Fonction COEFFICIENT.DETERMINATION ExcelR² : Mesurer la Qualité de tes Modèles – Guide 2026
COEFFICIENT.DETERMINATION (RSQ en anglais) est la fonction Excel qui calcule le R², aussi appelé coefficient de détermination. Le R² mesure la qualité d'une régression linéaire en te disant quelle proportion de la variation de tes données est expliquée par ton modèle. En clair : si tu essaies de prédire les ventes en fonction du budget marketing, le R² te dit à quel point ton modèle est fiable.
Cette fonction est essentielle pour tous les analystes, data scientists et contrôleurs de gestion qui construisent des modèles prédictifs. Tu vas découvrir comment l'utiliser pour évaluer la solidité de tes prévisions et prendre des décisions basées sur des données fiables.
Syntaxe de la fonction COEFFICIENT.DETERMINATION
=COEFFICIENT.DETERMINATION(y_connus; x_connus)La fonction retourne une valeur entre 0 et 1 qui représente le R². Plus le R² est proche de 1, plus ton modèle de régression linéaire est précis pour expliquer la relation entre X et Y.
Note importante : Les deux plages doivent avoir exactement le même nombre de valeurs, sinon Excel renverra une erreur #N/A.
Comprendre chaque paramètre de la fonction COEFFICIENT.DETERMINATION
y_connus
(obligatoire)C'est la plage contenant tes valeurs dépendantes, aussi appelée variable Y ou variable à expliquer. Par exemple, si tu cherches à prédire les ventes en fonction du budget marketing, les ventes sont ton y_connus.
Format : Une plage de cellules comme B2:B10 contenant uniquement des valeurs numériques. Les cellules vides ou contenant du texte provoquent une erreur.
x_connus
(obligatoire)C'est la plage contenant tes valeurs indépendantes, aussi appelée variable X ou variable explicative. Dans notre exemple marketing, ce serait le budget publicitaire. C'est la variable que tu utilises pour expliquer ou prédire Y.
Format : Une plage de cellules comme A2:A10. Elle doit avoir exactement la même taille que y_connus (même nombre de lignes).
Astuce de pro : Pour bien comprendre tes résultats, trace toujours un nuage de points de tes données avant de calculer le R². Ça te permet de vérifier visuellement si une relation linéaire a du sens. Si tes points forment une courbe, le R² sera faible même s'il existe une relation forte.
Exemples pratiques en contexte business
Exemple 1 – Directeur Marketing : évaluer l'impact du budget publicitaire sur les ventes
Tu es directeur marketing et tu veux savoir si augmenter le budget publicitaire augmente réellement les ventes. Tu as collecté les données des 6 derniers mois et tu veux mesurer la qualité de cette relation avec le R².
R² = 98,2% : le budget pub explique presque toute la variation des ventes. Excellent modèle prédictif !
| A | B | C | |
|---|---|---|---|
| 1 | Mois | Budget Pub (k€) | Ventes (k€) |
| 2 | Janvier | 10 | 45 |
| 3 | Février | 15 | 62 |
| 4 | Mars | 12 | 53 |
| 5 | Avril | 20 | 85 |
| 6 | Mai | 18 | 76 |
| 7 | Juin | 25 | 102 |
=COEFFICIENT.DETERMINATION(C2:C7;B2:B7)Avec un R² de 0,982, tu peux affirmer avec confiance que 98,2% de la variation des ventes est expliquée par le budget pub. C'est un indicateur très fort pour justifier tes futurs investissements marketing auprès de la direction.
Exemple 2 – Analyste Pricing : tester la sensibilité du volume aux variations de prix
Tu es analyste pricing et tu testes différents prix pour ton produit phare. Tu veux savoir si le volume vendu est fortement corrélé au prix pratiqué pour optimiser ta stratégie tarifaire.
R² = 89,3% : la relation prix-volume est très forte. Baisser le prix augmente significativement le volume.
| A | B | C | |
|---|---|---|---|
| 1 | Semaine | Prix unitaire (€) | Volume vendu |
| 2 | S1 | 49,90 | 820 |
| 3 | S2 | 44,90 | 1050 |
| 4 | S3 | 54,90 | 620 |
| 5 | S4 | 39,90 | 1280 |
| 6 | S5 | 59,90 | 480 |
| 7 | S6 | 47,90 | 910 |
=COEFFICIENT.DETERMINATION(C2:C7;B2:B7)Un R² de 0,893 confirme que le prix est un facteur déterminant du volume. Tu peux maintenant construire un modèle de pricing fiable et calculer l'élasticité-prix pour optimiser ton chiffre d'affaires.
