Plages défendables
Utiliser intervalles d’estimation, contrats, historiques ou bornes opérationnelles. Une variation arbitraire identique donne plus d’importance aux paramètres selon leur unité.
Analyse de sensibilité : identifier l’hypothèse qui change la décision.
DÉCISION SOUTENUEAdopter une recommandation si elle reste acceptable dans les scénarios plausibles, ou financer l’information qui réduit l’incertitude sur le paramètre décisif.
État de la preuve
Ce qui a été reproduit, et ce que cela ne prouve pas.
Le JSON public et l’exécution Python vérifient les paramètres uniques, l’ordre des impacts et les règles de bascule des quatre scénarios publiés. Ils ne vérifient ni les intervalles statistiques, ni les élasticités, ni la probabilité des scénarios.
- Spécification technique de l’analyse de sensibilité pédagogique (ouvre un nouvel onglet)
v1, 31 août 2026 · CC BY 4.0 · Document de méthode rédigé par marketing-mix.net. Les chiffres sont illustratifs : ce ne sont pas des mesures de marché.
Ce qu’il faut distinguer
Trois conditions avant tout calcul.
Paramètres liés
Prix, volume et marge ; couverture et fréquence ; budget et coût d’achat peuvent évoluer ensemble. Les varier séparément produit des scénarios impossibles.
Critère de bascule
Observer le changement de décision, pas seulement la variation du résultat. Une recommandation peut perdre 30 % de gain tout en restant nettement préférable.
Méthode
Passer de la sensibilité locale à la robustesse
- 01Nommer la décision centrale
Publier scénario de base, résultat, contraintes et alternative. Sans référence stable, les variantes deviennent une collection de prévisions.
- 02Classer les inconnues
Séparer paramètres estimés, décisions contrôlées, contraintes et événements externes. Leur traitement et leur plage ne sont pas identiques.
- 03Tester unitaire puis conjoint
Le tornado localise les paramètres sensibles ; les scénarios liés vérifient ensuite les combinaisons plausibles.
- 04Calculer la valeur de l’information
Comparer le coût d’un test à la perte évitable si l’hypothèse centrale est fausse.
ÉLÉMENT ORIGINAL
Le tornado du gain de contribution
Chaque barre montre l’écart au gain central de 122 000 €. L’élasticité et la marge comptent davantage que les paramètres secondaires du modèle.
DéfavorableGain central +122 k€Favorable
Élasticité
−92 k€
+71 k€
Marge brute
−64 k€
+58 k€
Demi-saturation retail
−48 k€
+35 k€
Coût TV
−31 k€
+26 k€
Délai de réponse
−22 k€
+18 k€
SCÉNARIO CONJOINT DÉFAVORABLE−34 k€
Le pilote devient préférable au déploiement direct.
EXEMPLE ILLUSTRATIF · DONNÉES SIMULÉES
Une recommandation positive mais dépendante de l’élasticité
La réallocation Noroa produit +122 000 € au centre. La variation plausible de l’élasticité média déplace le résultat de −92 000 à +71 000 €, celle de la marge de −64 000 à +58 000 €.
Sous élasticité prudente seule, le gain reste +30 000 €. En combinant élasticité prudente et marge basse, le résultat devient −34 000 €. Un test de six semaines coûte 18 000 € et peut réduire de moitié l’incertitude d’élasticité.
Ne pas déployer directement la cible. Financer le pilote : son coût est inférieur à la perte potentielle du scénario conjoint défavorable.
Conditions d’acceptation
Ce qui doit être vrai pour agir.
- 01
Les plages reflètent l’incertitude réelle ou des bornes opérationnelles.
- 02
Le tornado est complété par des scénarios conjoints plausibles.
- 03
Le seuil de changement de décision est explicite.
- 04
La valeur d’une information supplémentaire est comparée au coût du test.
Limites
Ce que cette analyse ne prouve pas.
- Une analyse locale ne capture pas toujours les non-linéarités ou interactions fortes.
- Les scénarios ne couvrent pas les événements non imaginés.
- Des plages trop étroites transforment la sensibilité en confirmation du scénario central.
Références
Travaux mobilisés.
- Saltelli, A. et al. (2008), Global Sensitivity Analysis.
- Keeney, R. L. & Raiffa, H. (1976), Decisions with Multiple Objectives.
- Ben-Tal, A., El Ghaoui, L. & Nemirovski, A. (2009), Robust Optimization.