La finance durable n’est pas une tendance de communication. C’est une transformation profonde de la manière dont les établissements financiers comprennent leur rôle dans l’économie, évaluent les risques de leurs portefeuilles et orientent leurs flux de capitaux. Mais cette transformation a une condition absolue, sans laquelle elle reste une déclaration d’intention : la disponibilité et la qualité des données.
Mesurer l’impact climatique d’un portefeuille de crédits, identifier les actifs exposés aux risques physiques, calculer le Green Asset Ratio, publier un rapport de durabilité conforme à la CSRD, piloter une trajectoire de décarbonation vers 2030 et 2050 aucune de ces actions n’est possible sans données précises, fiables et exploitables à grande échelle.
Or les données nécessaires à la finance durable sont fondamentalement différentes de celles que les établissements financiers ont l’habitude de traiter. Ce sont des données non structurées, géolocalisées, évolutives, issues de sources hétérogènes données climatiques, données de performance énergétique des bâtiments, données satellite, données environnementales, données socio-économiques. Apprendre à collecter, traiter et exploiter ces données est l’un des chantiers les plus structurants de la transformation des banques vers un modèle durable.
La réglementation CSRD impose depuis 2024 aux grandes banques de publier des informations vérifiées sur leurs émissions financées de Scope 3. Sans données granulaires sur les actifs financés, ces publications reposent sur des estimations grossières qui n'ont pas la précision requise pour piloter une trajectoire de décarbonation.
Ce que la finance durable exige comme données
Des données sur les actifs, pas seulement sur les emprunteurs
La finance traditionnelle s’intéresse principalement aux caractéristiques financières de l’emprunteur, sa solvabilité, sa capacité de remboursement, son historique de crédit. La finance durable exige d’aller bien au-delà en s’intéressant aux caractéristiques des actifs financés et à leur impact environnemental.
Pour un crédit immobilier résidentiel, la finance durable suppose de connaître la performance énergétique du logement financé (classement DPE, mode de chauffage, consommation estimée), son exposition aux risques climatiques physiques (inondation, retrait-gonflement des argiles, sécheresse, chaleur urbaine) et son potentiel de production d’énergie renouvelable (orientation et surface de toiture disponible pour le solaire). Ces informations ne sont généralement pas disponibles dans les systèmes d’information des banques lors de l’octroi du crédit.
Pour un crédit aux entreprises, la finance durable exige de connaître l’empreinte carbone des activités financées (Scopes 1, 2 et 3 de l’emprunteur), la compatibilité de ces activités avec la Taxonomie Verte Européenne et la trajectoire de décarbonation de l’emprunteur. Ces données sont disponibles dans les rapports de durabilité des grandes entreprises soumises à la CSRD, mais restent souvent absentes ou lacunaires pour les PME.
Des données de risque climatique à l’échelle de l’actif
Les données de risque climatique disponibles à l’échelle nationale ou régionale ne suffisent pas pour piloter un portefeuille. Savoir que la région PACA est exposée aux feux de forêt ou que le bassin de la Loire est exposé aux inondations ne permet pas d’évaluer le risque de tel logement précis ou de telle usine spécifique. Il faut des données à l’échelle de l’adresse, voire de la parcelle.
Cette granularité n’est atteignable qu’en combinant plusieurs couches de données. Les cartes d’aléas officielles (PPRi pour les inondations, cartes BRGM pour le retrait-gonflement des argiles) fournissent un premier niveau d’information. Les données de terrain, d’altitude et de topographie permettent de préciser l’exposition au ruissellement et aux crues. Les données satellitaires de température de surface permettent de cartographier les îlots de chaleur urbains. Les données LiDAR permettent de modéliser l’exposition aux vents et aux submersions.
Combiner et normaliser ces sources hétérogènes pour produire un score de risque unique et exploitable à l’échelle du bâtiment est un travail de fond qui nécessite des compétences en géomatique, en modélisation climatique et en science des données.
Des données prospectives, pas seulement historiques
La gestion des risques financiers traditionnelle s’appuie sur les données historiques pour modéliser les comportements futurs. Cette approche est insuffisante pour les risques climatiques, pour deux raisons principales.
Le climat se transforme structurellement. Les données historiques de sinistres reflètent un régime climatique qui ne sera plus celui de demain. Un bâtiment qui n’a jamais été inondé sur les cinquante dernières années peut se retrouver exposé à un risque croissant d’inondation avec l’intensification des précipitations extrêmes. Un modèle basé uniquement sur l’historique sous-estimera ce risque émergent.
