De la stratégie à l'implémentation

Les pratiques managériales évoluent au fil des ans, avec les changements de l’environnement des affaires et, par exemple, les nouvelles possibilités offertes par les technologies de l’information. Pourtant, 40 ans après que la stratégie d’entreprise soit devenue une discipline en soi, le même problème est resté en attente de solution : comment mettre en œuvre une stratégie ?

Dirigeants, chercheurs et consultants, tous ont proposé des solutions qui ont pu se révéler efficaces dans telle ou telle situation spécifique ou avec tel ou tel style de leadership. Pourtant encore aujourd’hui, bien des dirigeants s’interrogent toujours sur les difficultés rencontrées dans l’exécution de leurs plans, pendant que les équipes proches du terrain se sentent souvent mal comprises, dans leurs besoins et leurs priorités, par la direction. Les disparités de points de vue peuvent rester nombreuses, même avec les meilleures intentions de tous les protagonistes.

L’un des outils de stratégie le plus connu et le plus répandu aujourd’hui, reste toujours la matrice de portefeuille, une sorte de diagramme à bulle séparé habituellement en quatre quadrants distincts. Le diagramme est d’autant plus riche en information qu’il comprend trois indicateurs à la fois : Dans l’exemple ci-dessous, le « %Marge » est montré verticalement, sa variation horizontalement, et le « Revenu » est proportionnel à la taille de chaque bulle. Ces dernières représentent les différentes familles de produits d’un distributeur de produits alimentaires des cuisines du monde. Les familles à bulles vertes ont une marge au-dessus de la moyenne et en croissance, les familles à bulles rouges ont une marge en-dessous de la moyenne et en déclin, et celles à bulles jaunes sont aussi en déclin, mais avec des marges en-dessus de la moyenne.

Ce type de matrices est bien approprié pour les analyses et les décisions à caractère financier, un peu à la manière dont on gère un portefeuille d’actions ou autres produits financiers. Mais souvent ces matrices sont utilisées aussi pour prendre des décisions ayant un impact opérationnel, comme par exemple « cette famille de produits a connu une croissance de 3 points de marge le semestre dernier, fixons un objectif de 2 points supplémentaires pour le semestre prochain ». Ou encore « cette bulle rouge est en dessous de la moyenne et en fort déclin, peut-être devrions-nous nous en débarrasser complètement ? ». Au niveau stratégique d’une grande société, on parlera également de divisions produits, de business units et de grandes zones géographiques.

De telles décisions clé, quand elles sont prises essentiellement en fonction de données globales, peuvent induire en erreur car souvent celles-ci ne reflètent pas la réalité des données sous-jacentes. D’où des problèmes de fond souvent pernicieux dans la mise en place d’une stratégie. En effet, examinons de plus près notre exemple de la matrice des marges, au niveau des produits pris individuellement. Là s’offre à nous une vision très différente de celle que nous avons pu voir au niveau global des familles de produits.

Tous les produits représentés par des petites bulles vertes, appartiennent à des familles de produits de couleur verte également, situées dans le quadrant en haut à droite de la matrice ; pourtant les petites bulles vertes, elles, sont dispersées dans l’ensemble des quatre quadrants. Ce phénomène de dispersion est vrai également pour les couleurs des autres quadrants, et donc pour toutes les familles de produits globales par rapport à leurs produits individuels. Le problème ici n’est pas de ceux que l’on peut écarter facilement. En effet, nous avons l’habitude de penser que, par exemple, si une entité est en croissance, la plupart de ses composantes doivent être en croissance également. Dans l’étude de cas ci-dessus, une moyenne de 40% de produits individuels n’appartiennent pas au quadrant de leur famille d’origine. Ainsi une famille de produits « verte », peut parfaitement être au-dessus de la moyenne et croître en marge, et pourtant 40% ou plus de ses produits sous-jacents peuvent se comporter différemment, par exemple décliner. Ce constat est aussi vérifié si l’on pondère les produits par leur revenu : environ 40% du revenu produit total provient de quadrants différents de ceux des familles de produits. Voilà une vision très différente de celle de la traditionnelle matrice avec ses bulles agrégées. Comment dans ces conditions les directions d’entreprises peuvent-elles prendre des décisions en connaissance de cause, surtout quand elles manquent de temps pour tenir compte de données détaillées ?

En fait, nos recherches à EFFIS montrent que les disparités entre des matrices au niveau global et ces mêmes matrices au niveau local, sont habituellement comprises entre 30% et 60% voire plus. Afin de prendre pleinement en compte ces résultats troublants, nous avons introduit un nouveau type d’indicateurs qui mesurent les écarts entre vision globale et vision locale. « L’Intra » est la part du local qui se comporte comme le global : ici il s’agit des produits se trouvant dans le même quadrant que leur famille de rattachement. A l’opposé, « l’Extra » est la part du local qui se comporte différemment du global, c'est-à-dire ici ne se trouvant pas dans le même quadrant que celui de la famille de rattachement. Ainsi l’Extra est une mesure des disparités entre vues globales et locales. Dans notre exemple, la proportion moyenne d’Extra est d’environ 40%.

