Simuler l'adoption d'un produit : ce qu'un modèle peut et ne peut pas dire
« Simuler l'adoption d'un produit » sonne comme une promesse de voyance assistée par ordinateur. Autant l'écrire tout de suite, alors même que c'est le cœur de ce que nous construisons : aucun modèle ne peut vous dire combien de clients vous aurez dans dix-huit mois. Ni le nôtre, ni un autre.
Ce qui ne veut pas dire qu'un modèle est inutile. Il fait autre chose, de moins spectaculaire et de bien plus actionnable : il transforme vos intuitions en paramètres explicites, il vous montre lequel décide du résultat, et il chiffre l'ampleur de votre erreur si vous vous êtes trompé dessus.
Voici précisément ce qu'un modèle d'adoption sait faire, ce qu'il ne saura jamais, et comment s'en servir sans se raconter d'histoires.
- Un modèle ne prédit pas. Il calcule les conséquences de vos hypothèses. La différence n'est pas rhétorique.
- Sa vraie valeur est l'analyse de sensibilité : savoir quel paramètre décide du résultat, et donc lequel tester en priorité.
- Ce qu'il ne saura jamais : l'arrivée d'un concurrent, un changement réglementaire, la qualité de votre exécution.
- Un modèle alimenté par de mauvaises hypothèses produit un résultat faux avec beaucoup de décimales.
- Raisonnez toujours en fourchette, jamais en chiffre unique. Un résultat unique est un mensonge par omission.
Ce qu'on entend par simuler
Une simulation d'adoption prend en entrée un ensemble de paramètres décrivant votre marché et votre produit, applique une mécanique de diffusion, et produit en sortie une trajectoire : combien d'utilisateurs à quel horizon, sous ces hypothèses.
Les paramètres typiques :
- La taille du marché atteignable, le plafond de la courbe.
- La vitesse d'entrée initiale, celle qui dépend de vos efforts propres : visibilité, publicité, prospection.
- L'effet d'entraînement, la part d'adoption provoquée par ceux qui utilisent déjà, par recommandation ou par imitation.
- La friction, c'est-à-dire tout ce qui freine la bascule : coût de changement, habitude, risque perçu.
Le formalisme le plus connu pour articuler ces éléments est le modèle de Bass, proposé dans les années 1960 pour décrire la diffusion d'un produit nouveau. Son idée centrale est simple et robuste : à chaque instant, une partie des nouveaux adoptants vient de l'extérieur (ils découvrent par la communication) et une partie vient de l'intérieur (ils adoptent parce que d'autres l'ont fait). Le premier moteur domine au début, le second prend le relais ensuite, ce qui produit la courbe en S caractéristique.
Ce modèle a été construit pour décrire des diffusions passées, avec des données. L'appliquer avant lancement, sans historique, est une extrapolation : légitime, mais dont il faut connaître le statut.
Le sens du mot « modèle » est souvent mal compris. Un modèle n'est pas une description de la réalité, c'est une simplification volontaire qui conserve ce qu'on juge essentiel et écarte le reste. Sa qualité ne se mesure pas à sa ressemblance avec le monde, mais à son utilité pour la décision qu'on doit prendre.
Ce qu'un modèle sait réellement faire
1. Rendre vos hypothèses explicites
C'est déjà, à soi seul, l'essentiel du bénéfice. Pour alimenter un modèle, vous devez donner un chiffre à des choses que vous gardiez dans le flou : la taille de votre marché atteignable, la proportion de gens réellement concernés, votre capacité à les toucher chaque mois.
Beaucoup de porteurs de projet découvrent à ce moment-là qu'ils n'ont aucune idée de la valeur de trois de leurs paramètres. C'est une information précieuse, et elle arrive avant qu'ils aient dépensé quoi que ce soit.
2. Comparer des scénarios
Un modèle ne vous dit pas quel chiffre attendre, mais il vous dit ce qui change entre deux mondes. Que se passe-t-il si le marché est deux fois plus petit ? Si l'effet de recommandation est nul ? Si vous doublez votre budget d'acquisition ?
Cette comparaison est fiable même quand les valeurs absolues ne le sont pas, parce que les erreurs se compensent partiellement d'un scénario à l'autre. C'est l'usage le plus solide.
3. Identifier le paramètre dominant
C'est l'apport le plus utile, et il porte un nom : l'analyse de sensibilité. On fait varier chaque paramètre séparément, de moins 30% à plus 30% par exemple, et on regarde lequel déplace le plus le résultat.
Le résultat surprend presque toujours. Un fondateur convaincu que tout se joue sur son taux de conversion découvre que sa trajectoire dépend en réalité de la taille de son marché atteignable, qu'il avait renseignée en trente secondes. Il sait désormais quoi tester en premier, ce qui est exactement la logique de priorisation des hypothèses par risque.
