de sorte qu'une modification peut être lue dans le contexte de sa réalisation et des connaissances de l'époque.

• Les relations entre les entités sont explicites dans le modèle de données, et non implicites dans les noms de fichiers ou les hiérarchies de dossiers.

• Un même actif peut figurer dans plusieurs portefeuilles sans être dupliqué, ce qui permet une agrégation flexible sans créer de versions concurrentes.

Cette structure permet à l'IA d'aller au-delà de la simple extraction de données. Elle peut retracer les liens entre les entrées, les hypothèses et les résultats à travers les cycles de marché et au sein d'un portefeuille, ce qui la distingue d'un outil de recherche d'un outil d'analyse.

Là où les entreprises échouent généralement

Les modes de défaillance sont cohérents, et aucun d'entre eux n'est lié à un manque de données :

• Les données sont stockées dans des fichiers plutôt que dans un système connecté, ce qui fait que les modèles, les hypothèses et les résultats sont déconnectés les uns des autres.

• Les définitions des actifs sont incohérentes ou non standardisées d'une équipe à l'autre, de sorte qu'une même propriété est décrite différemment selon la personne qui l'a saisie.

• Les décisions historiques ne sont jamais liées à leurs résultats, ce qui empêche de tirer des leçons du passé au fil du temps.

• Les données sont organisées pour le stockage plutôt que pour la consultation, un choix de conception qui ne se révèle que lorsqu'on a besoin d'une réponse rapide.

Comment Altus contextualise-t-il les données CRE à grande échelle ?

En organisant les données autour de l'actif physique plutôt que des fichiers, chaque modèle, hypothèse et scénario est associé à un enregistrement d'actif unique, relié par le graphe de connaissances Altus et l'identifiant Altus. Ce passage d'une gestion centrée sur les fichiers à une gestion centrée sur l'actif permet de retrouver l'historique complet des données et constitue le fondement des critères de préparation à l'IA mentionnés précédemment.

Groupe Altus réunit la plateforme, les équipes et la technologie nécessaires à l'organisation et à la contextualisation des données à l'échelle institutionnelle. Au fil du temps, ARGUS est devenu bien plus qu'un simple référentiel de stockage centralisé : un véritable écosystème de cartographie intelligente.

Aujourd'hui, les données sont organisées autour de l'actif physique lui-même, du bien immobilier jusqu'aux portefeuilles et fonds. Ce changement d'architecture, passant d'une gestion des données centrée sur les fichiers à une gestion centrée sur l'actif, transforme une base de données en un puissant outil d'aide à la décision, offrant aux responsables de l'immobilier commercial des avantages opérationnels indéniables.

• Une source unique de vérité : Vous pouvez consulter une seule adresse et voir tous les modèles, hypothèses et scénarios qui lui ont été associés tout au long de son historique.

• Récupération de la lignée :Étant donné qu'une même ressource peut faire l'objet de dizaines de modélisations au fil du temps, la plateforme les associe toutes à cette ressource spécifique. Cela permet une récupération instantanée de l'historique de modélisation : on sait précisément quand une ressource a été modélisée, par qui, dans quel but et selon quelles hypothèses.

• Infrastructure brevetée : L'Altus Knowledge Graph (une technologie brevetée) et l'Altus ID ne sont pas seulement une infrastructure backend — ce sont les moteurs qui rendent possible cette visibilité historique complète.

• Le disque d'or commun :En connectant des données disparates au niveau des actifs à l'aide d'un identifiant Altus, le Knowledge Graph forme un enregistrement de référence commun. Ceci est fondamental pour une collaboration et une collecte de données transparentes dans ARGUS Intelligence, permettant l'accès rapide et flexible requis pour une analyse de performance supérieure.

Ce niveau de contextualisation a des applications directes et à forte valeur ajoutée dans les rapports d'évaluation.gouvernance de l'évaluationet en conservant des pistes d'audit historiques irréprochables.

Comment les principales entreprises du secteur de l'immobilier commercial construisent-elles une base de données durable ?

Ils considèrent l'organisation des données comme un investissement stratégique à l'échelle de l'entreprise plutôt que comme un simple projet informatique, et ils s'y prennent plus tôt que nécessaire. L'avantage ne découle pas d'une initiative ponctuelle ; il s'accumule, ce qui explique pourquoi il est difficile de combler l'écart avec les entreprises qui ont commencé plus tôt.

Les entreprises qui réussissent dans ce domaine ne sont pas forcément les plus grandes. La taille facilite certes la gestion du budget, mais le point commun est une décision prise au niveau de l'entreprise concernant la propriété du modèle de données et la norme de référence pour chaque équipe. La structure décrite ici représente la moitié du travail. L'autre moitié, d'ordre procédural, est traitée séparément dans *$*.Comment établir un cadre de gouvernance des données pour votre entreprise immobilière commerciale ?L'instance dirigeante, les rôles et les politiques qui garantissent le maintien de la norme une fois établie. Dès lors que cette décision est prise, ses effets se font sentir progressivement. Chaque analyse s'appuie sur des données plus fiables. Chaque décision d'investissement est mieux étayée. Et le savoir-faire exclusif acquis par l'entreprise au fil des années grâce à ses transactions devient un atout concurrentiel, au lieu de rester lettre morte dans une arborescence de dossiers.

C’est aussi pourquoi les entreprises les plus sous pression sont souvent les premières à agir. Lorsque les marges se resserrent et que les investisseurs posent des questions plus pointues, le coût d’une réponse peu fiable augmente plus vite que celui de la correction de la structure sous-jacente, un schéma qui s’est répété à maintes reprises dans Ce sur quoi s'accordent quatre leaders de l'immobilier commercial concernant la performance sous pression.

Vous souhaitez être informé de nos nouveaux contenus, articles et événements CRE pertinents ?