Tribune · Marc Lugand-Sacy · 9 août 2026
J'ai construit une grille pour analyser les décisions des autres. Elle m'a obligé à corriger les miennes.
J'ai appliqué la même grille à 105 entreprises. L'idée était de regarder moins ce que les marques racontent d'elles-mêmes que la façon dont leurs décisions résistent aux faits.
Le corpus s'est épaissi. Il est devenu plus précis, plus documenté, et il a commencé à donner une impression de solidité. C'est exactement à ce moment qu'il fallait devenir méfiant. Pas envers les entreprises analysées. Envers ma propre méthode.
Le problème n'était pas que les chiffres étaient faux
C'est ce que ce réaudit m'a le plus appris. Dans la majorité des cas repris, il n'y avait ni donnée inventée, ni mauvais chiffre, ni source douteuse. Le chiffre était exact. La source existait, souvent réglementée.
Le problème était ailleurs : je demandais parfois à une donnée de prouver quelque chose qu'elle ne pouvait pas prouver.
Un chiffre d'affaires peut être exact sans démontrer la réussite d'un changement de marque. Une valorisation peut être réelle sans mesurer l'effet d'une décision de communication. Une progression des ventes peut suivre une transformation sans avoir été provoquée par elle. Et une entreprise peut très bien performer alors que la décision précise que j'étudie n'a encore produit aucun résultat mesurable.
La distinction paraît évidente écrite ainsi. Elle l'est beaucoup moins quand un chiffre impressionnant s'intègre parfaitement à une démonstration.
51 analyses ont déclenché l'alerte
J'ai repris les 105 cas avec une question simple : si la décision étudiée n'avait pas eu lieu, le résultat que j'invoquais aurait-il tout de même pu se produire ?
51 analyses utilisaient, dans leur critère consacré aux résultats, un agrégat global d'entreprise : chiffre d'affaires, valorisation, nombre d'utilisateurs, capitalisation. Cela ne les rendait pas inutiles. Cela imposait de les réinstruire.
J'ai donc construit une matrice d'attribution à cinq dimensions : la temporalité, le mécanisme, le périmètre, le contrefactuel et la qualité de la validation. Chaque résultat a été repris fiche par fiche, à la main. Une purge automatique aurait créé le biais inverse : appliqué mécaniquement, ce test détruirait des attributions parfaitement défendables, puisque presque aucun résultat d'entreprise ne survit à un « d'autres causes existent ».
29
notes modifiées sur ces 51
34
notes modifiées sur tout le corpus
30 / 4
baisses / hausses
3,3
points d'amplitude moyenne
Une précision qui compte, et que j'ai failli manquer en écrivant ce texte : 29 de ces mouvements viennent du test d'attribution, dont 26 baisses et 3 hausses. Les autres portent sur des fiches corrigées pour d'autres motifs, une thèse reformulée ou un fait nouveau intégré. Écrire que le test a modifié 34 notes lui attribuerait des corrections qu'il n'a pas produites.
La baisse la plus forte concerne Doctolib : de 92 à 83 sur 100. Et 5 analyses sont désormais hors classement, faute de données publiques suffisantes pour soutenir leur note. Ce sont probablement les décisions les plus importantes de ce réaudit.
Deux cas m'ont obligé à préciser le mot
LVMH dispose de données financières irréprochables. Mais le chiffre d'affaires du groupe agrège des dizaines de Maisons, des effets de change, des cycles de consommation et des géographies très différentes. Dans l'analyse concernée, rien ne permettait d'établir un mécanisme reliant ces ventes à l'objet précis que je notais, l'architecture qui maintient la marque mère hors des produits. Le résultat obtient 3 sur 10 à la matrice d'attribution.
La Maison du Biscuit est un cas beaucoup plus petit et méthodologiquement plus propre. Une adresse unique, donc un périmètre resserré. Une stratégie de destination identifiable. Un mécanisme observable. Et une absence quasi totale de média payant, ce qui écarte l'explication concurrente la plus évidente. Le chiffre d'affaires reste un agrégat d'entreprise, mais le faisceau est bien plus fort : 8 sur 10.
Même type de donnée, cinq points d'écart. La qualité d'une source ne suffit pas : il faut aussi vérifier qu'elle répond à la question qu'on lui pose.
Une donnée exacte peut produire une conclusion fausse. Une très bonne source peut être hors périmètre. Une chronologie correcte peut suggérer une causalité inexistante.
J'avais parfois préféré une bonne formule à une formulation exacte
Le réaudit n'a pas seulement porté sur les chiffres. Il a fallu relire les phrases. Certaines étaient efficaces. Parfois trop.
Sur SFR, j'avais transformé l'absence de valorisation séparée de la marque, dans une opération de plus de vingt milliards d'euros, en conclusion sur sa valeur. Le raisonnement ne résistait pas : l'absence d'un chiffre n'est pas un chiffre égal à zéro. La conclusion a été retirée, et la note est passée de 19 à 21. Corriger une analyse ne veut donc pas dire être plus indulgent : cela veut dire accepter que la conclusion juste soit parfois moins spectaculaire, parfois plus sévère, parfois plus favorable que celle que j'avais écrite.
