Skill, Luck et lecture de la performance

Chaque semaine, le stratège marketing lit des résultats : cette campagne a marché parce que, cette boîte a percé parce que, ce CMO qu’on a débauché a porté la croissance parce que. Sans grille pour démêler ce qui tient à la skill de ce qui tient à la chance, on construit une doctrine sur du bruit - la matière même des manuels de stratégie les mieux vendus.

Michael Mauboussin formalise cette grille dans The Success Equation (2012), en s’appuyant sur des travaux de statisticiens (Galton, de Moivre), d’économistes comportementaux (Kahneman, Jerker Denrell) et d’analystes d’entreprises sur des décennies de données. Ce n’est pas une théorie marketing - c’est un appareillage épistémologique qui s’applique en amont de toute autre analyse.

La robustesse de l’approche est statistique et longitudinale : les mécanismes documentés (réversion à la moyenne, undersampling of failure, paradox of skill) sont des régularités mathématiques ou des biais comportementaux mesurés sur de larges panels. Ils ne décrivent pas ce qui « marche en marketing » - ils décrivent comment on se trompe en lisant les résultats, quelle que soit la discipline.

Cette page couvre le filtre lui-même : comment situer une activité sur le continuum luck-skill, quelles illusions en découlent, et ce que ça change pour lire une success story, un plateau ou un recrutement.

L’essentiel en 4 points

• Toute activité se place entre luck pur et skill pur ; sa position détermine la taille d’échantillon nécessaire pour voir la skill et la vitesse de réversion à la moyenne.
• Les petits échantillons produisent structurellement des extrêmes - et les success stories sont toujours de petits échantillons de gagnants, jamais de perdants.
• À mesure que la skill s’homogénéise dans un secteur, la luck pèse mécaniquement plus dans la sélection des gagnants (paradox of skill).
• La performance d’un star est largement organisationnelle - la transférabilité de la skill est structurellement surestimée.

Le mécanisme : le luck-skill continuum

Toute activité se place sur un axe entre luck pur (loterie) et skill pur (échecs, course à pied) ; sa position détermine la taille d’échantillon nécessaire pour observer la skill, la vitesse de réversion à la moyenne et la fiabilité du feedback cause/effet.

Comme le formule Michael Mauboussin dans The Success Equation, le test pratique pour situer une activité est simple : peut-on perdre intentionnellement ? À la loterie, non - luck pure. Aux échecs, oui - skill pure. Le marketing est au milieu : un CMO peut saboter une campagne (skill présente) mais ne peut pas garantir un succès (luck présente).

Conséquence cardinale : plus une activité comporte de luck, plus la taille d’échantillon nécessaire augmente, et plus la réversion à la moyenne est rapide. Une seule campagne qui cartonne ne dit presque rien sur le talent de l’équipe. Une seule scale-up qui perce, presque rien sur la méthode du founder.

Pourquoi on confond skill et luck

Deux mécanismes structurels expliquent l’erreur - l’un statistique, l’autre cognitif.

Le piège statistique. Ce que Howard Wainer a appelé « the most dangerous equation » : la variance d’une moyenne est inversement proportionnelle à la taille de l’échantillon. Les petits échantillons sont surreprésentés dans les extrêmes - en haut et en bas. Cas canonique : la réforme américaine de la taille des écoles. Les petites avaient les meilleurs et les pires résultats (plus forte variance) - la taille n’était pas causale, c’était un artefact d’échantillonnage. Des milliards investis sur la confusion. Les « petites scale-ups qui ont cracké la croissance » qu’on érige en modèles relèvent souvent du même artefact - leurs jumelles statistiques, même stratégie et plantées, ne sont jamais sur scène.

Le piège cognitif : l’undersampling of failure. Comme le documente Jerker Denrell (Oxford) dans les travaux repris par Mauboussin : on observe les survivants ; les ratés sont sortis du marché et « inconspicuously absent from the data we observe ». 50 firmes prennent une stratégie risquée, 50 une prudente. Cinq ans plus tard on voit 25 risquées qui surperforment et on conclut faussement à leur supériorité - les 25 qui ont planté sont absentes.

