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

La plupart des organisations disposent aujourd'hui de volumes de données considérables : activité, finances, effectifs, consommations, souvent enregistrés depuis des années. Ces données servent pourtant, dans la majorité des cas, à regarder en arrière : que s'est-il passé le mois dernier, où en sommes-nous par rapport au budget.

Les quatre niveaux de maturité analytique

Un modèle répandu, associé à Gartner dans la littérature spécialisée, distingue quatre niveaux : le descriptif (qu'est-il arrivé), le diagnostic (pourquoi est-ce arrivé), le prédictif (que va-t-il probablement arriver) et le prescriptif (que faire pour l'influencer). La progression d'un stade à l'autre n'est pas automatique : elle demande un travail délibéré sur les données, les compétences et la culture, pas seulement un nouvel outil.

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

Du descriptif au diagnostic

Le diagnostic commence lorsqu'on croise les indicateurs pour chercher des explications : pourquoi ce poste budgétaire dérive-t-il, pourquoi cet indicateur s'est-il dégradé dans ce service. 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.

Du diagnostic au prédictif

Le prédictif utilise les données historiques pour projeter des scénarios futurs : évolution d'un poste budgétaire, anticipation de départs prévisibles, projection d'activité. Les projections démographiques publiées par l'Insee sont par exemple une source utile pour anticiper des départs liés à l'âge. Les modèles statistiques entrent en jeu à ce stade, 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 un problème avant qu'il ne survienne, et à simuler l'impact de différentes décisions.

Construire la transition sans sauter d'étape

L'erreur la plus fréquente est de vouloir déployer un outil sophistiqué sans avoir consolidé les fondations : données fiables, indicateurs clairs, expertise métier pour les interpréter. Sans ces fondations, l'outil produit des résultats que personne ne comprend ni n'utilise, ce qui coûte plus cher que l'absence d'outil.

Une transition pragmatique commence par vérifier que les données sont complètes, à jour et cohérentes, et que les indicateurs existants sont fiables. Elle se poursuit en apprenant à expliquer les écarts plutôt qu'à seulement les constater, un travail qui se fait dans le dialogue avec les opérationnels, pas dans un outil. Elle choisit ensuite un domaine où les données historiques sont riches et où un gain de précision aurait un impact visible, pour un premier pilote limité plutôt qu'un déploiement général. Un diagnostic du pilotage structuré peut accélérer cette phase de fiabilisation, souvent négligée parce qu'elle n'est pas la plus visible, alors qu'elle conditionne tout le reste : la gouvernance des données en est le socle.

Séparer prédiction et décision

Une analyse prédictive produit une estimation ou une probabilité à partir d'un modèle. Elle ne décide pas à la place de l'organisation. Pour passer de la prédiction au pilotage, il faut définir ce qui sera fait lorsque le signal franchit un seuil, qui vérifie l'information et quelles autres données doivent être regardées avant d'agir. Cette étape est importante en RH comme en finance : un risque calculé n'est pas une cause, et une corrélation n'est pas une explication. La valeur du modèle dépend donc autant de la règle de décision que de sa performance statistique.

Vérifier le modèle dans le temps

Un modèle prédictif doit être évalué après sa mise en service. Comparer régulièrement les estimations aux résultats observés, regarder les erreurs par population ou par période, et vérifier que les variables utilisées gardent le même sens, permet de décider s'il faut recalibrer le modèle, revoir les données ou cesser de l'utiliser pour certaines décisions. Une dégradation n'implique pas forcément que le modèle est mauvais : le contexte peut avoir changé. Cette revue maintient une distinction claire entre une performance mesurée à un instant et une fiabilité durable, ce que data storytelling : faire lire vos tableaux de bord complète du côté de la restitution.

Questions fréquentes

L'analyse prédictive est-elle réservée aux grandes organisations ?

Non. Une régression simple sur plusieurs années de données peut déjà constituer une analyse prédictive, et cela 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 il rend ses hypothèses explicites, ce qui permet de les challenger.

Peut-on sauter directement au prédictif sans passer par le diagnostic ?

Rarement avec succès : sans un descriptif fiable et une capacité à expliquer les écarts, un modèle prédictif produit des résultats que personne ne sait interpréter ni corriger.

Comment convaincre une direction d'investir dans l'analyse prédictive ?

Par la preuve plutôt que par la promesse : un pilote réussi sur un périmètre restreint, avec des gains mesurés et documentés, convainc davantage qu'une présentation théorique.

Peut-on externaliser l'analyse prédictive ?

Pour un premier projet, oui. 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 ne sert à rien au quotidien.

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