Après toutes les hypothèses, mesures et expériences, il faut décider : persévérer, pivoter ou arrêter. La qualité d'une décision se juge à la façon dont elle est prise, pas seulement à son résultat.
⏱️ Durée : environ 130 minutes · 🎓 Niveau : avancé · 🏅 Badge : Décideur éclairé
🎬 L'histoire
Quatre mois après le lancement du MVP de l'espace formateurs, la direction réunit l'équipe : « Nous avons investi 180 000 €. Les chiffres sont mitigés : 9 formateurs actifs au lieu des 25 visés, mais un d'entre eux a généré 40 % du revenu. Que fait-on ? » Le chef de projet plaide : « On a trop investi pour arrêter. » Le commercial : « Donnons trois mois de plus. » La fondatrice : « J'ai toujours cru à ce produit. » Personne ne regarde les critères que l'équipe avait fixés au départ.
« Trois biais dans une seule phrase, constate Maya : le coût irrécupérable, l'espoir sans date de fin, et la conviction personnelle. Une revue de décision sert à faire autrement : relire les critères fixés avant, regarder les preuves avec leurs incertitudes, calculer ce que vaut l'avenir de chaque option — jamais le passé — et écrire la décision et ses raisons pour apprendre, même si elle est mauvaise. »
Dans cette dernière mission, tu conduis une revue de décision produit complète : critères préétablis, évidences, arbre de décision, valeur de l'information, biais, mémo de décision et calibration des prévisions.
🎯 Ta mission
À la fin, je serai capable de :
- évaluer des hypothèses par rapport à des critères fixés à l'avance, en tenant compte de l'incertitude
- comparer persévérer, pivoter et arrêter par la valeur espérée de l'avenir (sans coût irrécupérable)
- calculer la valeur d'une information supplémentaire avant de décider
- repérer et neutraliser les biais de décision, avec une pré-mortem
- rédiger un mémo de décision et suivre la calibration de ses propres prévisions
🧩 Défi d'échauffement (5 XP)
Tu as parié sur un cheval avec 100 €. À mi-course, le cheval est dernier et le jockey est blessé. On te propose d'ajouter 50 € « pour te refaire » car « tu as déjà tant misé ». Qu'est-ce qui compte dans la décision d'ajouter ou non les 50 € : les 100 € déjà perdus, ou les chances actuelles ? Écris en une phrase la bonne façon de raisonner, puis l'erreur qui consiste à raisonner autrement.
💡 Le concept
Le cycle de décision produit
Les mêmes questions reviennent à chaque cycle (mission 3) :
flowchart LR
H["Hypothèses + critères fixés d'avance"] --> E["Expériences / mesures"]
E --> R["Revue de décision"]
R -->|critères atteints| P["Persévérer"]
R -->|signal partiel| I["Continuer à apprendre (itérer)"]
R -->|critères non atteints| V["Pivoter"]
R -->|réfutation nette| A["Arrêter"]
P --> H
I --> H
V --> H
Description du schéma : à partir d'hypothèses et de critères fixés d'avance, des expériences produisent des mesures ; la revue de décision conduit à persévérer, itérer, pivoter ou arrêter ; sauf arrêt, on repart sur de nouvelles hypothèses.
Les trois décisions
| Décision | Sens | Signal typique |
|---|---|---|
| Persévérer | continuer dans la même direction, souvent en élargissant | critères de succès atteints avec marge ; intervalle de confiance au-dessus du seuil |
| Pivoter | changer une hypothèse fondamentale (segment, problème, solution, canal, modèle économique) en gardant l'apprentissage | résultats insuffisants mais signaux qu'une variante pourrait marcher |
| Arrêter | cesser d'investir | intervalle de confiance sous le seuil d'échec, ou meilleur usage du temps ailleurs |
Arrêter à temps est une réussite : on libère la capacité pour une meilleure idée.
