Analyse probabiliste et Monte Carlo

L’analyse probabiliste associe des probabilités à différents résultats financiers possibles. Monte Carlo produit ces résultats en répétant un modèle, un ensemble de relations de calcul, avec des hypothèses tirées dans une distribution de probabilité, une règle décrivant les valeurs possibles et leurs chances de survenir. Le résultat n’est donc pas seulement une prévision centrale, mais une représentation de l’incertitude conditionnelle aux hypothèses retenues.

• Passer du montant unique à l’éventail des possibles. Une prévision ponctuelle, exprimée par une seule valeur, reste utile pour organiser l’activité. Elle ne dit toutefois pas si les résultats possibles sont proches de cette valeur ou très dispersés. Monte Carlo complète cette lecture par une distribution des résultats : niveau central, amplitude et chances de franchir un seuil de décision.
• Relier les risques aux facteurs opérationnels. Un inducteur, variable qui explique l’évolution d’un montant financier, peut être un volume vendu, un prix ou un coût unitaire. La simulation montre comment l’incertitude sur ces facteurs se transmet au résultat. Elle doit aussi représenter leurs dépendances : des hypothèses plausibles séparément peuvent devenir incohérentes lorsqu’elles sont combinées.
• Préparer des actions, pas prédire avec certitude. La direction peut comparer des décisions, prévoir une réserve de trésorerie ou définir un déclencheur d’action. La probabilité calculée reste celle du modèle, non une garantie sur l’avenir. Une mauvaise hypothèse répétée de nombreuses fois reste une mauvaise hypothèse.

La différence avec un scénario, combinaison cohérente d’hypothèses décrivant une situation possible, est importante : un scénario choisi éclaire une situation particulière ; une simulation explore une multitude de combinaisons selon des probabilités explicites. Les deux approches se complètent, comme expliqué dans la fiche sur les scénarios et simulations.

Sans lecture probabiliste, la direction financière présente souvent un montant central accompagné d’un commentaire général sur les risques. Deux prévisions identiques peuvent pourtant cacher des situations très différentes : une activité stable autour du montant attendu, ou une activité exposée à une forte baisse compensée par quelques issues très favorables.

Une incertitude difficile à discuter

Les responsables opérationnels n’expriment pas toujours leurs hypothèses de la même façon. Certains proposent une valeur prudente, d’autres une ambition commerciale. La finance assemble ces montants sans nécessairement distinguer ce qui relève d’un objectif, d’une anticipation ou d’une protection contre le risque. La simulation oblige à poser la question : quelles valeurs sont plausibles, pour quelles raisons, et avec quelle incertitude ?

Un budget, référence chiffrée approuvée pour une période, ne devient pas automatiquement la valeur la plus probable. Confondre objectif budgétaire et anticipation peut conduire à ajuster les hypothèses pour retrouver le résultat souhaité. Une distribution documentée permet de montrer qu’un objectif est atteignable sans être l’issue centrale.

Des risques qui se combinent

Un recul des ventes peut survenir en même temps qu’une hausse du coût d’approvisionnement. Une analyse qui modifie chaque facteur séparément peut manquer cette combinaison. À l’inverse, additionner tous les cas défavorables sans réfléchir à leur compatibilité peut exagérer le risque.

La difficulté devient particulièrement concrète en trésorerie : un résultat annuel acceptable ne garantit pas que les paiements pourront être assurés à chaque échéance. La prévision de trésorerie exige donc de représenter aussi le calendrier des encaissements et décaissements.

Monte Carlo aide à rendre ces arbitrages explicites. Il ne remplace ni les échanges avec les métiers ni le jugement financier. Sa valeur réside dans une discussion plus structurée : quel risque accepte-t-on, quelle action réduit ce risque et quelles hypothèses pourraient invalider la conclusion ?

1. Définir la sortie à analyser. Choisir un montant, une période et un seuil utiles à la décision : résultat d’activité, ventes ou solde de trésorerie. Préciser ce qui est inclus et exclu.