Les risques de transition (réglementaires, technologiques, de marché) créent des ruptures difficiles à extrapoler à partir des données passées. La vitesse à laquelle les réglementations sur les passoires thermiques se sont durcies depuis 2019 n’était pas prévisible à partir des données historiques du marché locatif. Les modèles de risque de crédit qui n’intègrent pas les scénarios réglementaires futurs sous-estiment donc l’exposition des portefeuilles aux actifs énergivores.
La finance durable exige des données prospectives, issues de modèles climatiques et de scenarios réglementaires, qui permettent d’anticiper l’évolution des risques sur des horizons de cinq, dix ou trente ans.
Les nouvelles catégories de données à maîtriser
Les données de performance énergétique des bâtiments
Le DPE est la donnée de base pour évaluer la performance énergétique d’un logement. Mais la couverture du parc par des DPE récents et fiables reste incomplète. Les DPE antérieurs à la réforme de juillet 2021 sont peu comparables avec les DPE actuels. Pour de nombreux logements anciens jamais mis en vente ou en location depuis plusieurs années, aucun DPE n’existe.
Pour combler ces lacunes, les modèles d’estimation basés sur le machine learning permettent de produire, à partir des caractéristiques observables d’un bâtiment (période de construction, surface, localisation, mode de chauffage connu ou estimé, matériaux de façade), une estimation du classement DPE probable. Ces estimations ne remplacent pas un DPE certifié, mais elles permettent de produire une vision cohérente de l’ensemble du parc, utile pour le pilotage des portefeuilles.
Au-delà du DPE global, les données techniques de l’enveloppe (isolation des murs, de la toiture, des planchers, état des menuiseries, type de ventilation) permettent d’identifier les gestes de rénovation les plus pertinents pour chaque bâtiment et d’estimer le coût et le gain énergétique associé. Ces données, produites à partir de l’analyse d’images aériennes et de règles métier expertes, sont directement exploitables pour personnaliser les accompagnements à la rénovation.
Les données de risque climatique physique
Les données de risque climatique physique couvrent les aléas naturels dont la fréquence et l’intensité sont affectées par le changement climatique. Pour les actifs immobiliers, les principaux aléas à caractériser sont les suivants.
Le risque d’inondation est le risque naturel le plus répandu en France. Il se décline en inondation par débordement de cours d’eau (couvert par les PPRi) et en inondation par ruissellement (moins bien couvert par la réglementation existante). Les données de modélisation hydraulique permettent d’estimer la probabilité et la hauteur d’eau pour différentes périodes de retour (événements décennaux, centennaux).
Le retrait-gonflement des argiles est le premier risque naturel en France en termes de coût de sinistres. La carte d’aléa du BRGM fournit une vision à l’échelle communale. Des modèles plus précis, intégrant la géologie locale, la topographie et les données pédologiques, permettent de descendre à l’échelle de la parcelle.
Les risques de chaleur incluent à la fois les vagues de chaleur (événements temporaires d’intensité croissante) et les îlots de chaleur urbains (phénomène permanent dans les zones denses imperméabilisées). Les données de température de surface issues de l’imagerie satellite permettent de cartographier ces risques à l’échelle du bâtiment.
Les risques côtiers (submersion, érosion) affectent les actifs littoraux. Leur évolution sur des horizons de dix à cinquante ans dépend des projections d’élévation du niveau de la mer, qui restent incertaines mais dont les intervalles de confiance se précisent.
Les données d’impact carbone
Pour calculer les émissions financées et piloter une trajectoire de décarbonation, les banques ont besoin de données sur l’empreinte carbone des actifs et des entreprises qu’elles financent.
Pour les crédits immobiliers résidentiels, l’empreinte carbone est essentiellement liée aux consommations de chauffage et d’eau chaude sanitaire. Elle se calcule en multipliant la consommation d’énergie (en kWh) par le facteur d’émission de l’énergie utilisée (en g CO₂/kWh). Le facteur d’émission varie fortement selon l’énergie : environ 324 g CO₂/kWh pour le fioul domestique, 227 g/kWh pour le gaz naturel et environ 52 g/kWh pour l’électricité française en 2024.
Pour les crédits aux entreprises, les données d’empreinte carbone sont publiées dans les bilans carbone et les rapports de durabilité des grandes entreprises. Pour les PME, ces données sont souvent absentes et doivent être estimées à partir de valeurs sectorielles moyennes publiées par l’ADEME ou l’Agence Internationale de l’Énergie.
