112
ANNEXES
ANNEXE 1 : Les enseignements d’un cas concret - le cas Inditex
Ferreiro et Simon135 ont réalisé une étude empirique de l’application des HRA au sein d’un groupe
international d’origine espagnole, Inditex. Cette société regroupe des marques telles que Zara, Zara
Home, Pull & Bear, Massimo Dutti ou encore Bershka et Stradivarius et compte 137 000 salariés
répartis dans 88 pays.
Si l’on considère sa culture, le groupe est qualifié « d’horizontal avec des hiérarchies et des procédures
a minima » et bien que le groupe soit international, il opère comme une « entreprise de taille
intermédiaire ». Du fait de sa forte croissance depuis les années 90, le département RH était « contraint
par un fort sentiment d’urgence et de limitation des ressources ». Aussi, « toute tentative pour
introduire de nouveaux processus devait en amont prouver que cela apportera de la valeur sur le court
terme pour l’équipe et/ou les régions et qu’il soit aussi simple qu’efficace ».
Le département RH au niveau du groupe, appelé « Inditex People », est composé de plusieurs
expertises et partenaires RH (rémunération, administration, etc.) qui proposent leurs services à
l’ensemble des entités composant les différentes marques et magasins. Néanmoins, chaque marque a
tout de même un département RH propre avec à sa tête une personne responsable de la chaîne au
niveau mondial. Ensuite, chaque manager RH coordonne un réseau de responsables locaux, ces
derniers jouant un rôle de business partner pour les magasins d’une région donnée.
D’une façon globale, le département RH travaille main dans la main avec les marques et « il n’est pas
inhabituel que les managers RH aient une attention particulière sur les résultats hebdomadaires des
magasins ». Cependant, les données sur les salariés des magasins sont « peu abondantes » du fait d’un
système de commissions fondé sur l’équipe de vente (et non le salarié) et de pratiques RH pas
formellement écrites.
Enfin, il est précisé que les RH au sein du groupe sont souvent des ingénieurs de formation « avec de
solides base d’analyses quantitatives ». Ainsi, seulement quatre indicateurs de performance sont
regardés. Deux indicateurs d’efficacité des magasins (vente et nombre d’unité par mètre carré) et deux
indicateurs de productivité des magasins (vente et nombre d’unité vendues par heure travaillée). Il en
ressort alors le tableau suivant sachant que les RH ont toujours pris pour argent comptant ces
indicateurs et n’ont jamais demandé s’ils pouvaient utiliser d’autres indicateurs :
Globalement, il ressort de ce tableau qu’il existe une corrélation importante entre les variables de
productivité entre elles (76%) et, de façon analogue, entre les variables de rentabilité (93%).
Néanmoins, la corrélation est faible entre les deux types de variables (i.e. inférieure à 50%).
135 Simon C., Ferreiro E., (2018). Worforce analytics: A case study of scholar-practionner collaboration. Hum Resour Manage. Page 781-793.
113
Le groupe, aidé des auteurs, a alors jugé pertinent d’aller plus avant pour comprendre certaines de ces
valeurs et autres corrélations. Les variables disponibles aisément étaient au nombre de dix-huit et il a
été convenu avec le département RH de retenir uniquement huit variables considérées comme
pertinentes :
• heures de travail dans le magasin,
• vente par heure travaillée,
• vente par m2,
• turnover volontaire,
• durée moyenne d’emploi du personnel,
• durée moyenne d’heures travaillées,
• temps de travail réduit,
• absentéisme pour cause de maladie.
Pour éviter de devoir travailler sur le groupe en entier, il a décidé de considérer 244 magasins de la
marque Zara en Espagne en les classant en trois catégories.
• Groupe 1 (37% du total) : les meilleurs magasins au sens de la productivité et de rentabilité
avec aussi les taux les plus élevés de turnover volontaire et les plus faibles au niveau du temps
de travail réduit et l’absentéisme.
• Groupe 2 (24% du total) : les magasins avec des indicateurs moyens avec une durée d’emploi
du personnel élevé et une faible durée moyenne d’heures travaillées.
• Groupe 3 (39% du total) : les magasins ayant des indicateurs de rentabilité et de productivité
en dessous des moyennes constatées avec aussi un nombre élevé d’heures travaillées, un taux
élevé de temps de travail réduit et aussi un fort taux d’absentéisme.
De façon intuitive et en comparant avec les autres marques du groupe, les RH en charge de Zara avaient
en tête que la productivité des magasins était principalement liée à la position des magasins (i.e. soit
dans un centre commercial soit en pleine rue), à leur taille et à leur durée d’exploitation. Compte tenu
de l’étude réalisée, ils ont souhaité investiguer plus en profondeur l’impact de l’absentéisme, des
réductions de temps de travail, du turnover volontaire et du dimensionnement de l’équipe dans le
magasin notamment au niveau des assistantes de vente. Par ailleurs, ils étaient aussi désireux de
comprendre les liens avec la proportion des contrats permanents et l’âge des managers.
A partir de moyens statistiques, ces différentes variables ont été croisées entre elles pour déterminer
des statistiques descriptives et mesurer leurs corrélations entre elles. Il en ressort que même si
l’absentéisme pour cause de maladie, la durée d’emploi du personnel, le nombre de superviseur et
l’âge des managers de magasin influencent de façon importante la productivité des 244 magasins Zara
étudiés, la variable la plus déterminante (et de bien loin) est le nombre de titulaires dans une position
appelée agent de supervision. Ce rôle consiste à coordonner le personnel dans les magasins et il
n’existe qu’au sein de la marque Zara compte tenu du nombre d’implantations de cette marque par
rapport aux autres marques du groupe.
