Transformation & IA
Data driven : pourquoi vos projets data échouent (et pourquoi il faut modéliser vos décisions, pas vos données)
Des tableaux de bord partout, des modèles prédictifs impressionnants, et pourtant personne ne sait quoi faire lundi matin. Selon les études citées par MIT Sloan Management Review, 60 à 85 % des projets de data science échouent. Le problème n’est pas la donnée. C’est la décision qu’on a oublié de modéliser.
Toutes les entreprises veulent devenir data driven. Elles recrutent des data scientists, achètent des plateformes de big data, empilent les outils de data visualisation et lancent des projets d’intelligence artificielle. Puis, au moment de prendre des décisions, le comité de direction se retrouve face à des dizaines de graphiques sans savoir lequel regarder.
Un article publié récemment dans MIT Sloan Management Review par Jeffrey D. Camm (Wake Forest University), Michael J. Fry (University of Cincinnati) et Scott M. Shafer (Wake Forest University) met des mots précis sur ce malaise (lire l’article original, en anglais). Les auteurs prennent l’exemple d’un responsable des opérations chez un distributeur mondial. Son équipe data a construit des modèles qui prédisent la demande avec une précision remarquable. Mais quand le PDG, qui cherche à augmenter la marge, lui demande combien de stock détenir et où, la réponse n’est pas claire. Les modèles prédisent la demande, ils ne disent pas quoi en faire. Après des millions investis, l’entreprise dispose de beaucoup d’insights sur la demande et de très peu de décisions sur lesquelles agir.
Ce scénario n’a rien d’exceptionnel. Chez Corporate Mavericks, on le croise dans presque toutes les organisations qui se disent data-driven. Voici ce que cette analyse change pour les managers, sans bullshit.
C’est quoi être data driven ?
Être data-driven, ou « piloté par la donnée » si l’on veut traduire data driven en français, signifie baser ses choix sur des données analysées plutôt que sur l’intuition, l’habitude ou l’avis de la personne la mieux payée de la salle. Une entreprise data-driven collecte des données pertinentes, les transforme en informations exploitables et s’en sert pour optimiser sa prise de décision, du niveau opérationnel jusqu’aux décisions stratégiques.
Sur le papier, la promesse est simple : mieux cibler les clients, personnaliser les offres, repérer les tendances du marché avant les concurrents, ajuster les prix ou les stocks en temps réel. Dans les faits, la plupart des démarches s’arrêtent à mi-chemin. On collecte, on stocke, on modélise, on affiche. Et on décide toujours comme avant.
La raison est presque toujours la même : on a construit une stratégie data driven autour de la donnée, alors qu’il fallait la construire autour de la décision.
Pourquoi tant de projets data échouent ?
Les études citées par les auteurs estiment que 60 à 85 % des projets de data science se soldent par un échec. Et selon eux, la cause n’est généralement ni un mauvais algorithme ni des data scientists incompétents. Elle tient à un décalage entre ce que les modèles produisent et ce dont les managers ont réellement besoin.
Les deux mondes ne parlent pas la même langue :
Les data scientists sont formés à la prédiction et aux indicateurs de précision : erreur moyenne, taux de bonne classification, qualité de l’ajustement.
Les managers pensent en choix : quelle option améliore le coût, la part de marché ou la marge ?
Résultat : des modèles élégants sur le papier, qui dorment dans un dossier partagé. Les auteurs notent aussi un travers courant : s’appuyer sur la « donnée pratique », celle qui est disponible et facile à exploiter, plutôt que sur celle qui éclaire vraiment le choix à faire. C’est le vieux biais du réverbère : on cherche ses clés sous la lumière parce que c’est là qu’on y voit clair, pas parce qu’elles y sont tombées.
« La première raison pour laquelle les projets de data science échouent, c’est que les gens du métier et les data scientists, individuellement et collectivement, ne comprennent pas le vrai problème business en jeu. »D.A. Gray et E. Shellshear, Why Data Science Projects Fail (CRC Press, 2024), cités par MIT Sloan Management Review
Data science ou décision science : la différence qui change tout
La réponse proposée par Camm, Fry et Shafer tient en une distinction. La data science modélise les données. La décision science modélise les décisions que les managers doivent prendre. En partant de la décision, on aligne l’analyse de données sur les objectifs de l’entreprise, on évite de se contenter de la donnée pratique et on relie directement les indicateurs du modèle aux résultats business.
