La corrélation vs causalité est une distinction analytique centrale en gestion de projet qui sépare deux types de relations entre des variables observées au cours d’un projet. La corrélation traduit une variation conjointe de deux indicateurs, sans qu’aucun lien d’influence ne soit établi. La causalité, en revanche, signifie qu’une modification d’un facteur produit directement ou indirectement un changement dans un autre facteur. Confondre ces deux notions entraîne des décisions de pilotage fondées sur des illusions statistiques, ce qui peut dégrader la performance d’un projet malgré des tableaux de bord apparemment cohérents.
Corrélation vs causalité : points clés à retenir
| Concept clé | Résumé |
|---|---|
| Distinction fondamentale | La corrélation signale une association statistique entre variables, tandis que la causalité établit un mécanisme vérifié de cause à effet. Cette distinction structure l'analyse des données de pilotage. |
| Risque de confusion | Interpréter une corrélation comme une preuve de causalité conduit à des décisions correctives fondées sur des artefacts statistiques, dégradant la performance malgré des indicateurs apparemment cohérents. |
| Exemples concrets | Des situations fréquentes illustrent ce piège : corréler le taux d'occupation d'une équipe avec les défauts, les demandes de modification avec les retards, ou la fréquence des tests avec la satisfaction des utilisateurs. |
| Décisions correctives | Avant d'allouer des ressources supplémentaires ou de modifier un processus, le chef de projet doit vérifier que le facteur suspecté est bien la cause de l'écart observé, et non un simple signal corrélé. |
| Critères de causalité | Établir un lien causal exige une antériorité temporelle du facteur, une plausibilité logique du mécanisme et, dans l'idéal, une variation contrôlée isolant le facteur suspecté. |
| Origines interdisciplinaires | Cette distinction est issue des sciences statistiques, de la philosophie des sciences et de l'épidémiologie, avant d'être transposée à la gestion de projet pour renforcer la rigueur décisionnelle. |
| Outils associés | Les méthodes d'analyse de causes comme les cinq pourquoi et le diagramme d'Ishikawa reposent sur le principe qu'un effet observé renvoie à une cause réelle, identifiable et traitable. |
| Adoption sectorielle | La recherche de preuves causales s'est imposée dans la gestion de projet des secteurs de la construction, du logiciel et des infrastructures, où le coût des corrections erronées est élevé. |
Qu’est-ce que la corrélation vs causalité en gestion de projet ?
La définition de la corrélation vs causalité en gestion de projet repose sur une règle simple : la covariation n’implique pas l’influence. Un chef de projet observe souvent que deux indicateurs augmentent ou diminuent ensemble, mais cette observation seule ne dit pas si l’un agit sur l’autre. En gestion de projet, cette distinction s’applique aux données de délais, de coûts, de qualité, de risques, de vélocité ou de satisfaction des parties prenantes. Par exemple, une hausse du nombre de réunions peut coïncider avec une baisse de productivité sans que les réunions soient nécessairement la cause de cette baisse. Un facteur tiers, comme une définition de périmètre confuse, peut expliquer les deux phénomènes.
La corrélation dans les données projet
La corrélation désigne la tendance de deux variables à évoluer ensemble dans le même sens ou en sens opposé. Dans un projet, cela peut concerner le taux d’utilisation d’une équipe et le nombre de défauts relevés, le nombre de modifications demandées et le retard accumulé, ou encore la fréquence des tests et le taux de satisfaction utilisateur. Une corrélation positive indique que les deux variables augmentent ensemble, tandis qu’une corrélation négative traduit une évolution inverse. La corrélation reste un signal statistique utile pour déclencher une investigation, mais elle ne fournit aucune indication sur le mécanisme qui relie les deux indicateurs. Les tableaux de bord modernes regorgent de corrélations visibles qui, la plupart du temps, n’ont aucune valeur décisionnelle sans analyse complémentaire.
La causalité dans les décisions projet
La causalité, elle, correspond à l’existence d’un mécanisme par lequel une variable indépendante influence une variable dépendante. En gestion de projet, établir une causalité signifie qu’une action, une condition ou un événement est réellement responsable d’un résultat observé. Cette exigence est au cœur des décisions correctives : avant d’ajouter des ressources, de changer un processus ou de reconfigurer une équipe, le chef de projet doit chercher à savoir si le facteur qu’il cible provoque bien l’écart constaté. La difficulté tient au fait que les projets sont des environnements ouverts, où plusieurs facteurs évoluent simultanément. Pour distinguer la causalité, il faut généralement disposer d’une séquence temporelle claire, d’une vraisemblance logique et, idéalement, d’une variation isolée du facteur suspecté.
