LinkedIn14.08
MARKETING SCIENCE OU DECISION SCIENCE : LE CHOIX NE SE DISCUTE PLUS
Decision scienceMarketing science
On a longtemps confondu comprendre et décider. Deux verbes, deux mondes, deux résultats.
1. LE PROBLÈME QU'ON NE VEUT PAS VOIR
Selon Gartner (2022, 377 responsables marketing interrogés), la donnée marketing n'influence que 53% des décisions. Le reste se joue ailleurs : un tiers des dirigeants trient les chiffres pour confirmer ce qu'ils avaient déjà décidé, un quart ignore les recommandations, un quart s'en remet à l'instinct. Gartner anticipait que 60% des CMO réduiraient de moitié leurs équipes analytics, faute de résultats. On a payé pour savoir. On n'a pas payé pour agir. C'est toute la différence.
2. DEUX DISCIPLINES, DEUX ÉPOQUES
La marketing science est née dans les années 1960, affinée dans les années 1990 par les codes-barres et le scanner de caisse. Elle a produit des lois solides : Byron Sharp et l'institut Ehrenberg-Bass en tête, sur ce que font les acheteurs, en général. Une discipline de bibliothèque : elle range le passé avec méthode et élégance, mais conçue pour un monde qui comptait avant de choisir. Elle ne dit jamais ce qu'il faut faire lundi matin.
La decision science, elle, ne s'intéresse pas à ce qui s'est passé mais à ce qui se passera si l'on agit. Née à la croisée de la data science, des sciences comportementales et des sciences de la décision : Google et Microsoft Research en ont fait une discipline à part entière, elle ne regarde pas en arrière. Elle choisit.
3. POURQUOI ELLE L'EMPORTE
Corrélation n'est pas causalité : deux montres réglées à la même heure n'ont aucune influence l'une sur l'autre. Décrire, prédire, cela ne suffit pas, seul le prescriptif (que devons-nous faire) exige de comprendre la cause, pas seulement le lien. C'est précisément le terrain où l'intelligence artificielle change d'échelle : la causal AI teste des scénarios contrefactuels et justifie une décision par son mécanisme, non par une corrélation habillée en certitude. 62% des entreprises comptent y passer d'ici dix-huit mois ; le marché croît de 41% par an. LinkedIn, qui teste en A/B presque chaque décision produit, en a tiré des choix concrets, jusqu'à revoir son algorithme de fil d'actualité en faveur des membres ordinaires plutôt que des profils vedettes.
4. CE QUE CELA CHANGE POUR NOUS
Un vocabulaire, d'abord : on cesse de demander qu'avons-nous appris, on demande qu'allons-nous décider.
Un critère d'arbitrage, ensuite : chaque investissement analytics ou IA se juge désormais à sa capacité à produire une décision, pas un rapport de plus.
5. CE QUE NOUS VOUS DEMANDONS
Valider ce cadre et ce vocabulaire communs. Prioriser, dans les prochains arbitrages, les capacités qui décident : expérimentation, inférence causale, IA causale, plutôt que celles qui se contentent de décrire.
Sources
Gartner, Marketing Analytics Survey, sept. 2022 · Wikipedia, Marketing science · CIO.com, What is decision science? · DataCamp, What is Decision Science? · Data Science Journal, From Meaningful Data Science to Impactful Decisions (2023) · theCUBE Research, Causal AI Decision Intelligence (2026)