A partir du modèle développé, le recrutement additionnel d’un agent de supervision permettrait
d’augmenter les ventes mensuelles de 1,89€ par heure ce qui représente environ 6960 € par mois en
prenant en compte le nombre moyen d’heures travaillées. Dans la même considération, si ce
recrutement est lié à un recrutement d’assistantes de vente les ventes par m2 pourraient alors plus
que doubler pour atteindre 11,31€ par m2.
114
Au niveau du turnover volontaire, le modèle développé a aussi mis en exergue le fait que cette variable
pouvait avoir un effet positif sur la productivité (vente par heure) jusqu’à 15% par an. Au-delà, l’impact
est négatif sur la productivité des magasins. Cela se traduit par une courbe en U inversé.
Enfin, forts de ces résultats au sein des magasins espagnols de Zara, il a été décidé d’élargir cette étude
à une autre marque du groupe, Bershka. Malheureusement, les résultats n’ont pas été aussi explicites
notamment du fait que les données utilisées sont propres à l’ensemble du groupe Inditex et que les
premières études statistiques ne faisaient pas ressortir de corrélations si importantes que celles
observées initialement sur Zara.
Ce dernier élément reprend parfaitement les éléments présentés dans les paragraphes précédents sur
le fait que les données peuvent être parfois la source d’éléments explicatif mais qu’il convient en
amont de réfléchir sur leur utilisation. Ici, concrètement, une méthodologie analogue n’a pas les
mêmes résultats au sein de différentes sociétés d’un même groupe. Il est vraisemblable aussi que les
données et les principaux indicateurs suivis sur Zara soient plus « pertinents » car il s’agit de la
première marque historique du groupe avec des données sur mesure qui très certainement ne
reflètent pas à proprement dit les bons indicateurs pour d’autres marques.
115
ANNEXE 2 : le questionnaire
Le Big Data peut-il améliorer la prise de décision RH ? Big Data : Domaine technologique dédié à l’analyse de très grands volumes de données informatiques (pétaoctets), issus d'une grande variété de sources différentes (source Larousse) *Obligatoire
Question 1 : Votre organisation a-t-elle ouvert des projets de Big Data relatifs aux données RH ? *
Oui ☐ Non ☐ Ne sait pas ☐
Si vous avez répondu « Oui » allez à la question 2
Si vous avez répondu « Non » ou « Ne sait pas » allez à la question 16
Pouvez-vous nous en dire plus ?
Question 2 : En quelques mots, quels sont les objectifs de ce(s) projet(s) ? * Click or tap here to enter text.
Question 3 : Quels types de données structurées utilisez-vous ? Et quelles en sont les sources ? * Données structurées : ce sont des données rangées, classées ou ordonnées, facilement assimilables pour définir
une information. Les sources peuvent être un fichier Excel, une base de données ...
Click or tap here to enter text.
Question 4 : Quels types de données non-structurées utilisez-vous ? Quelles en sont les sources ? * Données non-structurées : ce sont, par opposition, toutes les données non interprétables immédiatement et
demandant un ou des retraitements. Les sources peuvent être des e-mails, des documents rédigés, des photos,
des enregistrements vocaux...
Click or tap here to enter text.
Question 5 : Quelles sont les technologies, adossées au Big Data, utilisées dans le cadre de vos
projets ? *
☐ Data Mining
116
☐ Machine Learning
☐ Deep Learning
☐ Chat Bots
☐ Des bases de données NoSQL
☐ Ne sait pas
☐ Autre : Click or tap here to enter text.
Question 6 : Ces travaux sont-ils réalisés par : *
☐ Des équipes internes
☐ Des prestataires de services externes
☐ Des éditeurs de solutions IT
☐ Ne sait pas
☐ Autre : Click or tap here to enter text.
Question 6 bis : Si vous avez coché "des prestataires de services externes" et/ou "des éditeurs de
solutions IT" à la question précédente, s'agit-il ?
☐D'acteurs installés sur le marché (cabinets de conseil, éditeurs de progiciels)
☐ De startups
Pouvez-vous nous parler de vos résultats ?
Question 7 : Sur une échelle de 1 à 5, comment jugez-vous les résultats déjà obtenus ? * 1 2 3 4 5
Faibles ☐ ☐ ☐ ☐ ☐ Bons
Question 8 : Quels sont les résultats que vous avez déjà obtenus ? Click or tap here to enter text.
Question 9 : Ces résultats permettront d'améliorer la prise de décision RH. *
1 2 3 4 5
Pas du tout
d’accord ☐ ☐ ☐ ☐ ☐ Tout à fait
d’accord
Pouvez-vous nous parler de vos difficultés ?
Question 10 : Sur une échelle de 1 à 5, comment jugez-vous les difficultés rencontrées ? *
1 2 3 4 5
Faibles ☐ ☐ ☐ ☐ ☐ Fortes
117
Question 11 : Quelles difficultés avez-vous rencontrées / rencontrez-vous ?
Click or tap here to enter text.
Question 12 : D'après vous, quel est l'impact de la nouvelle législation sur les données personnelles
(RGPD*) ? * *RGPD : le Règlement Général pour la Protection des Données est une directive européenne concernant les
données personnelles, et qui est entrée en application dans les états membres le 25 mai 2018.
☐ Elle a déjà mis fin à certains projets en cours.
☐ Elle ralentit les projets en cours.
☐ Elle va empêcher le lancement de nouveaux projets dans mon organisation.
☐ Elle va ralentir ou empêcher l'ouverture de projets dans les organisations qui n'en ont pas encore lancés.
☐ Elle nous prive de résultats et d'application Big Data intéressantes.
☐ Elle est un garde-fou complémentaire qui empêchera des applications irresponsables du Big Data.
☐ Autre : Click or tap here to enter text.
