Études & Réflexions › De l'historique aux projections : bâtir un budget fiable

Le budget traditionnel regarde en arrière. On prend les chiffres de l'année écoulée, on applique un coefficient d'évolution, on ajuste quelques lignes... et on croise les doigts pour que l'avenir ressemble au passé. Ce scénario se répète chaque automne dans un grand nombre d'organisations. Et chaque année, les mêmes surprises.

Le problème n'est pas le manque de données. Activité, effectifs, consommations, mouvements de personnel, saisonnalité : tout est tracé, souvent en temps réel. La question n'est plus « a-t-on assez de données ? » mais « sait-on les faire parler pour éclairer l'avenir ? »

Voyons comment passer d'un budget qui constate à un budget qui anticipe, en s'appuyant sur ce qu'une organisation a déjà sous la main.

Où en sont les organisations dans leur maturité analytique ?

Gartner décrit quatre niveaux de maturité analytique : descriptif (que s'est-il passé ?), diagnostique (pourquoi ?), prédictif (que va-t-il se passer ?) et prescriptif (que faut-il faire ?). La majorité des organisations restent concentrées sur les deux premiers niveaux ; le passage au prédictif et au prescriptif demeure minoritaire.

L'étude FP&A Trends 2024, menée auprès de plus de 2400 praticiens finance dans le monde, illustre ce déséquilibre : 65 % du temps des équipes finance est consacré à la collecte et à la validation des données, contre 35 % seulement à l'analyse. On passe plus de temps à fabriquer le thermomètre qu'à lire la température.

Ce n'est pas un retard technologique. C'est un retard de méthode et de culture. Les outils existent, des plus simples (fonctions de prévision dans Excel) aux plus sophistiqués (plateformes de machine learning). Mais l'outil ne suffit pas. Il faut la méthode pour l'utiliser, les données pour l'alimenter, et la confiance des décideurs pour intégrer ses résultats dans le processus de décision.

Trois raisons expliquent généralement cette lenteur. La première, c'est le confort du familier : le processus budgétaire « à l'ancienne » est bien rodé, les cycles sont prévisibles. Pourquoi toucher à quelque chose qui « marche » ?

La deuxième, c'est la peur de l'erreur. Un budget construit sur des données historiques et un coefficient a le mérite de la simplicité : si les chiffres sont faux, on sait pourquoi. Un modèle prédictif, lui, reste une boîte noire pour beaucoup de gens. Et personne ne veut défendre un budget dont il ne comprend pas la mécanique.

La troisième est organisationnelle. Le processus budgétaire implique des dizaines d'acteurs. Changer la méthode suppose de faire évoluer les pratiques de tous ces acteurs. C'est un chantier de transformation du pilotage, pas seulement un chantier technique.

Que peut apporter l'analyse prédictive au processus budgétaire ?

Un gain de précision, quand il est mesuré, ne se traduit jamais directement en pourcentage du budget total : il réduit l'écart entre ce qui était prévu et ce qui se produit réellement, un écart qui représente généralement une fraction du budget, pas sa totalité. C'est cet écart-là que la méthode prédictive vise à réduire, pas le budget lui-même.

Concrètement, qu'est-ce que cela change au quotidien ?

La masse salariale est souvent le poste budgétaire le plus lourd, et le plus difficile à prévoir avec précision. Elle dépend de dizaines de variables : départs en retraite, mouvements internes, absentéisme, promotions, recrutements, évolution des grilles indiciaires. Ce poste surprend fréquemment au moment de la clôture, avec des causes récurrentes qui se répètent d'une année sur l'autre.

Le budget traditionnel projette la masse salariale en appliquant un taux d'évolution global à la base de l'année précédente. C'est comme piloter en ne regardant que le rétroviseur. L'approche prédictive fonctionne autrement : elle modélise les flux individuels, départs prévus, arrivées planifiées, glissement-vieillesse-technicité (GVT, la dérive salariale liée à l'ancienneté et à la progression dans les grilles), et projette leur impact agrégé. Le résultat est une prévision plus fine, capable d'intégrer des scénarios et de déclencher des alertes précoces.

