Scénarios, arbres de décision et analyse de sensibilité
Une décision devient plus claire lorsqu’on la représente
Lorsque plusieurs options, conséquences et incertitudes se combinent, il devient rapidement difficile de tout garder en tête. Une décision peut dépendre du coût d’un projet, de sa probabilité de réussite, de l’évolution de la demande, d’un risque réglementaire, de la réaction d’un concurrent et de la possibilité de changer de stratégie plus tard. Même si chaque élément paraît simple séparément, leurs interactions peuvent rendre le raisonnement confus. Une première amélioration consiste donc à représenter explicitement la structure du problème.
Trois outils sont particulièrement utiles : les scénarios, qui décrivent plusieurs futurs plausibles ; les arbres de décision, qui représentent la succession des choix et des événements incertains ; et l’analyse de sensibilité, qui vérifie si la conclusion change lorsque nos estimations sont légèrement différentes. Ces outils ne prédisent pas l’avenir. Ils servent surtout à répondre à une question plus modeste et souvent plus importante : « De quoi dépend réellement ma décision ? »
Un scénario n’est pas une prédiction
Un scénario décrit une situation future possible construite à partir de certaines hypothèses. Supposons qu’une entreprise envisage d’agrandir une usine. Sa rentabilité dépend fortement de la demande future. Elle pourrait construire trois scénarios simples :
- demande faible ;
- demande moyenne ;
- demande forte.
Le scénario moyen peut être considéré comme le plus plausible, mais les deux autres ne sont pas pour autant inutiles. Leur fonction est précisément de montrer ce qui arriverait si l’avenir s’écartait de l’estimation centrale. Un scénario ne doit donc pas être lu comme : « Voilà ce qui va arriver. » mais comme : « Voilà ce que produirait notre décision si certaines conditions se réalisaient. » Cette distinction est essentielle. L’objectif n’est pas de multiplier les histoires possibles. Il est de tester une décision dans plusieurs futurs suffisamment différents pour révéler ses forces et ses fragilités.
Pourquoi le scénario « moyen » peut être trompeur. Nous sommes naturellement attirés par une estimation centrale. Si le coût futur d’un projet est estimé entre 80 et 120 millions d’euros, nous pouvons être tentés d’utiliser simplement 100 millions. Si la demande future semble comprise entre 50 000 et 90 000 utilisateurs, nous prenons 70 000. Cette méthode est parfois raisonnable. Mais elle peut également masquer une information importante. Supposons qu’un projet soit rentable lorsque la demande dépasse 65 000 utilisateurs mais extrêmement déficitaire en dessous de ce seuil. Une estimation moyenne de 70 000 utilisateurs donne l’impression que le projet est satisfaisant. Mais la véritable question devient : « Quelle confiance avons-nous dans le fait que la demande dépassera 65 000 ? » La moyenne ne suffit donc pas toujours. Ce qui compte peut être la position de notre estimation par rapport à un seuil critique.
Construire quelques scénarios utiles
Il n’est généralement pas nécessaire de construire vingt scénarios. Trois ou quatre situations suffisamment différentes peuvent déjà apporter beaucoup d’information. Pour un investissement industriel, on pourrait examiner :
| Hypothèse | Scénario favorable | Scénario central | Scénario défavorable |
|---|---|---|---|
| Demande annuelle | Forte | Moyenne | Faible |
| Coût de l’énergie | Faible | Moyen | Élevé |
| Coût de construction | 90 M€ | 100 M€ | 120 M€ |
| Mise en service | À l’heure | + 6 mois | + 18 mois |
La comparaison des résultats peut ensuite révéler quelque chose d’important. Le projet A peut être légèrement meilleur dans le scénario central mais devenir catastrophique dans le scénario défavorable. Le projet B peut être moins performant dans le meilleur des cas tout en restant acceptable dans tous les scénarios examinés. La question devient alors moins simple que : « Quel projet rapporte le plus ? » Elle peut devenir : « Combien de performance sommes-nous prêts à sacrifier pour réduire notre vulnérabilité à une erreur de prévision ? » Cette question nous conduira plus tard à la notion de robustesse.