Les critères préétablis
Dès l'étape d'hypothèse (mission 3), on a fixé : métrique, seuil de succès, seuil d'échec, horizon. La revue relit ces critères avant de regarder les résultats, puis applique la règle. Déplacer les poteaux après le match est la forme de fraude intellectuelle la plus courante.
Évaluer l'évidence
Pour chaque hypothèse : le résultat mesuré, son intervalle (mission 3), la taille d'échantillon, les biais possibles (recrutement, effet de nouveauté, saisonnalité). Quatre niveaux de preuve :
| Niveau | Source |
|---|---|
| 1 | opinions, anecdotes |
| 2 | entretiens, observations |
| 3 | comportements mesurés (usage, achats) |
| 4 | expérience contrôlée (A/B) |
Une décision à fort enjeu exige du niveau 3 ou 4, pas du niveau 1.
Les coûts irrécupérables
Ce qui est déjà dépensé (180 000 €) ne doit pas entrer dans la décision : on ne peut pas le récupérer, quelle que soit la suite. La bonne question est : « à partir de maintenant, quelle option a la meilleure valeur espérée ? » La valeur inclut ce qu'on ne fera pas pendant ce temps (coût d'opportunité).
Arbre de décision et valeur espérée
Pour chaque option : liste des issues, leur probabilité (avec fourchette), leur gain net (revenu − coût futur). VE = Σ p × gain. On compare les VE, puis on regarde la variance (le pire cas), la réversibilité et l'option de revenir plus tard.
| Option | Issues |
|---|---|
| Persévérer (6 mois, 60 k€) | succès 25 % : +400 k€ ; échec 75 % : 0 |
| Pivoter (4 mois, 40 k€) | succès 35 % : +300 k€ ; échec 65 % : 0 |
| Arrêter | 0 (capacité réaffectée : +40 k€ de valeur attendue ailleurs) |
Valeur de l'information
Parfois, la meilleure décision est d'attendre un peu et apprendre. La valeur de l'information parfaite : VEIP = E[meilleure décision connaissant l'issue] − max VE. C'est le plafond de ce qu'il vaut la peine de payer pour une expérience : si une expérience coûte plus que ce plafond, ne la fais pas.
Les biais de décision
| Biais | Phrase typique | Remède |
|---|---|---|
| Coût irrécupérable | « on a trop investi pour arrêter » | ne regarder que l'avenir |
| Escalade d'engagement | « encore trois mois » sans critère | horizon et seuil d'arrêt écrits |
| Confirmation | on ne retient que ce qui plaît | chercher des preuves contraires, avocat du diable |
| Optimisme / planification | « ce sera fini en deux mois » | prévision de référence (historique), Monte Carlo |
| Ancrage | le premier chiffre domine | estimations indépendantes |
| HiPPO | l'avis du plus haut placé | avis écrits avant la discussion |
| Résultat plutôt que processus | « ça a marché, donc c'était bien » |
Pré-mortem
Avant de s'engager : « imaginons que dans un an ce projet a échoué. Quelles en sont les raisons ? » Chacun écrit ses causes en silence ; on regroupe ; on traite les plus probables (surveillance, mitigation, seuil d'arrêt). Il libère la parole sur les risques.
La qualité d'une décision et la calibration
On ne peut pas juger une décision à son seul résultat (chance, variance). On juge : l'information utilisée, les options considérées, les valeurs pesées, le raisonnement. Pour s'améliorer, on tient un journal de décisions avec des prévisions chiffrées (« 60 % de chances d'atteindre 20 formateurs ») et on mesure la calibration (score de Brier : (p − résultat)², plus bas = mieux ; sur 100 prévisions à 70 %, ~70 doivent se réaliser).
Le mémo de décision
Court, écrit, daté :
- Contexte et décision à prendre ;
- Critères préétablis et résultats avec incertitude ;
- Options et valeur espérée ;
- Décision, raisons, ce qu'on arrête ;
- Risques, pré-mortem, signaux qui nous feraient reconsidérer ;
- Prévisions chiffrées pour la prochaine revue ;
- Responsable et date de la prochaine revue.