2. Écrire les relations de calcul. Relier les sorties aux inducteurs. Le chiffre d’affaires (CA) est le montant des ventes ; dans un modèle simple, CA = volume vendu × prix unitaire. Les coûts variables évoluent avec l’activité. La marge sur coûts variables est égale au CA moins les coûts variables. Les coûts fixes restent stables dans la plage d’activité étudiée.

3. Décrire les hypothèses incertaines. Déterminer les valeurs possibles et leurs probabilités. Une distribution discrète attribue des probabilités à des valeurs séparées ; une distribution continue décrit des valeurs possibles sur un intervalle. Le choix doit refléter les données disponibles et les mécanismes opérationnels.

4. Représenter les dépendances. Le coefficient de corrélation de Pearson mesure l’association linéaire entre deux variables ; il ne décrit pas toutes les formes de dépendance. Une corrélation de Pearson nulle ne garantit pas leur indépendance. Prix, demande et coût peuvent être liés par une règle opérationnelle ou par une situation commune. Deux variables sont indépendantes si connaître la valeur de l’une ne modifie pas les probabilités concernant l’autre. Dans le cas discret, la probabilité d’une combinaison de leurs valeurs est alors le produit des probabilités individuelles. Les tirer indépendamment sans justification peut produire des combinaisons impossibles.

5. Répéter les tirages et les calculs. Chaque itération, répétition complète du calcul avec un nouveau tirage, fournit un résultat. La graine aléatoire, valeur initialisant le générateur de tirages, permet de reproduire une série avec le même dispositif technique.

6. Synthétiser et contrôler. Calculer les probabilités de seuil et les valeurs centrales. Pour un niveau p compris strictement entre 0 et 1, on retient ici comme quantile la plus petite valeur q telle que la probabilité d’un résultat inférieur ou égal à q soit au moins p. Avec une distribution discrète, cette probabilité peut dépasser p. Pour des résultats simulés, préciser également la convention de calcul utilisée. Vérifier la convergence, stabilité des estimations lorsque le nombre de tirages augmente, puis expliquer les limites. Une estimation stable peut néanmoins rester erronée si le modèle est mal spécifié.

Cas entièrement fictif : une ETI, entreprise de taille intermédiaire, vend un produit à 100 € l’unité sur la période étudiée. Son volume peut être de 10 000 ou 12 000 unités, chaque valeur ayant une probabilité de 50 %. Le coût variable unitaire peut être de 60 € ou 70 €, également avec une probabilité de 50 %. Ces deux variables sont supposées indépendantes dans cet exemple. Les coûts fixes sont de 300 000 €.

On définit ici le résultat d’activité simplifié comme la marge sur coûts variables moins les coûts fixes. Ce montant n’est pas assimilé à un indicateur comptable normalisé.

| Volume | Coût unitaire | Probabilité | CA | Coûts variables | Marge sur coûts variables | Résultat simplifié | |---|---|---|---|---|---|---| | 10 000 | 60 € | 25 % | 1 000 000 € | 600 000 € | 400 000 € | 100 000 € | | 10 000 | 70 € | 25 % | 1 000 000 € | 700 000 € | 300 000 € | 0 € | | 12 000 | 60 € | 25 % | 1 200 000 € | 720 000 € | 480 000 € | 180 000 € | | 12 000 | 70 € | 25 % | 1 200 000 € | 840 000 € | 360 000 € | 60 000 € |

Pour la dernière ligne : CA = 12 000 × 100 = 1 200 000 € ; coûts variables = 12 000 × 70 = 840 000 € ; marge = 1 200 000 − 840 000 = 360 000 € ; résultat = 360 000 − 300 000 = 60 000 €. Chaque combinaison a une probabilité de 50 % × 50 % = 25 %.

L’espérance, moyenne des résultats pondérée par leurs probabilités, vaut ici : (100 000 + 0 + 180 000 + 60 000) / 4 = 85 000 €. Vérification : CA moyen = 1 100 000 € ; coûts variables moyens = 715 000 € ; résultat moyen = 1 100 000 − 715 000 − 300 000 = 85 000 €.

La probabilité d’un résultat strictement inférieur à 50 000 € est de 25 %, car seule l’issue à 0 € satisfait cette condition. Celle d’un résultat strictement positif est de 75 %.