Les scénarios doivent être plausibles, pas spectaculaires. Une analyse de scénarios peut elle-même être mal utilisée. Si nous inventons librement des situations extrêmes, il est toujours possible de produire un scénario dans lequel n’importe quelle décision devient catastrophique. La qualité du raisonnement dépend donc du choix des hypothèses. Un scénario doit généralement être : plausible, même s’il n’est pas le plus probable ; pertinent, c’est-à-dire susceptible d’affecter la décision ; et suffisamment différent des autres pour tester réellement la stratégie. Il faut aussi éviter un biais fréquent : construire un scénario favorable très réaliste et un scénario défavorable caricatural, ou inversement. L’analyse ne sert pas à mettre en scène notre préférence. Elle sert à mettre notre préférence à l’épreuve.
L’arbre de décision : représenter une succession de choix
Certaines décisions ne sont pas prises une fois pour toutes. Nous décidons, un événement se produit, puis nous pouvons décider à nouveau. Les arbres de décision sont particulièrement utiles pour représenter cette structure. Prenons un exemple simple. Une entreprise hésite à lancer immédiatement un nouveau produit ou à réaliser d’abord une étude de marché. Si elle lance immédiatement, le produit peut réussir ou échouer. Si elle réalise l’étude, celle-ci donnera un résultat favorable ou défavorable. L’entreprise décidera ensuite de lancer ou non le produit. Nous pouvons représenter le problème ainsi : Décision initiale → lancer maintenant → réaliser d’abord une étude Puis, si nous choisissons l’étude : Résultat de l’étude → signal favorable → signal défavorable Puis : Nouvelle décision → lancer → abandonner. L’intérêt de l’arbre est immédiatement visible : l’étude de marché ne produit pas directement de valeur commerciale. Elle produit de l’information qui permet de modifier une décision ultérieure.
Cette structure sera centrale lorsque nous étudierons la valeur de l’information.
Nœuds de décision et nœuds d’incertitude
Dans un arbre de décision, il est utile de distinguer deux types de bifurcation. Un nœud de décision représente une situation dans laquelle nous choisissons : investir ou non, traiter ou attendre, réparer ou remplacer. Un nœud d’incertitude représente un événement qui ne dépend pas directement de notre volonté : succès ou échec, hausse ou baisse de la demande, présence ou absence d’une maladie. Cette distinction paraît banale, mais elle évite une confusion fréquente entre : ce que nous pouvons contrôler et ce que nous devons seulement anticiper. Nous ne pouvons pas choisir qu’un traitement fonctionne. Nous pouvons choisir de l’administrer ou non. Nous ne pouvons pas choisir qu’une tempête frappe une région. Nous pouvons décider de renforcer une infrastructure ou d’évacuer. Une bonne décision consiste souvent à organiser intelligemment ce qui est sous notre contrôle face à ce qui ne l’est pas.
Exemple — Réparer ou remplacer une machine ? Une usine utilise une machine ancienne. Deux options sont envisagées : réparer, pour 40 000 euros ; remplacer, pour 150 000 euros. La réparation semble beaucoup moins chère. Mais il existe 30 % de probabilité qu’une réparation importante supplémentaire devienne nécessaire dans les deux années suivantes, pour un coût estimé à 180 000 euros. L’arbre commence ainsi : Réparer → 70 % : la machine fonctionne correctement → 30 % : nouvelle panne coûteuse Remplacer → coût immédiat de 150 000 euros → risque de panne beaucoup plus faible. Nous pouvons alors calculer une estimation simple du coût attendu de l’option « réparer » : 40 000 + 0,30 × 180 000 = 94 000 euros. À première vue, réparer reste moins coûteux. Mais supposons maintenant que la panne supplémentaire entraîne également trois semaines d’arrêt de production dont le coût est très incertain. Le choix dépend soudain beaucoup de cette estimation. Nous venons d’identifier une variable décisionnellement critique.