🧠 Astuce : écris la décision avant la réunion, avec tes raisons. Après la discussion, compare : qu'est-ce qui a changé ton avis, et était-ce de l'information ou de la pression ?
🔍 Exemple pas à pas
Problème : appliquer des critères préétablis aux résultats d'un MVP (avec intervalles), comparer persévérer / pivoter / arrêter par valeur espérée sans coût irrécupérable, calculer la valeur de l'information, mesurer la calibration par le score de Brier, et générer le mémo de décision.
import math, random
# ---------------- 1. critères préétablis contre résultats mesurés ----------------
CRITERES = [ # (nom, seuil de succès, seuil d'échec, plus est mieux ?)
("formateurs actifs à 12 semaines", 20, 8, True),
("part des formateurs publiant un 2e cours", 0.40, 0.15, True),
("coût d'acquisition d'un formateur (€)", 300, 800, False),
]
RESULTATS = { # valeur mesurée et son intervalle de confiance (bas, haut)
"formateurs actifs à 12 semaines": (9, (7, 12)),
"part des formateurs publiant un 2e cours": (0.44, (0.19, 0.72)),
"coût d'acquisition d'un formateur (€)": (410, (320, 560)),
}
def verdict_critere(nom, succes, echec, plus_mieux, valeur, ic):
bas, haut = ic
if not plus_mieux: succes, echec, bas, haut = -succes, -echec, -haut, -bas # on se ramène à « plus est mieux »
if bas >= succes: return "atteint (même le bas de l'intervalle)"
if haut <= echec: return "échec net (même le haut de l'intervalle)"
if haut < succes: return
nom, s, e, pm CRITERES:
valeur, ic = RESULTATS[nom]; ()
verdict_critere(*CRITERES[], *RESULTATS[CRITERES[][]]).startswith()
COUT_IRRECUPERABLE =
OPTIONS = {
: (cout=, issues=[(, ), (, )]),
: (cout=, issues=[(, ), (, )]),
: (cout=, issues=[(, )]),
}
(): (p * g p, g o[]) - o[]
nom, o OPTIONS.items(): ()
meilleure = (OPTIONS, key= n: valeur_esperee(OPTIONS[n])); (, meilleure)
meilleure.startswith()
(OPTIONS, key= n: valeur_esperee(OPTIONS[n]) - COUT_IRRECUPERABLE) == meilleure
():
opts = {: p_persev * - , : p_pivot * - , : }
(opts, key=opts.get)
rng = random.Random(); victoires = {: , : , : }
_ ():
victoires[meilleure_option(rng.uniform(, ), rng.uniform(, ))] +=
(, {k: k, v victoires.items()})
(victoires.values()) ==
P_RECEPTIF =
GAINS = {
: {: - , : - },
: {: - , : - },
: {: , : },
}
(): P_RECEPTIF * GAINS[option][] + ( - P_RECEPTIF) * GAINS[option][]
meilleure_sans_info = (GAINS, key=ve)
ve_avec_info_parfaite = P_RECEPTIF * (g[] g GAINS.values()) + ( - P_RECEPTIF) * (g[] g GAINS.values())
veip = ve_avec_info_parfaite - ve(meilleure_sans_info)
()
veip >
cout_experience (, ): ()
(): ((p - r) ** p, r previsions) / (previsions)
():
lignes = []
a, b (tranches, tranches[:]):
s = [(p, r) p, r previsions a <= p < b]
s: lignes.append((, (s), (p p, _ s) / (s), (r _, r s) / (s)))
lignes
rng = random.Random()
():
res = []
_ (n):
vrai = rng.uniform(, ); r = rng.random() < vrai
dit = (, (, + (vrai - ) * ( + biais)))
res.append((dit, r))
res
nom, biais ((, ), (, )):
pv = previsions_equipe(biais); ()
nom == :
tranche, n, dit, vu table_calibration(pv): ()
brier(previsions_equipe()) < brier(previsions_equipe())
():
l = [, , , , ]
l += [ nom, s, e, pm criteres]
l += [, ]
l += [ n, o options.items()]
l += [, ] + [ r raisons] + [, ] + [ r risques]
l += [, ] + [ p previsions] + [, ]
.join(l)
texte = memo(, , [, , ],
CRITERES, OPTIONS, [, ], [, ], , )
(texte)
texte texte texte
Lecture :
- Les critères préétablis sont appliqués avec les intervalles : le nombre de formateurs actifs (9) est sous le seuil de succès, mais l'intervalle exclut-il l'échec net ? Ici, on ne conclut pas « tout va bien » ni « c'est fini » : chaque critère reçoit son verdict honnête, y compris « incertain ».
