Arbres de décision: choisir avec méthode face à l'incertitude

Arbres de décision: choisir avec méthode face à l’incertitude

La plupart des décisions en entreprise se prennent avec des informations incomplètes. Un sponsor de projet approuve un budget sans savoir si le marché va croître ou se contracter. Un product owner priorise des fonctionnalités sans certitude sur l’adoption par les utilisateurs. Un directeur informatique sélectionne un fournisseur sans garantie que l’intégration se passera bien. L’incertitude est la constante. La question est de savoir si on la traite explicitement ou si on fait comme si elle n’existait pas.

Les arbres de décision appartiennent à la première catégorie. Ce sont des diagrammes qui forcent une confrontation structurée avec le risque. Chaque variable incertaine obtient une branche, chaque branche reçoit une probabilité et chaque chemin mène à un résultat mesurable. Le résultat n’est pas la certitude. C’est la clarté sur ce que l’on parie et ce que chaque pari vaut.

La structure de la pensée structurée

Un arbre de décision sépare deux choses fondamentalement différentes: ce que l’on peut contrôler et ce que l’on ne peut pas. Les nœuds de décision (dessinés sous forme de carrés) représentent les choix où quelqu’un sélectionne une ligne d’action. Les nœuds de hasard (dessinés sous forme de cercles) représentent les événements externes dont l’issue dépend de facteurs hors de toute influence directe. En rendant cette distinction visuelle, l’arbre prévient une erreur analytique courante: traiter les résultats incertains comme des décisions ou les décisions comme des inévitabilités.

John F. Magee a introduit ce cadre dans la Harvard Business Review en 1964. Son exemple impliquait une entreprise chimique choisissant entre un investissement dans une grande ou une petite usine pour un nouveau produit à durée de vie de dix ans. La grande usine coûtait plus au départ mais captait plus de revenus si la demande se matérialisait. La petite usine coûtait moins mais pouvait être agrandie plus tard si les premières ventes s’avéraient fortes. Magee a montré que structurer le problème sous forme d’arbre révélait quelle option avait la valeur attendue la plus élevée et comment le timing de l’information modifiait le calcul. Soixante ans plus tard, la logique tient toujours. Les contextes ont changé, mais la structure sous-jacente de l’incertitude en affaires n’a pas bougé.

Ce que la valeur attendue révèle et ce qu’elle cache

L’approche standard pour évaluer un arbre de décision est la Valeur Monétaire Attendue (VMA). On multiplie chaque résultat par sa probabilité, on additionne les résultats à chaque nœud de hasard et on compare les totaux entre les branches de décision. L’option avec la VMA la plus élevée est le choix rationnel, à condition de pouvoir se permettre de jouer sur le long terme.

Cette condition est importante. La VMA est ce qui se passerait en moyenne si la même décision était répétée de nombreuses fois. Pour une société de capital-risque qui fait des dizaines de paris par an, la VMA est une stratégie solide. Pour une entreprise de taille moyenne qui réalise un seul investissement d’infrastructure, le résultat moyen peut être sans importance. Ce qui compte, c’est de savoir si le scénario défavorable est survivable.

C’est là que les arbres de décision deviennent utiles comme outils de communication. Quand un analyste métier présente un arbre à un comité de pilotage, la conversation passe de « quelle option est la meilleure » à « quel niveau de risque sommes-nous prêts à accepter ». La VMA fournit un point de départ, mais la forme de l’arbre révèle l’éventail des résultats possibles et leurs implications.

Décisions séquentielles et valeur de l’attente

Les décisions d’entreprise sont rarement isolées. Un projet pilote mène à une décision de mise à l’échelle. Un choix technologique mène à une décision d’intégration. Une entrée sur le marché mène à une décision d’expansion. Les arbres de décision captent ces séquences naturellement. Chaque étape de l’arbre représente un moment où de nouvelles informations deviennent disponibles et de nouveaux choix émergent.

Cette structure séquentielle révèle quelque chose que les comparaisons à plat manquent: la valeur de l’optionalité. Un investissement initial plus modeste qui préserve le droit d’agrandir, de pivoter ou d’arrêter a une valeur économique réelle. Magee appelait cela la « valeur de position ». La finance moderne parle d' »options réelles ». Quel que soit le terme, l’idée est la même. La flexibilité a un coût, mais il vaut souvent la peine de la payer, et un arbre de décision rend ce compromis visible.

Un exemple de projet

Une entreprise envisage deux approches pour remplacer son système CRM historique. L’option A est un remplacement complet à 500 000 $ avec 60% de chances d’adoption réussie la première année. En cas d’échec, la remédiation coûte 200 000 $ supplémentaires.

L’option B est une migration progressive à 300 000 $ pour la phase un. Si la phase un réussit (probabilité de 70%), la phase deux coûte 250 000 $. Si la phase un échoue, l’entreprise peut revenir au système existant pour 50 000 $. La VMA de l’option A est de 580 000 $. L’option B revient à 490 000 $, avec un scénario défavorable maximal de 350 000 $ au lieu de 700 000 $. L’approche progressive l’emporte parce qu’elle gère le risque plus efficacement.

Trois principes pour un usage pratique

Premièrement, garder l’arbre concentré. Un arbre de décision qui tente de modéliser chaque variable devient un fourré inextricable. On identifie les deux ou trois incertitudes qui influencent réellement le résultat et on les modélise. Le reste est du bruit.

Deuxièmement, tester ses hypothèses. On modifie les probabilités de dix ou vingt points de pourcentage et on regarde si l’option préférée change. Si un léger décalage de probabilité renverse la décision, cette incertitude mérite une investigation approfondie avant de s’engager.

Troisièmement, présenter l’arbre à côté des chiffres. Les parties prenantes qui voient le diagramme comprennent la logique même si elles sautent les calculs. La structure visuelle rend les hypothèses cachées visibles et invite à la critique. C’est précisément le but. Un arbre de décision n’élimine pas le désaccord. Il donne au désaccord une structure productive.