C’est précisément le rôle de l’analyse de sensibilité.
L’analyse de sensibilité : faire bouger les hypothèses
Une analyse repose toujours sur des hypothèses. Coût estimé : 100 millions. Probabilité de panne : 5 %. Bénéfice attendu : 40 millions par an. Durée de vie : vingt ans. Mais ces chiffres sont rarement parfaitement connus. L’analyse de sensibilité consiste à modifier une ou plusieurs hypothèses pour voir si la décision reste la même. Au lieu de demander uniquement : « Quelle option est meilleure selon nos meilleures estimations ? » nous demandons : « La même option reste-t-elle meilleure si nos estimations sont légèrement fausses ? » Cette question est extrêmement importante. Une décision qui reste préférable sous une large gamme d’hypothèses est plus robuste qu’une décision dont la supériorité disparaît dès qu’un paramètre varie légèrement.
Exemple simple. Supposons deux projets. Le projet A devrait rapporter 110 millions d’euros et coûter 100 millions. Le projet B devrait rapporter 105 millions et coûter 90 millions. Selon ces estimations : A : bénéfice net = 10 millions. B : bénéfice net = 15 millions. Le projet B paraît meilleur. Mais supposons que le coût de B soit très incertain et puisse varier entre 85 et 110 millions. Nous pouvons tester plusieurs valeurs :
| Coût de B | Résultat net de B |
|---|---|
| 85 M€ | +20 M€ |
| 90 M€ | +15 M€ |
| 100 M€ | +5 M€ |
| 105 M€ | 0 |
| 110 M€ | −5 M€ |
Nous découvrons que le classement dépend fortement du coût réel de B. Cette information est beaucoup plus utile que le seul résultat central. Elle nous indique également quelle donnée il serait particulièrement intéressant d’améliorer avant de décider.
Toutes les incertitudes ne méritent pas le même effort. Supposons qu’un projet dépende de vingt paramètres. Nous pourrions consacrer des mois à améliorer chacune des estimations. Mais une analyse de sensibilité peut montrer que dix-huit de ces paramètres ne changent presque rien au classement des options. Deux seulement font réellement basculer la décision. L’effort de recherche devrait donc se concentrer sur eux. Cette logique permet de passer d’une recherche générale de précision à une recherche orientée vers la décision. La question n’est plus : « Que pouvons-nous mesurer encore plus précisément ? » mais : « Quelle incertitude pourrait réellement modifier notre choix ? » Cette distinction évite une quantité considérable de travail inutile.
Le seuil de basculement
Une variante particulièrement utile consiste à rechercher le seuil de basculement. Au lieu d’essayer de connaître exactement une valeur, nous demandons : « À partir de quelle valeur la décision changerait-elle ? » Reprenons notre machine. Supposons que remplacer coûte 150 000 euros et réparer 40 000 euros, avec 30 % de risque d’une panne supplémentaire. Nous pouvons demander : « Quel doit être le coût total d’une panne future pour que le remplacement devienne préférable ? » Cette approche peut être beaucoup plus utile que de chercher à estimer ce coût au centime près. Si le seuil de basculement est de 370 000 euros et que tous les experts pensent que les pertes réelles seraient comprises entre 100 000 et 200 000 euros, la décision semble relativement stable. Si le seuil est de 170 000 euros et que les estimations plausibles vont de 100 000 à 250 000 euros, l’incertitude devient cruciale. Nous savons alors exactement ce que nous devons examiner davantage.
