Guide de la gestion de projet · Risques, qualité et maîtrise
Simulation de Monte-Carlo en gestion de projet : un exemple chiffré
La simulation de Monte-Carlo est une technique d'analyse quantitative des risques qui exécute un modèle de projet des milliers de fois, en tirant à chaque fois des valeurs aléatoires dans la fourchette des durées ou des coûts possibles. Les résultats montrent la probabilité que le projet se termine avant une date donnée ou dans les limites d'un budget donné.
À retenir
- La simulation de Monte-Carlo transforme des fourchettes d'estimation en probabilités pour les dates et les coûts.
- Les plans fondés sur les valeurs les plus probables ont souvent une faible probabilité d'être respectés.
- Utilisez les résultats P50 et P80 pour fixer les engagements et les réserves pour aléas.
- La qualité des données d'entrée et la solidité de la logique du planning comptent davantage que le logiciel.
Pourquoi utiliser la simulation de Monte-Carlo
Une estimation ponctuelle masque l'incertitude. Si chaque tâche a une fourchette de durées possibles, additionner les valeurs « les plus probables » donne généralement une date que le projet n'a que peu de chances de respecter, car les dépassements tendent à être plus importants que les gains. La simulation montre au contraire tout l'éventail des résultats possibles.
- Répond à des questions comme « dans quelle mesure sommes-nous sûrs de terminer d'ici le 30 septembre ? »
- Aide à dimensionner les réserves pour aléas sur les délais et les coûts ; voir plan de contingence.
- Montre quelles tâches ou quels risques génèrent l'essentiel de l'incertitude.
- Est l'une des principales techniques d'analyse quantitative en gestion des risques projet.
Fonctionnement
- Construisez un modèle : un réseau de planning ou une décomposition des coûts. Voir méthode du chemin critique pour la logique du planning.
- Remplacez les estimations uniques par des fourchettes, souvent une estimation à trois points (optimiste, plus probable, pessimiste), et choisissez une distribution comme la loi triangulaire ou PERT (bêta).
- Ajoutez éventuellement des risques discrets avec une probabilité et un impact, par exemple 30 % de risque d'un retard de 10 jours.
- Exécutez le modèle de nombreuses fois, généralement des milliers d'itérations. Chaque exécution tire une valeur pour chaque tâche et chaque risque.
- Rassemblez les résultats dans un histogramme et une courbe cumulative (une courbe en S).
- Lisez les niveaux de confiance, comme P50 et P80, et examinez quelles données d'entrée déterminent le résultat.
Exemple chiffré
Un petit projet comporte trois tâches en séquence. Les estimations sont exprimées en jours ouvrés :
| Tâche | Optimiste | Plus probable | Pessimiste |
|---|---|---|---|
| A : Conception | 8 | 10 | 16 |
| B : Construction | 15 | 20 | 30 |
| C : Test | 4 | 5 | 9 |
| Total | 27 | 35 | 55 |
L'addition des valeurs les plus probables donne 35 jours. Une simulation de 100 000 itérations avec des distributions triangulaires a donné les résultats suivants (vos chiffres varieront légèrement d'une exécution à l'autre) :
| Mesure | Résultat |
|---|---|
| Probabilité de terminer en 35 jours ou moins | Environ 14 % |
| P50 (médiane) | Environ 39 jours |
| P80 | Environ 42 jours |
| P90 | Environ 44 jours |
Un plan fondé sur 35 jours n'a donc qu'environ une chance sur sept d'être respecté. Si le sponsor souhaite un niveau de confiance de 80 %, l'équipe devrait s'engager sur environ 42 jours et conserver la différence comme réserve pour aléas sur les délais.
