Analyse d’Alphasense, le moteur de recherche d’informations sectorielles dans lequel Alphabet a investi 130 milliards de wons

Analyse d’Alphasense, le moteur de recherche d’informations sectorielles dans lequel Alphabet a investi 130 milliards de wons

1. thesis
   ○ La recherche business est une tâche centrale du travailleur du savoir moderne
   ○ En comparaison, les outils qui l’assistent ne sont pas assez intelligents (beaucoup de tâches répétitives) !
   ○ C’est pour résoudre ce problème qu’est né Alphasense, un moteur de recherche spécialisé dans la business research / intelligence
   ○ Grâce à des levées de fonds agressives, l’entreprise a obtenu une valorisation de 3,2 billions de wons. Peut-elle vraiment devenir le Google de l’information sectorielle ?

2. founding story
   ○ Jack Kokko, qui travaillait chez Morgan Stanley, a rencontré Raj Neervannan, alors en MBA à Wharton, et tous deux ont fortement partagé les difficultés du processus de recherche
   ○ Pour y répondre, ils ont fondé Alphasense en 2011
   ○ Leur GTM initial visait les hedge funds (petite taille, fort pouvoir d’achat), puis l’entreprise a rapidement grandi en séduisant les sociétés financières de Wall Street via du cold calling

3. product
   -> problème : les moteurs de recherche existants n’apportent pas plus qu’une liste de documents, sans véritable insight, et mêlent aussi des informations inexactes
   -> solution : ne retenir que des informations faisant autorité, puis fournir les résultats de recherche sur cette base. En élargissant cela, Alphasense propose quatre fonctions clés : recherche, synthèse, monitoring et workflow
   ○ Recherche : développement d’un moteur de recherche spécialisé dans le domaine des informations sectorielles et d’entreprise + création d’une base de données fiable accumulée sur plusieurs années
   ○ Synthèse : dans le prolongement de la recherche, aperçu permettant d’identifier les principaux sujets et mots-clés
   ○ Monitoring : lorsqu’un sujet d’intérêt est enregistré, envoi d’alertes sur les nouvelles informations liées à ce sujet
   ○ Workflow : espace de travail permettant d’enregistrer, conserver et partager les éléments découverts

4. market
   ○ Les personas clients de l’entreprise sont répartis sur plusieurs marchés
   ○ En raison du conservatisme du secteur financier (où sécurité et confiance passent avant tout), elle s’est développée vers d’autres verticales plutôt que de se concentrer entièrement sur l’industrie des données financières
   ○ Expansion vers les études de marché ainsi que les sondages et entretiens clients, ce qui augmente le TAM
   ○ Grâce à son expansion dans d’autres verticales (par ex. bio/pharma), les clients non financiers représentent désormais 75 % du total

5. traction
   ○ Parmi les 440 milliards de wons levés au total, les principaux investissements sont les suivants
   ○ Extension round d’Alphabet : valorisation de 1.8B, 100M
   ○ Wall Street, avec Goldman Sachs, Wells Fargo, Morgan Stanley, Citi, etc. : 180M
   ○ Innovation Endeavors d’Eric Schmidt : 50M
   ○ Certains clients de l’entreprise sont aussi ses investisseurs (par ex. Google, Goldman Sachs, etc.)

6. business model
   ○ Comme d’autres SaaS, l’entreprise génère du chiffre d’affaires via l’ARR et des solutions sur mesure
   ○ Le prix par utilisateur est estimé entre $5000 et $7000
   ○ Le passage à la rentabilité est possible, mais ce n’est pas encore le cas ; par la suite, les coûts devraient aller à la mise à jour de la base de données et à l’entraînement des LLM

7. valuation
   ○ Son PSR est plus élevé que celui de ses pairs cotés et non cotés (FactSet 8, S&P Global 10, Bloomberg 5, Alphasense 12)
   ○ Pour justifier cette valorisation élevée, l’entreprise devra réussir son expansion dans des verticales non financières et devenir incontournable pour une base d’utilisateurs plus large. Pour cela, la nécessité d’utiliser efficacement la GenAI/les LLM augmente

8. competition
   ○ Services de données financières : Bloomberg, Refenitiv Eikon, S&P Capital IQ, FactSet
   ○ Startups de moteurs de connaissance B2B basés sur les LLM : Hebbia, Glean
   ○ L’entreprise étend la concurrence de l’extérieur de l’entreprise vers l’intérieur, tandis que les startups de moteurs de connaissance LLM l’étendent de l’intérieur vers l’extérieur

9. key opportunities
   ○ Vision : le Google de la recherche business. Au-delà d’une approche centrée sur la poursuite de P, il pourrait aussi devenir un service plus grand public et plus léger en poursuivant Q
   ○ Suffisamment solide et aussi rapide que nécessaire (plus de 10 ans d’expérience dans la finance + réaction agile à la tendance GenAI)
   ○ Expansion hors d’Amérique du Nord (APAC)
   ○ Exit opportunity attractive (possibilité d’acquisition par un client qui est aussi investisseur)
   ○ GenAI/LLM (offre une opportunité d’attention médiatique et de levée de capitaux, mais il faudra ensuite réfléchir à la manière de créer de la valeur pour les clients)

10. key risks
    ○ Des concurrents puissants : il existe des douves qualitatives en matière de données, de capacités techniques, de réputation et de gestion client, mais les douves techniques sont faibles dans l’IA / la recherche
    ○ Peu d’ICP (ideal customer profile) : ce n’est pas un produit utilisé par tous les employés, et même si ses clients croissent, cela ne signifie pas que le chiffre d’affaires d’Alphasense croîtra

11. conclusion
    ○ Alphasense pourrait devenir le Google de l’information sectorielle ; observons de près comment son produit et sa stratégie évolueront, et combien de richesse ils parviendront à créer