Le tableau énumère toutes les possibilités : ces probabilités sont donc exactes sous les hypothèses retenues. Monte Carlo tirerait ces combinaisons de façon répétée et en estimerait les fréquences. L’espérance de 85 000 € n’est elle-même aucune des issues possibles : elle ne doit pas être présentée comme un résultat garanti.

1. Cadrer la décision. Identifier le destinataire, la période étudiée, le seuil sensible et les actions envisageables. Livrable : une note de cadrage précisant la question à résoudre et la façon dont les résultats seront utilisés. Éviter un projet lancé uniquement pour produire un graphique d’incertitude.

2. Construire un modèle financier explicable. Partir de relations que la finance peut rapprocher des réalisations et que les métiers reconnaissent. Livrable : un schéma des calculs, avec unités, calendrier et périmètre. Le pilotage par les inducteurs fournit une base utile pour relier activité et résultats.

3. Constituer le dossier d’hypothèses. Rassembler historiques, contraintes contractuelles et avis opérationnels. Distinguer ce qui est observé, estimé ou décidé. Livrable : un registre des hypothèses indiquant source, responsable, justification, valeurs possibles, dépendances et date de révision.

4. Développer un pilote limité. Choisir une activité dont les mécanismes sont compris et les données disponibles. Livrable : un modèle exécutable, accompagné de cas de contrôle simples dont les résultats peuvent être vérifiés manuellement. Ajouter des alertes sur les valeurs impossibles et les incohérences d’unités.

5. Valider avec la finance et les métiers. Examiner les combinaisons produites, les situations extrêmes et la stabilité des résultats. Livrable : un dossier de validation exposant les tests, les réserves et les conditions d’utilisation. Un historique limité doit conduire à une formulation prudente, pas à une précision artificielle.

6. Intégrer au cycle de prévision. Fixer qui actualise les données, qui approuve les hypothèses et qui décide. Livrable : un calendrier de fonctionnement et une restitution standard comprenant résultats, changements d’hypothèses et actions proposées.

7. Organiser le suivi. Comparer les réalisations aux distributions archivées et expliquer les écarts. Livrable : un journal des modifications et des enseignements. Le déploiement est réussi lorsque la simulation éclaire une décision récurrente, non lorsqu’un calcul fonctionne une seule fois.

Partir de la décision, puis choisir la complexité

Un modèle utile répond à une question identifiable. Si la décision porte sur un risque de trésorerie, une distribution de ventes seule ne suffit pas : il faut relier ventes, paiements et échéances. Commencer avec les facteurs déterminants facilite la validation et évite de disperser l’effort sur des variables sans effet matériel sur la décision.

Documenter ce qui fonde chaque hypothèse

Une distribution peut venir de données historiques, d’une contrainte physique ou d’un jugement métier. Ces fondements n’offrent pas le même niveau de confiance. Conserver la justification permet de réviser une hypothèse lorsque le contexte change. La gestion des hypothèses budgétaires est donc un complément indispensable au calcul.

Respecter les mécanismes opérationnels

Une capacité de production ne doit pas être dépassée sans représenter le coût ou le délai associé. Un tarif contractuel ne doit pas varier comme un prix libre. Les coûts fixes peuvent changer lorsque l’activité franchit un palier : le modèle doit alors décrire cette règle plutôt que prolonger une relation devenue fausse.

Séparer diagnostic et décision

L’analyse de sensibilité, étude de l’effet d’une variation d’hypothèse sur le résultat, aide à identifier les facteurs importants. Elle ne prouve pas qu’ils sont tous contrôlables. Un prix de matière peut peser fortement sans pouvoir être modifié ; une action sur les stocks peut être plus accessible. Présenter les leviers réellement disponibles avec leurs délais et leurs coûts.

Restituer ensemble résultat, risque et limites

Afficher une valeur centrale, une plage de résultats, la probabilité de franchir le seuil utile et les principales hypothèses. Expliquer ce qui manque au modèle. Distinguer une prévision avant action d’une prévision intégrant une mesure décidée : sinon, la réduction du risque peut être comptée sans que l’action soit engagée.

Enfin, conserver la version des données, des règles et des tirages. Cette traçabilité permet de comprendre pourquoi deux simulations diffèrent et d’éviter qu’un changement technique soit interprété comme une évolution de l’activité.