- Le coût irrécupérable (180 000 €) est affiché mais n'entre pas dans la comparaison : le soustraire de toutes les options ne change pas le classement. L'argument « on a trop investi pour arrêter » est donc un biais.
- La sensibilité aux probabilités montre quand le classement bascule : quand les probabilités sont incertaines, l'option gagnante n'est pas toujours la même — d'où l'intérêt de réduire l'incertitude si c'est peu coûteux.
- La valeur de l'information parfaite plafonne ce qu'il vaut la peine de payer pour une expérience : une étude à 20 000 € est justifiée, une à 150 000 € non.
- Le score de Brier et la table de calibration révèlent qu'une équipe sur-confiante annonce 90 % là où elle ne réalise que 65 %.
- Le mémo de décision consigne critères, options, raisons, risques et prévisions : la prochaine revue pourra comparer.
✍️ À toi, avec aide (10 XP)
Une équipe doit décider du sort d'un produit. Estimations :
| Option | Coût futur | Issues (probabilité → gain brut) |
|---|---|---|
| Continuer | 50 000 € | 20 % → 350 000 € ; 80 % → 0 |
| Pivoter | 30 000 € | 30 % → 250 000 € ; 70 % → 20 000 € |
| Arrêter | 0 | 100 % → 60 000 € (équipe réaffectée) |
Le produit a déjà coûté 200 000 €.
- Calcule la valeur espérée de chaque option (gain brut espéré − coût futur).
- Quelle option choisis-tu ? Le coût déjà dépensé change-t-il le classement ?
- Un responsable dit : « Si on arrête, on perd 200 000 € ». Que lui réponds-tu ?
- À partir de quelle probabilité de succès pour « Continuer » cette option devient-elle la meilleure ?
💡 Indice 1
VE = Σ p × gain − coût.
💡 Indice 2
Le coût déjà dépensé s'applique à toutes les options.
💡 Indice 3
Cherche p tel que 350 000·p − 50 000 = meilleure VE des autres options.
✅ Réponse
OPT = {"Continuer": (50000, [(0.2, 350000), (0.8, 0)]), "Pivoter": (30000, [(0.3, 250000), (0.7, 20000)]), "Arrêter": (0, [(1.0, 60000)])}
ve = {n: sum(p * g for p, g in iss) - c for n, (c, iss) in OPT.items()}
print({n: round(v) for n, v in ve.items()})
meilleur_autre = max(ve["Pivoter"], ve["Arrêter"])
p_seuil = (meilleur_autre + 50000) / 350000
print(f"« Continuer » devient la meilleure option si P(succès) > {p_seuil:.1%}")
assert max(ve, key=ve.get) == "Arrêter" and round(ve["Pivoter"]) == 59000 and ve["Continuer"] == 20000 and round(p_seuil, 3) == 0.314
🚀 À toi, en solo (20 XP)
Journal de décisions et calibration. Écris un petit outil de suivi des décisions :
- une structure
Decision: titre, date, options, option choisie, raisons,previsions(liste de (énoncé, probabilité)), échéance de vérification ; - un enregistreur de résultats : pour chaque prévision, issue vraie/fausse à l'échéance ;
- un calcul de score de Brier global et par personne, et une table de calibration par tranche ;
- un détecteur de biais : sur-confiance (probabilités moyennes annoncées supérieures aux réalisations de plus de 10 points), sous-confiance, ancrage (prévisions toutes identiques) ;
- un rapport de qualité de décision séparant processus (critères préétablis, options ≥ 3, pré-mortem fait, coûts irrécupérables exclus) et résultat ;
- teste avec 60 prévisions simulées pour 3 personnes (une sur-confiante, une calibrée, une qui répond toujours 50 %) et vérifie que l'outil les distingue.
