Les CFO et trésoriers doivent protéger leur trésorerie tout en gardant un équilibre relationnel. Les bureaux de crédit traditionnels comme Dun & Bradstreet, Coface ou Creditsafe fournissent des données utiles, mais souvent opaques et coûteuses pour une couverture complète. Les extractions ERP ou les fichiers Excel internes donnent des fragments, sans comparabilité ni signaux d’alerte.
Ce tableau réunit clients et fournisseurs dans une seule vue. Chaque contrepartie est identifiée, enrichie et scorée sur la solvabilité, la liquidité, l’endettement, les comportements de paiement, les dépôts légaux et la presse négative. Un score de stress composite et un commentaire clair indiquent s’il faut maintenir les conditions, resserrer l’exposition ou diversifier. Pour les directions financières, c’est protéger le fonds de roulement et optimiser le portefeuille avec des insights explicables et actionnables.
Client provides counterparty name, country, and relationship type (customer or supplier).
Curated APIs verify company identity, legal name, and registry mapping.
Financial KPIs collected: revenue, solvency, liquidity, debt-to-equity, payment terms, filings.
Stress score (0–100) built from weighted drivers, with explainable contributions.
Each record comes with a plain-language comment and suggested action.
Ce segment est activé grâce à un mélange de sources fiables et de vos propres données.
APIs qualifiées
AI reasoning
Web intelligence
User Input
Identité vérifiée et indicateurs financiers/comportementaux de chaque contrepartie.
Score de stress composite avec pondérations explicables.
Résumé de risque en langage clair et action suggérée.
Risques clients et fournisseurs visibles dans un tableau unique et standardisé.
Exports exploitables via API, CSV ou Sheets.
Les réponses à vos questions sur ce segment
Les réponses à vos questions sur ce segment
Les résultats peuvent-ils être intégrés dans des systèmes ERP, trésorerie ou CRM ?
Oui. Les exports sont prêts à l’emploi en CSV, Sheets, JSON ou API pour une intégration fluide avec ERP, trésorerie et CRM.
Comment ce tableau complète-t-il les abonnements existants aux bureaux de crédit ?
Il ne les remplace pas — il les enrichit. Les données bureau passent via des APIs, mais Starzdata ajoute des signaux web structurés, de l’explicabilité et des actions en langage clair.
Comment traitez-vous les contreparties sans comptes publiés ?
Dans ces cas, le modèle s’appuie davantage sur les paiements, dépôts et signaux presse, en affichant clairement le niveau de confiance.
Puis-je voir les pondérations des facteurs derrière chaque score de stress ?
Oui. Chaque score indique la contribution de la solvabilité, liquidité, dette, paiements, dépôts et actualité, pour une lecture transparente.
En quoi l’intelligence web apporte-t-elle une valeur au-delà des données bureau ?
Les signaux web apportent de la fraîcheur — presse négative, retards de paiement ou dépôts récents apparaissent avant les comptes annuels, donnant des alertes précoces.
Quelles sources de données combinez-vous (registres, fournisseurs, signaux web) ?
Nous fusionnons registres d’entreprises et flux de fournisseurs (Coface, Creditsafe, D&B) avec une intelligence web structurée, le tout harmonisé dans une taxonomie unique.
En quoi le score de stress diffère-t-il d’une note de bureau de crédit ?
Les notes bureau sont utiles mais opaques. Le score de stress est entièrement explicable, avec pondérations sur solvabilité, liquidité, endettement, paiements, dépôts et actualité.
À quelle fréquence les données financières et scores de stress sont-ils actualisés ?
Les données financières de base sont mises à jour annuellement via registres et flux de fournisseurs, tandis que paiements, dépôts et signaux presse sont rafraîchis mensuellement ou à la demande.