Les mêmes auteurs avaient déjà creusé la question dans la Harvard Data Science Review en 2025, dans un article intitulé « Data Science and Decision Science Skills: Are They Different and Does It Matter? ». Leur message aux dirigeants est sans ambiguïté : si vos investissements analytiques ne rapportent rien, arrêtez de modéliser seulement vos données et commencez à modéliser vos décisions.
Reprenons l’exemple du distributeur. Une prévision de demande très précise est utile, mais la décision réelle porte sur le niveau de stock par entrepôt. Ce choix dépend aussi du coût de stockage, du coût d’une rupture, des délais fournisseurs et de la marge par produit. Tant que ces éléments ne sont pas modélisés avec la prévision, le dirigeant reste seul face à son tableau de bord.
Le vrai sujet est managérial, pas technique
Devenir une entreprise data driven implique de grands changements, et ce ne sont pas d’abord des changements d’outils. C’est une question de gouvernance de la décision : qui décide quoi, sur quels critères, avec quel niveau de risque acceptable.
Quand un comité de direction ne sait pas formuler la décision qu’il doit prendre, aucun data scientist ne peut la deviner à sa place. Et quand la décision est déjà prise avant que l’analyse arrive, la donnée sert seulement à habiller une intuition. Les deux situations ont le même coût : des équipes data démotivées et une confiance qui s’effondre.
Une organisation n’est pas pilotée par la donnée parce qu’elle en produit beaucoup. Elle l’est quand ses données changent effectivement ce qu’elle fait.
Marre des dashboards que personne ne lit ?
Chaque semaine, on décortique les recherches et les pratiques qui aident les managers à mieux décider, sans jargon.
Comment mettre en place une stratégie data driven qui sert vraiment : 7 leviers
L’article de MIT Sloan détaille sa propre démarche, réservée aux abonnés. Voici, de notre côté, les leviers que nous voyons fonctionner sur le terrain pour passer de la donnée à la décision.
1. Faites l’inventaire de vos décisions récurrentes
Avant de collecter quoi que ce soit, listez les dix décisions qui reviennent le plus souvent et qui pèsent le plus lourd : allocation du budget, recrutements, prix, stocks, priorisation du portefeuille de projets. C’est votre vraie feuille de route data.
2. Écrivez la question de décision avant de lancer l’analyse
Une bonne question de décision tient en une phrase : « Faut-il ouvrir un deuxième entrepôt dans le Sud d’ici juin, oui ou non ? ». Si personne ne peut l’écrire, le projet n’est pas prêt.
3. Définissez les options et le critère de réussite
Quelles sont les options réalistes ? Quel indicateur business permet de les départager (coût total, marge, satisfaction client) ? Quelles contraintes sont non négociables ? C’est exactement ce qu’un modèle de décision formalise.
4. Mettez le data scientist dans la pièce où l’on décide
Le décalage de langage décrit par les auteurs se résorbe par la proximité, pas par un cahier des charges. Invitez les profils data aux réunions où les arbitrages se font, et demandez aux managers de passer du temps avec eux sur les hypothèses du modèle.
5. Adaptez l’effort au type de décision
Jeff Bezos distinguait dans sa lettre aux actionnaires de 2016 les décisions difficilement réversibles de celles que l’on peut défaire facilement. Les premières méritent une vraie analyse. Les secondes doivent être prises vite, avec les données disponibles, puis corrigées. Exiger le même niveau de preuve partout paralyse l’organisation (nous en parlions dans notre article sur comment accélérer la prise de décision).
6. Mesurez l’usage, pas seulement la précision
Un modèle juste à 95 % que personne n’utilise vaut zéro. Suivez combien de décisions ont réellement été prises ou modifiées grâce à l’analyse, et ce qu’elles ont rapporté. Gardez aussi en tête la loi de Goodhart : dès qu’un indicateur devient un objectif, il cesse d’être une bonne mesure.