Les données de potentiel de production renouvelable
Le potentiel solaire des toitures est une donnée clé pour identifier les opportunités de développement des énergies renouvelables dans les portefeuilles de clients. Il dépend de l’orientation et de l’inclinaison de la toiture, de l’ensoleillement local, de l’ombrage créé par l’environnement bâti et de la surface disponible hors obstacles.
Ces données, produites à partir de l’analyse d’images aériennes et de modèles d’irradiation solaire, permettent d’identifier pour chaque bâtiment sa puissance crête installable, sa production annuelle estimée et son retour sur investissement à différents scénarios de prix de l’électricité. Elles sont directement exploitables pour identifier les clients dont le logement ou le bâtiment professionnel présente le meilleur potentiel de solarisation.
Les défis de la collecte et de la gouvernance des données ESG
L’hétérogénéité des sources
Les données nécessaires à la finance durable proviennent de sources très diverses, qui utilisent des formats, des référentiels géographiques et des périodes de référence différents. Données cadastrales de la DGFiP, DPE de l’ADEME, images aériennes de l’IGN, données météorologiques de Météo-France, cartes d’aléas du BRGM, données de consommation d’énergie d’ENEDIS et GRDF, données de reporting des entreprises chacune de ces sources a ses propres spécificités techniques.
Construire une vision cohérente à l’échelle du bâtiment suppose d’aligner ces sources sur une géographie commune (le numéro de parcelle cadastrale est généralement le pivot), de traiter les incohérences et les lacunes, et de mettre en place un processus de mise à jour régulière pour maintenir la fraîcheur des données.
La qualité et la traçabilité
La réglementation CSRD impose que les informations publiées dans le rapport de durabilité soient vérifiables par un commissaire aux comptes ou un organisme tiers indépendant. Cette exigence de vérifiabilité suppose que les données sous-jacentes soient traçables, c’est-à-dire que l’on puisse remonter de l’indicateur publié jusqu’aux données sources qui l’ont produit.
Cette traçabilité est un défi considérable lorsque les indicateurs sont calculés à partir de données estimées par des modèles d’IA. Un modèle de machine learning qui produit une estimation de DPE à partir de caractéristiques observables ne produit pas une donnée « vérifiable » au même sens qu’un DPE certifié par un diagnostiqueur agréé.
La réglementation reconnaît cette difficulté et accepte temporairement l’utilisation de proxys estimés, à condition que la méthodologie soit documentée et que les marges d’incertitude soient déclarées. Mais elle pousse progressivement vers des données de meilleure qualité, ce qui crée une pression continue sur les établissements pour améliorer leur collecte de données primaires.
La mise à jour en temps quasi-réel
Le parc immobilier et les portefeuilles bancaires évoluent constamment. Des travaux de rénovation sont réalisés, modifiant le classement DPE de logements existants. Des événements climatiques surviennent, dégradant des actifs. Des réglementations changent, créant de nouveaux risques de transition. Des installations solaires sont posées, modifiant le profil énergétique des bâtiments.
Un système de données ESG ne peut pas être figé. Il doit être conçu pour intégrer régulièrement de nouvelles données, détecter les changements significatifs dans les actifs du portefeuille et mettre à jour les indicateurs de risque en conséquence. Cette capacité de mise à jour continue est l’une des différences essentielles entre une approche de données ESG mature et une approche ponctuelle basée sur des études statiques.
Comment les systèmes d'information bancaires doivent évoluer ?
Intégrer des données non structurées
Les systèmes d’information bancaires traditionnels sont conçus pour traiter des données structurées, des montants, des taux, des dates, des identifiants. Les données nécessaires à la finance durable sont souvent non structurées ou semi-structurées. Des images aériennes, des textes de rapports de durabilité, des fichiers de coordonnées géographiques, des séries temporelles de mesures climatiques.
L’intégration de ces nouvelles typologies de données suppose des investissements en infrastructure (entrepôts de données capables de stocker des volumes importants de données non structurées) et en compétences (data engineers capables de construire les pipelines de traitement de ces données, data scientists capables de construire les modèles qui en extraient de l’information).
Connecter les données ESG aux processus métiers
La valeur des données ESG ne réside pas dans leur existence, mais dans leur utilisation effective dans les processus de décision. Pour qu’un conseiller en agence puisse intégrer la performance énergétique d’un logement dans sa conversation avec un client, il faut que cette information soit accessible dans son outil de gestion de la relation client. Pour qu’un analyste crédit puisse intégrer l’exposition aux risques climatiques physiques dans son analyse de garantie, il faut que ce score soit calculé et affiché dans le système d’analyse de crédit.