L'essentiel sur corrélation et causalité
- Corrélation : covariation sans influence
- La corrélation mesure la tendance de deux variables à évoluer ensemble, dans le même sens ou en sens opposé, sans prouver qu'une variable influence l'autre.
- Signal d'enquête, pas décision
- Une corrélation visible dans un tableau de bord doit déclencher une investigation, mais elle ne peut pas, à elle seule, justifier une décision.
- Exemple des réunions et productivité
- Une augmentation du nombre de réunions peut coïncider avec une baisse de la productivité, sans que les réunions en soient nécessairement la cause.
- Exigences pour prouver la causalité
- Pour établir un lien de causalité, il faut réunir une séquence temporelle claire, une plausibilité logique et, idéalement, une variation isolée du facteur suspecté.
Origines et contexte interdisciplinaire de la distinction
L’origine de la corrélation vs causalité se situe dans les sciences statistiques, la philosophie des sciences et l’épidémiologie bien avant d’être appliquée à la gestion de projet. La règle « corrélation n’implique pas causalité » a été affinée par des disciplines qui devaient prouver l’effet d’une intervention sans pouvoir toujours recourir à l’expérimentation contrôlée. Ce bagage interdisciplinaire explique pourquoi la gestion de projet, qui manipule des indicateurs et des décisions sous incertitude, a importé cette distinction dans ses outils de pilotage. Les pratiques de maîtrise des risques, d’analyse des écarts et de retour d’expérience héritent directement de cette rigueur méthodologique.
Apports des sciences statistiques et de l’épidémiologie
Les sciences statistiques ont formalisé la corrélation comme une mesure d’association, tandis que l’épidémiologie a développé des critères pour passer de l’association à l’inférence causale, comme la séquence temporelle, la force de l’association, la cohérence avec d’autres connaissances et l’absence de variable confondante. Ces critères ont une portée directe en gestion de projet lorsque l’on analyse des données d’incidents, de défauts ou de retards. Un chef de projet qui veut comprendre pourquoi une phase de test échoue doit réunir plus qu’une simple corrélation entre un outil et le taux d’échec. Il doit examiner si l’outil a été introduit avant l’augmentation des défauts, si aucun autre changement n’est intervenu et si le mécanisme d’échec est plausible.
Usage en ingénierie et en gestion des opérations
L’ingénierie de la qualité et la gestion des opérations ont aussi adopté cette distinction dans l’analyse des causes profondes et les cartes de contrôle. Les méthodes de résolution de problèmes comme les cinq pourquoi ou le diagramme d’Ishikawa reposent sur l’hypothèse qu’un effet observé possède une cause réelle que l’on peut identifier. Mais ces méthodes ne se contentent pas d’une coïncidence dans les séries de données. Elles exigent de vérifier la vraisemblance physique, organisationnelle ou technique du lien supposé. Cette culture de la preuve causale a progressivement pénétré la gestion de projet, en particulier dans les secteurs de la construction, du logiciel et des infrastructures, où les décisions correctives coûtent cher.
Composantes clés de la corrélation et de la causalité
Les composantes clés de la corrélation vs causalité englobent la force et la direction de l’association, la séquence temporelle, le mécanisme plausible et l’élimination des variables confondantes. Une analyse sérieuse ne se limite pas à constater que deux indicateurs bougent ensemble. Elle décompose la relation pour vérifier si les conditions d’une inférence causale sont réunies. En gestion de projet, ces composantes servent de grille de lecture avant toute action corrective ou décision d’arbitrage.
La force et la direction d’une corrélation
Une corrélation peut être forte ou faible, positive ou négative. Une corrélation forte entre l’absentéisme et les retards de livraison attire l’attention, mais elle ne prouve pas que l’absentéisme cause les retards. Il se peut que les deux soient la conséquence d’une charge de travail excessive ou d’un management défaillant. La force de la corrélation mesure la régularité de la covariation, pas le degré de responsabilité d’un facteur. De plus, une corrélation faible n’exclut pas une causalité réelle si l’effet est masqué par du bruit ou par des délais entre cause et effet. Dans les projets, les effets d’une décision peuvent mettre plusieurs semaines à se manifester, ce qui complique l’interprétation des corrélations immédiates.
