Études & Réflexions › De l'analyse descriptive à la prédiction

La plupart des organisations disposent aujourd'hui de volumes de données considérables. Activité, finances, effectifs, absentéisme, consommations : tout est enregistré, souvent depuis des années. Pourtant, dans la majorité des cas, ces données servent essentiellement à regarder en arriere : que s'est-il passé le mois dernier ? Où en sommes-nous par rapport au budget ?

Cette analyse descriptive est nécessaire. Mais elle ne suffit plus. Ce que j'observe en mission, c'est que les décideurs ont besoin de comprendre le pourquoi et surtout d'anticiper le demain. Le passage de l'analyse descriptive à l'analyse prédictive n'est pas une révolution technologique ; c'est une évolution de la manière dont on utilise les données déjà disponibles.

Voyons les étapes de cette transition, les pieges à éviter, et comment progresser de manière pragmatique, sans investissement disproportionné et sans promesses irréalistes.

Quels sont les niveaux de maturité analytique ?

Chaque organisation se situe quelque part sur cette échelle. La progression d'un stade à l'autre n'est pas automatique ; elle exige un travail délibéré sur les données, les compétences et la culture.

Gartner identifie quatre niveaux^[1] qui forment une progression naturelle :

Le descriptif : « Que s'est-il passé ? »

C'est le reporting classique : tableaux de bord, indicateurs mensuels, bilans d'activité. La donnée est restituée, mais pas interprétée. C'est le stade où se trouvent la grande majorité des organisations.

Le descriptif a une valeur réelle : avant de prédire quoi que ce soit, encore faut-il avoir une photo fiable du présent. Produire un tableau de bord fiable est déjà un accomplissement. Si vos chiffres de N-1 ne sont pas fiables, inutile de vouloir prédire N+1.

Le diagnostic : « Pourquoi ? »

On commence à croiser les indicateurs, à chercher des corrélations, à expliquer les écarts. Pourquoi l'absentéisme a-t-il augmenté dans ce service ? Pourquoi ce poste budgétaire dérive-t-il ? C'est le stade où l'expertise métier est indispensable pour interpréter les chiffres.

Le passage du descriptif au diagnostic ne nécessite pas de nouvel outil, mais du temps d'analyse et du dialogue. Le contrôleur de gestion cesse d'être un producteur de chiffres pour devenir un partenaire de la décision. En pratique, les écarts trouvent leurs explications dans l'entretien avec les opérationnels : hypothèses erronées, événements inattendus, changements d'organisation. Ce travail n'a besoin d'aucun logiciel.

Le prédictif : « Que va-t-il se passer ? »

On utilise les données historiques pour projeter des scénarios futurs : évolution de la masse salariale, anticipation des départs en retraite (les projections démographiques INSEE^[6] sont une source précieuse), projection d'activité. Les modèles statistiques et le machine learning entrent en jeu, mais ils n'écrasent pas le jugement humain — ils l'éclairent.

L'analyse prédictive ne prétend pas prédire l'avenir avec certitude. Elle propose des scénarios probabilistes : « si les tendances actuelles se poursuivent, voici ce qui est le plus probable ». La valeur est dans la capacité à anticiper des problèmes avant qu'ils ne surviennent, et à simuler l'impact de différentes décisions. Un outil comme effectivo en est une application concrète : projeter l'évolution des effectifs, simuler des scénarios de recrutement ou de départ.

Le prescriptif : « Que faut-il faire ? »

Le niveau le plus avancé : les modèles ne se contentent pas de prédire, ils recommandent des actions. « Si vous recrutez trois infirmières supplémentaires dans ce service, l'absentéisme devrait baisser de 2 points en six mois. » Très peu d'organisations en sont là. C'est souvent prématuré sans avoir consolidé les étapes précédentes. Le prescriptif est un horizon, pas un point de départ.

Où en sont réellement les organisations ?

Le décalage entre l'ambition et la réalité est considérable. Et mesurable.

Les chiffres de la maturité

Gartner estime que moins de 20 % des organisations ont atteint le stade prédictif^[1]. Dans les équipes finance spécifiquement, le FP&A Trends Group observe que seules 12 % des organisations ont dépassé l'analyse descriptive^[2].

Et pourtant, l'intention est là : 45 % des DAF placent l'analytique prédictive dans leurs priorités d'investissement. Mais seulement 15 % jugent leurs capacités actuelles solides. Le fossé entre le vouloir et le pouvoir est immense.

Les trois barrières structurelles

Ce décalage s'explique par trois barrières documentées par l'ACCA et l'IMA^[3] :

La qualité des données (72 % des répondants) : sans fondations fiables, aucun modèle ne produit de résultats crédibles. C'est la barrière la plus citée et la plus sous-estimée. J'ai vu des organisations vouloir passer au prédictif alors que leurs données descriptives n'étaient même pas fiables. C'est un sujet organisationnel avant d'être technique : données mauvaises quand les processus de saisie sont mal conçus, quand les référentiels ne sont pas maintenus, quand personne n'est responsable de la cohérence. Le diagnostic du pilotage commence souvent par cet état des lieux.

