Analyse prédictive des données appliquée aux ressources humaines

L’introduction de l’informatique décisionnelle dans le management des ressources humaines représente un outil et un levier essentiel pour un HR Business Partner désirant maitriser de façon efficiente et précise les facteurs d’évolution de l’activité RH en parfaite adéquation avec les besoins du Business de l’entreprise. L’objectif étant de passer d’un simple suivi des indicateurs RH traditionnels et quantitatifs à un contexte stratégique et des analyses multidimensionnelles approfondies orientées principalement vers l’évolution du business et vers la prévention de tout disfonctionnement qui pourrait entraver l’efficience du capital humain. L’informatique décisionnelle prédictive offre une dimension d’efficience et de prévention plutôt que de se contenter de traiter à postériori les dysfonctionnements constatés. Cet outil permettra à titre d’exemple de détecter les candidats potentiels qui seraient concernés par un risque d’aggraver le taux du turnover au lieu d’en constater simplement l’occurrence. En se basant sur des données de plusieurs sources, sur un contexte et sur un historique, l’entreprise peut adapter et déployer des actions préventives nécessaires à la correction ou à l’amélioration de l’activité tout en ciblant précisément la population à risque.

L’informatique décisionnelle

L’informatique décisionnelle ou la « Business Intelligence » est définit par le « Dictionnaire illustré des activités de l'entreprise, français-anglais » comme « Branche de l'informatique axée sur la conception et la fabrication d’outils informatiques destinés à assister le personnel de direction, en entreprise, dans la prise de décision stratégique »[1]. Si on place le capital humain comme principal richesse de l’entreprise, notre priorité serait alors de pouvoir connaitre les meilleurs leviers pour la mobiliser. L’analyse des informations afférentes au comportement et à la gestion du capital humain dans tous ses aspects est un impératif que les techniques d’informatique décisionnelle rendent pertinent, précis et accessible. Historiquement, l’informatique décisionnelle était essentiellement utilisée par les financiers qui se souciaient plus des mesures, du suivi et des analyses alors que les ressources humaines étaient encore préoccupées principalement par les aspects administratifs, de la gestion sociale et de la conformité à la régulation. A l’ère du Big Data, la majorité des entreprises continuent encore à placer l’automatisation comme principal objectif des projets des systèmes d’information RH ignorant les possibilités pointues offertes par l’informatique décisionnelle. Alors que l’automatisation et la digitalisation sont les bases d’une informatique décisionnelle et de l'analyse prédictive orientée business, les entreprises ne donnent pas encore la priorité nécessaire à l’introduction de l’informatique décisionnelle dans ses projets SIRH pour pouvoir bénéficier de la valeur ajoutée qu’elle pourra apporter à une gestion stratégique du capital humain.

En général, il existe deux manières de traiter les problèmes[2]. La plus commune est celle d’y faire face de façon directe et espérer le moins de dégâts possible. En ayant de la fièvre le premier réflexe est celui de prendre du paracétamol et espérer que l’origine du problème disparaisse d’elle-même en acceptant en parallèle le petit risque des effets secondaires dudit traitement. C’est la réaction la plus simple et la plus efficace au premier symptôme. Maintenant si la fièvre revient, on serait contraint de reprendre plus de paracétamol et par conséquent multiplier le risque des effets secondaires. Plus grave encore la fièvre cache parfois de sérieux problèmes de santé qui, sans traitement de fond, peuvent ramener des complications graves. Si on se soucie de notre état de santé nous ferons plus que prendre et reprendre du paracétamol n’est-ce pas ? Ceci nous conduit à la deuxième façon de traitement d’un problème : analyser et prévenir. Si la fièvre ne disparait pas nous nous tournerons vers le processus d’analyses et diagnostic puis de traitement et de prévention pour éviter les causes à l’origine de notre problème de santé. Cet exemple est assez similaire à ce qui se passe dans le monde de l’entreprise. Si notre style de management est celui de continuer à adresser les problèmes à chaque fois qu’ils surgissent, on va certainement perdre du temps et des ressources à adresser les mêmes problèmes de façon récurrente. Le mieux est donc d’investir un peu de notre temps à analyser l’origine du problème avant de réagir. Si on rassemble les données sur ce qui s’est produit (analyse descriptive), puis on les analyse en termes de causes et de ce qui pourrait continuer à se produire si on n’adresse pas le problème (analyse prédictive), en suite penser à un traitement mais également à une solution de prévention qui empêcherait le problème de se reproduire, on éradiquera fort probablement l’origine du problème (analyse prescriptive). C’est le style de management le plus efficient. Le manager se concentrera alors sur la création de la valeur au lieu de perdre son temps et ses efforts à affronter des problèmes répétitifs interminables. La quantité de données générée par les systèmes d’information de plus en plus généralisés devient énorme et représente une mine précieuse où le challenge est celui de transformer ces données en informations pertinentes, interprétables et utiles puis en construire une intelligence au service des prises de décisions business. Alors que l’informatique décisionnelle offre une vue historique sur l’activité passée et actuel de l’entreprise, l’analyse prédictive permet aux décideurs de pouvoir anticiper afin d’optimiser leurs décisions. Introduite dans le monde des ressources humaines vers les débuts de l’année 2010, elle est considérée comme le parfait complément de l’informatique décisionnelle pour une gestion stratégique des ressources humaines.