7. Tenez un journal de décision
Notez pour chaque décision importante les options envisagées, les données utilisées, l’hypothèse retenue et le résultat attendu. Relisez-le trois mois plus tard. C’est le moyen le plus simple de transformer la donnée en apprentissage, et de repérer les biais collectifs comme la pensée de groupe.
Quels sont les 4 piliers de la gouvernance de la data ?
Les cadres de gouvernance des données varient selon les organisations, mais on retrouve le plus souvent quatre piliers :
La qualité des données : des données fiables, complètes et à jour.
Les rôles et responsabilités : qui est propriétaire de quelle donnée (data owner) et qui en prend soin au quotidien (data steward).
La sécurité et la conformité : protection, droits d’accès, respect du RGPD.
Les métadonnées et la documentation : savoir d’où vient une donnée, ce qu’elle signifie et comment elle a été transformée.
Ces piliers sont nécessaires, mais ils ne suffisent pas. Une gouvernance impeccable de la donnée ne garantit rien si personne ne gouverne la décision. Nous ajouterions volontiers un cinquième pilier : le lien explicite entre chaque jeu de données et les décisions qu’il est censé éclairer.
Quels sont les trois types de données ?
On distingue classiquement les données structurées (tableaux, bases relationnelles, chiffres de ventes), les données semi-structurées (fichiers JSON, journaux d’événements, e-mails) et les données non structurées (textes libres, images, vidéos, enregistrements d’appels). L’intelligence artificielle rend les dernières beaucoup plus exploitables qu’hier. Raison de plus pour savoir à quelle décision elles doivent servir, sinon on accumule des données brutes sans fin, ce qui a aussi un coût, comme nous l’expliquions à propos du coût de l’IA en entreprise.
Data driven en trois phrases
1. La majorité des projets data échouent non pas à cause des algorithmes, mais parce qu’ils ne sont reliés à aucune décision précise.
2. La décision science part du choix à faire, de ses options et de son critère business, puis va chercher les données utiles.
3. Le rôle du manager n’est pas de lire plus de dashboards, c’est de formuler clairement les décisions qu’il doit prendre.
FAQ : devenir data driven
Une organisation data driven fonde ses choix sur des données collectées et analysées plutôt que sur l’intuition ou la hiérarchie. Concrètement, cela consiste à utiliser des données fiables pour prendre de meilleures décisions, du niveau opérationnel aux décisions stratégiques.On parle le plus souvent d’entreprise « pilotée par la donnée » ou d’approche « axée sur les données ». L’expression anglaise data-driven reste toutefois la plus utilisée en entreprise.Selon les études citées par MIT Sloan Management Review, 60 à 85 % échouent, surtout à cause d’un décalage entre les modèles produits par les data scientists et les décisions que les managers doivent réellement prendre. Les premiers optimisent la précision, les seconds raisonnent en coûts, marges et parts de marché.La data science modélise les données pour décrire ou prédire. La décision science modélise la décision elle-même : les options possibles, les contraintes et le critère business qui permet de choisir. Elle relie directement l’analyse aux résultats.Commencez par lister vos décisions récurrentes les plus importantes, formulez-les en questions claires, définissez les options et le critère de réussite, puis seulement ensuite collectez et analysez les données utiles. Mesurez enfin l’usage réel des analyses dans les décisions.Le plus souvent : la qualité des données, les rôles et responsabilités (data owners, data stewards), la sécurité et la conformité, et la gestion des métadonnées. Ils garantissent des données fiables, mais pas leur utilité pour la décision.
Moins de données, plus de décisions
La course aux données a fait oublier une évidence : une entreprise ne gagne pas d’avantage concurrentiel en possédant des données, mais en décidant mieux et plus vite que les autres. La prochaine fois qu’un projet data démarre chez vous, posez une seule question avant tout le reste : quelle décision va-t-il changer, et qui la prendra ?
Si vos équipes produisent des analyses que personne n’utilise, ou si vos comités de direction tournent en rond faute de savoir quoi décider, c’est souvent un sujet d’organisation et de leadership avant d’être un sujet technique. Réservez un appel stratégique avec Corporate Mavericks pour en parler.
Décider mieux, pas plus
Reçois chaque semaine nos analyses sur le management, le leadership et la transformation, sans jargon ni bullshit.