Le manque de compétences (61 %) : interpréter un modèle prédictif demande une double culture métier et data. Un modèle qui prédit une hausse de l'absentéisme ne sert à rien si personne ne sait l'interpréter dans le contexte du service concerné. La technique sans le métier produit des chiffres ; le métier sans la technique reste dans l'intuition.

La résistance culturelle (54 %) : passer d'un pilotage basé sur l'expérience à un pilotage éclairé par la donnée suppose un changement de posture. Ce n'est pas un remplacement (l'expérience reste essentielle), mais un complément. Les plus résistants au départ sont souvent les premiers convaincus quand ils voient les résultats sur leur propre périmètre.

Quels gains concrets peut-on attendre ?

Les études convergent sur des résultats mesurables. Mais il faut distinguer les gains réels des promesses marketing (et il y a beaucoup de promesses marketing dans ce domaine).

En précision des prévisions

FSN observe que les méthodes analytiques avancées améliorent la précision des prévisions de 10 à 25 %^[4]. Pour un budget de 100 millions d'euros, 10 % de précision en plus, c'est 10 millions de mauvaises surprises en moins. Certaines études évoquent des réductions d'erreur de 30 à 50 % avec le machine learning, mais uniquement dans des contextes où les données historiques sont riches et les variables explicatives bien identifiées. Pas dans n'importe quelles conditions.

En efficacité opérationnelle

PwC observe que les équipes utilisant des modèles prédictifs bouclent leur cycle de planification 25 % plus vite^[5]. Du temps reporté sur l'analyse et l'accompagnement des opérationnels plutôt que sur la consolidation des chiffres. L'automatisation du reporting est le levier qui rend ce basculement possible.

En maturité du pilotage

Le FP&A Trends Group estime que le saut du descriptif au prédictif génère un gain de2 à 3 fois en efficacité du cycle de planification^[2]. Au-delà de l'efficacité, c'est la nature du dialogue de gestion qui change : on passe de « voici les mauvaises nouvelles du trimestre » à « voici ce qu'on voit venir et ce qu'on peut faire maintenant ». Le pilotage devient proactif.

Le cas concret de la masse salariale

La masse salariale est souvent le premier domaine où le prédictif apporte une valeur tangible : les données sont structurées (ETP, salaires, ancienneté, départs), les tendances identifiables (pyramide des âges, turnover — la DARES publie des séries longues exploitables^[7]) et l'impact budgétaire direct. Un modèle permet d'anticiper l'effet GVT, de simuler l'impact de différents scénarios de recrutement, et d'identifier les services où les départs massifs en retraite vont créer des tensions. C'est ce type de projection que j'ai intégré dans effectivo, et l'un des modèles prédictifs RH les plus immédiatement utiles.

Comment construire la transition de manière pragmatique ?

L'erreur la plus fréquente est de vouloir sauter des étapes en déployant un outil sophistiqué. Sans les fondations (données fiables, indicateurs clairs, expertise métier), l'outil produit des résultats que personne ne comprend ni n'utilise. J'ai vu des organisations investir dans des plateformes d'analytics et les laisser prendre la poussière en six mois.

Voici une méthode de transition en quatre phases, testée en milieu réel.

Phase 1 : consolider le socle descriptif

Les données sont-elles complètes, à jour et cohérentes ? Les indicateurs existants sont-ils fiables ? Tant que ces questions n'ont pas de réponse affirmative, le prédictif est prématuré.

Cette phase est souvent négligée parce qu'elle n'est pas glamour. Pourtant, c'est elle qui conditionne tout le reste. Un diagnostic du pilotage structuré peut accélérer l'étape.

Phase 2 : développer la culture diagnostique

Apprendre à expliquer les écarts, pas seulement à les constater. Ce travail se fait dans le dialogue avec les opérationnels, pas dans un outil. Le contrôleur de gestion qui pose les bonnes questions (« pourquoi cet écart ? », « qu'est-ce qui a changé ? ») construit la culture analytique.

Phase 3 : expérimenter sur un périmètre maîtrisé

Choisir un domaine où les données historiques sont riches et où un gain de précision aurait un impact visible. L'évolution de la masse salariale est souvent un bon candidat.

Le cadrage stratégique permet d'identifier le cas d'usage le plus pertinent : faisabilité technique × impact business.

Phase 4 : investir dans la double compétence

La valeur n'est ni dans la technique seule ni dans le métier seul — elle est dans le pont entre les deux. Un contrôleur de gestion qui comprend les bases de la modélisation statistique, ou un data scientist qui comprend les enjeux budgétaires, apporte infiniment plus qu'un expert isolé. C'est mon propre parcours : 17 ans de contrôle de gestion avant un M2 Data Science.

Quels sont les outils adaptés à chaque niveau de maturité ?

Il est tentant de penser que la transition vers le prédictif passe par l'acquisition d'un outil puissant. En réalité, chaque niveau de maturité a ses outils adaptés, et l'outil le plus coûteux n'est pas nécessairement le plus utile.