Donner une autorité excessive au calcul

Multiplier les tirages réduit l’instabilité liée à l’échantillonnage, mais ne corrige ni des données fausses ni une relation économique mal décrite. Présenter les résultats comme des estimations conditionnelles aux hypothèses. Vérifier d’abord les équations et les données, puis la stabilité numérique.

Choisir une distribution par habitude

La loi normale, distribution symétrique en forme de cloche, n’est pas adaptée automatiquement à toute variable. Elle peut générer des valeurs négatives incompatibles avec certains volumes ou coûts. Choisir une représentation cohérente avec les bornes et les mécanismes réels, puis vérifier les valeurs effectivement produites.

Ignorer les dépendances ou les inventer

Supposer tous les facteurs indépendants peut minimiser ou amplifier le risque. Une corrélation observée dans un contexte donné peut aussi changer. Documenter la dépendance, tester des représentations alternatives et vérifier les combinaisons avec les métiers. Une corrélation ne prouve pas qu’une variable cause l’autre.

Confondre plage probable et garantie

Un intervalle prédictif, plage destinée à contenir un résultat futur avec une probabilité donnée selon le modèle, n’est pas une limite infranchissable. Il diffère d’un intervalle de confiance, qui exprime l’incertitude d’estimation d’un paramètre. Employer le bon terme et préciser la convention de calcul des quantiles.

Sous-estimer les événements absents de l’historique

Un historique calme ne démontre pas l’impossibilité d’une rupture. Un test de résistance, examen d’une situation sévère choisie pour éprouver le modèle ou la décision, complète la simulation. Il ne faut pas attribuer une probabilité précise à cette situation sans fondement.

Mélanger réalisations et périodes encore incertaines

Une période achevée ne doit pas être tirée à nouveau comme si elle restait future. Figer les réalisations, simuler la partie restante et actualiser les dépendances. De même, ne pas additionner les quantiles de plusieurs entités pour obtenir celui du groupe : il faut agréger leurs résultats dans chaque itération.

Un KPI, indicateur clé de performance, doit relier la simulation à une décision. La qualité du dispositif se juge à la fois sur le risque décrit, la fiabilité du calcul et le suivi des réalisations.

• Probabilité de franchissement d’un seuil. Estimation = nombre d’itérations respectant la condition / nombre total d’itérations. Préciser le sens du seuil et son caractère strict ou inclusif. Une probabilité de baisse du résultat et une probabilité de dépassement des dépenses n’ont pas la même lecture.
• Résultat moyen simulé. Moyenne = somme des résultats simulés / nombre d’itérations. La compléter par la médiane, valeur partageant la distribution en deux moitiés selon une convention précisée, et par des quantiles lorsque la distribution est dissymétrique.
• Largeur de l’intervalle prédictif. Largeur = borne supérieure − borne inférieure. Toujours afficher la probabilité nominale associée et l’horizon. Une plage étroite n’est pas une preuve de qualité si elle exclut régulièrement les réalisations.
• Couverture observée. Couverture = nombre de réalisations situées dans leur intervalle prévisionnel / nombre de prévisions évaluées. La comparer à la probabilité nominale sur des prévisions comparables, en tenant compte de la taille du suivi et des dépendances entre périodes.
• Écart de prévision. Écart = réel − forecast. Pour un résultat, un écart positif est généralement favorable ; pour une dépense, il est généralement défavorable. Expliciter la convention métier.

La forecast accuracy, mesure de précision d’une prévision ponctuelle, peut être calculée par : 1 − |réel − prévision| / réel, pour un réel strictement positif. Elle est indéfinie avec un réel nul et peut devenir négative. Elle ne mesure pas la qualité de toute la distribution ; voir mesurer la fiabilité des prévisions.

Les livrables attendus sont un registre d’hypothèses, une distribution des résultats, une synthèse des seuils, un contrôle de convergence et une note de décision. Le suivi doit également apprécier la calibration, concordance dans la durée entre probabilités annoncées et fréquences observées.

