Actu/Blog

L’analyse prédictive décryptée (2) : exemples concrets d’application

Exemples concrets d’application chez HP, Best Buy et Google

Comme évoqué dans la première partie de ce dossier, la grande majorité des entreprises ont  un long chemin à parcourir avant qu’elles ne puissent produire des analyses prédictives dans le cadre des Ressources Humaines. Néanmoins, certaines organisations font déjà le pas et considèrent des scénarios d’application intéressants et utiles.
Nous nous attachons dans un premier temps à regarder ce que font les leaders et les précurseurs en termes d’application de l’intelligence artificielle aux processus de Ressources Humaines.

Des exemples concrets d’application d’analyse prédictive dans les Ressources Humaines
L’ancien Senior VP de People Operations chez Google, a écrit dans son live Work Rules ! (2015) que le premier instrument de travail chez Google’s People Operations est la combinaison des données et des statistiques. Concrètement, les questions que les candidats se voient posées lors des entretiens d’embauche sont générées de manière automatique et optimisées en fonction du profil, du contexte, de l’historique, etc. de manière à identifier les meilleurs candidats.

Google fait également usage de l’analyse prédictive dans le but d’estimer la probabilité de départ (turnover) de chacun des employés. Pour exemple, l’une des trouvailles de Google est que les nouveaux commerciaux qui ne se voient pas attribuer une promotion dans les 3 ans ont une très haute probabilité de quitter la société. De telles statistiques alimentent une politique proactive des Ressources Humaines et précisent la notion et gestion de risque.
En outre, l’équipe People Analytics de Google a été l’un des pionniers sur des moteurs de gestion de la performance au niveau de l’entreprise. Très en amont, cette équipe s’est posée des questions du type « quelle est la taille optimale pour une équipe ou un département spécifique ? » et a recherché de nouvelles manières d’utiliser les données à disposition dans le
but de pouvoir répondre à ces questions. En retour, People Analytics a contribué à apporter des réponses et résoudre des problèmes fondamentaux liés au cycle des employés avec un focus tout particulier sur l’amélioration de la productivité et du bien-être des ‘Googlers’. Au cours de
cette dernière décennie, cette équipe a apporté des réponses qui ont contribué à des actions corporate majeures du type :
– Limiter le nombre d’entretiens dans le processus de recrutement à 4 (plus de 4 ne résultait pas en une qualité accrue)
– Définir la taille optimale des départements et équipes
– Meilleure gestion du congé maternité
– Créer un programme d’onboarding adapté de 4 jours pour tout nouvel employé

Programme de rétention chez Hewlett-Packard
Hewlett-Packard (HP) est une société comptant près de 300,000 employés et s’est positionnée depuis longtemps comme un précurseur de l’application de l’analyse prédictive aux problématiques des Ressources Humaines. Le management de HP a subi il y a quelques années une vague de départ importante, avec un turnover atteignant 20% dans certaines divisions commerciales. Ceci signifiait que les employés partiraient en moyenne au bout de 5 ans au sein de la société. HP pouvait se vanter auparavant d’un taux de statistiques impressionnantes en termes de fidélité des employés ; ceci semblait révolu.

On Boarding

Il est évident qu’un turnover important se traduit non seulement en coûts de recrutement et d’onboarding très importants mais également en perte de CA suite à la baisse de productivité engendrée. Qui plus est, les employés sortants emportent leur savoir spécifique, leur réseau et parfois même des clients. Il est entendu que le coût de remplacement d’employés du dit ‘middle management’ est aux alentours de 150% de leur salaire annuel ; ceci comprenant les coûts de recrutement, d’onboarding, de montée en compétence, de formation, etc.
Il y a quelques années, donc, deux ‘data scientists’ chez HP ont eu pour objectif de rassembler les données des 2 dernières années et de prédire les probabilités de départs de chacun des employés. En utilisant des modèles prédictifs, ils ont généré un indicateur appelé le « Flight Risk score ». Cet indicateur reflétait donc la probabilité de chacun des 300,000 employés de quitter l’organisation. Leurs conclusions étaient détonantes. Leurs analyses permettaient d’identifier les raisons pour lesquelles les employés étaient susceptibles de quitter la société. Des salaires plus importants, des promotions, des évaluations plus élevées, par exemple, ne contribuaient pas nécessairement à la réduction du « Flight Risk score ». Cependant, il s’avère qu’il y avait une relation entre ces découvertes. Pour exemple, lorsqu’un employé recevait une promotion mais pas de revalorisation salariale conséquente, celui-ci devenait encore plus susceptible de s’en aller.
Evidemment, un nombre d’obstacles pratiques et de protection des données se sont dressés lorsqu’il s’agissait d’exploiter ces « Flight Risk score ». Le bon sens indique que la pire des questions qu’un manager puisse poser est : « Je constate que vous êtes susceptible de partir rapidement. Pourquoi ? ».
Pour cette raison, l’accès à ces données de nature sensible a été accordé à un groupe restreint de managers d’un certain niveau. Ces managers n’avaient visibilité que sur les « Flight Risk score » des employés sous sa responsabilité. Ils ont été sensibilisés et formés à l’interprétation de manière à ce qu’ils maîtrisent les ramifications possibles et les aspects de confidentialité associés à ce type d’information.

Le système informe ces managers de la nature des facteurs de risque de turnover pour l’ensemble des employés concernés. De cette manière, le système responsabilise les managers pour qu’ils développent des stratégies permettant de réduire le turnover. Ceci permet de mieux contrôler les risques, les coûts et d’assurer une continuité du management et du business.
En fin de compte, le « Flight Risk score » permet de prendre des décisions en connaissance de cause. Ces ‘scores’ opèrent en tant qu’indicateur ou signal plus ou moins faible et favorise donc des actions préventives et une attitude managériale proactive. Et lorsque le départ d’un employé est inévitable, la situation en découlant peut être anticipée et préparée.

Best Buy et l’impact de l’engagement employé sur la performance
Best Buy, 125 000 employés, est non seulement un leader de la distribution de produits électroménagers en Amérique du Nord mais également un pionnier de l’application de l’analyse prédictive aux RH. En effet, Best Buy mesure au travers de différentes métriques l’engagement employé et son impact direct sur la performance. De manière concrète, par magasin, Best Buy est capable de mesurer l’engagement de chacun et la contribution aux résultats du site. Les enquêtes d’engagement sont réalisées de manière trimestrielle, non seulement pour identifier l’évolution de l’engagement mais également pour corréler avec les résultats opérationnels à même fréquence.

[…]

Des dossiers complets sur les thématiques RH
Ressources Webinaires Vidéos