3 questions sur les hommes impliqués dans ces projets
Question 13 : Qui est le sponsor principal du(des) projet(s) ? * Choose an item.
Si vous avez choisi “Autre”, merci de préciser Click or tap here to enter text.
Question 14 : Comment les acteurs internes suivants sont-ils impliqués dans les projets ? *
Equipe projet Contributeur ponctuel Non impliqué / Ne sait pas
Des expert(e)s métier du
SIRH ☐ ☐ ☐
Des expert(e)s en
Ressources Humaines
(évaluation, recrutement,
etc.)
☐ ☐ ☐
Des HRBP / Responsables
RH ☐ ☐ ☐
Des expert(e)s IT du SIRH ☐ ☐ ☐
Des développeurs ☐ ☐ ☐
Des data scientists ☐ ☐ ☐
118
Des juristes ☐ ☐ ☐
Des représentant(e)s des
salariés (IRP, DP) ☐ ☐ ☐
Des financiers ☐ ☐ ☐
Question 15 : D'après vous, quelles sont les compétences-clés pour réussir ce type de projets ? *
Click or tap here to enter text.
Passez maintenant directement à la question 18
Pouvez-vous nous dire pourquoi ?
Question 16 : D'après vous, votre organisation engagera-t-elle des projets de Big Data relatifs aux
ressources humaines : * Choose an item.
Question 17 : Quels sont, d'après vous, les principaux freins à la mise en place de tels projets ? *
☐ Les données RH sont de mauvaises qualités.
☐ Le système d'information RH n'est pas unifié.
☐ La législation sur les données personnelles est un frein majeur.
☐ La sécurité des données est difficile à assurer.
☐ Ces projets sont trop coûteux.
☐ D'autres sujets sont stratégiquement prioritaires sur les RH dans la conduite des projets Big Data
☐ Mon organisation n'a encore ouvert aucun projet Big Data.
☐ Autre : Click or tap here to enter text.
Parlons RH !
Quels sont vos enjeux relatifs au capital humain ? Capital Humain : ensemble des aptitudes, talents qualifications, expériences accumulées par un individu et qui
déterminent en partie la capacité à travailler ou à produire pour lui-même ou pour les autres.
Question 18 : Connaissez-vous les principaux leviers d’amélioration de la performance des équipes
dans votre organisation ou votre secteur d'activité ? *
Oui ☐ Non ☐
Question 18 bis : Si oui, quels sont-ils ?
Click or tap here to enter text.
119
Question 19 : Diriez-vous que le capital humain, pour votre organisation, est un avantage concurrentiel
important ? *
Oui ☐ Non ☐
Question 20 : Parmi ces propositions, laquelle, selon vous, est le principal levier pour le maintenir
et/ou l'améliorer ? *
Choose an item.
Si vous avez choisi “Autre”, merci de préciser Click or tap here to enter text.
Question 21 : Selon vous le Big Data peut-il être une réponse aux enjeux RH suivants ?
L’individualisation des dispositifs RH (rémunération et avantages sociaux, formation, carrière, etc.). * 1 2 3 4 5
Pas du tout
d’accord ☐ ☐ ☐ ☐ ☐ Tout à fait
d’accord
L’amélioration de l’engagement des collaborateurs. *
1 2 3 4 5
Pas du tout
d’accord ☐ ☐ ☐ ☐ ☐ Tout à fait
d’accord
La création d'équipes de travail plus efficientes. *
1 2 3 4 5
Pas du tout
d’accord ☐ ☐ ☐ ☐ ☐ Tout à fait
d’accord
Le recrutement des compétences les plus adéquates. *
1 2 3 4 5
Pas du tout
d’accord ☐ ☐ ☐ ☐ ☐ Tout à fait
d’accord
120
La prévention des risques psychosociaux. *
1 2 3 4 5
Pas du tout
d’accord ☐ ☐ ☐ ☐ ☐ Tout à fait
d’accord
La construction des parcours professionnels des collaborateurs. *
1 2 3 4 5
Pas du tout
d’accord ☐ ☐ ☐ ☐ ☐ Tout à fait
d’accord
La détection des talents et des hauts potentiels. *
1 2 3 4 5
Pas du tout
d’accord ☐ ☐ ☐ ☐ ☐ Tout à fait
d’accord
La création des plans de succession. *
1 2 3 4 5
Pas du tout
d’accord ☐ ☐ ☐ ☐ ☐ Tout à fait
d’accord
La rétention des talents. *
1 2 3 4 5
Pas du tout
d’accord ☐ ☐ ☐ ☐ ☐ Tout à fait
d’accord
La maîtrise de la masse salariale. *
1 2 3 4 5
Pas du tout
d’accord ☐ ☐ ☐ ☐ ☐ Tout à fait
d’accord
121
La gestion du climat social *
1 2 3 4 5
Pas du tout
d’accord ☐ ☐ ☐ ☐ ☐ Tout à fait
d’accord
6 questions pour en savoir plus sur vous et votre organisation
Question 22 : Dans quel secteur d'activité travaillez-vous ? *
Choose an item.
Question 23 : Quel est l'effectif monde de votre organisation ? *
Choose an item.
Question 24 : Dans quel pays se trouve le siège social de votre organisation ? *
Click or tap here to enter text.
Question 25 : Dans quel pays travaillez-vous ? *
Click or tap here to enter text.
Question 26 : Dans quelle fonction travaillez-vous ? *
Choose an item.
Question 27 : Etes-vous membre du comité de direction ? *
Oui ☐ Non ☐
Mille fois merci pour votre aide !
Vous souhaitez obtenir les résultats de nos travaux par email (courant novembre 2018), laissez-nous
vos coordonnées :
Click or tap here to enter text.
