
Le pilotage par les indicateurs s’est imposé partout : support informatique, équipes de développement, marketing, direction générale. La promesse est séduisante. Un chiffre est objectif, comparable, défendable en comité. Il met tout le monde d’accord.
Cet article propose de regarder ce que ces chiffres mesurent, au juste. Nous nous focaliserons sur sur le chiffres exacts qui peuvent raconter de fausses histoires. Nous verrons qu’ils se répartissent en trois familles, chacune avec sa mécanique propre. Et qu’ils ont un point commun : chacun prépare son moment “D’oh!”, cette lucidité tardive chère à Homer Simpson, sur laquelle nous reviendrons.
On ne mesure pas ce qu’on veut, on compte ce qu’on peut
Un indicateur est toujours un proxy : un effet de ce que l’on veut obtenir, mais distinct de celui-ci.
Personne ne sait mesurer directement « la qualité du support » ou « la performance d’une équipe de développement ». On mesure donc autre chose, de plus facile à compter, en supposant que la corrélation tient :
- le nombre de tickets résolus, comme proxy de la qualité de service
- le nombre de livraisons applicatives, comme proxy de la productivité
- le trafic organique, comme proxy de la performance SEO
- le taux de clic, comme proxy de l’intérêt utilisateur
Tant que personne n’est jugé sur le proxy, la corrélation tient à peu près. Le problème commence quand le proxy devient un objectif.
Typologie des métriques trompeuses
Type 1 : la métrique d’activité prise pour une métrique de résultat
Le compteur enregistre que quelque chose s’est produit. Il ne dit pas que quelque chose s’est amélioré.
Cas d’usage : le support informatique piloté au nombre de tickets résolus.
Une DSI mesure la performance de son support au volume de tickets clos par période. La logique paraît saine : plus de résolutions, plus de problèmes traités. Voici les comportements que cette métrique produit mécaniquement :
- priorisation inversée : les tickets rapides passent devant les tickets complexes, qui vieillissent en file
- clôtures prématurées : le ticket est fermé avant validation utilisateur ; l’utilisateur rouvre, ce qui crée un second ticket, donc une seconde résolution comptabilisée
- fragmentation : un problème est découpé en plusieurs tickets, chacune alimentant le compteur
- abandon de la cause racine : focalisation sur le symptôme sans traitement du fond qui ferait disparaître les récurrences, donc baisser l’indicateur
La métrique récompense le fait de ne pas résoudre le problème de fond. L’indicateur monte, la qualité de service descend, et les utilisateurs apprennent à contourner le support.
À noter : personne ne triche. Chaque technicien fait rationnellement ce que l’organisation valorise. La dérive est de bonne foi, et c’est ce qui la rend durable.
Type 2 : la métrique auto-alimentée
Cas plus pervers : la métrique qui récompense l’inverse de ce qu’elle croit mesurer, avec une boucle de rétroaction.
Cas d’usage : l’équipe de développement pilotée au nombre de livraisons.
Une équipe qui livre du code fragile génère des anomalies. Les anomalies génèrent des correctifs. Les correctifs sont des livraisons. Conclusion mécanique : plus l’application est buggée, plus l’équipe paraît performante. Une équipe rigoureuse, qui livre moins mais juste, est pénalisée par comparaison.
Cette métrique bénéficie pourtant d’une caution sérieuse : la fréquence de déploiement est l’un des quatre indicateurs du modèle DORA (DevOps Research and Assessment), popularisé par l’ouvrage Accelerate (Forsgren, Humble, Kim, 2018). Mais le modèle ne fonctionne que par couplage. Les quatre indicateurs DORA se contrôlent mutuellement :
- deployment frequency : fréquence de déploiement
- lead time for changes : délai entre commit et production
- change failure rate : taux d’échec des changements
- time to restore service : temps de rétablissement après incident
Livrer souvent n’est un signal de santé que si le taux d’échec reste bas. Beaucoup d’organisations ont conservé le chiffre qui monte et amputé les contrepoids. Un indicateur extrait de son système de contrôle cesse de mesurer ce pour quoi il a été conçu.
Type 3 : la métrique vraie mal attribuée
Troisième famille, la plus insidieuse : le chiffre exact dont l’interprétation causale est fausse.
Premier cas d’usage : +35 % de visibilité SEO pas an entre 2020 et 2023.
Sur une référence client, la visibilité SEO progresse de 35 %. Le chiffre est exact, mesuré, disponible dans Google Analytics. Personne ne pourrait le contester.
Il est pourtant inutilisable comme preuve. La période correspondait au Covid : magasins physiques fermés, trafic mécaniquement reporté vers le site. La hausse mesure la fermeture des magasins, pas le travail d’optimisation.
Second cas d’usage : le pic de campagne qui n’a jamais existé.
Un tir de visites simulées : un script Python pilotant Chromium en headless via Playwright, des user agents aléatoires, des UTM de campagne dans les URL. Les sessions s’enregistrent dans Analytics et s’attribuent proprement à la campagne. Le chiffre est exact, les requêtes ont bien eu lieu. Mais l’outil compte des hits, pas des visiteurs.
Dans le premier cas, c’est la cause qui est mal attribuée. Dans le second, c’est la population qui est mal identifiée. Dans les deux cas, seuls les collaborateurs qui ont vécu la période peuvent lire le chiffre correctement, avec pertinence.