Ce qu'un modèle ne pourra jamais faire
Cette section est la plus importante de l'article, et c'est celle que les éditeurs d'outils préfèrent éviter.
Il ne prédit pas l'avenir. Une trajectoire calculée est la conséquence logique de vos hypothèses, pas une information sur le monde. Si le modèle affiche 3 400 utilisateurs à dix-huit mois, ça ne signifie pas que vous en aurez 3 400 : ça signifie que si vos paramètres sont justes et si la mécanique de diffusion retenue s'applique à votre cas, alors le résultat serait de cet ordre.
Il ne crée pas de données. Si vous ne savez pas quelle proportion de votre cible a réellement le problème, le modèle ne le saura pas non plus. Il propagera votre incertitude, éventuellement en la maquillant sous des décimales rassurantes.
Il n'anticipe pas les ruptures. L'arrivée d'un concurrent bien financé, un changement réglementaire, une évolution d'usage : par construction, aucune mécanique de diffusion ne contient ces événements.
Il ne mesure pas votre exécution. Deux équipes avec des paramètres identiques n'obtiendront pas le même résultat. La qualité du produit livré, la régularité de l'effort commercial, la capacité à réagir : rien de tout cela n'entre dans une équation de diffusion.
Il ne remplace pas un test. Un modèle vous dit ce qui se passerait si vos hypothèses sont vraies. Un fake door test vous dit si l'une d'elles l'est. Les deux sont complémentaires, dans cet ordre : le modèle indique quoi tester, le test renseigne le modèle.
Méfiez-vous de la précision apparente. Un résultat affiché à l'unité près sur des hypothèses estimées à la louche donne une illusion de rigueur qui est exactement l'inverse de la rigueur. Une sortie honnête s'exprime en fourchette, avec ses hypothèses visibles à côté.
Le paramètre que la plupart des modèles oublient
Une remarque qui vaut pour tous les outils du genre, y compris ceux qu'on construit soi-même dans un tableur.
Les mécaniques de diffusion classiques supposent implicitement que quelqu'un qui découvre le produit et le trouve pertinent l'adopte. Or ce n'est pas ce qui se passe : entre la découverte et l'adoption s'intercale le coût du changement, qui est souvent la variable dominante. Une partie de votre marché a le problème, comprend votre solution, et ne bougera pas : c'est ce que nous détaillons dans notre article sur le coût du statu quo.
Si votre modèle n'a pas de paramètre de friction, il surestimera systématiquement. Et comme la friction varie fortement selon les segments, un modèle global sur un marché hétérogène est trompeur : mieux vaut modéliser un segment homogène à la fois. Ce raisonnement rejoint celui de la courbe d'adoption : les premiers adoptants et la majorité n'ont ni la même friction, ni les mêmes déclencheurs.
Comment s'en servir correctement
- Renseignez vos paramètres en fourchette, pas en valeur unique. Une valeur basse, une haute, et la source de chacune.
- Faites tourner trois scénarios : pessimiste, médian, optimiste. Le pessimiste est le plus instructif, parce qu'il répond à la vraie question : est-ce que ça tient quand même ?
- Lancez l'analyse de sensibilité et notez les deux paramètres dominants.
- Allez tester ces deux paramètres sur le terrain, en priorité absolue.
- Rejouez le modèle avec les valeurs mesurées. L'écart entre les deux passages vous apprend plus que chacun pris isolément.
Cette boucle est le seul usage réellement défendable d'une simulation avant lancement. Elle transforme l'outil en instrument de priorisation plutôt qu'en boule de cristal, et elle alimente directement la grille de décision Go/No-Go avec des valeurs justifiées.
Predictis produit une estimation d'adoption et un score de décision Go/No-Go, avec chaque paramètre affiché et modifiable. Pas une prédiction : un outil pour savoir quoi tester en premier.
Découvrir PredictisEn résumé
Une simulation d'adoption ne prédit rien. Elle calcule les conséquences de vos hypothèses, ce qui est une opération utile à trois conditions : renseigner des fourchettes plutôt que des valeurs uniques, faire tourner plusieurs scénarios dont un pessimiste, et lancer une analyse de sensibilité pour identifier le paramètre qui décide de tout.
Ce paramètre dominant est le vrai livrable. Il vous dit où porter votre effort de validation, et il vaut infiniment mieux qu'une courbe rassurante affichée à l'unité près. Un modèle est un instrument de priorisation, pas une boule de cristal, et un outil qui prétend le contraire est à fuir. Les autres guides sont sur le blog Predictis →