122
Accepteriez-vous que nous vous recontactions pour échanger de vive voix sur notre sujet ? Si oui,
pourriez-vous nous laisser vos coordonnées (nom, prénom, organisation, mail ou téléphone) :
Vous pouvez aussi nous contacter directement sur nos comptes LinkedIn.
Click or tap here to enter text.
Si vous voulez nous laisser un message, des suggestions, c'est ici.
Click or tap here to enter text.
123
ANNEXE 3 : Les projets Big Data – réponses détaillées N°136 Objectifs Données
Stucturées
Données Non
Structurées
Evaluation
des
résultats137
Résultats Amélioration
de la prise de
décision RH138
Evaluation
des
difficultés139
Difficultés
6 - mieux suivre la
performance des
collaborateurs ;
- mieux les accompagner
dans leur développement ;
- améliorer l'efficacité de
nos actions RH.
- Base de données
RH (SIRH, Excel)
- Outils de suivi de
la performance
Pas de données
non structurées
Bons Anticipation de
problématiques RH et mise en
place d'actions pro-actives
Tout à fait
d’accord
Moyennes La plus grande difficulté
est de réussir à
cartographier l'activité RH
pour qualifier la donnée
et l'exploiter
correctement
12 Améliorer la
compréhension de
certaines problématiques
ou de certains
comportements
(absentéisme, turn over,
corrélation engagement
salariés vs rentabilité
commerciale) pour
modéliser, prédire et
trouver des leviers
d’amélioration.
Données :
- de paie,
- de gestion
administrative, -
« talents »,
- individuelles de
formation.
Contenu des
entretiens,
verbatims des
enquêtes de climat
social
Assez bons - Compréhension des causes
racines de l’absentéisme
maladie ;
- typologie de population a
risque turn over ;
-mesure de l’efficience des
actions de formation
D’accord Moyennes - Savoir-faire analytique ;
- coût des technos ;
- difficultés pour faire
rentrer des RH non
matheux dans ces sujets,
et ce même avec la plus
grande pédagogie
136 Le champ « N° » fait référence au numéro du répondant. Ne sont concernés dans ce tableau que les répondants ayant des projets Big Data relatifs aux Ressources Humaines. 137 L’échelle d’évaluation des Résultats est la suivante : Faibles - Assez faibles - Moyens - Assez bons - Bons
138 L’échelle d’amélioration de la prise de décision RH est la suivante : Pas du tout d’accord – Pas d’accord – Ni en désaccord, ni en accord – D’accord – Tout à fait d’accord
139 L’échelle pour mesurer les difficultés est la suivante : Faibles - Assez faibles – Moyennes - Assez fortes – Fortes
124
N°136 Objectifs Données
Stucturées
Données Non
Structurées
Evaluation
des
résultats137
Résultats Amélioration
de la prise de
décision RH138
Evaluation
des
difficultés139
Difficultés
16 Optimiser les process en
identifiant des critères de
réussite des candidats tout
au long du process (en
amont dans le screening
des CV puis dans la réussite
des différents entretiens)
Fichiers Excel de
données RH
- du texte (CV)
- des Feedbacks
d'entretiens...
Assez bons Un véritable déclencheur pour
revoir le process de
recrutement. A permis de faire
valider la nécessité de lancer
un projet plus large (données
factuelles)
Quelques actions concrètes
d'accompagnement de nos
candidats
La prise de conscience de la
nécessité de structurer
davantage nos données...
D’accord Assez fortes Le temps passé à
consolider / anonymiser /
nettoyer les données.
Le spectre très large des
1ers résultats (issus des
algorithmes) qui nécessite
une bonne connaissance
métier pour une
interprétation pertinente
(risque de contre sens ou
de tirer des conclusions
non pertinentes...)
24 Planification des ressources
/ compétences à moyen /
long terme
- SIRH, système IT
de recrutement
- Excel
Entretiens avec les
responsables de
fonction pour
déterminer besoins
humains en
fonction de la
stratégie et des
grandes tendances
(évolution
métier,..)
Faibles Projet en cours, pas de
résultats à date.
Ni en
désaccord, ni
en accord
Fortes Peu d'historique (post-
fusion de 2 Groupes), peu
de data collectés de façon
systématique dans des
bases fiabilisées.
28 Fiabiliser et fluidifier les
flux d'informations
Fichiers Excel, SIRH E-mails Moyens La mise en place d'interfaces
facilitant la communication
entre les outils
Ni en
désaccord, ni
en accord
Assez fortes De nombreux
réajustements sont à faire
125
N°136 Objectifs Données
Stucturées
Données Non
Structurées
Evaluation
des
résultats137
Résultats Amélioration
de la prise de
décision RH138
Evaluation
des
difficultés139
Difficultés
30 Identifier les causes d'un
turnover important au sein
des équipes
SIRH, fichier des
employés
CVs, compte rendu
des entretiens
d'embauche,
entretiens
d'évaluation
Bons Grâce à l’Analytics, nous avons
identifié les critères majeurs
communs aux personnes qui
restent dans l'entreprise. Cela
permet d'adapter nos critères
de recrutement.
Tout à fait
d’accord
Assez fortes - Se mettre d'accord sur la
nature du projet et
quelles sont les attentes
afin de définir quelles
sont les données
souhaitées.
- Des données venant de
différents systèmes et pas
toujours normées.
- Craintes fortes de
"corrompre « le dataset
avec des données de
mauvaises qualités.