Exemple 3 – Data Analyst : valider un modèle prédictif de demande
Tu es data analyst et tu as développé un modèle pour prédire la demande en fonction de la température. Avant de déployer ce modèle en production, tu veux vérifier qu'il est suffisamment fiable.
R² = 94,7% : la température explique très bien les ventes de glaces. Modèle validé !
| A | B | C | |
|---|---|---|---|
| 1 | Jour | Température (°C) | Ventes glaces (unités) |
| 2 | Lundi | 18 | 45 |
| 3 | Mardi | 23 | 78 |
| 4 | Mercredi | 28 | 125 |
| 5 | Jeudi | 31 | 156 |
| 6 | Vendredi | 26 | 98 |
| 7 | Samedi | 21 | 62 |
| 8 | Dimanche | 25 | 89 |
=COEFFICIENT.DETERMINATION(C2:C8;B2:B8)Avec un R² de 0,947, ton modèle est très solide. Tu peux l'utiliser en toute confiance pour prévoir les besoins en stock en fonction des prévisions météo. Les 5,3% restants s'expliquent par d'autres facteurs (weekend, événements locaux, etc.).
Exemple 4 – Responsable RH : mesurer l'impact de la formation sur la productivité
Tu es responsable RH et tu as investi dans un programme de formation. Tu veux prouver au COMEX que les heures de formation augmentent réellement la productivité de tes équipes.
R² = 85,6% : la formation explique fortement la productivité. Investissement justifié !
| A | B | C | |
|---|---|---|---|
| 1 | Employé | Heures formation | Productivité (%) |
| 2 | Marie | 5 | 78 |
| 3 | Pierre | 15 | 85 |
| 4 | Sophie | 8 | 82 |
| 5 | Lucas | 20 | 92 |
| 6 | Emma | 12 | 88 |
| 7 | Thomas | 3 | 74 |
| 8 | Julie | 18 | 90 |
=COEFFICIENT.DETERMINATION(C2:C8;B2:B8)Un R² de 0,856 est excellent dans le contexte RH où de nombreux facteurs influencent la performance. Tu as un argument chiffré solide pour continuer à investir dans la formation et demander plus de budget.
Astuces de pro pour utiliser R² efficacement
Combine R² avec CORREL pour avoir la vue complète :
CORREL te donne la direction de la relation (positive ou négative), tandis que COEFFICIENT.DETERMINATION te donne la force de cette relation. Utilise =CORREL(Y;X) puis =COEFFICIENT.DETERMINATION(Y;X) pour une analyse complète.
Attention aux valeurs aberrantes :
Une seule valeur extrême peut fausser complètement ton R². Avant de calculer le coefficient, repère les outliers avec un graphique en nuage de points et décide si tu dois les conserver ou les exclure de ton analyse.
R² élevé ne signifie pas causalité :
Tu peux avoir un R² de 0,95 entre les ventes de glaces et le nombre de noyades. Ça ne veut pas dire que l'un cause l'autre ! Les deux sont simplement influencées par un facteur commun : la température. Garde ton esprit critique.
Utilise des plages nommées pour plus de clarté :
Au lieu de =COEFFICIENT.DETERMINATION(B2:B20;A2:A20), nomme tes plages "Ventes" et "BudgetPub" puis écris =COEFFICIENT.DETERMINATION(Ventes;BudgetPub). Ta formule devient lisible et auto-documentée.
Les erreurs fréquentes et comment les corriger
Erreur #N/A : plages de tailles différentes
C'est l'erreur la plus courante. Elle survient quand tes plages y_connus et x_connus n'ont pas exactement le même nombre de cellules. Par exemple, B2:B10 (9 cellules) et A2:A12 (11 cellules).
Solution : Vérifie que tes deux plages commencent et finissent au même niveau. Sélectionne la première plage, note le nombre de lignes, puis assure-toi que la deuxième plage a exactement le même nombre.
Erreur #VALEUR : données non numériques
Cette erreur apparaît quand une ou plusieurs cellules de tes plages contiennent du texte au lieu de nombres. Souvent après un import de fichier CSV où les nombres sont stockés en texte.
Solution : Sélectionne tes plages de données et convertis-les en nombres. Tu peux aussi utiliser une colonne auxiliaire avec =VALEUR(A2) pour convertir le texte en nombre.