Afin de donner une représentation visuelle de “l’Intra” et de “l’Extra”, nous avons ajouté à chaque bulle d’une matrice, une couronne qui dépeint l’Intra en vert et l’Extra en rouge (voir ci-dessous). Si l’Extra est faible, les données sous-jacentes sont plutôt homogènes et le global est un bon reflet du local ; par contre si l’Extra est élevé, les données sous-jacentes sont hétérogènes, et souvent le global n’est qu’un pâle reflet du local. Il faut alors creuser dans les détails, et aussi comprendre comment l’Extra se répartit entre les différents quadrants. Ainsi une bulle rouge avec beaucoup d’Extra méritera par exemple d’être sauvée, si une part considérable des produits qu’elle est censée représenter appartiennent aux autres quadrants plus valorisés. Alors que la croissance d’une bulle verte peut être compromise si ses constituants sont pour une large part en déclin.

D’après notre expérience, ce type d’exploration guidée est particulièrement utile quand il y a de la complexité dans les modes d’opérations d’une entreprise : plusieurs milliers de produits et/ou de clients, ou encore de nombreux produits en compétition sur de multiples segments de marché, un environnement que l’on trouve dans la grande consommation, mais pas exclusivement. Au niveau groupe, une grande entreprise est toujours aux prises avec de la complexité. Et dans de tels contextes, il est souvent tentant de vouloir la réduire. Une approche est de limiter l’hétérogénéité et donc la part d’Extra, en ayant recours à des segmentations organisationnelles qui malheureusement conduisent souvent à des « silos », au détriment de liens transverses favorisant flexibilité et responsabilisation.

Au niveau d’une direction, ce type de préoccupations est souvent essentiel quand il s’agit de mettre en œuvre une stratégie. Pourtant le processus est difficile à appréhender avec les indicateurs de performance habituels. Si les jugements qualitatifs restent irremplaçables, l’Intra et l’Extra apportent un nouveau type d’indicateurs qui sont les bienvenus dans un monde de la gestion toujours plus analytique, avec des outils de reporting omniprésents. Si mettre en œuvre une stratégie reste un art difficile, la pratique de cette discipline en tant que science pourrait s’avérer de plus en plus pertinente.

Les dirigeants peuvent-ils enfin se fier à leurs tableaux de bord ?

Après des années passées à obtenir des sources de données fiables et cohérentes, les directions d’entreprise sont confrontées maintenant à un problème tout aussi fondamental : celui de décisions prises au vu de données globales certes exactes, mais souvent trompeuses quand elles ne reflètent pas le comportement des données sous-jacentes.

Prenons quelques exemples concrets. Celui tout d’abord d’un distributeur qui déstocke tous ses articles sans exception à moins 20% du prix habituel. Une fois l’opération terminée, le comptable en annonce le résultat au directeur des ventes : « Vous avez vendu la même quantité d’articles qu’au cours de la promotion de l’an passé, mais le prix moyen global a augmenté et donc également notre chiffre d’affaires. La direction s’interroge ? Comment le prix moyen a-t-il pu augmenter alors que les prix de tous les articles ont baissé de 20% ? Et le comptable d’expliquer que les clients ont profité de l’offre promotionnelle pour acheter des articles dans l’ensemble plus chers ; si bien que globalement le prix moyen a augmenté, même si les prix des articles pris individuellement ont baissé.

Autre exemple : les syndicats se plaignent au sein d’une entreprise que les salaires sont gelés depuis trois ans ; et pourtant la direction soutient de bonne foi que le salaire moyen a augmenté ! Qui a raison ? Tout le monde, car il y a eu des délocalisations de la production désormais sous-traitée en Asie. Il y a du coup moins d’ouvriers parmi les salariées de l’entreprise dont la proportion de cadres a logiquement augmenté. Donc l’entreprise a été vers une proportion de salaires plus élevés, et mécaniquement le salaire moyen de l’ensemble de l’entreprise a augmenté, alors que cela n’a pas été le cas des salaires individuels.

Voici un troisième exemple : l’un des fournisseurs d’une chaine de magasins a classé l’ensemble de ces magasins par régions. Le nouveau directeur commercial du fournisseur propose de concentrer les efforts sur les principales régions, et de laisser de coté une ou deux régions de faible importance pour le chiffre d’affaires global de l’entreprise. Mais certains dans la force de vente ne sont pas d’accord : ils soulignent que l’une de ces régions, comportant certes peu de magasins, possède le chiffre d’affaires le plus élevé par magasin de toute la chaine, avec de belles perspectives de développement. On a donc là une petite région au niveau global et cependant les magasins les plus performants au niveau local.