31 Chatbots pour réduire le
temps consacré aux RHs à
répondre à des questions
des salariés
Fichiers Excel, base
de données du
SIRH
Aucunes Assez bons Temps consacré par l'équipe
RH à répondre à des questions
réduit de 12,5% soit sur un
équivalent de 5 jours par mois
sur l'ensemble de l'équipe
Pas du tout
d’accord
Moyennes Les principales sont de
l'ordre technique à savoir
quel type de chatbot
utiliser
37 Gestion de carrière des
collaborateurs, identifier
les compétences par
fonction puis à partir des
entretiens d'évaluation
définir ce que sont les
collaborateurs aujourd'hui
afin de leur proposer des
évolutions de postes
futures en adéquation avec
leurs compétences.
Les données du
SIRH sur les
collaborateurs, le
référentiel des
postes, les
compétences
requises par poste
Les entretiens
annuels
d'évaluation
Assez bons Mettre les bonnes personnes
sur les bons postes (sourcing
interne)
Tout à fait
d’accord
Assez fortes - Problème de l’auto
déclaration lors des
entretiens d'évaluation
car manque de maturité
des collaborateurs.
- Beaucoup de datas (mais
difficulté pour définir les
compétences associées
aux postes).
- Problème de se mettre
avec des éditeurs
externes car ne partagent
pas leurs modèles de
données (perte de temps
au démarrage).
126
N°136 Objectifs Données
Stucturées
Données Non
Structurées
Evaluation
des
résultats137
Résultats Amélioration
de la prise de
décision RH138
Evaluation
des
difficultés139
Difficultés
41 Refonte des reportings,
suivi d’absentéisme,
développement humain
Transfert de
fichiers vers Power
BI
Aucunes Assez
faibles
Faibles pour l'instant,
finalisation d'ici 12 mois
Tout à fait
d’accord
Assez fortes Extraction des bonnes
données, compétences
pour les traiter
42 Mise en place d'outils
d'aide à la décision dans la
constitution d'équipes
projets, pertinence des
indicateurs managériaux,
renforcement des
dashboards de pilotage des
ressources, anticipation des
évolutions de la force de
travail et identification des
zones d'amélioration
Beaucoup de data
encore monitorées
en base Excel et
les données
stockées dans
notre plateforme
Benchmarks
externes. Éléments
de profiling
internes visant à
compléter nos
bases de données
Assez bons Mise en place d'outils
d'analyse prédictifs
intéressants
Tout à fait
d’accord
Assez fortes La consolidation des bases
de données
46 Meilleure connaissance des
collaborateurs
Talent Management
Training Policy
Succession Plan
Fichiers Excel
Bases de données
Aucunes Moyens Identification de talents D’accord Assez fortes Outils peu "friendly
users", Datas non fiables
50 Suivre la performance des
collaborateurs, avoir des
équipes complémentaires
sur nos projets
Fichiers Excel,
données RH telles
que les rankings
des collaborateurs
Les entretiens
d'évaluation, les
retours clients
(internes) sur les
équipes projets
Bons En analysant les entretiens
d'évaluation, nous avons pu
mettre en avant les souhaits
que les collaborateurs avaient
émis dans leurs entretiens et
qui n'avaient jamais été
capturés, ce qui a permis de
proposer des plans de carrière
en adéquation avec les
attentes et à augmenter la
motivation et l’engagement
(même si nous ne sommes pas
en mesure de la quantifier)
Tout à fait
d’accord
Assez fortes Définir en équipe les
objectifs du projet,
trouver les données
pertinentes pour cette
atteinte d'objectifs.
Mettre en place une
équipe projet. Beaucoup
d'itérations ont été
nécessaires notamment
liées à la qualité des
données.
127
N°136 Objectifs Données
Stucturées
Données Non
Structurées
Evaluation
des
résultats137
Résultats Amélioration
de la prise de
décision RH138
Evaluation
des
difficultés139
Difficultés
51 Mieux prédire / anticiper
les risques (départs, etc.)
Base de données Documents Assez
faibles
Définir / choisir les données
pertinentes
Tout à fait
d’accord
Moyennes Manque de temps et de
compétences
54 Analyse de données,
indicateurs sociaux,
pilotage des RH,
identification de leviers
d'actions
Données DSN
(déclaration
sociale
nominative),
extractions
solutions
logicielles
Aucunes Moyens Epuration des données, travail
sur leur qualité.
Ni en
désaccord, ni
en accord
Fortes La qualité des données !
56 Identifier les talents les plus
proches des domaines
d'expertise de l’entreprise
Fichiers Excel Entretiens
d'embauche
(traitement
automatique du
langage naturel) et
CVs
Moyens Expérimentation en cours, pas
de résultats probants à ce
stade
D’accord Assez fortes - Choix des technologies à
utiliser,
- Choix des datas
pertinentes,
- Définition d'un modèle
de données.
58 - D'un point de vue global :
le Big Data comme socle
pour ensuite proposer au
collaborateur de nouveaux
services / outils RH plus
adaptés, de meilleure
qualité, plus rapides.
- D'un point de vue RH :
optimiser / faciliter
l'activité au quotidien de la
RH, améliorer le pilotage,
permettre une prise de
décision plus sûre et plus
rapide.
- D'un point de vue SI : des
systèmes plus modernes,
plus agiles et plus robustes.
- A ce stade, des
données SIRH, des
données
référentielles
(organisation,
identification
personne,
immobilier)
- En cible,
potentiellement
des données
financières,
données
réglementaires /
conformité, ...
- Les sources : flux
de données
A ce stade, les
profils LinkedIn
(sur accord des
collaborateurs) via
un flux automatisé
Moyens - Mise à disposition des
collaborateurs et des RH d'une
plate-forme consolidant les
informations RH de plusieurs
macro-processus
- Mise en place d'une première
brique d’une nouvelle offre de
services pour le pilotage RH
(HR Analytics)
- Mise en place d'une plate-
forme de GPEC
- Prototypage data mining sur
le processus RH Recrutement
- Prototypage matching CV /
postes sur le processus RH
Recrutement
Tout à fait
d’accord
Assez fortes - Au niveau RH : définir
une stratégie claire,
convaincre le
management
- Au niveau SI :
technologies nouvelles
donc problématiques
d'expertise (rare), de
maturité / stabilité ; fort
turnover des ressources ;
qualité des données
insuffisante.