L'activité de nombreuses organisations suit des patterns saisonniers, pics et creux récurrents, effets de rentrée ou de fin d'année. Les opérationnels le savent. Mais le budget, lui, est souvent découpé en douzièmes égaux, un par mois, comme si l'activité était linéaire. Personne n'y croit vraiment, mais c'est ainsi qu'il est construit dans la plupart des organisations.

L'analyse prédictive permet de modéliser ces patterns à partir des données historiques et de les intégrer dans la construction budgétaire. On obtient un budget profilé qui reflète la saisonnalité réelle, et qui permet des comparaisons prévision-réalisé enfin pertinentes, mois par mois. La méthode de correction de la saisonnalité, par coefficients mensuels calculés sur plusieurs années d'historique, est détaillée dans la prévision de la demande à partir du carnet de commandes.

Pourquoi tant d'organisations restent-elles au stade descriptif ?

Si les gains potentiels sont documentés, pourquoi si peu d'organisations franchissent-elles le pas ? Les barrières sont autant humaines que techniques.

La qualité des données est le premier verrou, presque systématiquement cité dans les études sur le sujet. Dans beaucoup d'organisations, les données existent mais elles sont dispersées dans des systèmes différents, codifiées de façon incohérente, ou tout simplement incomplètes. Un indicateur même élégant construit sur des données fragiles ne sera qu'un mirage. Et un modèle prédictif nourri par des données approximatives produira des prévisions approximatives, avec en plus l'apparence de la précision, ce qui est pire que l'absence de prévision.

Avant de construire un modèle, il faut donc fiabiliser les fondations. Ce travail n'est pas spectaculaire, mais il conditionne tout le reste. C'est précisément le sujet développé dans le référentiel de données, fondation du pilotage : diagnostiquer les sources d'incohérence et les traiter dans le bon ordre.

Le manque de compétences n'est pas seulement technique. Il est aussi méthodologique. Construire un modèle prédictif suppose de comprendre ce que le modèle fait, ses hypothèses, ses limites.

La bonne nouvelle, c'est que la barrière technique s'abaisse. Il n'est plus nécessaire d'être data scientist pour construire une première projection. Un contrôleur de gestion formé aux bases de la modélisation peut obtenir des résultats significatifs avec des outils accessibles.

La résistance culturelle au changement complète ces deux obstacles : un processus bien rodé, même imparfait, inspire davantage confiance qu'une méthode nouvelle dont les résultats restent à prouver.

Comment passer du descriptif au prédictif de manière progressive ?

La transition ne se fait pas en un jour. Et surtout, elle ne se fait pas en lançant un « grand projet data ». Une démarche par étapes, ancrée dans les besoins concrets, marche infiniment mieux qu'un plan ambitieux qui ne verra jamais le jour.

Avant de prédire, il faut savoir décrire correctement. Cela signifie des données fiables, des indicateurs clairs, un reporting qui rend compte fidèlement de la réalité. Si cette base n'est pas solide, passer au prédictif est prématuré.

Vient ensuite la compréhension des écarts : pourquoi se produisent-ils ? Cette étape suppose un dialogue structuré avec les opérationnels, exactement le travail de comparaison prévision-réalisé qui nourrit le budget. Le diagnostic est l'étape où l'expertise métier est la plus précieuse. Un modèle peut repérer un écart. Mais seul un professionnel qui connaît le terrain peut dire si cet écart est un signal d'alarme, un événement ponctuel ou un choix délibéré.

Troisième étape : choisir un domaine où les données historiques sont fiables et où l'impact est mesurable. L'évolution de la masse salariale, la saisonnalité de l'activité, les tendances d'absentéisme sont de bons candidats, parce que les données existent déjà et que les écarts y sont coûteux.

Le passage du descriptif au prédictif, quand il est mené sur un périmètre restreint et bien préparé, génère un gain d'efficacité réel sur le cycle de planification. Mais ce gain ne se matérialise que si les fondations sont solides. Sans données fiables, le prédictif n'est qu'un descriptif déguisé.

La donnée remplace-t-elle le jugement humain ?

Non. C'est la question la plus fréquente sur ce sujet, et la réponse est sans ambiguïté : la donnée éclaire le jugement, elle ne le remplace pas.

Un modèle prédictif peut indiquer qu'un poste budgétaire va dériver de 5 % au prochain trimestre. Mais seul un professionnel qui connaît le terrain peut dire si cette dérive est un signal d'alarme ou un investissement délibéré. Le modèle informe, l'humain décide.