Ces réelles divergences de points de vue entre le global et le local, le stratégique et l’opérationnel, sont plus la règle que l’exception, contrairement à ce que l’on pourrait penser. Et il ne s’agit pas ici simplement de divergences subjectives mais de données chiffrées. Dans cette optique, nous avons introduit un nouveau type d’indicateurs pour mesurer les disparités entre global et local : l’Intra est la partie du local qui se comporte comme le global ; l’Extra est à l’opposé la partie du local qui se comporte différemment du global. L’Extra est donc une mesure des divergences de comportement entre global et local. Si l’on se réfère aux exemples précédents, l’Extra est dans les trois cas égal à 100% : un prix moyen global qui monte et des prix individuels tous en baisse ; un salaire moyen global qui croit et des salaires individuels qui ne croissent pas ; les ventes les plus faibles au niveau régional avec les ventes les plus élevées par magasin. Ainsi par trois fois, nous voyons un global qui se comporte complètement différemment du local

Certes ce sont là des cas d’école, mais quelle que soit la situation de l’entreprise, notre expérience montre que l’Extra est généralement élevé. Sans rentrer ici dans les détails de calcul, l’Extra est souvent compris entre 30% et 60%, avec des pics à 70% et plus qui ne sont pas rares. C’est dire si les différences de comportement entre global et local peuvent être prononcées. Comment gère-t-on alors une entreprise avec des tableaux de bord qui n’offrent souvent qu’une image très déformée de la réalité opérationnelle ?

Au niveau d’un état-major, ces questions sont peu évoquées sauf en cas de problèmes particuliers, car les dirigeants ont rarement le temps de descendre dans le détail des données. La réponse est qu’heureusement, les managers connaissent leur métier et leurs données (comme dans l’exemple ci-dessus de la chaine de magasins). C’est l’intervention humaine à tous les niveaux, qui supplée aux limites des tableaux de bord actuels.

Certains estiment cependant que ces limites n’ont pas lieu d’être, et qu’il suffirait de mener une analyse de besoins afin de déterminer les indicateurs les plus pertinents et ne prêtant pas à confusion. Ainsi dans l’exemple des magasins ci-dessus, l’on pourrait introduire comme indicateur le chiffre d’affaires par magasin, ce qui donnerait une vision locale de la répartition du CA, et non seulement globale par régions. Mais encore faut-il savoir à l’avance que le CA par magasin est bien pertinent, ce qui ne serait pas le cas sans disparités notables du CA entre magasins. Prenons encore l’exemple d’une entreprise dont la marge globale a progressé de 5%, avec pourtant 70% du CA réalisé avec des produits dont la marge a baissé individuellement ! Pour expliquer ce phénomène notable, du à des variations de mix dans la gamme produit, l’on pourra introduire un indicateur de contribution de chaque produit à la marge globale. Mais là aussi faut-il avoir déjà connaissance du phénomène pour penser à introduire l’indicateur explicatif pertinent.

Ni la connaissance métier, ni la meilleure étude de besoins ne sauraient donc prétendre couvrir tous les cas de disparités dans les données, surtout quand il y a de la variation dans la performance, et de la complexité : que penser devant celle d’une grande entreprise, ou même d’entreprises moyennes devant gérer des milliers de clients et de produits ? Ou bien devant certains marchés où se bousculent les concurrents ? Que faire quand il devient difficile d’avoir une connaissance du détail des chiffres sans s’y perdre ? Comme l’on sait, « le diable est dans les détails » et peut invalider parfois la stratégie la mieux pensée à un niveau global.

De plus les besoins en indicateurs et leur pertinence changent de plus en plus souvent avec l’environnement des entreprises et leur stratégie. L’entreprise agile a besoin d’indicateurs « agiles ». L’Extra (voir plus haut) permet de repérer immédiatement les divergences de points de vue entre global et local, entre stratégique et opérationnel... quitte alors à introduire, le cas échéant, de nouveaux facteurs explicatifs.

Une première étape pour systématiser cette démarche, consisterait à introduire l’Extra dans les tableaux de bord d’entreprise, permettant de savoir là où il est réellement utile de « forer » dans le détail des données. Si l’Extra est faible, les données sous-jacentes sont plutôt homogènes et le global est un bon reflet du local ; par contre si l’Extra est élevé, les données sous-jacentes sont hétérogènes, et souvent le global n’est qu’un pâle reflet du local. Il faut alors creuser dans les détails. Une deuxième étape serait de se doter d’outils d’exploration de la complexité, permettant de mieux gérer les convergences et les divergences inévitables de points de vue entre les différents niveaux d’une organisation. Encore un grand chantier pour le futur de la Business Intelligence, auquel EFFIS travaille déjà avec ses méthodes et son logiciel « 4S Manager ».

Note : une version antérieure de cet article a déjà été publiée dans les journaux en ligne "Decideo" et "DAF.info".