128
N°136 Objectifs Données
Stucturées
Données Non
Structurées
Evaluation
des
résultats137
Résultats Amélioration
de la prise de
décision RH138
Evaluation
des
difficultés139
Difficultés
Des données plus
concentrées et de meilleure
qualité.
automatisés ou
non en
provenance
d'outils SI
existants, fichiers
Excel
59 Travailler sur les retours de
formation afin de choisir les
meilleurs organismes et
augmenter la satisfaction
des collaborateurs.
Proposer des formations en
fonction des expériences
des collaborateurs ayant un
même profil
SIRH, Excel Commentaires et
évaluations des
collaborateurs sur
les formations
Assez bons Données consolidées,
application d'algorithmes
"maison" d'analyse prédictive,
classification des organismes
de formation
Pas d’accord Assez fortes Choix des données
pertinentes, accès et
consolidation des
données.
Expérimentation.
ANNEXE 4 : Eléments d’analyse détaillée complémentaires
a. Les types de données utilisées
Les données structurées
Ce sont des données rangées, classées ou ordonnées, facilement assimilables pour définir une
information. Les sources peuvent être un fichier Excel, une base de données ...
Deux types de données structurées
sortent du lot, il s’agit de :
- celles issues des SIRH qui sont utilisées
dans près de deux projets sur trois ;
- celles issues de fichiers Excel, utilisées,
elles-aussi dans deux projets sur trois.
En fonction des projets et des objectifs
recherchés, d’autres types de données
structurées sont mises à profit, mais de
façon plus marginale, telles que :
- des données référentielles ;
- des données issues des outils de suivi
de la performance individuelle ;
- des données issues d’autres bases de
données …
Les données non structurées
Ce sont, par opposition aux données structurées, toutes les données non interprétables
immédiatement et demandant un ou des retraitements. Les sources peuvent être des e-mails, des
documents rédigés, des photos, des enregistrements vocaux...
130
Dans 28% des projets des entreprises
étudiées, les données non structurées ne
sont pas utilisées. Nous comprenons
parfaitement cela car cela répond souvent
à la volonté de ne pas altérer les jeux de
données avec des informations qualifiées
de moins « fiables ». Pour illustrer cela,
l’un de nos répondants qui utilise les
entretiens d’évaluation (utilisés dans le
cadre d’un projet sur cinq) comme
données non structurées met en avant le
« Problème de l’auto déclaration lors des
entretiens d'évaluation car manque de
maturité des collaborateurs ».
Les autres types de données non
structurées fréquemment citées (dans
21% des cas) sont :
- les verbatims d’entretiens ;
- les CVs.
b. Les technologies utilisées
Les trois principales technologies140
utilisées sont :
- le Data Mining dans plus d’un
projet sur deux (53%) ;
- les Bases de Données NoSQL
(41%) ;
- le Machine Learning dans plus
d’un projet sur quatre (29%).
Nous observons qu’un répondant
sur quatre (24%) :
- a recours aux Chatbots ;
- ne connaît pas la(les)
technologie(s) utilisée(s).
Nous avons distingué le choix des technologies citées par les répondants en fonction de leur rôle dans
leur organisation.
140 Plusieurs réponses étant possibles, la somme des pourcentages est supérieure à 100%.
131
De façon assez « surprenante » les
répondants de la fonction RH sont
assez au fait des technologies
utilisées, car ils sont assez peu à
répondre « Ne sait pas », ce qui
tendrait à nous montrer qu’ils
s’intéressent et suivent les projets
dans les dimensions techniques. Le
questionnaire tel qu’instruit ne nous
permet cependant pas d’infirmer ou
de confirmer les technologies
utilisées, mais les interviews
réalisées auprès des répondants, qui
en avaient émis le souhait, nous ont
permis de valider ces réponses.
Il est intéressant de noter que la fonction « Informatique » a un spectre de technologies plus restreint,
à savoir :
- le Data Mining ;
- les bases de données noSQL ;
- le Machine Learning ;
- les Chatbots ;
- le « Natural Language Processing ».
Enfin, les membres de la Direction Générale ne sont pas toujours à même de citer l’ensemble des
technologies utilisées.
c. Les niveaux d’évaluation des résultats obtenus par type de répondant
Les résultats en fonction des rôles
des répondants diffèrent. Alors que
la note moyenne est de 3,6 sur 5 elle
est de :
- 3 sur 5 pour les membres de la
Direction Générale ;
- 3,4 sur 5 pour les services de
l’informatique ;
- 3,8 sur 5 pour les Ressources
Humaines.
Ces écarts dans l’auto-évaluation
peuvent trouver leur source dans la
différence de perception des différents répondants. Nous imaginons assez facilement que les membres
de la Direction Générale sont plus attentifs au retour sur investissement de tels projets et jugent les
résultats plus « sévèrement », les membres de la Direction des Services Informatiques, en tant que
parties prenantes et réalisateurs principaux des projets mesurent de façon plus modérée les résultats
que les membres de Ressources Humaines qui font preuve d’un plus grand optimisme. Ce sont aussi
132
eux qui bénéficient directement et opérationnellement des premiers résultats obtenus, en particulier,
dans l’ensemble des projets permettant une amélioration des processus RH.
d. Quelles perspectives en l’absence de projets ?