Analyse univariée et analyse combinée. La forme la plus simple de l’analyse de sensibilité consiste à modifier un paramètre à la fois. Que se passe-t-il si le coût augmente de 10 % ? Si la demande diminue de 20 % ? Si la probabilité de succès passe de 70 à 50 % ? Cette méthode est facile à comprendre, mais elle possède une limite : dans le monde réel, plusieurs paramètres peuvent évoluer simultanément. Une hausse du coût de l’énergie peut par exemple être associée à une modification de la demande et des coûts de production. C’est pourquoi les analyses plus avancées examinent également des combinaisons d’hypothèses. Les scénarios jouent précisément ce rôle : ils permettent de tester plusieurs variables ensemble. Les deux approches sont donc complémentaires. L’analyse de sensibilité demande : « Quel paramètre compte le plus ? » L’analyse de scénarios demande : « Que devient la décision dans différentes configurations cohérentes du futur ? »
Attention aux paramètres artificiellement indépendants. Lorsque nous faisons varier plusieurs variables, nous devons éviter de produire des combinaisons impossibles ou incohérentes. Imaginons que la demande d’électricité augmente fortement lorsque son prix baisse. Construire simultanément un scénario de prix extrêmement bas et de demande extrêmement faible peut être incohérent si ces deux variables sont fortement liées. De même, les coûts d’une technologie peuvent diminuer précisément lorsque sa diffusion augmente. Une bonne analyse ne modifie donc pas les paramètres comme des boutons totalement indépendants lorsque nous savons qu’ils interagissent. Cela rappelle une règle importante : un modèle est toujours une simplification de relations causales réelles.
Le problème des hypothèses cachées. Une analyse peut contenir une grande quantité de chiffres tout en reposant sur une hypothèse décisive qui n’a jamais été explicitée. Supposons qu’une étude conclue qu’un nouveau réseau ferroviaire sera rentable sur cinquante ans. Le calcul peut contenir des centaines de paramètres. Mais la conclusion dépend peut-être principalement d’une hypothèse : la fréquentation augmentera continuellement pendant plusieurs décennies. Si cette hypothèse est fausse, la quasi-totalité de la précision du reste du modèle devient secondaire. L’analyse de sensibilité possède donc aussi une fonction intellectuelle : faire remonter à la surface les hypothèses auxquelles notre conclusion est réellement attachée. Une analyse moins précise mais transparente peut être plus utile qu’un modèle extraordinairement complexe dont personne ne sait pourquoi il produit sa conclusion.
Tester les hypothèses favorables… et défavorables. Nous sommes particulièrement exposés au biais de confirmation lorsqu’un projet nous tient à cœur. Nous pouvons choisir involontairement des hypothèses légèrement favorables : coût plutôt bas, demande plutôt haute, délai optimiste, efficacité élevée. Aucune hypothèse prise isolément n’est absurde. Mais leur accumulation peut produire un scénario qui n’a plus rien de central. Une pratique utile consiste donc à construire volontairement un scénario dans lequel plusieurs hypothèses évoluent raisonnablement dans le mauvais sens. Non pour prédire l’échec. Mais pour demander : « Le projet reste-t-il acceptable si le monde est un peu moins favorable que prévu ? » Une stratégie qui ne fonctionne que si presque toutes les hypothèses optimistes se réalisent est fragile.
Analyse de sensibilité et fausse précision. L’analyse de sensibilité possède un autre avantage : elle peut montrer que nous n’avons pas besoin d’une précision excessive. Supposons que la probabilité réelle d’un événement soit inconnue mais probablement comprise entre 10 et 30 %. Si la même option reste préférable sur toute cette plage, connaître la probabilité à 12,4 % plutôt qu’à 18,7 % n’est peut-être pas nécessaire pour décider. À l’inverse, si la conclusion change autour de 16 %, la précision devient importante. Cette logique permet de distinguer deux situations : incertitude importante mais décision robuste ; incertitude apparemment faible mais décision fragile. La seconde peut être beaucoup plus problématique que la première.