Sur L'Oréal, j'étais allé trop loin en laissant entendre que l'entreprise connaissait une mesure externe de sa visibilité dans ChatGPT avant son accord avec OpenAI. La chronologie est intéressante et vérifiable ; la connaissance de cette mesure par l'entreprise ne l'est pas. La phrase a été retirée.
Sur Renault, j'avais réduit Ampere à sa perspective d'introduction en Bourse. Les documents primaires du groupe montrent aussi une réalité industrielle et technologique documentée dès le premier jour. La thèse a été réécrite.
Sur Atos, je parlais d'une marque faite en dernier. La chronologie montrait qu'elle existait déjà un an avant sa prise de parole. Le vrai sujet était autre, et meilleur : une organisation avait créé une marque avant d'avoir retrouvé les conditions de l'activer.
L'automatisation déplace le risque, elle ne le supprime pas
Une anecdote qui mérite d'être racontée, parce qu'elle nuance tout ce qui précède. Pendant le réaudit, deux fiches partageaient exactement la même ventilation avant correction. Le script chargé d'inscrire les mouvements dans l'historique public a écrit la valeur de l'une dans le journal de l'autre.
L'erreur a été trouvée en recalculant les statistiques, corrigée en limitant chaque écriture au bloc de sa propre fiche. Mais la leçon compte davantage que l'incident : automatiser la traçabilité ne supprime pas le risque d'erreur, cela le déplace vers l'outil qui produit cette traçabilité. Un dispositif de contrôle a besoin, lui aussi, d'être contrôlé.
Une méthode propriétaire n'est pas une vérité scientifique
La Grille ELMARQ n'est pas un modèle scientifique. Ces analyses ne font l'objet d'aucune évaluation par les pairs. Je ne dispose pas des données internes qui permettraient d'établir toutes les causalités. Je travaille à partir d'informations publiques, et cette limite n'est pas accessoire : elle détermine ce que je peux affirmer.
C'est pourquoi deux choses sont désormais séparées. Le score exprime ma lecture doctrinale de la décision étudiée. Le niveau de preuve indique la robustesse documentaire disponible pour soutenir cette lecture. Une analyse peut donc obtenir une bonne note et rester en niveau B. Ce n'est pas une contradiction : c'est la différence entre ce que les données permettent raisonnablement de conclure et ce qu'elles ne démontrent pas encore.
10 analyses seulement atteignent aujourd'hui le niveau A. 5 sont en C et ont été sorties du classement. Je préfère ce résultat à un corpus où chaque analyse se déclarerait parfaitement démontrée.
La sévérité n'a aucune valeur si elle est moins documentée que la complaisance
Mon attention se portait d'abord sur les conclusions trop favorables. Le test a montré que les mauvaises notes exigent la même discipline. Dire qu'une entreprise s'est trompée est facile. Démontrer précisément ce qui a échoué l'est beaucoup moins.
Une liquidation ne prouve pas qu'un changement d'identité l'a provoquée. Une chute boursière ne signifie pas que « le marché a rejeté » une marque. Une enquête n'est pas une condamnation. Une dette élevée ne devient pas juridiquement propriétaire d'un portefeuille de marques parce que la formule fonctionne bien. Et une absence de résultat public n'est pas une preuve d'échec.
J'ai retiré ces cinq formulations. Elles étaient toutes de moi.
Ce que j'ai changé d'avis
Je pensais que la première qualité d'une bonne analyse était la quantité et la qualité des faits réunis. Je ne le pense plus exactement. Les faits restent indispensables, mais l'étape décisive vient après : savoir ce qu'ils permettent réellement de conclure.
J'ai aussi changé d'avis sur l'incertitude. Je pensais qu'une analyse devait arriver à une réponse. Je pense désormais qu'elle doit parfois arriver proprement à : nous ne pouvons pas le démontrer. C'est pour cette raison que 5 analyses sont aujourd'hui hors classement. Non parce que ces entreprises seraient inanalysables, mais parce que je n'ai pas, à ce stade, assez de preuves publiques pour leur attribuer une note au niveau d'exigence que je m'impose désormais.
La méthode n'est pas terminée, elle est gelée. Pas parce qu'elle serait parfaite : parce qu'une méthode que l'on modifie en permanence ne peut jamais être testée. La prochaine évolution devra venir d'un fait nouveau, d'une erreur établie ou de l'expérience accumulée. Pas de l'envie d'ajouter une couche.
J'ai construit cette grille pour analyser les décisions des autres. Le travail le plus instructif a commencé quand elle m'a obligé à corriger les miennes.
Marc Lugand-SacyFondateur, Président et associé unique d'ELMARQ
Corpus v2.0, gelé le 9 août 2026 : 100 analyses classées, 5 hors classement, moyenne de 64,8 sur 100, médiane de 69,5, 37 cas exemplaires, 50 mixtes, 13 contre-doctrinaux. Ces chiffres ne sont pas saisis dans ce texte : ils sont reconstruits depuis les données du panel et l'historique public des révisions.