Un EPM, système de gestion de la performance de l’entreprise, organise les données, les modèles et les processus de planification. Pour l’analyse probabiliste, sa contribution principale est de rendre le calcul cohérent avec les données financières et le cycle de décision. Il ne garantit pas, à lui seul, la pertinence statistique des hypothèses.

Des fonctions concrètes à rechercher

La collecte des réalisations évite de ressaisir des montants déjà disponibles. Un référentiel partagé aligne entités, produits, périodes et unités. Les règles de calcul permettent de relier les inducteurs aux résultats. La gestion des versions distingue prévision de référence, simulation et prévision après action.

Les circuits de validation rendent visibles les responsabilités sur les hypothèses. Les droits d’accès protègent les données sensibles. La traçabilité conserve les sources, les modifications et les approbations. La restitution peut présenter des quantiles, des probabilités de seuil et des comparaisons entre décisions, si ces éléments sont effectivement calculés et intégrés au dispositif.

Distinguer planification et moteur probabiliste

La simulation peut être construite dans les capacités de modélisation disponibles ou exécutée dans un moteur spécialisé connecté à l’EPM. Il faut vérifier, pour chaque solution et configuration, le traitement des distributions, des dépendances, des tirages et de la reproductibilité. Une fonction de scénarios ne constitue pas automatiquement un moteur Monte Carlo.

OneStream, Anaplan, Pigment et Board font partie des éditeurs à examiner selon le contexte de planification. CCH Tagetik, Oracle EPM, SAP Analytics Cloud et Workday Adaptive Planning peuvent également entrer dans cette analyse. Cette liste n’est ni un classement ni une affirmation de disponibilité native de chaque fonction probabiliste.

La sélection doit s’appuyer sur un cas représentatif : importer les hypothèses, exécuter ou intégrer le calcul, restituer les seuils et reproduire les résultats. Vérifier aussi le stockage des sorties, les contrôles et les conditions d’exploitation avec les utilisateurs financiers.

Débutant : rendre l’incertitude explicite

L’organisation dispose d’une prévision centrale et commence à décrire des valeurs alternatives. Les distributions sont simples, souvent fondées sur des avis métier. Le modèle couvre une activité limitée et les résultats sont vérifiés manuellement sur des cas faciles à recalculer.

Les signes distinctifs sont une question de décision claire, des hypothèses écrites et une restitution qui distingue résultat attendu et risque. La limite principale est une validation encore ponctuelle. La priorité n’est pas d’ajouter des variables, mais de fiabiliser les relations et de conserver les prévisions pour les comparer aux réalisations.

Intermédiaire : intégrer au cycle de pilotage

La simulation revient à chaque actualisation pertinente. Les données réalisées sont figées, les périodes futures sont recalculées et les dépendances importantes sont documentées. Les responsables métier approuvent les hypothèses ; la finance contrôle les calculs et explique les changements.

Les signes distinctifs sont un registre maintenu, des versions reproductibles, un suivi de couverture et des seuils reliés à des actions. Les sorties ne servent plus seulement à illustrer une présentation : elles alimentent une revue de décision. La priorité devient l’évaluation de la qualité dans le temps et la cohérence entre activités.

Avancé : piloter des décisions sous incertitude

L’organisation compare explicitement plusieurs actions en intégrant leurs coûts, leurs délais et leurs conditions de déclenchement. Elle distingue l’incertitude sur les événements futurs de celle qui porte sur les paramètres du modèle. Elle teste des dépendances alternatives et des situations sévères hors de la simulation courante.

Les signes distinctifs sont une validation indépendante des modèles sensibles, une agrégation cohérente des activités et un retour d’expérience structuré. Les décisions sont accompagnées d’une justification du risque accepté et d’un plan de révision.

La maturité ne se mesure pas au nombre de tirages ni à la sophistication des graphiques. Un modèle simple, compris et utilisé peut être plus utile qu’un dispositif complexe sans propriétaire. Le niveau approprié dépend de l’enjeu financier, des données disponibles et de la capacité à agir.

