Comment la Data Science se met au service des métiers RH ?

Abondante, inépuisable, la donnée est un carburant illimité dont les entreprises peuvent se saisir pour alimenter leurs décisions stratégiques et améliorer leurs performances. À ce titre, les ressources humaines sont l’un des secteurs d’application les plus pertinents pour la Data Science : c’est là que des données qualifiées permettent de prendre des décisions éclairées, elles-mêmes indispensables à la bonne marche de l’entreprise. Reste à savoir de quelle(s) façon(s) la « science de la donnée » se met au service des métiers RH.

L’importance de la Data Science dans le secteur RH

Les données RH ne manquent pas. L’automatisation des processus permet de collecter des volumes énormes de données tout au long de la chaîne de valeur des ressources humaines. Le problème, c’est que les DRH ne savent pas toujours comment exploiter ces données. C’est tout l’objet de la Data Science, qui consiste à traiter la donnée diffuse et non structurée à des fins d’exploitation. Cette donnée se met au service des métiers RH de deux façons : en aidant à la prise de décision et en fournissant des outils de prédiction.

L’analyse des données RH pour aider à la décision

Pour 64 % des DRH (source : IDC), les tableaux de bord et les outils d’analyse RH sont d’une importance capitale. Ils fournissent des données RH concrètes sur lesquelles l’entreprise peut s’appuyer pour prendre les bonnes décisions et réduire ses coûts d’acquisition. Ces informations englobent les données quantitatives internes et les indicateurs du climat social au sein de l’entreprise : salaires, expérience des employés, taux d’absentéisme, turnover, productivité, etc. La Data Science permet d’exploiter ces données pour les croiser et en tirer des enseignements, par exemple en observant l’impact du taux d’absentéisme sur la productivité globale.

Ces données RH, exploitées grâce à des algorithmes de machine learning, participent aux décisions stratégiques.

Prenons deux exemples :

• En matière de recrutement. Une entreprise reçoit jusqu’à 250 candidatures pour un même poste. La Data Science permet de faire un premier tri en identifiant les candidats les plus en adéquation avec le poste à pourvoir. Elle contribue aussi à calculer le volume de candidats qui doivent être vus dans l’optique de trouver le bon candidat. Elle offre enfin l’opportunité d’aller chercher les meilleurs postulants là où ils se trouvent, notamment sur Internet (83 % des chercheurs d’emploi utilisent la Toile d’après Pôle Emploi), et d’identifier les professionnels en recherche active.

• En matière de turnover. Quand un employé s’en va, il faut lancer une campagne de recrutement, choisir un remplaçant et le former. Ce processus consume du temps, de l’argent et des ressources. Une analyse circonstanciée des données RH fournit les outils pour identifier les conditions dans lesquelles les employés choisissent de partir ou de rester.

Les données RH comme outils de prédiction

L’autre aspect de la Data Science appliquée aux RH, c’est la prédiction. L’analyse des données RH permet d’anticiper les besoins en termes de recrutement (le temps qu’il faut pour trouver le candidat idéal pour un poste donné vs la roadmap de la mission à venir), de formation (quelles formations pour quels employés, à quel moment de leur carrière) et de gestion des talents actuels et futurs (créer les conditions pour que les employés restent et pour que les nouveaux talents aient envie de postuler).

Cette démarche prédictive adossée au machine learning suppose de confronter la data aux métiers RH. Les données ne peuvent pas « parler » d’elles-mêmes. Elles ont besoin d’être triées, traitées, analysées, exploitées convenablement. Piloter les RH par la donnée implique de mettre en place une nouvelle culture d’entreprise qui passe par l’intégration de la Data Science.

Malgré les possibilités innombrables offertes par la Data Science au service des métiers RH, il ne faut pas oublier la dimension « humaine », avec son lot de données non quantifiables et d’imprévisibilité. C’est pourquoi il faudra toujours des hommes et des femmes derrière les données !