Connecter les données ESG aux processus métiers est souvent plus difficile que de les collecter. Cela suppose de comprendre les besoins précis de chaque processus, de concevoir des interfaces adaptées aux usages opérationnels et de former les collaborateurs à l’utilisation de ces nouvelles informations.
Construire des tableaux de bord de pilotage ESG
Le pilotage d’une trajectoire de décarbonation suppose de disposer d’indicateurs clairs, mesurés régulièrement et accessibles aux niveaux de décision appropriés. Un directeur général qui veut suivre l’avancement de son établissement vers ses objectifs climatiques a besoin d’indicateurs synthétiques. Un responsable de portefeuille qui veut identifier les concentrations de risques a besoin d’indicateurs plus granulaires.
Construire ces tableaux de bord suppose de définir les indicateurs clés (intensité carbone du portefeuille immobilier, part des actifs alignés sur la Taxonomie, exposition aux différentes catégories de risques physiques), de les calculer à partir des données disponibles, de les actualiser selon une fréquence appropriée et de les diffuser aux bons niveaux de l’organisation.
Les cas d'usage concrets de la donnée dans la finance durable
Le scoring ESG des actifs immobiliers
Le scoring ESG d’un actif immobilier combine plusieurs dimensions en un indicateur synthétique qui permet de le positionner par rapport au reste du portefeuille. Ce score intègre typiquement la performance énergétique (DPE), l’exposition aux risques climatiques physiques (inondation, RGA, chaleur), le potentiel de transition (capacité à être rénové ou à produire de l’énergie renouvelable) et la conformité réglementaire (alignement avec les critères de la Taxonomie).
Ce scoring permet de segmenter le portefeuille en plusieurs catégories. Les actifs « verts » qui contribuent positivement au Green Asset Ratio. Les actifs « en transition » qui peuvent être améliorés avec des travaux de rénovation. Les actifs « à risque » qui présentent un profil de dépréciation élevé à moyen terme. Et les actifs « stranded » dont la valeur est structurellement menacée par les évolutions réglementaires ou climatiques.
Cette segmentation est la base d’une gestion proactive du portefeuille, qui permet d’anticiper les risques et de concentrer les actions de prévention et d’accompagnement là où elles ont le plus d’impact.
Le ciblage commercial pour la rénovation énergétique
La donnée permet de sortir d’une logique d’attente passive (le client vient avec un projet) pour aller vers une logique de prospection proactive (la banque identifie les clients dont le besoin est le plus urgent et les contacte avec une proposition adaptée).
Pour la rénovation énergétique, cela signifie croiser les données sur les logements des clients (performance énergétique estimée, type de chauffage, potentiel de gains) avec des données sur les clients eux-mêmes (profil de revenus, éligibilité aux aides, horizon de détention du bien, historique de la relation bancaire). Le résultat est un score de propension à la rénovation qui permet d’identifier les cent ou mille clients du portefeuille les plus susceptibles de répondre favorablement à une approche commerciale sur la rénovation.
Ce ciblage permet de multiplier l’efficacité des campagnes commerciales, en concentrant les ressources sur les situations à plus fort potentiel plutôt que de diffuser un message générique à l’ensemble du portefeuille.
La qualification des projets pour les prêts verts
Pour distribuer efficacement des produits de financement vert (éco-PTZ, prêts verts propriétaires, prêts liés à la durabilité), les banques ont besoin de qualifier rapidement si un projet est éligible et si les conditions techniques de durabilité seront satisfaites.
Pour un projet de rénovation énergétique, cela suppose de vérifier que les travaux envisagés permettront effectivement d’améliorer suffisamment le classement DPE du bien. Pour un projet de solarisation, cela suppose de vérifier que la toiture est techniquement adaptée à l’installation de panneaux photovoltaïques. Ces qualifications, qui nécessitaient auparavant une visite terrain, peuvent aujourd’hui être réalisées en quelques secondes à partir des données disponibles sur le bâtiment.
La contribution au calcul du Green Asset Ratio
Le calcul du Green Asset Ratio, obligatoire depuis 2024 pour les grandes banques européennes, nécessite de disposer, pour chaque actif du portefeuille entrant dans le périmètre, d’une évaluation de son alignement sur les critères de la Taxonomie Verte.