Les critères de causalité en contexte projet
Pour qu’un lien soit considéré comme causal dans un projet, plusieurs critères sont habituellement examinés. La cause doit précéder l’effet dans le temps, comme l’introduction d’un nouveau processus avant l’évolution d’un indicateur de qualité. Le lien doit être plausible au regard de la dynamique de l’équipe, de la technologie et des processus existants. Il doit aussi résister à l’examen des facteurs alternatifs. Enfin, une variation contrôlée du facteur suspecté, par exemple un pilote sur une partie du périmètre, fournit un élément probant supplémentaire. Ces critères ne sont pas toujours entièrement réunis, mais leur accumulation renforce la confiance dans une relation causale.
Variables confondantes et relations fallacieuses
Une variable confondante est une troisième variable qui influence à la fois la cause présumée et l’effet observé. Dans un projet, le niveau de maturité de l’équipe peut sembler corrélé à la fois à la fréquence des revues et à la qualité des livrables, créant l’illusion que les revues améliorent la qualité. En réalité, c’est peut-être la maturité qui produit les deux. Les relations fallacieuses naissent également lorsque deux séries de données partagent une tendance commune sans lien direct, comme un indicateur de coût qui augmente avec le temps calendaire et un indicateur de complexité qui suit la même pente. Les confondants expliquent une grande partie des mauvaises interprétations en pilotage de projet.
Synthèse des composantes clés
- Force et direction de l'association
- La force de la corrélation traduit la régularité avec laquelle deux variables évoluent ensemble, mais elle ne renseigne pas sur le rôle causal de l'une par rapport à l'autre.
- Séquence temporelle et délais
- Une corrélation statistiquement faible peut néanmoins correspondre à un lien causal réel lorsque le signal est atténué par du bruit de mesure ou par des délais de propagation, certains effets ne devenant visibles qu'après plusieurs semaines.
- Mécanisme et variables confondantes
- Une analyse rigoureuse consiste à écarter l'hypothèse d'une variable confondante, telle qu'une charge de travail excessive susceptible d'expliquer simultanément l'évolution de deux indicateurs corrélés.
- Variation contrôlée comme preuve
- La mise en place d'un pilote sur un périmètre restreint permet de faire varier délibérément le facteur suspecté, fournissant ainsi un indice probant supplémentaire en faveur d'un lien causal.
- Tendance commune et relations fallacieuses
- Les relations fallacieuses apparaissent lorsque deux séries évoluent selon une même tendance structurelle sans mécanisme causal commun, à l'image d'un indicateur de coût et d'un indicateur de complexité dont les pentes se ressemblent.
Importance de la corrélation vs causalité en gestion de projet
L’importance de la corrélation vs causalité en gestion de projet réside dans la qualité des décisions de pilotage. Les projets engagent des ressources, des délais et des budgets sous contrainte ; chaque action corrective doit cibler la bonne cause. Si un chef de projet réagit à une corrélation fallacieuse, il peut gaspiller des efforts, dégrader la confiance de l’équipe et laisser la cause réelle non traitée. La distinction protège aussi la crédibilité des analyses présentées aux parties prenantes, car des recommandations fondées sur des associations fragiles sont rapidement démasquées lors des revues de direction.
Prise de décision sous incertitude
La gestion de projet consiste à prendre des décisions avec des informations incomplètes. La corrélation fournit des pistes, la causalité fournit des leviers. Un chef de projet qui confond les deux croit disposer d’un levier alors qu’il ne manipule qu’un signal. Par exemple, un taux de rotation du personnel peut être corrélé à des retards, mais le levier causal peut être la charge de travail ou l’absence de reconnaissance. Une action sur le mauvais facteur n’aura pas l’effet escompté et peut même aggraver la situation en détournant l’attention.
Protection de la crédibilité du pilotage
Les rapports de performance et les comités de pilotage valorisent les explications claires. Lorsqu’un responsable de projet annonce une relation de cause à effet sans preuve, il s’expose à des questions difficiles et à une perte de confiance. À l’inverse, présenter une corrélation comme une hypothèse à vérifier montre une rigueur analytique. Cette distinction renforce la légitimité du chef de projet auprès des sponsors et des membres de l’équipe, car elle signale que les décisions ne sont pas prises sur des impressions ou des coïncidences.
