Biais de Corrélation vs Causalité : L'Erreur d'Interprétation des Données Projet

Définition PMBOK v8

Le biais de corrélation versus causalité est une erreur cognitive fréquente dans l'interprétation des données de mesure. Il consiste à confondre la corrélation de deux variables avec l'idée que l'une cause l'autre. Le PMBOK v8 précise que cette confusion peut conduire à des interprétations fausses des données, car des facteurs corrélés non pris en compte (comme la compétence en estimation, la capacité à gérer les changements ou la gestion active des risques) peuvent être la véritable cause des résultats observés.

Pourquoi c'est important pour l'examen

Ce concept apparaît fréquemment dans les questions sur le contrôle qualité, l'interprétation des données de performance et la prise de décision. L'examen PMI teste votre capacité à identifier quand une relation apparente entre deux métriques projet (retard et dépassement budgétaire) est erronément interprétée comme une relation de cause à effet. Les questions se présentent souvent sous forme de scénarios où le chef de projet tire des conclusions hâtives à partir de données corrélées.

Points clés à retenir (pour l'examen)

• Définition clé: Corrélation = deux variables évoluent ensemble ; Causalité = une variable provoque directement l'autre
• Exemple classique PMBOK: Voir des projets en retard ET en dépassement budgétaire ne signifie PAS que le retard cause le dépassement
• Facteurs confondants possibles: Compétence en estimation, capacité à gérer les changements, gestion active des risques
• Piège à éviter: Ne jamais conclure "A cause B" uniquement parce que A et B sont observés ensemble
• Indicateurs de performance réels: Les indicateurs avancés (leading indicators) sont plus fiables que les corrélations simples
• Application pratique: Toujours rechercher la cause racine avant de conclure à une relation causale
• Conséquence d'une erreur: Décisions incorrectes, actions correctives inadaptées, gaspillage de ressources

Exemple type examen PMI

Un chef de projet observe que les trois derniers projets en retard sont également en dépassement budgétaire. Il conclut que "le retard provoque le dépassement budgétaire" et décide d'ajouter des ressources pour accélérer tous les projets retardés. Question: Quelle erreur cognitive le chef de projet commet-il ? Réponse attendue: Il confond corrélation et causalité.

Pièges à l'examen PMI

• Piège: Croire que deux métriques qui évoluent dans la même direction sont liées par causalité

• Réalité: Une troisième variable non identifiée (ex: mauvaise estimation initiale) peut causer les deux effets simultanément

• Piège: Penser que la corrélation inverse (quand A augmente, B diminue) prouve une relation causale négative

• Réalité: La corrélation, positive ou négative, n'établit jamais la causalité sans analyse approfondie

• Piège: Utiliser des indicateurs de performance isolés sans contexte pour prendre des décisions

• Réalité: Les indicateurs avancés (comme l'absence de processus de gestion des risques) sont plus prédictifs que les corrélations simples

• Piège: Ignorer les biais de confirmation qui renforcent les interprétations erronées

• Réalité: Le biais de confirmation pousse à chercher des données qui soutiennent des points de vue préexistants

Connexions PMI importantes

Questions de révision rapide

1. Un projet est en retard de 3 semaines et en dépassement de 15%. Le chef de projet conclut que "le retard a causé le dépassement". Quelle erreur cognitive commet-il ?

2. Citez trois facteurs confondants possibles qui pourraient expliquer à la fois le retard ET le dépassement budgétaire d'un projet.

3. Quelle est la différence entre un indicateur avancé (leading indicator) et une simple corrélation entre deux métriques ?

4. Dans le contexte du PMBOK v8, pourquoi est-il dangereux d'utiliser des corrélations non vérifiées pour prendre des décisions correctives ?

5. Comment le biais de confirmation peut-il renforcer une interprétation erronée de corrélation vs causalité ?

Référence PMBOK v8

Section 2.1.3 - Biais et interprétation des données (Passage 1 : Corrélation versus causalité)