Je pensais avoir fait les choses dans les règles.
Pour cette prise de décision stratégique, choisir un prestataire qui allait m’accompagner dans le développement de mon activité, j’avais quatre propositions.
J’ai donc fait ce que ferait probablement toute personne qui aime les données : j’ai défini mes critères, je les ai pondérés et j’ai construit un scoring pour comparer les offres.
Objectif : prendre une décision la plus rationnelle possible.
Et puis j’ai rencontré les prestataires.
Et là, quelque chose d’intéressant s’est produit.
Le relationnel a pesé beaucoup plus lourd que je ne l’avais imaginé.
Cela ne signifie pas que j’ai abandonné mes critères, c’est que l’entretien m’a apporté une information que mon tableau ne contenait pas.
Les données m'ont aidée à structurer ma décision
Commençons par rendre justice au scoring.
Il m’a été très utile.
En attribuant un poids aux différents critères, j’ai pu comparer les propositions de manière plus objective et éviter de me laisser guider uniquement par une première impression.
C’est justement l’un des intérêts d’une décision basée sur les données : rendre explicites les critères qui comptent réellement.
Quel est le niveau d’expérience ?
Quelle est la méthodologie proposée ?
Que comprend l’accompagnement ?
Quel est le temps consacré ?
Quel est le coût ?
Quels sont les résultats attendus ?
Ce sont des éléments que l’on peut comparer.
Et les comparer permet de prendre du recul.
Mais après les entretiens, j’ai réalisé quelque chose :
mon scoring mesurait ce que j’avais décidé de mesurer.
Et pas nécessairement tout ce qui comptait dans ma décision.
Ce que mon tableau ne mesurait pas
Il y avait des questions auxquelles mes données récoltées ne répondaient pas :
Est-ce que cette personne comprend réellement mon problème ?
Est-ce qu’elle écoute ce que je lui explique ?
Est-ce qu’elle pose les bonnes questions ?
Est-ce qu’elle comprend les particularités de mon activité ?
Est-ce que je me sens suffisamment en confiance pour travailler avec elle ?
Et surtout :
est-ce que je me projette dans une collaboration avec cette personne ?
Ces éléments sont difficiles à transformer en une note sur 10.
Pourtant, ils peuvent avoir une influence très concrète sur la réussite d’une collaboration.
Le prestataire qui m’a particulièrement parlé n’a pas simplement proposé une liste d’actions.
Il a reformulé mon problème.
Il a identifié des choses très concrètes dans mon activité : mon audience qui regarde mes contenus puis disparaît, mes différentes catégories de visiteurs, la difficulté à faire évoluer une activité qui repose encore beaucoup sur mon temps, l’intérêt de travailler sur les étudiants que je connais réellement et les périodes d’examens.
À un moment, je me suis dit :
« Oui. C’est exactement ça. »
Et cette sensation-là n’était pas dans mon scoring.
Une bonne décision n'est pas forcément une décision uniquement chiffrée
C’est ici que la réflexion devient intéressante.
Faut-il en conclure qu’il faut se méfier des données et écouter son intuition ?
Non.
Je dirais même l’inverse.
Les données m’ont permis de mieux préparer ma décision.
Elles m’ont obligée à réfléchir à mes critères et à les hiérarchiser.
Elles m’ont permis de comparer les propositions.
Elles m’ont évité de partir immédiatement sur un simple « j’aime bien cette personne ».
Mais l’entretien m’a apporté une autre catégorie d’information.
Une information qualitative.
Et ce n’est pas parce qu’une information est difficile à mesurer qu’elle est sans importance.
Ce qui n'est pas dans le modèle n'a pas disparu de la réalité
C’est probablement ce qui m’a le plus fait réfléchir.
En statistiques, on construit des modèles pour représenter une réalité.
Mais un modèle n’est jamais la réalité entière.
Il sélectionne certaines variables.
Il en laisse d’autres de côté.
Et si une variable importante n’est pas prise en compte, elle ne disparaît pas pour autant.
Elle continue d’exister.
C’est exactement ce qui s’est passé avec mon scoring.
Je pouvais parfaitement comparer :
- le prix ;
- l’expérience ;
- la méthodologie ;
- le contenu de l’accompagnement ;
- les délais ;
- les livrables.
Mais je ne mesurais pas réellement la qualité de l’échange.
Et pourtant, cette dimension a compté dans ma décision.
Le problème n’était donc pas que mon modèle était mauvais.