La corrélation vs causalité dans les référentiels de gestion de projet
La corrélation vs causalité dans le PMBOK apparaît de manière transversale plutôt que comme une technique formelle identifiable. Le référentiel du PMI insiste sur l’analyse des données pour soutenir les décisions de surveillance et de maîtrise, mais il ne définit pas un processus dédié à l’inférence causale. Cette distinction est pourtant implicite dans les analyses de variance, de tendance et de causes profondes que le PMBOK associe au contrôle du projet. Les autres référentiels, comme PRINCE2 ou les approches agiles, abordent la question sous l’angle de la décision par exception ou de l’inspection empirique.
Corrélation vs causalité dans le PMBOK
Dans le PMBOK, les processus de surveillance et de maîtrise du travail, de validation et de maîtrise de la portée, du calendrier et des coûts s’appuient sur des données de performance. Lorsqu’un écart est détecté, le chef de projet doit distinguer le symptôme de la cause. Les techniques d’analyse des causes profondes, de diagramme d’Ishikawa et de Pareto visent justement à dépasser la simple corrélation entre un écart et un facteur visible. De même, la gestion des risques utilise l’analyse qualitative et quantitative pour évaluer des liens de cause à effet entre déclencheurs et impacts. Une mauvaise lecture causale conduit à des réponses aux risques ineffic
Synthèse sur corrélation et causalité
- Distinction transversale dans le PMBOK
- Le PMBOK aborde la corrélation et la causalité de manière transversale, sans en faire une technique formelle dédiée à l'inférence causale.
- Analyse implicite des causes
- Les analyses de variance, de tendance et de causes profondes s'appuient implicitement sur cette distinction pour guider les activités de contrôle du projet.
- Outils pour dépasser la corrélation
- Le diagramme d'Ishikawa et le diagramme de Pareto, notamment, aident à dépasser la simple corrélation pour identifier les causes réelles d'un écart.
- Approches des autres référentiels
- PRINCE2 et les approches agiles privilégient respectivement la décision par exception et l'inspection empirique, tandis que la gestion des risques évalue systématiquement les liens de cause à effet entre déclencheurs et impacts.
Perspective BVOP sur la corrélation et la causalité
La perspective BVOP sur la corrélation et la causalité apparaît dans l’interprétation des Business Value Points et des dommages de processus. Une baisse persistante de ces points peut signaler une fermeture possible du projet, mais la méthodologie exige de vérifier le lien causal avant de conclure, car une corrélation avec des heures supplémentaires ou du perfectionnisme ne suffit pas à désigner un coupable. Les catégories de gaspillage définies par BVOPM guident cette analyse sous l’angle du surmenage, du perfectionnisme et du rejet de travaux acceptables.
Application pratique de la distinction en projet
L’application pratique de la corrélation vs causalité en gestion de projet se manifeste dès la planification des risques et se prolonge jusqu’au retour d’expérience. Les chefs de projet, les PMO et les équipes agiles utilisent cette distinction pour interpréter les écarts, prioriser les actions correctives et éviter les décisions réactives fondées sur des coïncidences. Dans la pratique, la question n’est pas de produire une preuve causale parfaite, mais d’atteindre un niveau de confiance suffisant pour engager une action sans gaspiller d’efforts.
Quand la distinction intervient dans le cycle de vie
Pendant la planification, l’analyse des risques repose souvent sur des données historiques où les corrélations abondent. Un projet antérieur peut montrer que les dépassements de coûts sont plus fréquents lorsque le sponsor change en cours de réalisation. Cette corrélation peut justifier une vigilance accrue, mais elle ne prouve pas que le changement de sponsor provoque mécaniquement le dépassement. Pendant l’exécution, les revues d’avancement confrontent les indicateurs de coûts, de délais et de qualité. Une corrélation entre un retard et une baisse de moral de l’équipe doit déclencher une analyse causale, pas une conclusion immédiate sur le management. En fin de projet, la capitalisation des leçons apprises exige la même rigueur : recenser les corrélations observées, puis distinguer celles qui ont un lien causal documenté de celles qui restent de simples associations.
Scénarios typiques d’analyse
Un scénario classique concerne la vélocité d’une équipe agile. Lorsque la vélocité diminue après l’adoption d’un outil de gestion visuelle, l’équipe peut attribuer la baisse à l’outil. Pourtant, la même période peut avoir connu une rotation du personnel, une complexité accrue des récits utilisateur ou une réduction du temps de collaboration. Un autre scénario fréquent est celui des réunions de suivi : leur augmentation peut coïncider avec une baisse de productivité, mais la cause peut être un périmètre instable qui génère à la fois plus de réunions et moins de temps de travail concentré. Dans les projets de construction ou d’infrastructure, les incidents de sécurité peuvent être corrélés aux heures de travail de nuit sans que l’horaire soit l’unique responsable ; la fatigue, la visibilité réduite et la pression sur les jalons forment un faisceau causal plus complexe.