✅ Pistes de correction
import random
from collections import defaultdict
from dataclasses import dataclass, field
@dataclass
class Decision:
titre: str
options: list
choisie: str
raisons: list
criteres_preetablis: bool = False
pre_mortem: bool = False
couts_irrecuperables_exclus: bool = False
previsions: list = field(default_factory=list) # (personne, énoncé, probabilité, résultat ou None)
def processus(self):
points = {"critères préétablis": self.criteres_preetablis, "au moins 3 options": len(self.options) >= 3,
"pré-mortem fait": self.pre_mortem, "coûts irrécupérables exclus": self.couts_irrecuperables_exclus, "raisons écrites": len(self.raisons) >= 2}
return sum(points.values()) / len(points), [k for k, v points.items() v]
(): ((p - r) ** p, r pv) / (pv)
():
t = defaultdict()
p, r pv: t[((p * ), )].append((p, r))
{: ((v), (p p, _ v) / (v), (r _, r v) / (v)) i, v (t.items())}
():
moyenne_annoncee = (p p, _ pv) / (pv); realise = (r _, r pv) / (pv)
remarques = []
({(p, ) p, _ pv}) <= : remarques.append()
moyenne_annoncee - realise > : remarques.append()
realise - moyenne_annoncee > : remarques.append()
remarques
rng = random.Random()
():
out = []
_ (n):
vrai = rng.uniform(, ); r = rng.random() < vrai
personne == : p = vrai
personne == : p = (, (, + (vrai - ) * + ))
: p =
out.append((p, r))
out
qui (, , ):
pv = previsions(qui); ()
b = {q: brier(previsions(q)) q (, , )}
biais(previsions()) biais(previsions()) b[] < b[] < b[] +
d = Decision(, [, , ], , [, ], criteres_preetablis=, pre_mortem=, couts_irrecuperables_exclus=)
score, manques = d.processus(); ()
manques == []
⚠️ Pièges classiques
| Piège | Pourquoi c'est un problème | Comment l'éviter |
|---|---|---|
| Décider d'après le coût déjà dépensé | On engage de l'argent pour sauver le passé | Ne regarder que la valeur espérée de l'avenir |
| Modifier les critères après avoir vu les résultats | On s'arrange avec les chiffres | Critères relus et appliqués avant l'analyse |
| Juger une décision à son résultat | On apprend de la chance, pas de la méthode | Évaluer processus, information, options ; tenir un journal |
| « Encore trois mois » sans critère | Escalade d'engagement | Seuil d'arrêt et horizon écrits d'avance |
🐉 Mini-boss (60 XP)
Dossier MVP final de HashBox : de l'idée à la décision. Reprends les productions du module (problème, hypothèses, MVP, UX, architecture, priorisation, analytics, dette) pour une idée de produit de ton choix et rassemble un dossier complet, avec code :
- cadrage (mission 1) : problème sans solution, segment, JTBD, étoile du nord, arbre de métriques ;
- découverte (mission 2) : 10 entretiens simulés analysés (qualité, thèmes, saturation), opportunité principale ;
- hypothèses et expériences (mission 3) : 3 hypothèses avec critères, une expérience simulée avec test statistique et règle de décision ;
- MVP (mission 4) : story map, tranche mince, MoSCoW, critères d'acceptation exécutables ;
- UX (mission 5) : entonnoir, contraste, audit d'accessibilité, résultats d'un test de 8 personnes ;
- architecture (mission 6) : matrice robuste, construire/acheter, fonctions d'aptitude ;
- roadmap (mission 7) : RICE, robustesse, Smith, plan sous capacité ;
- analytics (mission 8) : plan de mesure, validation, cohortes, un cas de Simpson, NPS ;
- delivery (mission 9) : flux, dette, prévision Monte Carlo ;
- revue de décision (mission 10) : critères préétablis contre résultats avec intervalles, options (persévérer/pivoter/arrêter) par valeur espérée sans coût irrécupérable, valeur de l'information, pré-mortem, biais repérés, mémo de décision et 5 prévisions chiffrées ;
- une rétrospective de 20 lignes : ce que le dossier t'a appris, la décision que tu aurais prise sans lui, ce qui aurait changé ton avis.
