Analytique RH : L’intelligence humaine et les algorithmes peuvent-ils créer une alliance ?
PerformanSe|4 min. de lecture|10 octobre
Aujourd’hui, l’analyse prédictive n’est plus considérée comme une technologie du futur. Beaucoup de secteurs l’exploitent déjà, pour l’optimisation des processus de gestion, la gestion des risques et des fraudes, l’innovation des produits et services ou encore le marketing. Concernant les RH ? De plus en plus d’entreprises adoptent une approche fondée sur l’analyse des données et les interactions humaines. Les études montrent aussi l’avis favorable des DRH quant à l’utilisation de l’analytique RH.
Qu’est-ce que l’analyse prédictive ?
L’analyse prédictive englobe une variété de techniques issues de statistiques, d’extraction de connaissances, à partir de données qui analysent des faits présents et passés pour faire des hypothèses prédictives sur des événements futurs. Dit plus simplement, l’analytique RH consiste à « faire parler » un ensemble de données sur les collaborateurs et l’organisation pour créer des modèles (recrutement, engagement, formation, gestion de carrière…) sur lesquels s’appuyer pour mieux comprendre le fonctionnement de son organisation et des individus qui la composent, et anticiper les stratégies RH associées.
Quelle utilité pour les RH ?
Les analyses prédictives permettent d’identifier aussi bien les menaces que les opportunités, et d’y réagir de façon appropriée : identifier des salariés susceptibles de démissionner (bel article sur le sujet de l'attrition par l'observatoire de la compétence métier), évaluer les pénuries de talents à moyen et long terme, déterminer les leviers de l’engagement ou améliorer les processus de formation, etc…. A titre d’exemple, le recrutement prédictif est aujourd’hui à portée de main. Les méthodes actuelles permettent de repérer précisément pour une organisation, une fonction ou un métier donné, les caractéristiques interindividuelles qui expliquent une part significative de la performance. Comment ? En s’appuyant sur l’analyse des liens entre d’une part les données de performance, et d’autre part les données relevant des compétences des collaborateurs exerçant précisément dans ces fonctions dans ce contexte organisationnel. Dans les deux cas, il est recommandé de multiplier les indicateurs les plus pertinents pour caractériser la performance (critères objectifs, performance comparée, critères subjectifs) et les compétences (personnalité, motivations, croyances, aptitudes.). Ces méthodes contextualisées permettent de cartographier la singularité des populations internes. Bien employées, elles produisent les résultats les plus précis et fiables. Il existe aussi sur le marché des solutions automatisées « prêtes à l’emploi » proposant, sur la base de critères d’entrée (fonction, secteur, rôle…), des modèles de compétences prédictifs sans procéder à des analyses contextuelles. Attention dans ce cas à bien s’assurer de la qualité et la quantité des données !
Quels défis et bonnes pratiques ?
Les défis sont moins de l’ordre de la science que de l’ordre de la capacité humaine à unifier les données, les interpréter et les partager en racontant une histoire qui fasse sens pour une utilité.
Unifier les données
L’analyse prédictive ne peut s’effectuer qu’à partir d’informations structurées telles qu’on peut en trouver dans une base de données. Les processus RH automatisés – tels que la gestion de la paie, des talents, des absences et des performances – combinée aux résultats d’enquêtes, d’évaluation, de formation, etc. produisent aujourd’hui une quantité importante de données, le plus souvent éparpillées. L’analyse de données n’est cependant efficace que si les systèmes sont interconnectés et génèrent des ensembles de données cohérents !
Bonne pratique : Il est important d’unifier les données pour former un ensemble cohérent. La machine ne fera pas ce travail préparatoire malheureusement ! C’est au prix de ce premier travail que peut se répandre l’analyse prédictive.
Analyser des données
Le défi consiste à analyser toutes ces informations et à les exploiter afin de produire des modèles fiables. Au-delà des compétences statistiques, l’Analytique RH exige une compréhension des modèles de fonctionnement organisationnel et individuel, ainsi qu’une sensibilisation à la législation en matière d’exploitation de données personnelles. Or aujourd’hui, le domaine semble plutôt nouveau ou encore expérimental.
Bonne pratique : Il est possible de développer ces compétences nouvelles au sein de services RH. Une autre solution est de s’appuyer sur les éditeurs de tests psychométriques, possédant des milliers de data d’évaluation et de fortes expertises en analyse de données.
Partager des données
Au-delà des prérequis pour traiter les data en amont (agrégation des systèmes RH), et des compétences d’analystes (cela se trouve), une compétence est essentielle pour éviter l’échec post analyses : la compréhension des données et le partage.
Les algorithmes sont impuissants sans l’analyse contextuelle, la prise de recul et l’intelligence humaine...
Les données ne sont jamais réellement intelligentes en soi, ce d’autant plus que l’analyse prédictive ne repose pas sur des modèles théoriques précis mais partent des données pour produire des modèles. Ainsi, nombre de corrélations sont absurdes ! Les données d’entrée sont toujours identifiées par l’homme et les résultats produits en sortie sont vains sans l’analyse contextuelle et la prise de recul des RH.
Enfin, et c’est probablement le point le plus important de cette démarche, les données doivent raconter une histoire, histoire qui fasse sens et qui soit partagée, pour une réelle utilité.
C’est donc au prix d’une alliance fluide entre l’outil et l’homme que l’impact de l’Analytique RH sera plus performant que l’intuition.