Cas pratique — Construire une nouvelle unité hospitalière
Un établissement envisage de construire une unité supplémentaire afin de faire face à une augmentation attendue de l’activité. Le scénario central prévoit une hausse de 15 % des besoins dans les dix prochaines années. Sur cette base, la construction paraît rentable. Mais plusieurs paramètres sont incertains : évolution démographique, organisation territoriale des soins, développement de l’ambulatoire, disponibilité du personnel et coût de construction. Une analyse de sensibilité peut montrer que le projet reste pertinent si la demande augmente de seulement 8 % au lieu de 15 %. En revanche, il devient très difficile à exploiter si le nombre de professionnels disponibles diminue de plus de 10 %. La variable la plus importante n’est donc pas la demande, contrairement à ce que supposait initialement la discussion. La véritable question devient : « Serons-nous capables de recruter et de conserver suffisamment de personnel pour utiliser cette infrastructure ? » L’analyse n’a pas directement décidé s’il faut construire.
Elle a fait quelque chose de probablement plus utile : elle a identifié le véritable point faible du projet.
Cas pratique — Une politique énergétique
Un gouvernement compare deux stratégies de production électrique. La stratégie A demande un investissement initial élevé mais possède des coûts d’exploitation relativement stables. La stratégie B coûte moins cher à construire mais dépend davantage d’un combustible dont le prix futur est incertain. Avec les prix actuels, B paraît moins chère. Une simple projection pourrait donc la favoriser. Une analyse de sensibilité demande cependant ce qui se passe si le prix du combustible augmente de 20, 50 ou 100 %, ou si la durée de fonctionnement réelle des installations diffère des prévisions. Il peut alors apparaître qu’A est légèrement plus coûteuse dans le scénario central mais nettement meilleure dans de nombreux scénarios défavorables. Cette différence ne signifie pas automatiquement qu’il faut choisir A. Elle révèle le véritable arbitrage : préférons-nous une option légèrement plus performante selon notre prévision centrale, ou une option moins sensible à certaines erreurs de prévision ?
Nous entrons alors pleinement dans la question de la robustesse.
Un arbre peut intégrer de futures décisions. L’un des avantages majeurs des arbres de décision est qu’ils empêchent de traiter toutes les décisions comme irréversibles. Supposons qu’un traitement puisse être essayé pendant quatre semaines, puis arrêté ou modifié selon la réponse du patient. Le problème n’est pas : « Choisir aujourd’hui le traitement définitif. » Il devient : « Quelle stratégie initiale nous donne les meilleures possibilités de décision ensuite ? » De même, une entreprise peut investir d’abord dans une petite usine pilote puis décider d’augmenter sa capacité seulement si la demande se confirme. Une collectivité peut expérimenter une politique dans quelques territoires avant de la généraliser. L’arbre de décision fait alors apparaître quelque chose qu’un simple tableau des bénéfices peut masquer : la valeur de conserver des décisions pour plus tard. Cette possibilité sera essentielle dans la fiche consacrée à la réversibilité et à l’optionnalité.
Les modèles ne décident pas à notre place. Scénarios, arbres et analyses de sensibilité peuvent donner une apparence très technique à la décision. Il faut pourtant conserver une limite essentielle. Le modèle ne contient que les conséquences que nous avons pensé à représenter. Il dépend des probabilités que nous lui avons données. Il dépend des critères que nous avons décidé de mesurer. Et il dépend de la manière dont nous avons simplifié le problème. Un modèle peut donc être parfaitement calculé et néanmoins mal représenter la situation réelle. La bonne attitude n’est ni de rejeter les modèles ni de leur déléguer la décision. Elle consiste à les utiliser comme des outils permettant de rendre notre raisonnement inspectable. Un bon modèle doit aider à voir : ce que nous supposons, ce que nous savons mal et ce qui ferait changer notre conclusion.
Une méthode pratique en six étapes
Pour une décision suffisamment importante, une démarche simple peut être utilisée. 1. Identifier les principales options. Il n’est pas nécessaire de représenter immédiatement chaque variante mineure. 2. Identifier les principales incertitudes. Se concentrer sur celles qui peuvent avoir un effet important sur les conséquences. 3. Construire quelques scénarios plausibles. Par exemple favorable, central et défavorable, sans les transformer en caricatures. 4. Représenter les décisions successives. Utiliser un arbre lorsque de nouvelles informations ou de nouveaux choix apparaîtront plus tard. 5. Faire varier les paramètres importants. Rechercher les valeurs à partir desquelles le classement des options change. 6. Identifier les hypothèses critiques. Ce sont elles qui méritent l’essentiel de l’effort d’information et de discussion. Cette démarche ne nécessite pas toujours un logiciel sophistiqué. Un simple tableau peut parfois suffire.