Points clés de l'application pratique
- Portée de la distinction
- Les chefs de projet, les PMO et les équipes agiles s'appuient sur cette distinction pour qualifier les écarts observés, hiérarchiser les actions correctives et écarter les décisions précipitées qui reposeraient sur de simples coïncidences.
- Confiance suffisante pour agir
- L'objectif n'est pas d'obtenir une preuve causale irréfutable, mais de réunir un niveau de confiance suffisant pour déclencher une action pertinente sans mobiliser de ressources inutilement.
- Corrélations historiques et vigilance
- Une corrélation observée entre un changement de sponsor et des dépassements de coûts justifie une vigilance renforcée, sans établir pour autant un lien de causalité mécanique.
- Analyse causale avant conclusion
- Une corrélation entre un retard de livraison et une baisse du moral de l'équipe doit conduire à une analyse causale approfondie avant toute conclusion hâtive sur la qualité du management.
- Rigueur dans les leçons apprises
- La capitalisation des retours d'expérience impose de recenser les corrélations constatées, puis de séparer celles qui s'appuient sur un lien causal documenté de celles qui demeurent de simples associations.
Défis, pièges et idées reçues
Les pièges de la corrélation vs causalité en projet proviennent souvent du biais de confirmation et de la pression à fournir une explication rapide aux écarts. Un chef de projet qui observe deux indicateurs qui bougent ensemble tend à privilégier l’interprétation qui confirme son intuition initiale. Cette tendance est renforcée par les tableaux de bord, qui mettent en vis-à-vis des courbes sans préciser leurs relations causales. Une idée reçue répandue veut qu’une corrélation forte suffise à justifier une action corrective. C’est faux dans la majorité des situations de projet, où les interactions entre facteurs sont multiples et différées dans le temps.
Le piège du post hoc ergo propter hoc
Le sophisme post hoc ergo propter hoc consiste à conclure qu’un événement qui en suit un autre en est la conséquence. Dans un projet, si un incident majeur survient après l’arrivée d’un nouveau membre dans l’équipe, la tentation est de lier les deux. Pourtant, la chronologie seule ne démontre rien. Des milliers de variables changent simultanément dans un projet : le périmètre, les dépendances externes, les conditions techniques, la pression budgétaire. Attribuer une causalité sur la seule base d’une séquence temporelle est une erreur logique classique qui conduit à désigner des responsables ou des solutions inadaptées.
Quand ne pas exiger une causalité stricte
Il y a des situations où une corrélation suffit pour agir, à condition de la traiter comme un signal et non comme une preuve. En gestion des risques, une corrélation entre un indicateur avancé et un retard peut justifier une alerte précoce, même si le lien causal n’est pas entièrement compris. L’important est d’adapter la décision au niveau de confiance : une mesure de surveillance peu coûteuse peut être déclenchée sur une simple corrélation, tandis qu’un investissement structurel ou un changement de périmètre exige une inférence causale plus robuste. Cette progressivité protège le projet contre l’inaction paralysante tout en évitant les décisions coûteuses fondées sur des associations fragiles.
Relations avec d’autres concepts de gestion de projet
La corrélation vs causalité et analyse des causes profondes sont étroitement liées, car l’analyse des causes profondes vise précisément à transformer des corrélations observées en explications causales vérifiées. Le diagramme d’Ishikawa, la méthode des cinq pourquoi et l’analyse de Pareto partagent cet objectif de dépasser les évidences statistiques. Toutefois, une analyse des causes profondes mal conduite peut elle-même produire une fausse causalité si elle ne valide pas le lien entre la cause présumée et l’effet par des données ou des tests logiques.