✅ Pistes de correction
Un excellent dossier : cohérence de bout en bout (l'étoile du nord du cadrage est la métrique des critères de la revue), chaque section produit des chiffres réutilisés dans la suivante, le mémo de décision cite les intervalles et exclut le coût irrécupérable, la valeur de l'information justifie (ou non) une expérience supplémentaire, les prévisions chiffrées sont notées pour la calibration future, et la rétrospective admet au moins une conclusion inconfortable (par exemple un biais personnel repéré).
⚡ Quiz éclair (15 XP si 4/5 ou plus)
1. Dans une décision de continuer ou d'arrêter, le coût déjà dépensé :
- A. ne doit pas entrer dans la comparaison des options futures
- B. est l'argument principal
- C. doit être doublé
2. La valeur de l'information parfaite représente :
- A. le coût de l'expérience
- B. le plafond de ce qu'il vaut la peine de payer pour réduire l'incertitude
- C. le gain maximal du produit
3. Une prévision est bien calibrée quand :
- A. tous les événements annoncés se réalisent
- B. les probabilités annoncées sont toujours de 50 %
- C. les événements annoncés à 70 % se réalisent environ 70 % du temps
4. 🔁 Révision mission 09 : La dette technique peut se comparer à une dette financière parce que :
- A. elle accélère aujourd'hui mais impose des intérêts (ralentissement) sur chaque modification future
- B. elle n'a aucun coût
- C. elle se rembourse toute seule
5. 🔁 Révision mission 09 : Selon la loi de Little, à débit constant, réduire le travail en cours :
- A. augmente le temps de cycle
- B. réduit le temps de cycle moyen
- C. n'a aucun effet
✅ Réponses
- A.
- B.
- C.
- A.
- B.
🪞 Je réfléchis (10 XP)
- Quelle décision récente de ton équipe a été défendue par « on a déjà tant investi » ?
- Si tu devais écrire aujourd'hui le seuil à partir duquel tu arrêterais ton projet actuel, quel serait-il ?
🎒 À retenir
- Critères préétablis relus avant les résultats ; verdict avec intervalles.
- Persévérer, pivoter, arrêter : valeur espérée de l'avenir, coût d'opportunité inclus.
- Le coût irrécupérable n'entre pas dans la décision.
- Valeur de l'information : plafond du prix d'une expérience.
- Pré-mortem, journal de décisions, calibration (Brier), mémo de décision écrit.
🏅 Récompenses
Total possible : 120 XP · 🏅 Badge Décideur éclairé
← Mission 09 — Qualité, dette et delivery
🎉 Félicitations
Tu as terminé HEF-150 — Ingénierie produit. Tu sais transformer un besoin en problème testable, mener une découverte avec des faits, formuler et tester des hypothèses avec rigueur, concevoir un MVP de bout en bout, mesurer l'expérience utilisateur, choisir une architecture adaptée au produit, prioriser avec des critères robustes, instrumenter et lire des données, gérer dette et flux, et prendre une décision de produit honnête.
→ Dernier module : HEF-160 — IA et augmentation humaine
HEF-150 — Ingénierie produit

