Pourquoi certaines unités, au sein d’une entreprise, d’un réseau d’agences publiques, ou d’un secteur entier de production, génèrent-elles des coûts plus élevés que d’autres ? Quelles sont les unités les plus efficaces, selon des critères propres à chaque secteur ? Comment identifier les leviers d’action disponibles pour accroître ces performances ?
Ces questions sont au centre des préoccupations de nombreuses entreprises, mais aussi de services publics et de régulateurs. Leurs réponses permettent non seulement de mieux gérer un réseau d’unités de production en identifiant celles où des améliorations sont réalisables, mais aussi de quantifier les déterminants de la performance, donc d’éclairer des stratégies de développement, que cette performance se mesure en termes de marges, de coûts (coût-efficacité, c’est-à-dire réaliser un objectif à un moindre coût), ou de tout autre critère propre à un secteur.
Cependant, réaliser un benchmarking de qualité n’est pas une tâche facile. Imaginons qu’une banque observe, dans ses diverses agences, une forte variation du temps de traitement des demandes de ses clients. Elle souhaite effectuer une analyse comparative de ses agences afin de mieux comprendre ces différences et réorganiser les agences les moins performantes. La simple comparaison de performances entre agences ne constitue toutefois pas une réponse satisfaisante. En effet, de nombreuses caractéristiques expliquent les différences entre agences : affluence, effectifs, niveau de compétence, nombre de guichets, type de clientèle (particuliers ou entreprises), etc. Par exemple, une agence avec un temps de traitement élevé, donc a priori inefficace, peut en fait se révéler très efficace, une fois pris en compte ses effectifs réduits ainsi que la nature de sa clientèle, constituée en majorité d’entreprises avec des demandes variées, nécessitant plus de temps de traitement. Le benchmarking suppose donc la capacité de prendre en compte ces diverses variables pour en déduire une mesure pertinente d’efficacité.
Comment, dès lors, réaliser des comparaisons sensées, tout en prenant en compte un nombre potentiellement important de déterminants des performances ? Trois grandes méthodes existent, chacune avec des atouts distincts. Elles permettent d’analyser en profondeur les différences de performances entre entreprises ou entre unités au sein d’une entreprise. Faciles à interpréter, elles aboutissent à des résultats concrets, appréhendables par les directions stratégiques des entreprises.
Ces techniques appartiennent à deux grandes familles : l’approche paramétrique et l’approche non-paramétrique. La première repose sur des techniques économétriques et inclut la régression et l’analyse de frontière stochastique (stochastic frontier analysis ou SFA). Elle est dite paramétrique car elle spécifie une fonction de coûts ou de profits. A l’inverse, l’approche non-paramétrique ne le fait pas. Elle prend la forme de l’analyse d’enveloppement des données (data envelopment analysis ou DEA).
Nous orientons cette brève présentation vers la mesure des coûts et des marges, mais ces méthodes sont générales et peuvent être appliquées à n’importe quel autre critère de performances : recettes, satisfaction des clients, taux de remplissage, etc. Le critère retenu dépend du secteur étudié et des objectifs de l’entreprise.
Article également publié sur Le Cercle Les Echos.
Corrélation, régression multiple, variable explicative, test de significativité, biais de sélection, autocorrélation des résidus, etc. Que de termes barbares qui ne manqueront pas de laisser perplexes les praticiens du droit de la concurrence !
La direction Concurrence de la Commission européenne publiera dans les prochaines semaines un document d'orientation portant sur la quantification du préjudice relatif à des infractions au droit de la concurrence (abus de position dominante et entente).
This paper claims that investors dislike political uncertainty about future policies and value stability in the political environment. We test the validity of this hypothesis by first studying variations in equity flows from global investment funds to emerging markets in periods surrounding elections.