Il nous a paru important d’interroger les acteurs qui n’ont pas répondu par l’affirmative à la première
question (« Votre organisation a-t-elle ouvert des projets de Big Data relatifs aux données RH ? »). Nous
visons principalement les deux objectifs suivants :
- identifier quelle est leur vision à moyen terme, c’est-à-dire à vingt-quatre mois ;
- mettre en évidence les principaux freins à la mise en place de tels projets.
Les deux questions étudiées sont des questions à choix multiples.
Perspectives
D’ici douze mois, la proportion d’entreprises, de notre
enquête, lançant des projets Big Data dans les RH devrait
être de 44%.
D’après nos répondants, sous vingt-quatre mois, plus
d’une entreprise sur deux (53%) des répondants,
sollicités dans le cadre de notre questionnaire, aura
ouvert des projets Big Data.
Si nous nous intéressons à la taille des entreprises ayant répondu à notre enquête nous observons
que :
- les grandes entreprises
continueront à être le fer de
lance, puisque d’ici deux ans 65%
d’entre elles devraient avoir
ouvert des projets Big Data dans
les RH ;
- la part des ETI doublerait, en
passant de 22% à 43% ;
- une seule des PME interrogées
envisage d’ouvrir un projet.
Raisons
Nous avons interrogé les 71% de répondants qui n’ont pas encore ouvert de projets de Big Data dans
les RH afin d’identifier quels pouvaient être les principaux freins à cela.
133
Il ressort en priorité que le SIRH141
n’est pas unifié ; en d’autres termes,
la multitude de sources de données
est le principal frein à la mise en place
des projets.
De tels projets ne sont pas perçus
comme prioritairement stratégiques
pour 39% des personnes interrogées.
La qualité des données RH
représente un frein pour 34% des
répondants.
Le coût associé aux projets Big Data
est cité dans un cas sur quatre (24%).
« Pour le moment nous développons des outils pour nos clients mais pas pour nos
salariés. Nous faisons passer en priorité le business pour rentabiliser ces
investissements. D’ailleurs, nous avons un fonds d’investissements international.
Une équipe pluridisciplinaire est en charge du business case, de la prise de
décision et du déploiement pour l’ensemble des Business Unit. La marge de
manœuvre au niveau local est quasi inexistante. Ceci évite les investissements
locaux alors que des projets sont en cours au niveau international ».
Parole d’expert, directeur général France, société internationale de service aux
entreprises.
« L’investissement pour intégrer proprement le Big Data est important et dans la
plupart des entreprises, la priorité est mise sur le big data plus « offensif » (orienté
client ou captation de nouveaux marchés) ».
Parole d’expert, directeur des ressources humaines France, groupe industriel.
« La législation sur les données personnelles » ainsi que « la difficulté à assurer la sécurité des
données » sont perçues comme étant des points bloquants pour près d’une personne sur cinq (20%).
La sécurité des données est citée dans 17% des cas. Enfin dans la catégorie « Autres » deux items sont
mentionnés :
- la difficulté de recruter un data scientist ;
- la méconnaissance supposée des Ressources Humaines quant aux apports du Big Data.
141 Système d'Information Ressources Humaines
134
Finalement nous retrouvons de façon assez limpide, quatre grandes familles de répondants :
- ceux pour qui la qualité des données constitue un frein (SIRH non unifié, données de mauvaises
qualités) ;
- ceux pour qui la législation sur les données et la sécurisation associée sont un problème
majeur ;
- ceux pour qui le coût de ces projets est prohibitif ;
- enfin ceux qui n’ont pas ouvert de projet Big Data liés aux Ressources Humaines, mais sont
porteurs de projets dans d’autres domaines.
e. Le Big Data peut-il être une réponse aux enjeux RH suivants ? Réponses des personnes
engagées dans des projets et variations selon les fonctions.
Nous avons souhaité comparer les réponses à la question “Selon vous, le Big Data peut-il être une
réponse aux enjeux RH suivants?”, selon la fonction de nos répondants. Nous nous sommes uniquement
consacrés aux fonctions RH et Informatique.
Dans le tableau suivant sont classés les enjeux RHs pour lequel le Big Data peut-être pertinent.
Rang142 Ressources Humaines Informatique
1 Le recrutement des compétences les plus adéquates
2 La détection des talents et des hauts
potentiels
La création d'équipes de travail plus
efficientes
3 La construction des parcours
professionnels des collaborateurs
La détection des talents et des hauts
potentiels
…
9 L’amélioration de l’engagement des
collaborateurs
La prévention des risques psychosociaux
10 La prévention des risques psychosociaux La création des plans de succession
11 La gestion du climat social
Tableau 12 - Classement des enjeux RH pour lesquels le Big Data peut-être une réponse pour les acteurs projets
Tout d’abord nous constatons que les réponses des professionnels de la fonction RH et celles de
l’Informatique présentent des similitudes :
- « le recrutement des compétences les plus adéquates » est le premier item référencé ;
- « la détection des talents et des hauts potentiels » est classé deuxième pour les membres des
Ressources Humaines et troisième pour ceux issus de l’Informatique ;
- « la prévention des risques psychosociaux » est positionnée à la neuvième ou dixième place ;
- « la gestion du climat social » est placée, de façon unanime, en dernière position.
142 La notion de « Rang » correspond à la position à laquelle a été placée cet enjeu. Le « Rang 1 » signifie que c’est la proposition la plus importante.
135
Il existe cependant quelques différences :
- en troisième position la fonction RH cite « la construction des parcours professionnels des
collaborateurs », alors que la fonction Informatique place « la création d'équipes de travail
plus efficientes » pour compléter son podium ;
- « l’amélioration de l’engagement des collaborateurs » n’est pas considérée comme l’un des
enjeux principaux pouvant être adressé par le Big Data pour les RH, alors que pour
l’Informatique c'est « la création des plans de succession ».