Ce type est le plus dangereux des trois, car il passe tous les contrôles. La donnée est propre, la mesure est fiable, l’outil ne ment pas. C’est l’attribution qui ment, ou l’oubli du contexte. Aucun audit de données ne détecte ce problème : il ne se voit pas dans les chiffres, il se voit sur le terrain. Il se raconte par ceux qui étaient présents. Puis le contexte passe à la trappe, et il reste les chiffres.
Pourquoi ces métriques survivent
Ces trois mécaniques sont connues, documentées, enseignées. La question intéressante n’est donc pas « pourquoi ça dérive » mais « pourquoi ça dure ».
Ces métriques survivent parce qu’elles rendent service :
- faciles à compter : pas de méthodologie complexe, pas de débat sur la mesure
- comparables : entre équipes, entre périodes, entre prestataires
- défendables : un chiffre en comité de pilotage clôt la discussion
- protectrices : le prestataire prouve son activité, le manager prouve son pilotage, le client prouve son investissement
Le chiffre qui arrange n’a besoin de personne pour tricher. Il lui suffit que personne n’ait intérêt à poser la question de la pertinence de l’interprétation ou que les contextes aient disparu avec les collaborateurs qui portaient la connaissance des projets de l’entreprise.
Les documentations techniques abondent, mais elles consignent le comment, presque jamais le pourquoi. Or le pourquoi ne relève pas de l’état de l’art : il enregistre l’adaptation d’une méthode à un contexte économique, politique, social ou même technique. C’est cette couche qui disparaît quand les équipes changent, et avec elle la capacité de lire le chiffre correctement.
Le moment “D’oh!”
Chacune de ces trois familles a pourtant son moment de vérité. Empruntons-le à Homer Simpson : le D’oh!, cet instant de lucidité tardive où tout semblait cohérent, jusqu’à ce que la réalité reprenne ses droits.
- D’oh de type 1 : l’enquête de satisfaction annuelle revient. Le compteur de tickets affiche un record, et les utilisateurs déclarent ne plus solliciter le support. Les deux chiffres sont vrais.
- D’oh de type 2 : la production tombe un vendredi soir. L’équipe la plus performante du tableau de bord est celle dont l’application concentre les incidents. Le compteur de livraisons n’avait rien vu venir : il comptait les correctifs.
- D’oh de type 3 : les magasins rouvrent. Le trafic rend 35 %. Quiconque avait revendiqué la hausse possède désormais la baisse.
Le D’oh! n’est pas un problème de données. C’est un rappel de méthode.
La question suivante
Ce mécanisme porte un nom depuis cinquante ans. L’économiste Charles Goodhart l’a formulé en 1975, dans un contexte de politique monétaire : lorsqu’une mesure devient un objectif, elle cesse d’être une bonne mesure. Dès que l’indicateur devient un enjeu, les acteurs optimisent le proxy directement, par le chemin le moins coûteux, qui est rarement celui qui améliore la chose réelle.
La question qui protège ces trois familles tient en une phrase : que se serait-il passé sans nous ?
- Le +35 % du Covid ne survit pas à cette question : le trafic serait monté sans aucune action SEO.
- Le compteur de tickets n’y survit pas davantage : les problèmes de fond seraient toujours là.
- Le volume de livraisons non plus : la moitié des déploiements corrige les défauts de l’autre moitié.
Un chiffre exact n’est pas une preuve. C’est un élément qui attend trois choses : son contexte, sa méthode de mesure, et son scénario contrefactuel.
Que mesurer à la place
Les parades sont documentées, et elles découlent toutes du même constat : la loi de Goodhart ne condamne pas la mesure, elle condamne le couplage rigide entre une métrique unique et des conséquences.
- Coupler systématiquement volume et qualité : jamais une métrique d’activité sans son contrepoids. Tickets résolus × taux de réouverture. Livraisons × taux d’échec des changements. Trafic × conversion. C’est le principe même du modèle DORA, conçu pour fonctionner en système et non indicateur par indicateur.
- Séparer indicateurs d’observation et indicateurs d’objectif : tout ce que l’on regarde ne doit pas être ce sur quoi l’on juge. Un indicateur d’observation peut être fin et fragile. Un indicateur d’objectif sera optimisé par les équipes, c’est certain, il doit donc être choisi pour résister à cette optimisation.
- Exiger le scénario contrefactuel : toute progression revendiquée doit répondre à la question posée plus haut, que se serait-il passé sans l’action. En marketing digital, cette exigence porte un nom, l’incrémentalité, et des méthodes éprouvées : groupes de contrôle, tests géographiques, périodes d’extinction de campagne. Le +35 % du Covid n’aurait pas survécu au plus élémentaire de ces tests.
- Accepter les métriques inconfortables : une métrique utile est souvent une métrique qui peut baisser à cause de vous. Le taux de réouverture, le taux d’échec des changements, l’incrémentalité réelle d’une campagne. Si aucun indicateur du tableau de bord ne peut donner tort à celui qui le présente, ce n’est pas un tableau de bord, c’est un argumentaire.
Sources
- Goodhart, C. (1975). Problems of Monetary Management: The UK Experience
- Strathern, M. (1997). « Improving ratings »: audit in the British University system (formulation popularisée de la loi de Goodhart)
- Forsgren, N., Humble, J., Kim, G. (2018). Accelerate: The Science of Lean Software and DevOps
- https://dora.dev (métriques DORA, documentation officielle)