Au stade descriptif : les tableurs et la BI

Un tableur bien structuré, avec des formules fiables et une mise à jour régulière, suffit pour un reporting descriptif de qualité. Les outils de BI (Power BI, Tableau, Metabase) ajoutent la visualisation interactive et le partage, mais n'ajoutent pas de valeur si les données sous-jacentes ne sont pas fiables.

Au stade diagnostique : les outils d'analyse

Le diagnostic nécessite la capacité de croiser des données, de filtrer dynamiquement, et de naviguer dans les détails. C'est là que les outils de BI prennent tout leur sens, à condition d'être alimentés par des données structurées et documentées.

Au stade prédictif : les modèles et les solutions métier

Le prédictif peut se faire avec des outils génériques (Python, R) ou avec des solutions métier qui intègrent les modèles dans un contexte d'usage. effectivo, par exemple, intègre des capacités de projection directement dans l'outil de pilotage des effectifs. L'IA commence aussi à jouer un rôle en automatisant certaines étapes de la modélisation, mais elle ne remplace pas la compréhension métier qui donne du sens aux prédictions.

Le piège de l'outil prématuré

Investir dans un outil prédictif avant d'avoir consolidé les fondations est le piège le plus coûteux. Un outil de machine learning alimenté par des données incomplètes produira des prédictions incomplètes, avec l'apparence de la précision — ce qui est pire. C'est le fameux « garbage in, garbage out ».

Comment mesurer sa propre maturité analytique ?

Avant de planifier la transition, il est utile de faire un état des lieux honnête.

Les questions à se poser

• Nos tableaux de bord sont-ils à jour et fiables ? Si la réponse est non ou incertaine, vous êtes encore en phase de consolidation descriptive.
• Savons-nous expliquer les écarts principaux ? Si chaque revue de performance se limite à constater les chiffres sans les expliquer, la culture diagnostique n'est pas installée.
• Avons-nous déjà réalisé une projection basée sur des données historiques ? Même une projection simple (extrapolation linéaire de la masse salariale) marque le début du prédictif.
• Nos projections sont-elles fiables ? Si la précision des prévisions est régulièrement en dessous de 90 %, il y a une marge de progression significative.
• Les décisions de gestion s'appuient-elles sur des données ? L'indicateur ultime de maturité n'est pas la sophistication des outils ; c'est l'usage réel des données dans la prise de décision.

L'importance de l'honnêteté

L'auto-évaluation a un piège : la tentation de se surestimer. Beaucoup d'organisations se pensent au stade diagnostique alors qu'elles sont encore en phase de fiabilisation du descriptif. De l'intérieur, on voit rarement ses propres angles morts. C'est l'un des apports d'un diagnostic du pilotage : fournir un état des lieux honnête, sans complaisance ni jugement. Le point de départ n'est pas un verdict, c'est une boussole.

Questions fréquentes

L'analyse prédictive, c'est réservé aux grandes organisations ?

Non. Une régression linéaire sur trois ans de données de masse salariale, c'est déjà de l'analyse prédictive. Et ca se fait dans un tableur. L'enjeu n'est pas la taille de l'organisation mais la qualité de ses données et la clarté de ses questions.

Les modèles prédictifs sont-ils fiables ?

Ils sont aussi fiables que les données qui les alimentent. Un bon modèle n'est pas infaillible ; il est moins faux que l'approche qu'il remplace. Et surtout, il rend ses hypothèses explicites, ce qui permet de les challenger. C'est déjà beaucoup mieux que l'intuition toute seule.

Quel est le premier indicateur à passer en mode prédictif ?

La masse salariale, presque toujours. Les données sont structurées, les tendances identifiables (pyramide des âges, ancienneté, turnover), et l'impact budgétaire est majeur. C'est le candidat naturel pour un premier pilote.

Comment convaincre la direction d'investir dans le prédictif ?

Par la preuve, pas par la promesse. Un pilote réussi sur un périmètre restreint, avec des gains mesurés et documentés, est plus convaincant que n'importe quelle présentation théorique. Chiffrez le coût de l'imprécision actuelle (mauvaises surprises budgétaires, arbitrages tardifs, temps passé à retraiter les données) et montrez ce que gagnerait l'organisation.

Peut-on externaliser l'analyse prédictive ?

Oui, pour un premier projet. Mais la capacité à interpréter et utiliser les résultats doit rester en interne. Un modèle dont les résultats ne sont compris que par le prestataire externe ne sert à rien au quotidien. L'objectif est toujours de rendre l'organisation autonome ; c'est la philosophie que je porte dans mes missions de conseil.

Brice Béchet

Consultant en pilotage des organisations

Contrôleur de gestion sénior, data scientist et créateur d'effectivo.fr, application de prévision stratégique des effectifs (Anticipez. Simulez. Décidez) — j'accompagne les organisations à structurer leurs données et optimiser leur pilotage.

En savoir plus LinkedIn