Pour les crédits immobiliers résidentiels, cette évaluation repose principalement sur la performance énergétique du logement financé. Un logement dont le DPE est estimé à la classe A ou B contribue positivement au GAR. Un logement classé F ou G ne peut pas y contribuer. La disponibilité d’une estimation de DPE pour l’ensemble des logements du portefeuille hypothécaire est donc une condition opérationnelle du calcul du GAR.
La collaboration comme condition de succès
Partager les données entre acteurs
La finance durable ne peut pas se construire dans une logique de silos. Les données nécessaires sont produites par des acteurs très différents : les organismes publics (IGN, BRGM, ADEME), les opérateurs de réseaux énergétiques (ENEDIS, GRDF), les diagnostiqueurs immobiliers, les entreprises elles-mêmes via leurs rapports de durabilité, les organismes de certification, et des acteurs privés spécialisés dans la production de données bâtiment.
Construire des accords de partage de données entre ces acteurs, développer des standards d’interopérabilité qui permettent à des données d’origines différentes d’être combinées, et créer des places de marché de la donnée ESG sont des enjeux de structuration de marché qui dépassent la capacité d’action d’un établissement financier isolé.
Des initiatives comme la plateforme de finance durable de la Commission Européenne, qui vise à standardiser la collecte et la publication de données ESG, ou les travaux de l’EFRAG sur les normes ESRS, contribuent à créer ce cadre commun qui permettra à terme une meilleure circulation et une meilleure qualité des données dans l’écosystème financier durable.
Collaborer avec des spécialistes de la donnée
Produire des données de qualité sur les bâtiments et les territoires n’est pas le cœur de métier des banques. Cela requiert des compétences très spécifiques en géomatique, en modélisation climatique, en analyse d’images satellite et en développement de modèles d’intelligence artificielle.
Plutôt que de développer ces compétences en interne, la majorité des établissements financiers font appel à des spécialistes externes pour produire les données dont ils ont besoin. Cette collaboration suppose de définir précisément les cas d’usage, de s’assurer de la qualité et de la traçabilité des données produites, et de les intégrer dans les processus métiers de manière fluide.
La valeur de ces données externes réside dans leur capacité à couvrir l’intégralité du parc bâti français de manière homogène, à être mises à jour régulièrement et à être directement exploitables dans les systèmes d’information des établissements.
Développer une culture de la donnée ESG
La transformation vers la finance durable ne se limite pas à un enjeu technique de collecte et de traitement des données. C’est aussi un enjeu culturel. Les analystes crédit, les conseillers en agence, les gestionnaires de portefeuille, les directeurs financiers doivent apprendre à lire et à interpréter des informations nouvelles pour eux, à les intégrer dans leurs raisonnements et leurs décisions.
Cette acculturation prend du temps et suppose des investissements en formation. Elle suppose aussi de rendre les données ESG accessibles et compréhensibles pour des utilisateurs non spécialistes, via des interfaces intuitives et des visualisations adaptées.
Ce que la donnée rend possible que rien d'autre ne rend possible
La finance durable est souvent présentée comme une contrainte réglementaire. Elle est aussi, pour les établissements qui savent s’en emparer, une opportunité de différenciation et de création de valeur.
La donnée est ce qui permet de passer du discours à la preuve. Un établissement qui peut montrer, avec des données précises et vérifiables, que son portefeuille de crédits immobiliers s’est amélioré de deux classes de DPE en moyenne sur cinq ans, que son exposition aux actifs en zone inondable a diminué de 15 %, et que ses émissions financées de Scope 3 suivent une trajectoire compatible avec un réchauffement limité à 1,5°C, crée une différenciation crédible vis-à-vis de ses parties prenantes, qu’il s’agisse d’investisseurs, de régulateurs ou de clients.
La donnée est aussi ce qui permet de rendre les services financiers durables vraiment utiles pour les clients. Un simulateur de rénovation qui affiche en quelques clics, à partir des données réelles du logement, le gain énergétique et carbone attendu de différents scénarios de travaux et le plan de financement optimal pour les réaliser est infiniment plus convaincant qu’une brochure générale sur les avantages de la rénovation.
C’est en ce sens que la donnée n’est pas simplement un outil de conformité réglementaire. Elle est le moteur d’une transformation qui, si elle est bien conduite, crée de la valeur pour les établissements financiers, pour leurs clients et pour la société dans son ensemble.
Vous souhaitez enrichir vos données ESG sur vos actifs immobiliers ou qualifier l’exposition climatique de votre portefeuille ?
Découvrir les données rénovation énergétique namR pour les professionnels