• [ ] Quelle décision cette analyse doit-elle éclairer, et qui en est responsable ?
• [ ] Le montant étudié, son périmètre et son horizon sont-ils définis sans ambiguïté ?
• [ ] Le seuil critique correspond-il à une contrainte ou à une action réellement identifiable ?
• [ ] Avons-nous distingué le budget approuvé de la prévision de ce qui pourrait se produire ?
• [ ] Les réalisations sont-elles figées, sans être soumises à de nouveaux tirages ?
• [ ] Les relations entre activité, coûts et résultats peuvent-elles être expliquées et recalculées ?
• [ ] Les unités, devises et calendriers sont-ils cohérents dans l’ensemble du modèle ?
• [ ] Chaque hypothèse possède-t-elle une source, un responsable et une justification ?
• [ ] Les valeurs possibles respectent-elles les contrats, capacités et autres contraintes opérationnelles ?
• [ ] Les dépendances entre variables sont-elles documentées plutôt que supposées par défaut ?
• [ ] Les métiers ont-ils examiné des combinaisons favorables, défavorables et inhabituelles ?
• [ ] Des cas simples permettent-ils de vérifier les calculs indépendamment de la simulation ?
• [ ] La stabilité des probabilités de seuil et des quantiles a-t-elle été contrôlée ?
• [ ] Les données, règles, versions et paramètres de tirage permettent-ils de reproduire les résultats ?
• [ ] La restitution distingue-t-elle moyenne, quantiles et probabilités de franchissement ?
• [ ] Les conventions de seuil, de quantile et de signe des écarts sont-elles explicites ?
• [ ] Les événements mal représentés par l’historique sont-ils examinés séparément ?
• [ ] Les actions simulées incluent-elles leur coût, leur délai et leur faisabilité ?
• [ ] Les prévisions archivées permettent-elles d’évaluer couverture et calibration dans la durée ?
• [ ] Un processus prévoit-il la révision du modèle lorsqu’une réalisation contredit ses hypothèses ?

Une réponse négative n’interdit pas nécessairement un pilote. Elle doit devenir une réserve explicite, une action corrective ou une limite d’usage. En revanche, un modèle non explicable, des données incohérentes ou un seuil sans conséquence décisionnelle doivent être traités avant d’utiliser la simulation pour arbitrer.

À retenir. Monte Carlo transforme des hypothèses incertaines en une distribution de résultats possibles. Son intérêt est de relier cette incertitude à des seuils et à des actions. La crédibilité vient de la qualité du modèle, de la documentation et du suivi des réalisations, pas du seul volume de calcul.

Monte Carlo remplace-t-il la prévision centrale ?

Non. La prévision centrale reste utile pour coordonner l’activité et établir une référence de gestion. La simulation indique les risques autour de cette référence. Il faut préciser si la valeur retenue correspond à une moyenne, une médiane ou une autre convention, car ces choix peuvent conduire à des montants différents.

Faut-il un long historique pour commencer ?

Un historique exploitable aide à décrire les variations, mais ne suffit pas toujours à représenter le futur. Un premier modèle peut associer données disponibles, contraintes et jugements métier documentés. Avec peu d’observations, mieux vaut tester plusieurs hypothèses plausibles que présenter une probabilité comme précisément établie.

Combien de tirages faut-il effectuer ?

Il n’existe pas de nombre universel. Le besoin dépend de la précision attendue et de la rareté des événements étudiés. Augmenter progressivement les tirages et vérifier la stabilité des sorties utiles à la décision. Répéter le calcul avec d’autres graines aide à distinguer une fluctuation de simulation d’un changement d’hypothèses.

Peut-on additionner les plages de plusieurs activités ?

Pas pour obtenir directement la plage du groupe. Les résultats doivent être additionnés dans chaque itération, en représentant les dépendances entre activités. Les quantiles sont ensuite calculés sur les totaux simulés. Additionner des bornes séparées revient généralement à supposer une combinaison qui n’est pas justifiée.

Que faire si le réel sort de l’intervalle annoncé ?

Une sortie isolée peut être compatible avec la probabilité prévue : un intervalle n’est pas une garantie. Il faut vérifier les données, identifier l’événement et suivre la fréquence des sorties dans le temps. Des écarts répétés ou orientés dans le même sens peuvent signaler des hypothèses mal calibrées, une dépendance oubliée ou un changement durable de l’activité.