{ "_meta": { "dictionaryColumns": ["Variable", "Data_Type", "Sample_Value", "Description"] }, "data": [ { "Variable": "counterparty_name_input", "Description": "Client-provided counterparty name", "Business_Rules": "Exact or fuzzy match accepted", "Source_System": "Client Data", "Data_Type": "VARCHAR", "Sample_Value": "NordSteel Components" }, { "Variable": "country_input", "Description": "Client-provided country for disambiguation", "Business_Rules": "Two-letter ISO code preferred", "Source_System": "Client Data", "Data_Type": "VARCHAR", "Sample_Value": "SE" }, { "Variable": "relationship_type_input", "Description": "Client-provided relationship type", "Business_Rules": "ENUM: Supplier|Customer", "Source_System": "Client Data", "Data_Type": "ENUM", "Sample_Value": "Supplier" }, { "Variable": "client_payment_terms_input", "Description": "Optional client payment terms used for actioning", "Business_Rules": "Free text (e.g., Net 30, Net 45)", "Source_System": "Client Data", "Data_Type": "VARCHAR", "Sample_Value": "Net 30" }, { "Variable": "year_reference", "Description": "Year of reference for KPIs", "Business_Rules": "Fiscal year ending YYYY", "Source_System": "Curated APIs", "Data_Type": "INTEGER", "Sample_Value": 2024 }, { "Variable": "company_id_external", "Description": "Verified external company identifier", "Business_Rules": "Stable mapping across systems", "Source_System": "Curated APIs", "Data_Type": "VARCHAR", "Sample_Value": "CO_52011" }, { "Variable": "website_domain", "Description": "Verified company website/domain", "Business_Rules": "Active, resolvable domain", "Source_System": "Web Intelligence", "Data_Type": "VARCHAR", "Sample_Value": "nordsteel.se" }, { "Variable": "counterparty_name", "Description": "Canonical legal name of counterparty", "Business_Rules": "Normalized form", "Source_System": "Curated APIs", "Data_Type": "VARCHAR", "Sample_Value": "NordSteel Components AB" }, { "Variable": "relationship_type", "Description": "Resolved relationship type", "Business_Rules": "ENUM: Supplier|Customer", "Source_System": "Web+AI Reasoning", "Data_Type": "ENUM", "Sample_Value": "Supplier" }, { "Variable": "revenue_latest", "Description": "Latest available revenue (EUR)", "Business_Rules": "Currency normalized to EUR", "Source_System": "Curated APIs", "Data_Type": "DECIMAL", "Sample_Value": 148000000.0 }, { "Variable": "solvency_score", "Description": "Solvency/credit score (0–100)", "Business_Rules": "Higher is better", "Source_System": "Curated APIs", "Data_Type": "INTEGER", "Sample_Value": 84 }, { "Variable": "liquidity_ratio", "Description": "Current assets / current liabilities", "Business_Rules": "Rounded to 2 decimals", "Source_System": "Curated APIs", "Data_Type": "DECIMAL", "Sample_Value": 1.48 }, { "Variable": "debt_to_equity", "Description": "Total debt divided by equity", "Business_Rules": "Rounded to 2 decimals", "Source_System": "Curated APIs", "Data_Type": "DECIMAL", "Sample_Value": 0.62 }, { "Variable": "revenue_trend_yoy", "Description": "Revenue change vs prior year (%)", "Business_Rules": "Positive or negative decimal", "Source_System": "Curated APIs", "Data_Type": "DECIMAL", "Sample_Value": 6.3 }, { "Variable": "late_payment_days", "Description": "Average days beyond terms (DBT)", "Business_Rules": "Non-negative integer", "Source_System": "Curated APIs", "Data_Type": "INTEGER", "Sample_Value": 7 }, { "Variable": "insolvency_filings_12m", "Description": "Count of insolvency-related filings in last 12 months", "Business_Rules": "Integer", "Source_System": "Curated APIs", "Data_Type": "INTEGER", "Sample_Value": 0 }, { "Variable": "negative_news_mentions_12m", "Description": "Negative news items (retrieved) in last 12 months", "Business_Rules": "Integer; soft signal", "Source_System": "Web Intelligence", "Data_Type": "INTEGER", "Sample_Value": 1 }, { "Variable": "stress_score", "Description": "Composite stress score (0–100)", "Business_Rules": "Weighted sum of drivers; explainable, not black-box", "Source_System": "Web+AI Reasoning", "Data_Type": "INTEGER", "Sample_Value": 21 }, { "Variable": "stress_driver_solvency_wt", "Description": "Weight of solvency in stress score", "Business_Rules": "0–1; weights sum to 1", "Source_System": "Web+AI Reasoning", "Data_Type": "DECIMAL", "Sample_Value": 0.25 }, { "Variable": "stress_driver_liquidity_wt", "Description": "Weight of liquidity in stress score", "Business_Rules": "0–1", "Source_System": "Web+AI Reasoning", "Data_Type": "DECIMAL", "Sample_Value": 0.20 }, { "Variable": "stress_driver_debt_wt", "Description": "Weight of leverage in stress score", "Business_Rules": "0–1", "Source_System": "Web+AI Reasoning", "Data_Type": "DECIMAL", "Sample_Value": 0.15 }, { "Variable": "stress_driver_payments_wt", "Description": "Weight of payment behavior in stress score", "Business_Rules": "0–1", "Source_System": "Web+AI Reasoning", "Data_Type": "DECIMAL", "Sample_Value": 0.20 }, { "Variable": "stress_driver_filings_wt", "Description": "Weight of insolvency filings in stress score", "Business_Rules": "0–1", "Source_System": "Web+AI Reasoning", "Data_Type": "DECIMAL", "Sample_Value": 0.10 }, { "Variable": "stress_driver_news_wt", "Description": "Weight of negative news in stress score", "Business_Rules": "0–1", "Source_System": "Web+AI Reasoning", "Data_Type": "DECIMAL", "Sample_Value": 0.10 }, { "Variable": "comment", "Description": "Plain-language risk summary with suggested action", "Business_Rules": "≤300 chars", "Source_System": "Web+AI Reasoning", "Data_Type": "TEXT", "Sample_Value": "Stable supplier: strong solvency and liquidity; mild payment slippage. Keep terms; monitor news." } ] }