Lien avec le diagramme d’Ishikawa et les cinq pourquoi
Le diagramme d’Ishikawa organise les causes possibles d’un effet en catégories comme les personnes, les processus, les outils, les matériaux ou l’environnement. Lorsqu’une équipe remplit ce diagramme, elle recueille souvent des causes simplement corrélées à l’effet. Les cinq pourquoi permettent ensuite d’approfondir la chaîne causale, mais chaque réponse doit être confrontée à des preuves. Sans cette vérification, la chaîne peut refléter des croyances partagées au sein de l’équipe plutôt qu’une relation causale réelle. Par exemple, si un défaut apparaît dans un module logiciel, le diagramme peut pointer la complexité du module. La complexité est corrélée à la présence de défauts dans de nombreux projets, mais elle ne cause pas directement chaque défaut ; d’autres mécanismes comme l’ambiguïté des exigences ou l’absence de tests peuvent être plus déterminants.
Différence avec les indicateurs avancés et les indicateurs retardés
Les indicateurs avancés sont souvent corrélés avec des résultats futurs sans en être la cause directe. La disponibilité d’une équipe peut être un indicateur avancé de la qualité, mais ce n’est pas la disponibilité qui améliore la qualité, c’est le temps de réflexion et de test qu’elle permet. Les indicateurs retardés, comme le respect des délais, constatent un résultat après coup. La distinction entre corrélation et causalité aide à ne pas traiter un indicateur avancé comme un levier causal. Elle évite aussi l’erreur inverse, qui consiste à piloter uniquement sur des indicateurs retardés sans comprendre les mécanismes qui les produisent.
L'essentiel sur la causalité
- Corrélation et causalité distinguées
- L'analyse des causes profondes vise à transformer les corrélations observées en relations causales vérifiées, afin de dépasser la simple association statistique et d'établir un lien de cause à effet fiable.
- Outils d'analyse complémentaires
- Le diagramme d'Ishikawa, la méthode des cinq pourquoi et l'analyse de Pareto poursuivent un même objectif : dépasser les corrélations apparentes pour identifier les causes réelles qui expliquent le problème.
- Risque de fausse causalité
- Une analyse insuffisamment rigoureuse peut aboutir à une fausse causalité lorsque le lien entre la cause supposée et l'effet observé n'est pas confirmé par des données probantes ou par une validation logique solide.
- Complexité et pilotage d'indicateurs
- La complexité est corrélée aux défauts sans en être la cause directe, ce qui rend l'analyse causale indispensable pour ne pas piloter uniquement des indicateurs retardés et pour comprendre les mécanismes sous-jacents.
Évolution et débats actuels autour de la corrélation vs causalité
L’évolution de la corrélation vs causalité en gestion de projet suit les progrès de l’analyse de données et de l’inférence causale. Les tableaux de bord modernes collectent plus d’indicateurs que jamais, ce qui augmente le risque de découvrir des corrélations fortuites. En parallèle, les équipes projet s’approprient progressivement les concepts de test contrôlé, de groupe de comparaison et d’inférence contrefactuelle pour renforcer leurs décisions. Le débat actuel oppose les partisans d’une approche expérimentale rigoureuse à ceux qui estiment que l’environnement de projet, trop ouvert et mouvant, ne se prête pas à une preuve causale classique.
Apport de l’inférence causale et de l’expérimentation
L’inférence causale propose des outils pour estimer l’effet d’une variable en contrôlant les facteurs de confusion. Dans un projet, cela peut se traduire par des expérimentations sur un sous-ensemble du périmètre avant une généralisation. Une équipe qui veut adopter une nouvelle revue de code peut l’appliquer sur une partie des modules pendant une période donnée et comparer l’évolution des défauts avec des modules similaires non traités. Cette logique contrefactuelle améliore la confiance dans l’effet causal de la pratique. Elle demeure toutefois difficile à appliquer lorsque les lots ne sont pas comparables ou lorsque l’effet met du temps à apparaître.
Limites et prudence dans un environnement complexe
Les projets ne sont pas des laboratoires. Les variables sont nombreuses, les échantillons souvent petits et les séries temporelles courtes. Une corrélation peut disparaître dès que la période d’observation change, et une causalité peut exister sans corrélation simple si l’effet est décalé ou masqué par d’autres facteurs. La pensée systémique, mise en avant par certaines approches de gestion de projet, rappelle que les relations dans un projet sont souvent circulaires et non linéaires : un retard alimente la pression, la pression dégrade la qualité, la dégradation de la qualité génère de nouveaux retards. Dans ces boucles, la distinction corrélation/causalité devient plus subtile, car un facteur peut être à la fois cause et conséquence à des moments différents. Cette complexité explique pourquoi les praticiens expérimentés préfèrent parler de faisceau de présomptions causales plutôt que de preuve unique.