Le processus idéal combine les deux : le modèle produit une première projection, l'expert la révise à la lumière de sa connaissance du terrain, et le budget final intègre les deux dimensions. C'est plus fiable qu'un budget purement humain, qui oublie des tendances, et plus pertinent qu'un budget purement modélisé, qui ignore le contexte.

Un modèle ne peut pas prédire ce qui n'a jamais eu lieu. Une pandémie, un changement législatif majeur, une réorganisation structurelle : ces événements échappent par nature à la modélisation fondée sur l'historique. Le modèle est pertinent pour les tendances de fond et les patterns récurrents. Pour les événements exceptionnels, le jugement humain et l'analyse de scénarios restent indispensables.

La plus grande valeur ajoutée d'une démarche prédictive n'est pas toujours dans la sophistication du modèle. Elle est souvent dans la structuration des données qui le nourrit : un travail de fond, pas très spectaculaire, mais qui améliore la visibilité à tous les niveaux, prédictif ou non. Quand les données sont bien structurées, même des modèles simples produisent des résultats utiles.

Quels outils pour commencer ?

La question de l'outil vient après celle de la méthode. Mais elle finit toujours par se poser, souvent en premier d'ailleurs. Il vaut mieux résister à la tentation d'y répondre trop vite.

Excel et Google Sheets contiennent des fonctions de prévision (FORECAST, TREND, moyennes mobiles) qui permettent de construire des projections simples à partir de données historiques. Pour une première expérimentation, c'est souvent suffisant. L'avantage est que l'équipe maîtrise déjà l'outil. L'inconvénient est la limite en volume de données et en complexité de modélisation.

Des solutions spécialisées offrent des capacités de projection propres à certains domaines : planification stratégique des effectifs, prévision budgétaire. L'avantage est la pertinence métier : l'outil est conçu pour le domaine, il intègre les règles de gestion spécifiques et produit des résultats directement exploitables.

Pour les organisations plus matures, les plateformes de BI (Power BI, Tableau, Qlik) offrent des capacités d'analyse prédictive intégrées. Elles permettent de combiner des données de sources multiples et de construire des modèles plus complexes. Mais elles supposent un investissement en compétences et en infrastructure qui n'est pas toujours justifié pour un premier pas vers le prédictif.

Les techniques de machine learning (régression, séries temporelles, forêts aléatoires) offrent les meilleures performances prédictives, mais aussi la plus grande complexité d'implémentation et d'interprétation. Sans données fiables ni reporting structuré, investir dans un outil de machine learning revient à installer un toit sans avoir coulé les fondations.

Questions fréquentes

Faut-il être data scientist pour faire du budget prédictif ?

Non. Les outils se sont tellement démocratisés qu'un contrôleur de gestion motivé peut construire une première projection sans coder. L'essentiel est de comprendre ses données et les limites de ce qu'on en tire.

On peut vraiment commencer avec Excel ?

Oui, et c'est même souvent le meilleur point de départ. Les tableurs d'une organisation contiennent des années de données historiques. FORECAST, TREND, moyennes mobiles : ces fonctions existent depuis longtemps et produisent des projections tout à fait exploitables.

Par où commencer concrètement ?

Par un domaine où les données historiques sont riches et où les écarts prévision-réalisé sont fréquents. La masse salariale est souvent le candidat idéal : c'est le plus gros poste, les données existent, et les surprises y sont coûteuses.

Combien de temps pour passer du descriptif au prédictif ?

Si les données sont déjà fiables et le reporting bien structuré, un premier modèle pilote peut tourner en quelques semaines. La transition complète, de l'expérimentation à l'industrialisation, prend généralement plusieurs mois à plus d'un an. Mais le premier pilote produit des résultats rapidement.

Comment convaincre la direction d'investir dans le prédictif ?

Par la preuve, pas par l'argument. Construire un modèle pilote sur un périmètre restreint, montrer les résultats concrets (écarts réduits, scénarios exploitables, temps gagné) et laisser les chiffres parler. Une direction est rarement convaincue par des généralités sur les tendances du marché ; elle l'est par des résultats sur sa propre organisation.

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