Pyramide de valeur de l’analyse décisionnelle liée au Capital Humain [3]

Il est évident que la maitrise du niveau obligatoire relatif au reporting et au suivi des indicateurs de performance est la base d’une analyse prédictive orientée optimisation du business. Plus ce niveau est automatisé et plus il constitue une base riche d’informations interprétables et exploitables par l’analyse prédictive. Par ailleurs, on peut considérer que l’optimisation des ressources humaines est le premier niveau d’une analyse stratégique. En effet, en se basant sur la compilation des données RH (compétences, profils, suivi administratif…) avec les indicateurs de performance business, l’optimisation et l’orientation vers la productivité au service de la vision de l’entreprise devient plus fluide. Dave ULRICH avait pointé du doigt cet aspect en soulignant que : « Le suivi des indicateurs de performance autour des activités RH n’impressionnera personne à moins de faire une liaison tangible avec les valeurs business ». C’est à ce niveau stratégique que l’entreprise commence à intégrer la composante humaine à son analyse business des risques et des opportunités futurs lui permettant ainsi une meilleure prise de décision.

Exemple d'application : Analyse prédictive du turnover « PETA » : predictive employee turnover analysis

Il va sans dire que le coût du turnover pour l’entreprise est considérable à plusieurs niveaux. Recrutement, formation, intégration et délais de remplacement sont autant de coûts directs et indirects d’un départ. Ce coût est particulièrement plus lourd quand il s’agit d’entreprise de service du moment que les départs dans ce cas impactent souvent la qualité du service rendu aux clients et la productivité de l’entreprise. La majorité des organisations vont tester plusieurs modèles de rétention allant de l’ergonomie de travail aux politiques de rémunération. Ils vont également explorer l’historique de leur turnover pour avoir des prévisions sur l’évolution dudit taux. Au-delà de ces options de traitement de base, l’analyse prédictive utilisée pour traiter le turnover offre aux managers RH, et par conséquent au business, la possibilité de pouvoir prédire plutôt que de se contenter de prévoir. Par ailleurs, et afin d’illustrer l’impact de l’introduction de l’analyse prédictive dans la fonction RH, je vous invite à lire ma traduction du scénario qui m'a personnellement intrigué et qui a fait la conclusion du livre « Predictive Analytics for Human Resources » par celui considéré le père de l’analyse prédictive FITZ-ENZ JAC[4] : Un responsable de recrutement fraichement recruté assiste avec son coach d’entreprise à un entretien de licenciement. Joe, le collaborateur concerné par le licenciement rentre au bureau. Il sait qu’il va être remercié mais il est réticent à quitter. Il pose plusieurs questions concernant le contenu de l’enveloppe de départ puis quitte l’entretien et l’entreprise. Il se trouve que le nouveau responsable de recrutement connait Joe. Il sait qu’il est reconnu comme un collaborateur performant avec un comportement exemplaire. Il est considéré comme un leader et un maillon fort pour toute équipe dont il fait partie. Le coach d’entreprise demande au nouveau recruteur s’il a des questions à poser. Il n’a pas pu s’empêcher de demander : « Oui, une seule question. Pourquoi l’avez-vous viré alors que c’est un collaborateur performant ?» « En effet ! » le coach répond, « Joe est un collaborateur avec une bonne performance mais il est loin d’être brillant. En fait, il avait une performance excellente et c’est pourquoi il est resté sept années dans l’entreprise. » En parlant, le coach ouvre un fichier sur son ordinateur et le montre au nouveau recruteur. « Sa performance a stagné depuis sa cinquième année au sein de l’entreprise quand il avait bénéficié d’une promotion interne avec une augmentation salariale conséquente. Durant les deux dernières années il s’est contenté d’un niveau de performance moyen. » « Un niveau de performance moyen dans une nouvelle fonction est une raison de licenciement ? » réplique le nouveau recruteur avec étonnement. « Non ! Mais ce fichier montre que nous avons plusieurs options. J’avais reçu une alerte automatique du SIRH le mois dernier qu’il y a 75% de chances que Joe allait quitter l’entreprise pour une opportunité chez un concurrent. Lequel pourcentage a grimpé à 95% quand il a demandé une autorisation d’absence lundi dernier, probablement pour un entretien d’embauche. S’il avait demandé ladite autorisation un mercredi le taux n’aurait pas changé. Lundi et vendredi sont généralement les jours des entretiens d’embauche » Consterné le nouveau recruteur réplique « Mais vous avez dit que nous avons des options, plusieurs options ! » « Oui ! », en pointant du doigt son écran, « J’ai un compte avec une agence de sourcing en ligne. J’ai saisi le profil de poste de Joe la semaine dernière et j’ai eu 100 candidatures compatibles avec le besoin. 90% d’entre eux sont dans le périmètre de la métropole. 20 d’entre eux ont des prétentions salariales de moins de 25% par rapport à la rémunération de Joe alors qu’ils ont 25% plus que Joe en termes d’expériences. 15 hommes et 5 femmes. Les collègues de Joe avaient exprimé le souhait d’avoir une dame comme leader dans leur équipe. Ceci sera également l’occasion d’asseoir davantage la diversité dans l’entreprise. » Puis le coach pointe un nom sur l’écran. « C’est ma candidate potentielle. Les nouveaux recrus ont tendance à confirmer leurs compétences, donc elle y mettra certainement plus d’efforts que Joe et nous prévoyons qu’elle sera 21% plus productive. Si nous lui proposons le poste à un salaire minoré de 19% par rapport à celui de Joe on aura 85% de chances à ce qu’elle accepte l’offre. » « Mais elle habite hors périmètre de la métropole » réplique le nouveau recruteur. « La probabilité monte à 87% si nous lui proposons une flexibilité d’une journée par semaine et à 99% si nous lui permettons de travailler à partir de son domicile et se déplacer juste pour des réunions critiques. » Le nouveau recruteur demande alors la date de l’entretien d’embauche de ladite candidate. « Dans 15 minutes ! » répond le coach. « J’ai intérêt donc à me préparer » lance le nouveau recruteur en quittant le bureau. « Vous trouverez son curriculum dans votre courriel, je viens de vous le transférer » ajoute le coach. Le nouveau recruteur se retourne et demande « Pourrais-je voir le rapport afférent à mon propre recrutement ? » Le coach rit. « Oui, nous allons le partager lors de votre entretien de performance. Il y a 90% de chance que vous resterez avec nous assez de temps pour en avoir au moins une ».

