Les chiffres mentent-ils ? Deux filtres pour prendre du recul et faire un bon usage des données

Par Valérie Bazin, Associée, Transformation Finance | Mazars
Mis à jour le 25 Mars 2020

Les chiffres mentent ils ? Nous sommes inondés de données sur l’épidémie par les médias et les réseaux sociaux, dont certaines peuvent apparaitre contradictoires. Et pourtant, ceux qui les publient le font sans doute de bonne foi et avec de très bonnes intentions. Alors quels chiffres croire ? Je ne suis ni médecin, ni scientifique et n’aurai pas la prétention de répondre à cette question. Mais je vous propose deux filtres permettant de prendre du recul et se poser les bonnes questions à la lecture des chiffres pour :

  • prendre conscience de nos biais, car la façon dont nous interprétons les données n’est (presque) jamais rationnelle,
  • mieux comprendre les différents usages des données pour en tirer le meilleur profit.

La façon dont nous interprétons les données n’est (presque) jamais rationnelle

Selon la définition du Larousse, l’inférence est l’ « opération par laquelle on passe d'une assertion considérée comme vraie à une autre assertion au moyen d'un système de règles qui rend cette deuxième assertion également vraie ». L’inférence correspond à notre système de raisonnement. Nous le pensons bien sûr rationnel, mais l’est-il réellement ?

Prenons un exemple : un professeur va rendre des copies à ses élèves. Un élève voit sa copie sur le haut de la pile et blêmit. Le professeur a en effet l’habitude de classer les copies de la plus mauvaise à la meilleure. L’élève en déduit qu’il a une très mauvaise note. Mais ce jour-là, le professeur n’a pas eu le temps de classer les copies et la note de l’élève est bonne. L’élève a interprété la donnée « ma copie est en haut de la pile », en fonction de son expérience et de la croyance qu’il en a tiré, qui s’est avérée erronée.

 

Chercheur américain en sciences sociales et théoricien de la « science de l’action », Chris Agiris a développé le modèle schématisé ci-dessus montrant la façon dont nous raisonnons. Il explique que la manière dont nous sélectionnons les données, les interprétons et en tirons des conclusions pour mener des actions est largement influencée par nos croyances, nos valeurs et le contexte dans lequel nous procédons à l’interprétation.

Prenons un autre exemple que nous sommes nombreux à avoir déjà vécu en entreprise. Les reportings présentant les résultats d’une organisation regorgent généralement de chiffres, d’indicateurs et d’analyses de tendances, par métier, zone géographique, fonction, projet, …. Selon notre position dans l’organisation – filiale ou Corporate -, notre fonction – opérationnel ou financier -, notre situation personnelle – dans le poste depuis plusieurs années ou récemment  nommé -, nos objectifs – perçus comme ambitieux ou conservateurs -, notre appétence au risque, celle de notre organisation, … , il est probable que nous ne sélectionnerons pas les mêmes données et ne les interpréterons pas de la même façon, conduisant à des conclusions et des prises de décision différentes.

Gommer l’irrationnel de notre échelle d’inférence est illusoire, notamment en ces périodes de crise où les émotions et les peurs peuvent prendre le dessus. Mais avoir conscience de ces biais peut aider à prendre du recul par rapport à nos réactions lors de la prise de connaissance de nouvelles données et aux interprétations que nous en faisons.

  

Le bon usage des données : de la « machine à répondre » à la « machine à apprendre »

Professeur à l’Université d’Edimbourg[i] , Paolo Quattrone a étudié l’histoire de la comptabilité et l’utilisation des données au travers de multiples cas. Il en a tiré une grille d’analyse comparant l’usage des données à 4 types de « machines », en fonction du niveau d’incertitude :

  • des causes et effets qui leur sont associées :
    • faible : elles sont normées, avec des impacts associés clairs sur la performance, la rentabilité,… grâce à l’existence d’analyses crédibles reposant par exemple sur des données historiques ;
    • fort : elles intègrent des projections, par nature soumises à des aléas importants, et qui peuvent par ailleurs reposer sur des modèles eux-mêmes susceptibles d’évoluer.
  • des objectifs pour lesquels elles sont produites :
    • faible : elles visent à analyser un résultat défini dès l’origine selon des normes claires et transparentes,
    • fort : elles cherchent à démontrer a posteriori que la décision prise était la bonne

Prenons quelques exemples :

  • La « machine à répondre », pour prendre des décisions grâce à des analyses chiffrées : la comparaison entre deux usines d’un indicateur de production, calculé selon les mêmes normes et pour la même période permettra de benchmarker les usines sur cet indicateur, et partager les bonnes pratiques de la meilleure usine,
  • La « machine à munitions », pour négocier dans un contexte politique : un benchmark trop général, comparant des données issues de secteurs d’activité ou de contextes non comparables, pourrait être utilisé pour négocier des objectifs de réduction de coûts dans un contexte de restructuration,
  • La « machine à rationnaliser », pour légitimer des décisions du passé : les modalités de mesure des synergies obtenues après une fusion, par nature très difficiles à isoler et fondées sur des hypothèses subjectives, influeront sur la vision de la rentabilité de l’opération,
  • Et enfin, la « machine à apprendre », pour projeter des scenarios et utiliser les données de façon à questionner le présent et ouvrir le champ des possibles : l’utilisation d’algorithmes permettant d’identifier des tendances, pour par exemple prédire des pannes et établir des programmes de maintenance industrielle préventive est un bon exemple.

Savoir identifier dans quel cas on se situe lorsqu’on lit des données et des analyses sur la crise actuelle est sans doute utile. Se poser la question dans nos organisations de la répartition des données produites entre les 4 cases de la grille d’analyse est également intéressant, la « machine à apprendre » n’étant sans doute pas la plus alimentée !

Alors que la crise actuelle favorise les peurs qui anesthésient l’esprit critique, prendre conscience de nos biais dans l’analyse des données et promouvoir le bon usage des chiffres permettrait de prendre du recul quant à leur réelle portée. Et ainsi de mieux raisonner, questionner et apprendre… pour mieux rebondir quand la crise sera passée. En espérant que nous nous rappellerons alors les risques que la diffusion incontrôlée de données peut faire courir à nos organisations…

[i] Co-Director “Center for Accounting and Society”, Edinburgh University

covid19-mazars-france-1600x700.png

COVID-19 Accompagnement et animation d'équipes

Face à cette crise sans précédent, Mazars propose ses conseils aux entreprises en difficulté concernant l'accompagnement et l'animation de vos équipes