Lire les résultats
| Terme | Signification |
|---|---|
| P50 | 50 % de chances de terminer à cette valeur ou en deçà |
| P80 | 80 % de chances ; souvent utilisé pour les engagements et le dimensionnement des réserves |
| courbe en S | Probabilité cumulée en fonction de la date ou du coût |
| Diagramme en tornade | Classe les données d'entrée selon la force de leur influence sur le résultat |
| Indice de criticité | Fréquence à laquelle une tâche se trouve sur le chemin critique sur l'ensemble des exécutions |
Erreurs courantes
- Utiliser des fourchettes trop étroites ; on a généralement tendance à être trop confiant.
- Ignorer la corrélation, par exemple lorsqu'une même cause ralentirait plusieurs tâches à la fois.
- Modéliser un planning dont la logique est déficiente ou dont des dépendances manquent.
- Présenter les résultats comme des faits précis plutôt que comme des estimations fondées sur les données d'entrée.
- Réaliser l'analyse une seule fois sans jamais la mettre à jour.
Outils
La simulation peut être réalisée dans un tableur avec des formules de nombres aléatoires, avec des compléments pour tableur ou avec un logiciel dédié d'analyse des risques du planning. Certains outils de gestion de projet et outils de prévision agiles appliquent la même idée aux données de débit pour prévoir quand un backlog sera terminé ; voir débit.
Modèles gratuits sur ce sujet
Questions fréquentes
Qu'est-ce que la simulation de Monte-Carlo en gestion de projet ?
Une technique qui exécute un modèle de projet de nombreuses fois avec des valeurs aléatoires tirées des fourchettes d'estimation, afin de montrer la probabilité de respecter les dates ou les budgets.
Qu'est-ce qu'une estimation P80 dans une simulation de Monte-Carlo ?
Une valeur qui, selon la simulation, a 80 % de chances de ne pas être dépassée. Elle est couramment utilisée pour les engagements et le dimensionnement des réserves.
Combien d'itérations faut-il pour une simulation de Monte-Carlo ?
Généralement des milliers. Les résultats se stabilisent à mesure que le nombre d'exécutions augmente ; vérifiez que des exécutions répétées donnent des réponses similaires.
Quelle distribution utiliser pour une simulation de Monte-Carlo ?
Les distributions triangulaire et PERT (bêta) sont courantes pour les estimations à trois points, car elles sont simples et intuitives. Utilisez des données historiques lorsque vous en disposez.
La simulation de Monte-Carlo est-elle qualitative ou quantitative ?
Quantitative. Elle produit des probabilités chiffrées pour des résultats comme la date de fin et le coût total.
Peut-on réaliser une simulation de Monte-Carlo dans Excel ?
Oui. Vous pouvez effectuer des tirages dans des distributions à l'aide de formules et répéter le calcul avec une table de données, ou utiliser un complément.
Pourquoi la simulation de Monte-Carlo donne-t-elle une date plus tardive que le plan ?
Parce que les fourchettes d'estimation penchent généralement vers les dépassements et que les chemins parallèles convergent, si bien que le total le plus probable est rarement la somme des durées les plus probables des tâches.
Qu'est-ce qu'un diagramme en tornade dans une analyse de Monte-Carlo ?
Un diagramme en barres qui classe les données d'entrée selon leur influence sur le résultat, utilisé pour identifier les tâches ou les risques les plus importants. C'est une forme d' analyse de sensibilité.
En quoi la simulation de Monte-Carlo aide-t-elle à dimensionner les réserves pour aléas ?
L'écart entre la valeur planifiée et un niveau de confiance choisi, comme P80, donne un montant justifiable pour la réserve pour aléas en délais ou en coûts.
Les équipes agiles utilisent-elles la simulation de Monte-Carlo ?
Oui. De nombreuses équipes Kanban et Scrum échantillonnent leur débit historique pour prévoir combien d'éléments elles peuvent terminer d'ici une date donnée, ou quand un ensemble d'éléments sera terminé.
Quelles sont les limites de la simulation de Monte-Carlo ?
Les résultats ne valent que ce que valent le modèle et les estimations. Une logique déficiente, des fourchettes étroites ou des corrélations ignorées donnent des résultats faussement optimistes.