Analyse expert · Révisée le 22.08.2026

Données du diagnostic : tester leur pouvoir de décision, pas leur volume.

DÉCISION SOUTENUEAutoriser le diagnostic seulement lorsque les données critiques franchissent leurs seuils non compensatoires ou qu’un plan d’incertitude encadre explicitement les manques.

Ce qu’il faut distinguer

Trois conditions avant tout calcul.

01

Grain de décision

Le grain est défini par produit, segment, canal, zone et période. Une marge mensuelle nationale ne permet pas d’arbitrer un canal régional hebdomadaire. Agréger est possible après contrôle ; désagréger une moyenne sans source crée une information fictive.

02

Variation utile

Une donnée constante, même exacte, n’aide pas à distinguer une réponse. Prix, disponibilité, exposition ou intensité doivent varier suffisamment et sans être parfaitement synchronisés. La variation doit aussi couvrir la plage de décision future.

03

Traçabilité des définitions

Chiffre d’affaires, client actif, commande, retour et dépense média changent souvent de définition entre systèmes. Le dictionnaire précise source, règle, unité, fuseau, traitement des annulations et date de rupture afin d’éviter une fausse tendance.

Méthode

Construire le minimum de données suffisant

  1. 01Lister les décisions

    Formuler les options à comparer et les critères de décision. Déduire les variables nécessaires : résultat économique, leviers, contexte, contraintes et identifiants permettant les rapprochements.

  2. 02Tester les cinq dimensions

    Noter chaque domaine de 0 à 100 sur couverture, qualité, variation, fraîcheur et comparabilité. Utiliser le minimum des cinq notes pour les données critiques plutôt qu’une moyenne qui compenserait un défaut bloquant.

  3. 03Quantifier les manques

    Pour chaque lacune, estimer la largeur d’incertitude qu’elle ajoute et le risque de changer la décision. Une donnée manquante n’a pas la même valeur si elle peut inverser l’arbitrage ou seulement améliorer le reporting.

  4. 04Choisir la réponse

    Corriger la source, réduire le périmètre, utiliser un intervalle, lancer une collecte ciblée ou reporter. La réponse est proportionnée à l’exposition financière et à la réversibilité de la décision.

ÉLÉMENT ORIGINAL

Le test non compensatoire de préparation

Six domaines de données sont évalués sur cinq dimensions ; une faiblesse critique bloque la décision même si la moyenne paraît satisfaisante.

prêtVentes
82 / 100
bloquantMarge canal
42 / 100
conditionnelMédia
68 / 100
conditionnelDisponibilité
66 / 100
prêtPrix–promo
77 / 100
bloquantRetours
54 / 100
FORMULEmin(couverture, qualité, variation, fraîcheur, comparabilité)
PORTE2 domaines sous le seuil de 60
CSVTélécharger la grille de préparation
EXEMPLE ILLUSTRATIF · DONNÉES SIMULÉES

Une moyenne à 78 masque un blocage à 42

01 · SITUATION

Un diagnostic omnicanal dispose de ventes, marge, média, disponibilité, prix-promotion et retours. Les notes moyennes sont supérieures à 70, mais la marge par canal n’est couverte qu’à 42 : les frais logistiques et retours sont regroupés au siège.

02 · CALCUL

Score critique de la marge = min(couverture 42, qualité 88, variation 76, fraîcheur 95, comparabilité 61) = 42. En imputant les coûts par activité, la contribution du canal direct passe de +14 € à +5 €, avec un intervalle de 1 à 9 €. Le seuil approuvé pour l’expansion est 7 €. Probabilité estimée de franchir le seuil : 35 %.

03 · DÉCISION

La moyenne globale ne justifie pas l’expansion. Le diagnostic peut continuer pour les autres interactions, mais la décision de canal est suspendue jusqu’à la ventilation des coûts ou transformée en pilote limité.

Conditions d’acceptation

Ce qui doit être vrai pour agir.

  1. 01

    Le grain des données correspond au grain de la décision.

  2. 02

    Une dimension critique sous 60 bloque ou réduit le périmètre.

  3. 03

    Les ruptures de définition et transformations sont consignées.

  4. 04

    Chaque manque possède un effet estimé sur l’incertitude et une réponse.

Limites

Ce que cette analyse ne prouve pas.

  • Un score de préparation ne détecte pas tous les biais de sélection ou de causalité.
  • Les seuils dépendent de l’exposition financière et ne sont pas universels.
  • La qualité observée sur l’historique ne garantit pas la stabilité future des mécanismes.

Références

Travaux mobilisés.

  1. Wang, R. Y. & Strong, D. M. (1996), « Beyond Accuracy: What Data Quality Means to Data Consumers », Journal of Management Information Systems, 12(4), 5–33.
  2. Karr, A. F. et al. (2006), « A Framework for Evaluating the Utility of Data Altered to Protect Confidentiality », The American Statistician, 60(3), 224–232.
  3. Provost, F. & Fawcett, T. (2013), Data Science for Business.