Le data mining au service de la performance RH

Extraire les bonnes données au bon moment pour prendre les bonnes décisions : c’est la promesse du data mining RH. Les outils SIRH et paie déployés dans les groupes internationaux génèrent une grande quantité de données, qui peuvent s’avérer une mine d’informations précieuses à condition de savoir les interroger. Faire parler les données RH peut ainsi devenir un levier de performance de premier ordre pour l’organisation. Comment ?

Le data mining RH : quelles applications concrètes ?

La sphère RH génère une très grande quantité de données propres à l’entreprise : données paie, compétences, parcours, mobilités, enquêtes internes… auxquelles s’ajoute une quantité encore plus importante de données externes, par le biais des réseaux sociaux professionnels et des bases de recrutement en ligne. L’exploitation de ces données est susceptible de nombreuses applications ; nous en évoquerons deux : l’analyse prédictive en recrutement et l’analyse des facteurs de performance des équipes.

Le recrutement a fait partie des premiers domaines RH à mobiliser l’analyse prédictive de grandes quantités de données. L’analyse prédictive, rappelons-le, consiste à repérer des régularités dans les données passées et présentes pour en déduire des prédictions pour l’avenir. Elle peut s’avérer particulièrement efficace pour améliorer la fiabilité du sourcing, c’est-à-dire l’identification des candidats les mieux adaptés à un poste précis. Il s’agit de rapprocher deux séries de données : celles du poste et celles des candidats. Le data mining en mode prédictif peut permettre ainsi d’identifier les caractéristiques récurrentes des personnes occupant ou ayant occupé le même type de poste, et donc de modéliser le profil recherché. Les critères sont ensuite confrontés aux bases de données de recrutement, ou font l’objet d’un questionnaire soumis automatiquement à ceux qui souhaitent postuler. Le temps, la qualité et le degré de ciblage du sourcing peuvent ainsi être améliorés significativement.

Le data mining peut aussi permettre de mettre à jour des critères auxquels on n’avait pas pensé. C’est ainsi que Xerox a pu réduire le turn-over dans ses call-centers, en ciblant des profils plus créatifs, pas forcément les plus expérimentés en centre d’appel ; ou que Gate Gourmet (restauration aérienne) a pu stabiliser ses effectifs en recherchant des candidats vivant plus près du site de travail, et en adaptant sa politique de compensation du transport.

Suivant une logique similaire, il est possible d’identifier des critères de performance au sein des équipes, en recherchant des récurrences et des régularités qui échappent à « l’œil nu » de l’expérience.

Citant une étude américaine, de jeunes chercheurs de l’Université Dauphine évoquent le cas du groupe Inditex (Zara). Intuitivement, la DRH en charge des magasins Zara avait toujours considéré que la situation géographique, la taille et l’amplitude des horaires étaient les principaux facteurs de performance des différentes boutiques. Grâce à l’analyse de données RH, ils se sont rendu compte que le critère le plus déterminant était tout autre : il s’agissait du nombre d’agents de supervision dans chaque magasin (un poste bien précis chez Zara). Il a même pu être calculé que l’embauche d’un nouvel agent de supervision entraînait une hausse de près de 7 000€ des ventes mensuelles !

Un outil efficace, mais… à quelles conditions ?

Ces exemples emblématiques montrent bien les potentialités de l’analyse de données pour la performance de l’entreprise. Mais comme tout outil innovant, le data mining RH est à manier avec précautions.

Parmi les risques, on peut mentionner :

  • L’insuffisance des données. Il peut s’agir d’insuffisance quantitative : l’analyse prédictive n’a de valeur que si elle porte sur une masse critique d’informations. Lorsque les échantillons sont trop faibles, ou les questions si précises qu’elles concernent un trop petit nombre d’individus, l’accident statistique est vite arrivé ! Il peut s’agir également d’un défaut d’interconnexion entre les bases de données ; les informations sont là, mais réparties dans des bases incompatibles entre elles, ou avec des accès non coordonnés.
  • La qualité des données. La base de compétences est-elle à jour ? Les entretiens professionnels sont-ils conduits et renseignés systématiquement pour toutes les populations ? Telle enquête sur le ressenti des collaborateurs a-t-elle été réalisée dans des conditions qui garantissent leur libre expression ?…
  • Le manque de compétences. Il est essentiel de disposer des compétences en matière d’analyse de données. En d’autres termes : embaucher ou former un data scientist, capable de faire parler les données et d’utiliser toutes les potentialités des outils.
  • La qualité des questions posées. Un outil de data mining donne des bonnes réponses si on lui pose de bonnes questions !
  • Un coût et un temps de déploiement disproportionnés par rapport aux résultats. C’est ce qui peut se produire lorsque le projet de HR Analytics est entrepris sans un diagnostic préalable suffisant, sans associer les personnes concernées, sans accompagnement dans la durée.
  • Un temps de réaction et d’adaptation trop lent. Dans un projet innovant, il faut être prêt à identifier rapidement les erreurs et à les corriger. Il n’aura fallu qu’un an à Amazon pour s’apercevoir que son outil de recrutement par intelligence artificielle, censé introduire une impartialité totale dans le processus, discriminait en réalité les femmes… Malgré des adaptations, l’outil a dû cependant être abandonné au bout de 3 ans.

Le choix du bon outil, du bon processus de déploiement et des bonnes personnes pour l’interroger est donc primordial pour la réussite d’un projet de data mining RH. On retiendra un point clé : la qualité des réponses d’un outil de data mining dépend de celle des données, mais aussi de la pertinence des requêtes et de l’expertise de ceux qui l’utilisent !