Le budget traditionnel regarde en arriere. 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. En 17 ans au CHU de Reims, j'ai vu ce scénario se répéter chaque automne. Et chaque année, les mêmes surprises.
Le probleme 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 que vous avez 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 ?). Selon les estimations Gartner, moins de 20 % des organisations ont atteint le stade prédictif ou prescriptif[1].
Le constat dans les équipes FP&A
Mes recherches pour préparer cet article m'ont conduit à l'étude FP&A Trends 2024 auprès de 500 praticiens. Le résultat est frappant : seules 12 % des organisations ont dépassé l'analyse descriptive dans leur fonction finance[2]. Les 85 % restantes consacrent encore la majorité de leur temps à la collecte de données et au reporting. Pas à l'analyse. Intéressant (mais pas surprenant) : on passe plus de temps à fabriquer le thermometre 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.
Pourquoi cette inertie ?
Trois raisons, dans mon expérience. La premiere, c'est le confort du familier : le processus budgétaire « à l'ancienne » est bien rodé, tout le monde connait la musique, les cycles sont prévisibles. Pourquoi toucher à quelque chose qui « marche » ?
La deuxieme, 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, c'est une boite noire pour beaucoup de gens. Et personne ne veut défendre un budget dont il ne comprend pas la mécanique.
La troisieme 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 juste un chantier technique.
Que peut apporter l'analyse prédictive au processus budgétaire ?
Les résultats sont documentés. FSN observe que les organisations utilisant des méthodes analytiques avancées améliorent leur précision de prévision de 10 à 25 %[3]. Ce chiffre m'a frappé quand je l'ai lu : pour un budget de 100 millions, 10 % de précision en plus, c'est 10 millions de mauvaises surprises en moins.
Des gains concrets et mesurables
Concrètement, qu'est-ce que ca change au quotidien ?
- Des écarts prévision-réalisé plus faibles (et donc moins de réunions de crise en fin de trimestre)
- Une capacité à voir les tendances avant qu'elles ne deviennent des problemes
- Des scénarios « que se passe-t-il si... » fondés sur des données, pas sur l'intuition seule
- Des cycles budgétaires plus courts : PwC observe que les équipes utilisant des modèles prédictifs bouclent leur budget 25 % plus vite[4]
L'exemple de la masse salariale
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... J'ai passé des années à voir ce poste « surprendre » tout le monde au moment de la clôture. Toujours les mêmes causes, toujours le même étonnement.
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 un avion avec le rétroviseur. L'approche prédictive fonctionne autrement : elle modélise les flux individuels (départs prévus, arrivées planifiées, glissement-vieillesse-technicité) et projette leur impact agrégé. Le résultat est une prévision plus fine, capable d'intégrer des scénarios et de déclencher des alertes précoces.
C'est exactement la logique que j'ai implémentée dans effectivo : partir des données individuelles, modéliser les flux, et projeter des scénarios.
L'exemple de la saisonnalité de l'activité
L'activité de nombreuses organisations suit des patterns saisonniers. En milieu hospitalier, je le vois chaque année : les pics hivernaux, les creux estivaux, les effets de rentrée. La DREES documente d'ailleurs ces variations mensuelles d'activité dans ses panoramas annuels[6]. Les opérationnels le savent. Mais le budget, lui, est souvent découpé en 1/12e par mois. Comme si l'activité était linéaire. Personne n'y croit, mais on fait quand même.
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.
Pourquoi tant d'organisations restent-elles au stade descriptif ?
Si les gains sont documentés, pourquoi si peu d'organisations franchissent-elles le pas ? Les barrières sont bien identifiées, et elles sont autant humaines que techniques.
Les trois barrières principales
L'étude ACCA/IMA pointe trois obstacles principaux (ca vous parlera surement) : la qualité des données (citée par 72 % des répondants), le manque de compétences (61 %) et la résistance culturelle au changement (54 %)[5].
La barrière des données
La qualité des données est le premier verrou. Dans beaucoup d'organisations, les données existent mais elles sont dispersées dans des systèmes différents, codifiées n'importe comment, ou tout simplement incomplètes. Un indicateur même élégant construit sur des données fragiles ne sera qu'un (joli) 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 pas de prévision du tout.
Avant de construire un modèle, il faut fiabiliser les fondations. Ce travail n'est pas spectaculaire, mais il conditionne tout le reste. C'est ce chantier que j'ai formalisé dans l'article sur la résolution des problèmes data en 2026 : diagnostiquer les sources de défaillance et les traiter dans le bon ordre.
La barrière des compétences
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 vite. Il n'est plus nécessaire d'être data scientist pour construire une premiere projection. Un contrôleur de gestion formé aux bases de la modélisation peut obtenir des résultats significatifs avec des outils accessibles. J'en suis la preuve vivante : mon parcours a commencé par le contrôle de gestion, la data science est venue après.
La barrière culturelle
Ce que j'observe en mission : tout le monde veut du prédictif, mais peu sont prêts à changer leurs habitudes pour y arriver. La résistance culturelle est peut-être la barrière la plus coriace. La réponse n'est pas de forcer l'adoption mais de construire la confiance, petit à petit : commencer par un périmètre restreint, montrer les résultats, et élargir ensuite.