Il était simplement incomplet par rapport à la décision réelle que j’avais à prendre.
Données et humain : quelle place dans la prise de décision stratégique ?
On oppose souvent les deux.
D’un côté, les données : objectives, mesurables, rationnelles.
De l’autre, l’humain : subjectif, émotionnel, intuitif.
Je trouve cette opposition trop simple.
Dans une décision stratégique, les deux peuvent jouer des rôles différents.
Les données peuvent nous aider à :
- structurer le problème ;
- comparer les options ;
- identifier les critères importants ;
- réduire certains biais ;
- mesurer les résultats ;
- vérifier nos hypothèses.
L’humain peut apporter :
- du contexte ;
- de l’expérience ;
- de la compréhension ;
- de l’écoute ;
- des informations qualitatives ;
- une capacité à interpréter ce qui n’est pas encore mesurable.
La question n’est donc peut-être pas « données ou humain ? »
Mais plutôt :
Quelles sont les informations dont j’ai réellement besoin pour prendre cette décision ?
Et si la qualité d'une décision dépendait aussi de ce que l'on ne mesure pas ?
Cette question dépasse largement le choix d’un prestataire.
Un dirigeant choisit un partenaire.
Un manager recrute.
Une entreprise sélectionne un fournisseur.
Un responsable choisit une solution informatique.
Un étudiant choisit une formation.
Un employé choisit un poste
Dans toutes ces situations, nous pouvons disposer de données quantitatives.
Mais nous avons également accès à des informations qui émergent au cours d’une conversation, d’un entretien, d’une rencontre ou d’une collaboration…
Cela ne signifie pas qu’il faut donner une place démesurée au « feeling ».
Une bonne impression peut être trompeuse.
Le relationnel peut lui aussi être source de biais.
Mais cela signifie qu’il faut être conscient de ce que nos outils de décision mesurent… et de ce qu’ils ne mesurent pas.
Et l'IA dans tout ça ?
Cette réflexion me paraît d’autant plus intéressante aujourd’hui que nous pouvons obtenir très rapidement des analyses, des comparaisons et des recommandations grâce à l’intelligence artificielle.
Mais une analyse peut-elle vraiment remplacer la compréhension du contexte ?
Une IA peut comparer quatre offres à partir de critères que je lui donne.
Elle peut calculer un score.
Elle peut même m’aider à identifier des critères auxquels je n’avais pas pensé.
Mais dans une relation professionnelle, il reste une question essentielle :
qui comprend réellement le problème que l’on cherche à résoudre ?
C’est peut-être là que la valeur des interactions humaines ne disparaît pas avec l’arrivée de l’IA.
Simplement, elle change de place.
Ce que je retiens de cette expérience
Je continue à croire aux données.
Évidemment !
Mais cette expérience m'a rappelé quelque chose que j'essaie justement de transmettre dans mes cours de statistiques :
1. Avant d'utiliser une formule ou un modèle, il faut comprendre le problème
2. Un chiffre n'a de sens que dans son contexte.
3. Un modèle n'est utile que si les variables choisies correspondent réellement à la question que l'on cherche à résoudre.
4. Et un scoring ne peut être pertinent que si les critères qu'il contient représentent ce qui compte vraiment dans la décision.
Alors oui, cette fois, le relationnel a fait la différence, mais je ne dirais pas que j'ai choisi « l'humain contre les données ».
J'ai utilisé les données pour structurer ma décision, puis l'humain m'a apporté une information que mes données ne contenaient pas,
Et finalement, c'est peut-être ça, prendre une bonne décision :
Ne pas chercher à tout transformer en chiffres, mais savoir quels chiffres utiliser… et quelles autres informations il faut encore aller chercher.
Pour aller plus loin, si vous souhaitez comprendre les statistiques sans apprendre les formules par cœur, commencez par les ressources gratuites.
L'objectif est toujours le même :
comprendre le sens avant de manipuler les formules.
Vous souhaitez découvrir d'autres sujets ? Voir tous les articles →
Betty Mourid St-Pierre
Enseignante en statistiques, mathématiques et analyse de données depuis plus de 20 ans (HES-SO, EU Business School Genève). Elle accompagne étudiants et professionnels à comprendre les données qui les entourent sans formule intimidante.
📩 Chaque jeudi, une méthode concrète d'apprentissage et d'organisation dans sa newsletter gratuite.
🎥 Retrouve-la aussi sur YouTube.