R² proche de 0 alors qu'une relation existe
Si ton R² est très faible (proche de 0) mais que ton graphique montre clairement une relation, c'est probablement que cette relation n'est pas linéaire. Elle peut être exponentielle, logarithmique ou polynomiale.
Solution : Transforme tes données avant de calculer le R². Par exemple, si la relation est exponentielle, calcule le LOG de ta variable Y et refais l'analyse. Ou utilise les outils de régression avancée d'Excel (Analyse de données).
Interpréter R² sans regarder les données
Calculer le R² sans visualiser tes données est dangereux. Tu peux manquer des patterns importants comme des valeurs aberrantes, des groupes distincts ou des relations non linéaires qui faussent ton interprétation.
Solution : TOUJOURS créer un graphique en nuage de points avant de calculer le R². Excel : Insertion → Graphiques recommandés → Nuage de points. Ça prend 10 secondes et ça peut t'éviter des conclusions erronées.
COEFFICIENT.DETERMINATION vs fonctions de régression
| Critère | COEFFICIENT.DETERMINATION | CORREL | DROITEREG | PENTE |
|---|---|---|---|---|
| Résultat | R² (0 à 1) | r (-1 à 1) | Équation complète | Coefficient a |
| Usage principal | Qualité du modèle | Force + direction | Prédiction complète | Taux de variation |
| Sensibilité direction | ❌ Non (toujours positif) | ✅ Oui (peut être négatif) | ✅ Oui (pente + ou -) | ✅ Oui (+ ou -) |
| Pour faire des prévisions | ❌ Non | ❌ Non | ✅ Oui | ⚠️ Partiel |
| Complexité | ⭐⭐ | ⭐⭐ | ⭐⭐⭐ | ⭐⭐ |
Utilise COEFFICIENT.DETERMINATION pour évaluer la qualité de ton modèle. Combine-le avec CORREL pour connaître la direction de la relation. Si tu veux faire des prédictions concrètes, utilise DROITEREG qui te donne l'équation complète y = ax + b.
Questions fréquentes
Comment interpréter la valeur de R² dans mon modèle ?
R² va de 0 à 1. Un R² de 0,80 signifie que 80% de la variation de ta variable Y est expliquée par ta variable X. Plus R² est proche de 1, plus ton modèle est précis. Par exemple, si R² = 0,95 pour prédire les ventes en fonction du budget pub, c'est excellent ! Si R² = 0,30, d'autres facteurs influencent fortement les ventes.
Quelle est la relation entre COEFFICIENT.DETERMINATION et CORREL ?
R² est tout simplement le carré du coefficient de corrélation. Si CORREL renvoie 0,9, alors COEFFICIENT.DETERMINATION renverra 0,81 (0,9²). La différence : CORREL peut être négatif, mais R² est toujours positif. C'est pour ça qu'on utilise R² pour mesurer la qualité d'un modèle sans se soucier du sens de la relation.
Un R² faible signifie-t-il que mon modèle est inutile ?
Pas nécessairement ! Ça dépend de ton domaine. En physique, un R² de 0,95 est attendu. En sciences sociales ou marketing, un R² de 0,30-0,40 peut être significatif car le comportement humain dépend de nombreux facteurs. Un R² de 0,60 pour prédire les ventes est souvent très bon en pratique.
Peut-on utiliser COEFFICIENT.DETERMINATION pour des relations non linéaires ?
Non, cette fonction mesure uniquement la qualité d'une régression linéaire. Si tes données suivent une courbe exponentielle ou logarithmique, R² sera faible même si la relation est forte. Dans ce cas, transforme d'abord tes données (log, racine carrée) ou utilise des outils de régression non linéaire.
Que faire si mes deux plages n'ont pas la même taille ?
Excel renverra l'erreur #N/A. Les plages y_connus et x_connus doivent avoir exactement le même nombre de valeurs. Vérifie que tu n'as pas de cellules vides au milieu de tes plages et que tes deux plages commencent et finissent au même niveau.
Les fonctions similaires à COEFFICIENT.DETERMINATION
Deviens un expert des fonctions statistiques Excel
Tu maîtrises maintenant COEFFICIENT.DETERMINATION ! Rejoins Le Dojo Club pour approfondir ton analyse de données avec toutes les fonctions de régression et devenir un vrai data analyst Excel.
Essayer pendant 30 jours