Prédictibilité et recrutement, qu’est-ce que ça veut dire ?
Qu’est-ce que recruter si ce n’est tenter de prédire la réussite d’un individu dans un environnement professionnel donné ? Tout processus de recrutement vise à anticiper les performances futures des candidats en se basant sur leurs compétences, leurs expériences, et leurs caractéristiques personnelles. En somme, chaque recrutement est une tentative de prédiction.
Mais quelle méthode de recrutement est la plus prédictive ? Comment peut-on évaluer la capacité d’une méthode à être prédictive ? Il y a-t-il un pourcentage de prédiction par méthode ? Pour répondre à ces questions, penchons-nous sur ce que disent les scientifiques à ce sujet.
Mesurer la prédictibilité d’une méthode de recrutement
Pour prédire un évènement, comme la réussite à un poste, nous pouvons poser une équation mathématique comme ceci :
Y = β0 + β1X1 + β2X2 + … + BnXn + e
Vous suivez toujours ? Non ? Pas de panique, nous allons essayer d’y voir plus clair ensemble !
De la même manière que prédire la météo qu’il fera demain, évaluer la performance future d’un(e) candidat(e) à un recrutement se fera en utilisant des outils spécifiques. Néanmoins, au lieu d’utiliser des ballons-sondes pour mesurer la température, la pression atmosphérique ou encore la vitesse du vent, en recrutement nous pouvons, par exemple, utiliser des questionnaires pour évaluer des caractéristiques personnelles individuelles comme la personnalité ou encore les aptitudes cognitives qui permettent de prédire une réussite au travail.
La psychométrie comme outil de mesure
En psychométrie (la science des mesures en psychologie), il est possible d’utiliser une formule statistique, (telle que la régression linéaire ci-dessus par exemple) pour observer l’effet d’une ou plusieurs caractéristiques individuelles sur une conséquence, ici la réussite à un poste de travail. Pour reprendre l’exemple de la météo : on va s’intéresser à la variation de la température pour prédire la météo de demain. En recrutement, on peut regarder l’effet d’un trait de personnalité sur la performance future d’un individu au travail. L’exemple ci-dessous permettra peut-être de rendre les choses plus concrètes.
Vous voulez prédire le temps qu’il fera demain à l’aide de votre ballon-sonde. Pour cela, vous allez devoir identifier des éléments de mesures et leur nombre. Par exemple : vous allez essayer de prédire la météo en ne tenant compte que de la variation de la température. Ceci donnera la formule ci-dessous.
Météo de demain = variation de la température + e
Où «e» représente la part d’erreur dans votre équation, c’est-à-dire ce que vous ne prédisez pas à l’aide de la variation de la température.
N’étant pas spécialistes de la météo donnons un chiffre au hasard et disons que la variation de la température ne permette de prédire la météo qu’à un niveau de fiabilité de 10%. Les 90% restants ne sont pas expliqués et comptent donc pour de l’erreur. Autrement dit, si on vous demande quelle météo il fera demain, vous pourrez donner un pronostic dont vous serez sûr à 10%. Cette prédiction peut, heureusement, être améliorée avec l’exemple ci-dessous.
Météo de demain = variation de la température + variation de la pression atmosphérique + variation de la vitesse du vent + e
La méthode combinatoire pour plus de précision
Toujours avec des chiffres fictifs, imaginons que grâce à l’ajout de deux mesures (la variation de la pression atmosphérique et celle de la vitesse du vent), vous ayez augmenté la fiabilité de votre prédiction à 50%. Vous pourrez alors dire, avec seulement 1 chance sur 2 de vous tromper, quelle météo il fera demain. Les 50% restants seront encore déterminés par de l’erreur. Cela peut paraître beaucoup, mais il est toujours mieux d’avoir une petite idée de la météo qu’il fera demain pour prévoir un parapluie, au cas où !
Globalement, plus vous ajouterez des mesures, plus vous spécifierez votre modèle de prédiction et plus vous minimiserez l’erreur.
Attention cependant, si nous ajoutons trop de mesures dans un modèle, il peut perdre de son efficacité de prédiction. Il faut toujours sélectionner ses mesures avec parcimonie en fonction de ses besoins et des connaissances que nous avons des outils.
Combiner les méthodes, oui, mais avec justesse
En effet, l’ajout d’un nombre trop important d’indicateurs peut augmenter artificiellement la prédiction. On obtient donc une prédiction mais celle-ci devient en partie fausse et ne permet plus de prendre des décisions réellement éclairées.
En recrutement, la méthode peut être appliquée de la même manière, plus il y aura de mesures choisies avec attention dans le modèle, mieux nous pourrons prédire un évènement comme la réussite à un poste. Prenons l’exemple ci-dessous.
- Réussite à un poste = entretien semi-structuré + e
- Réussite à un poste = entretien semi-structuré + test de personnalité + mise en situation + e
De la même manière que pour prédire la météo, l’utilisation de mesures supplémentaires permettra d’améliorer la fiabilité de notre prédiction et permettra de réduire l’erreur au maximum. La deuxième équation permettra alors de prédire la réussite au travail avec plus de certitude que la première.
A noter qu’il est impossible de prédire une réussite à 100% mais ces méthodes permettent souvent de prendre des décisions plus éclairées que si aucune mesure n’était utilisée.
Pour aller plus loin, notre équipe de R&D et Marketing ont élaboré un guide complet répertoriant toutes les méthodes de recrutement prédictif, en les associant à leurs coefficients de prédictibilité respectifs. Si vous souhaitez découvrir la méthode la plus efficace ou adopter celle qui correspond le mieux à votre contexte, ce guide pratique est conçu pour vous.
Newsletter
Merci de vous être inscrit à notre Newsletter !
En espérant que nos actualités rendent vos journées plus belles :)
Prêts à découvrir vos prochains talents ?
Remplissez le formulaire pour obtenir une démo.
Footer form
Merci d'avoir envoyé le formulaire !
Nos équipes vont vous répondre le plus rapidement possible. Belle journée à vous :)