La conséquence directe pour les cas business. Raynor, Ahmed et Henderson (Deloitte / UT Austin) ont déconstruit 13 livres sur la haute performance - dont Good to Great et Built to Last. Sur les 288 entreprises citées, moins de 25 % étaient vraiment des superior performers selon un null model. Les trois quarts de la doctrine de stratégie populaire est du bruit habillé en signal. C’est ce résultat qui valide le filtre du chapitre 4 : une source est fondation empirique seulement si elle observe des panels exhaustifs, des méta-analyses de bases complètes ou des lois structurelles - pas si elle sélectionne des gagnants.

Le paradox of skill et la réversion à la moyenne

Luck devient plus importante à mesure que la skill s’améliore. C’est ce que Stephen Jay Gould a formalisé et que Mauboussin reprend : quand la variance de skill se rétrécit dans un domaine (tout le monde se rapproche du niveau élite), la luck pèse mécaniquement plus dans la sélection des gagnants. Le cas pivot : plus aucun joueur de baseball n’a frappé un .400 batting average sur une saison depuis Ted Williams en 1941 - non que les hitters aient baissé, mais l’écart entre le meilleur et le moins bon s’est rétréci.

Application au plateau : quand toutes les scale-ups B2C appliquent les mêmes best practices (Meta optimisé à la cellule, CRM personnalisé, MMM), la skill marginale s’égalise. Ce qui décide entre celles qui percent et celles qui plafonnent, c’est la luck dans le timing, le contexte concurrentiel, le category entry. Lire le plateau de croissance comme un échec d’exécution quand c’est souvent la conséquence d’une skill homogène, c’est chercher la mauvaise cause.

La réversion à la moyenne et ses trois illusions. Dès qu’il y a de la luck, la réversion est mécanique (Galton, 1886). Mauboussin nomme trois illusions dans lesquelles on tombe en la lisant :

1. Cause à effet - on cherche une cause à un phénomène statistique pur. Un gamin rentre avec une mauvaise note, on l’engueule, la note remonte : on attribue à l’engueulade ce qui n’est que réversion.

2. Feedback inversé - le feedback favorable semble produire de moins bons résultats (réversion après un pic), le défavorable de meilleurs. On en tire les mauvaises leçons sur ce qui « fonctionne ».

3. Declining variance - croire que la réversion implique que tout converge vers une valeur commune. Faux : la dispersion ne diminue pas mécaniquement. Horace Secrist en a fait 468 pages en 1933 (The Triumph of Mediocrity in Business) que Milton Friedman a corrigées comme « regression fallacy ».

Trois applications marketing directes : couper le brand en récession et voir les ventes baisser moins que prévu - réversion + contexte lus comme effet de la coupe - ROAS exceptionnel sur 3 semaines puis retour à la moyenne (pas « fatigue créative » : l’attendu statistique d’un pic) - cohorte post-promo qui s’effondre, attribuée au CRM (illusion of feedback, les acheteurs promo-driven régressent vers leur fréquence de base, cf. Élasticité Prix et Promotions).

Le strategy paradox et les counterfactuals

Les mêmes comportements qui maximisent la probabilité de succès notable maximisent aussi la probabilité d’échec. C’est le strategy paradox que Michael Raynor documente dans les travaux repris par Mauboussin. Le Sony MiniDisc : produit supérieur, stratégie cohérente, exécution irréprochable - et un contexte (MP3, Napster, iPod) qui a tout balayé. Une stratégie n’est jamais « bonne » dans l’absolu. C’est un pari sous incertitude qui aurait pu aller à l’inverse dans d’autres conditions.

L’expérience MusicLab (Salganik, Dodds et Watts, 2006) illustre le même point à échelle contrôlée : 14 000 personnes notent 48 morceaux inconnus, réparties dans 8 « univers sociaux ». La même chanson finit n° 1 dans un univers et n° 40 dans un autre. La success story qu’on raconte n’est qu’une trajectoire parmi N possibles - la doctrine reproductible n’est pas dans la sélection rétrospective d’un univers sur N.