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 ». Dans mon expérience, une démarche par étapes, ancrée dans les besoins concrets, marche infiniment mieux qu'un plan ambitieux qui ne verra jamais le jour.
Étape 1 : consolider le descriptif
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.
- Vérifier que les mêmes chiffres sont obtenus à partir de différentes sources
- S'assurer que les nomenclatures sont cohérentes entre systèmes
- Disposer d'un historique fiable sur au moins 2 à 3 ans
- Avoir un processus de reporting qui fonctionne sans « bricolage » manuel
Étape 2 : développer le diagnostic
Comprendre pourquoi les écarts se produisent. 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.
- Une analyse systématique des écarts prévision-réalisé par poste
- Des entretiens structurés avec les responsables opérationnels pour comprendre les causes
- Une catégorisation des écarts (structurels vs conjoncturels, maîtrisables vs subis)
- Un historique des écarts qui permet d'identifier les patterns récurrents
Étape 3 : expérimenter le prédictif sur un périmètre restreint
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 (la DARES publie des séries longues exploitables sur ce dernier point[7]).
- Données historiques abondantes et fiables — au moins 3 ans de données mensuelles
- Écarts fréquents — un poste budgétaire qui « tombe juste » chaque année n'a pas besoin de prédictif
- Impact significatif — l'amélioration de la prévision doit être visible dans le résultat global
Étape 4 : industrialiser progressivement
Étendre les modèles qui ont fait leurs preuves, former les équipes, intégrer les outils dans le processus budgétaire existant. L'industrialisation suppose aussi de répondre à des questions concretes : qui maintient le modele ? Comment est-il mis à jour ? C'est un sujet de cadrage stratégique à part entiere.
Le FP&A Trends Group estime que le passage du descriptif au prédictif génère un gain de 2 à 3 fois en efficacité du cycle de planification[2]. Mais attention : ce gain ne se matérialise que si les fondations sont solides. Sans données fiables, le prédictif n'est qu'un descriptif deguisé.
La donnée remplace-t-elle le jugement humain ?
Non. Et je tiens à le dire clairement parce que c'est la question qu'on me pose le plus souvent. La donnée éclaire le jugement ; elle ne le remplace pas.
La complémentarité modèle-expertise
Un modèle prédictif peut indiquer qu'un poste budgétaire va dériver de 5 % au prochain trimestre. Mais seul un professionnel qui connait le terrain peut dire si cette dérive est un signal d'alarme ou un investissement délibéré. Le modele informe, l'humain décide.
Le processus idéal combine les deux : le modèle produit une premiere 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). Le meilleur GPS du monde ne remplace pas le fait de connaitre la route.
Les limites du modèle
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 cygnes noirs, le jugement humain et l'analyse de scénarios restent indispensables.
Ce que j'observe en mission
Dans les missions que je mène, la plus grande valeur ajoutée n'est pas toujours dans la sophistication du modèle. Elle est souvent dans la structuration des données qui le nourrit. C'est un travail de fond, pas très glamour, 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 que personne n'attendait.
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 (« quel logiciel il nous faut ? »). Résistez à la tentation d'y répondre trop vite.
Les tableurs : un point de départ viable
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.
Les outils spécialisés
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.
Les plateformes de BI et d'analytics
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.
Le machine learning : pour les organisations matures
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. Si vous n'avez pas encore fiabilisé vos données et structuré votre reporting, acheter un outil de ML c'est installer un toit sans avoir coulé les fondations.
Questions fréquentes
Faut-il être data scientist pour faire du budget prédictif ?
Non. J'ai un M2 Data Science, mais honnêtement les outils se sont tellement démocratisés qu'un contrôleur de gestion motivé peut construire une premiere projection sans coder. L'essentiel c'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. Vos tableurs 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 4 à 8 semaines. La transition complète, de l'expérimentation à l'industrialisation, c'est plutôt 12 à 18 mois. Mais le premier pilote, lui, produit des résultats vite.
Comment convaincre la direction d'investir dans le prédictif ?
Par la preuve, pas par l'argument. Construisez un modele pilote sur un périmètre restreint, montrez les résultats (écarts réduits, scénarios exploitables, temps gagné) et laissez les chiffres parler. Les directeurs ne sont pas convaincus par des slides sur les tendances du marché. Ils le sont par des résultats sur leur propre organisation.
- Gartner, Analytics Maturity Model, estimations 2023. Moins de 20 % des organisations au stade prédictif ou prescriptif.
- FP&A Trends Group, enquête auprès de 500+ praticiens FP&A, 2022-2023. Le chiffre de 12 % m'a marqué.
- FSN, The Future of Planning, Budgeting and Forecasting, 2022.
- PwC, Finance Effectiveness Benchmark Report, 2023.
- ACCA / IMA, Digital Finance: The Rise of Data-Driven Decision Making, 2023.
- DREES, Les établissements de santé — édition 2023, panorama annuel documentant la saisonnalité d'activité.
- DARES, Analyses, séries longues sur l'absentéisme dans les entreprises françaises.
Un diagnostic de votre maturité analytique ?
Évaluons ensemble la qualité de vos données, votre niveau de maturité analytique et la feuille de route pour passer au budget prédictif.
Échanger sur mon projet