La question la plus utile : « Qu’est-ce qui me ferait changer d’avis ? »
L’analyse de sensibilité formalise une question centrale de l’esprit critique : « Qu’est-ce qui me ferait changer d’avis ? » Si aucune modification raisonnable des données ne change notre conclusion, celle-ci est relativement robuste. Si une variation minime d’une estimation très incertaine suffit à l’inverser, nous devons être beaucoup plus prudents. Cette question possède aussi une vertu contre le raisonnement motivé. Lorsque nous savons à l’avance : « Si le coût dépasse X, je préférerai l’autre option » ou : « Si la probabilité tombe sous Y, cette intervention ne sera plus justifiée », nous réduisons la tentation de déplacer nos critères après avoir vu le résultat. L’analyse de sensibilité devient ainsi non seulement un outil mathématique, mais un instrument de discipline intellectuelle.
À retenir
Les décisions complexes deviennent plus faciles à examiner lorsque leur structure est rendue explicite. Les scénarios permettent d’étudier plusieurs futurs plausibles sans prétendre prédire exactement lequel se réalisera. Les arbres de décision distinguent les choix qui dépendent de nous des événements incertains et permettent de représenter des décisions successives. L’analyse de sensibilité teste la solidité de la conclusion en faisant varier les hypothèses importantes. L’objectif n’est pas d’obtenir davantage de chiffres pour eux-mêmes. Il est de découvrir : quelles hypothèses comptent réellement, où se situent les seuils de basculement et si notre décision reste raisonnable lorsque nos estimations sont imparfaites. Une décision qui paraît excellente uniquement sous un ensemble très étroit d’hypothèses est fragile. Une décision qui reste acceptable dans plusieurs scénarios différents possède une propriété supplémentaire : elle est robuste.
C’est précisément la question de la fiche suivante : faut-il toujours chercher l’option qui maximise le résultat attendu, ou parfois préférer une stratégie qui résiste mieux aux mauvaises surprises ?
Sources et approfondissements
Howard Raiffa, *Decision Analysis: Introductory Lectures on Choices Under Uncertainty*, Addison-Wesley, 1968. Référence classique pour la représentation structurée des décisions sous incertitude, notamment à travers les arbres de décision et les probabilités. Robert T. Clemen et Terence Reilly, *Making Hard Decisions with DecisionTools*, 3e éd., Cengage Learning, 2013. Introduction pédagogique aux arbres de décision, à l’analyse de sensibilité et à plusieurs méthodes quantitatives d’aide à la décision.
John S. Hammond, Ralph L. Keeney et Howard Raiffa, *Smart Choices: A Practical Guide to Making Better Decisions*, Harvard Business School Press, 1999. Présentation accessible d’une méthode structurée permettant d’identifier objectifs, alternatives, conséquences, incertitudes et arbitrages. Andrea Saltelli, Marco Ratto, Terry Andres, Francesca Campolongo, Jessica Cariboni, Debora Gatelli, Michaela Saisana et Stefano Tarantola, *Global Sensitivity Analysis: The Primer*, Wiley, 2008. Référence méthodologique sur l’analyse de sensibilité et sur l’étude de la manière dont l’incertitude des paramètres d’un modèle influence ses résultats.
Robert J. Lempert, Steven W. Popper et Steven C. Bankes, *Shaping the Next One Hundred Years: New Methods for Quantitative, Long-Term Policy Analysis*, RAND Corporation, 2003. Présentation d’approches utilisant de nombreux scénarios pour rechercher des politiques robustes lorsque les prévisions à long terme sont fortement incertaines.