Star portability - pourquoi débaucher un CMO star ne marche pas

Boris Groysberg (HBS) a suivi 366 analystes star de Wall Street sur 20 ans. Sa conclusion : ceux qui changent d’employeur voient leur performance plonger fortement et peiner à remonter pendant au moins cinq ans. La cause - la performance reposait sur le fit entre la skill du star et les ressources de son employeur (équipes, process, accès clients, données), pas sur la skill seule.

Corroboré par 20 ex-CEOs GE (succès en secteur GE-like, mauvais returns en secteur différent) et par un contraste NFL éclairant : les wide receivers - rôle à forte interaction avec le système d’équipe - déclinent en changeant d’équipe ; les punters, plus autonomes dans leur geste, non.

Application au recrutement marketing : débaucher un CMO de Big Tech vers une scale-up B2C française, c’est un wide receiver qui change d’équipe - la performance est largement organisationnelle (équipe data, stack, budget, support C-suite, sales-marketing fit). La doctrine « on prend le meilleur, on lui fait confiance » surestime la transférabilité de la skill.

Limites

Mauboussin ne produit pas de loi marketing propre - sa contribution est strictement épistémologique. Pour l’appliquer à un cas concret, il faut la marier à une source empirique (Sharp / Romaniuk côté marché, Binet & Field côté investissement, System1 côté créatif). La position sur le continuum n’est pas figée : un métier migre vers plus de skill avec la maturation, vers plus de luck avec une disruption. C’est un outil d’estimation, pas un classement stable.

Enfin, sur l’événement singulier, on ne distingue pas skill et luck : la grille opère sur les patterns, pas sur le verdict d’un cas isolé. Elle permet de pondérer les sources - pas de trancher sur un cas particulier.

Si ta scale-up plafonne aujourd’hui

Le réflexe que cette page pré-empte n’est pas l’absence de mandat élargi - c’est l’usage d’une success story comme preuve d’un mandat (« Untel a fait X chez Untel, faisons pareil »). La grille skill/luck permet de dire non aux mauvais arguments sans avoir à produire les bons en face.

1. Situer l’activité sur le continuum avant d’invoquer un cas. Catégorie installée : skill élevée, réversion lente. Catégorie naissante : luck élevée, réversion rapide. Plus on est côté luck, moins une success story isolée est probante.

2. Exiger le null model : « compared to what? » Combien ont tenté la même stratégie et planté ? Si l’auteur ne cite que les gagnants, c’est du survivor bias - vocabulaire et hypothèse, pas loi.

3. Devant un pic ou un creux, suspecter d’abord la réversion à la moyenne. Avant de chercher la cause récente (créa, budget, concurrent), poser : qu’est-ce que la mécanique statistique prédisait ? Si l’écart au prédit est faible, il n’y a rien à expliquer.

4. Pour un recrutement star ou une transformation orga, regarder le fit ressources / skill avant la skill. Le contexte fait la moitié de la performance - arbitrage que le marketing peut porter en cross-fonction (RH, executive search).

Pour aller plus loin

• Performance Plateau - Quand la machine perf est au taquet et que la courbe s’aplatit quand même : le plateau comme état attendu, pas comme échec d’exécution.
• Mythe de la Segmentation - Pourquoi copier la stratégie d’un gagnant revient souvent à capturer du bruit plutôt qu’un vrai signal sur ce qui produit la croissance.
• Confirmation Bias - Le voisin cognitif de la confusion skill/luck : le capital identitaire investi dans les croyances passe avant la preuve, même avec un dashboard devant soi.
• Incrémentalité - L’outil pour sortir de la corrélation et poser la question causale : la dépense a-t-elle vraiment produit cet effet, ou se serait-il produit de toute façon ?

Sources

• Michael Mauboussin, The Success Equation: Untangling Skill and Luck in Business, Sports, and Investing (2012). Chapitres 1, 2, 3, 6 et 10.

ℹ️ À propos de cette page

Reaching Kibo explore les vrais moteurs de la croissance des scale-ups B2C - et comment les mettre en pratique. Cette page appartient à Basecamp, le playbook du projet.

Elle est rédigée par IA, d’après le cadre et la direction que je donne. Une erreur, un désaccord, une source à ajouter ? Écris-moi : romain@reachingkibo.com.