En conclusion...

Aujourd’hui, avec la démocratisation des systèmes d’information, le management du capital humain dispose d’une opportunité concrète pour se positionner en tant que réel business partner. En effet, la précieuse mine d’information qui constitue le Big Data RH n’attend que d’être exploitée, modélisée et compilée pour pouvoir comprendre le passé et repérer les tendances futures afin de participer activement à la stratégie de l’entreprise sur la base de faits solides et factuels. Pour une analyse prédictive réussie, il est important d’observer les préalables suivants :

Une base de données centralisée, fiable et unique comprenant toutes les données RH liées au traitement de la problématique
Un outil d’analyse adapté
Un ciblage de l’information pertinente par rapport à la problématique traitée
Une modélisation automatisable, simple à comprendre par le manager ayant un sens statistique et repérant les relations entre les données.
Donner suite à la prédiction par des actions concrètes traitant la problématique en question
Faire vivre le modèle analytique et veiller à sa cohérence et sa validité au cours du temps puisque tous ce qui est lié à l’humain change en fonction du contexte temporel et conjoncturel.

Après l’administration du personnel, la gestion sociale et le développement RH, l’analyse prédictive appliquée au capital humain est en train de créer une nouvelle discipline à forte valeur ajoutée pour le business.

Références:

[1] Clément C. et Diane R. (2008), Dictionnaire illustré des activités de l'entreprise, français-anglais, Presses inter Polytechnique, Québec, Canada, p. 299

[2] Rodgers K. (2008), “People-based Business Intelligence: from HR efficiency to business trend analysis”, Webster Buchanan Research, http://www.ciphr.com/free-hr-briefing-papers/people-based-business-intelligence-from-hr-efficiency-to-business-trend-analysis/ [3] HR Analytics Insights from iNostix by Deloitte (2015), “The HR Analytics Value Pyramid”, iNostix by Deloitte, http://www.inostix.com/blog/en/hr-analytics-value-pyramid-part-1/

[4] FITZ-ENZ J. et MATTOX II J.(2014), Predictive Analytics for Human Resources, JOHN WILEY & SONS INC., Hoboken, New Jersey, p. 108