Même si finalement, et contrairement à ce que nous aurions pu imaginer, il existe plus de points
communs que de différences entre la perception des différentes familles d’acteurs interrogées, les
différences sont assez éclairantes quant aux attentes propres de chaque métier. Les professionnels
des Ressources Humaines privilégient la recherche des talents là où ceux de l’Informatique vont vouloir
privilégier la création d’un collectif.
Ces observations nous amènent à détailler un biais inhérent à la question posée : nous souhaitons
connaître la perception des acteurs sur la capacité du Big Data à répondre à une liste d’enjeux RH
identifiés, ceci afin d’en déduire leurs réactions potentielles, à priori, à l’ouverture de projets, dans leur
contexte professionnel et non leur évaluation du sujet dans l’absolu. Ainsi, il est probable que la
perception de chacun des acteurs soit partiellement biaisée par ses propres attentes : en répondant
plus favorablement aux enjeux qu’il considère comme importants et moins favorablement aux enjeux
qu’il considère comme secondaires.
f. Le Big Data est-il utilisé pour actionner les principaux leviers de performance du
capital humain : avantage concurrentiel
143 Le champ « N° » fait référence au numéro du répondant. Ne sont concernés dans ce tableau que les répondants ayant des projets Big Data relatifs aux Ressources Humaines.
N°143
Objectifs des projets de Big Data Avantage concurrentiel
Lien
6 - mieux suivre la performance des collaborateurs ;
- mieux les accompagner dans leur développement ;
- améliorer l'efficacité de nos actions RH.
L’acquisition et la rétention de profils
détenant des soft-skills favorisant l'adaptation
au changement et l'innovation (créativité,
agilité, capacité à apprendre, intuition,
coopération).
Faible
12 Améliorer la compréhension de certaines
problématiques ou de certains comportements
(absentéisme, Turnover, corrélation engagement salariés
vs rentabilité commerciale) pour modéliser, prédire et
trouver des leviers d’amélioration.
La constitution des équipes les plus efficientes
(compétences, organisation du travail,
modalités d’interaction, adéquation des styles
de management).
Fort
16 Optimiser les process en identifiant des critères de
réussite des candidats tout au long du process (en amont
dans le screening des CV puis dans la réussite des
différents entretiens)
La mise en place de politiques d'amélioration
des conditions de travail ou de la qualité de
vie au travail.
Nul
24 Planification des ressources / compétences à moyen /
long terme
L’acquisition et la rétention de profils
détenant des soft-skills favorisant l'adaptation
au changement et l'innovation (créativité,
agilité, capacité à apprendre, intuition,
coopération)
Faible
28 Fiabiliser et fluidifier les flux d'informations L’acquisition et la rétention de profils
détenant des soft-skills favorisant l'adaptation
Nul
136
Tableau 13 - Liens entre les objectifs des projets de Big Data étudiés et les sources de maintien ou d'amélioration de l'avantage concurrentiel lié au capital humain.
au changement et l'innovation (créativité,
agilité, capacité à apprendre, intuition,
coopération).
30 Identifier les causes d'un turnover important au sein des
équipes
La mise en place de politiques de fidélisation
des collaborateurs.
Fort
31 Chatbots pour réduire le temps consacré aux RHs à
répondre à des questions des salariés
L’acquisition et la rétention des meilleurs
experts
Nul
37 Gestion de carrière des collaborateurs, identifier les
compétences par fonction puis à partir des entretiens
d'évaluation définir ce que sont les collaborateurs
aujourd'hui afin de leur proposer des évolutions de
postes futures en adéquation avec leurs compétences.
L’acquisition et la rétention de profils
détenant des soft-skills favorisant l'adaptation
au changement et l'innovation (créativité,
agilité, capacité à apprendre, intuition,
coopération).
Moyen
41 Refonte des reportings, suivi d’absentéisme,
développement humain
La mise en place de politiques favorisant
l'engagement.
Faible
42 Mise en place d'outils d'aide à la décision dans la
constitution d'équipes projets, pertinence des
indicateurs managériaux, renforcement des dashboards
de pilotage des ressources, anticipation des évolutions
de la force de travail et identification des zones
d'amélioration
L’acquisition et la rétention de profils
détenant des soft-skills favorisant l'adaptation
au changement et l'innovation (créativité,
agilité, capacité à apprendre, intuition,
coopération).
Moyen
46 Meilleure connaissance des collaborateurs
Talent Management
Training Policy
Succession Plan
L’acquisition et la rétention de profils
détenant des soft-skills favorisant l'adaptation
au changement et l'innovation (créativité,
agilité, capacité à apprendre, intuition,
coopération).
Fort
50 Suivre la performance des collaborateurs, avoir des
équipes complémentaires sur nos projets
L’acquisition et la rétention de profils
détenant des soft-skills favorisant l'adaptation
au changement et l'innovation (créativité,
agilité, capacité à apprendre, intuition,
coopération).
Moyen
51 Mieux prédire / anticiper les risques (départs, etc.) Un ensemble, un seul focus ne permettra pas
d'avancer
-
54 Analyse de données, indicateurs sociaux, pilotage des RH,
identification de leviers d'actions
L’acquisition et la rétention de profils
détenant des soft-skills favorisant l'adaptation
au changement et l'innovation (créativité,
agilité, capacité à apprendre, intuition,
coopération).
Nul
56 Identifier les talents les plus proches des domaines
d'expertise de l’entreprise
L’acquisition et la rétention des meilleurs
experts.
Fort
58 - D'un point de vue global : le Big Data comme socle pour
ensuite proposer au collaborateur de nouveaux services /
outils RH plus adaptés, de meilleure qualité, plus rapides.
- D'un point de vue RH : optimiser / faciliter l'activité au
quotidien de la RH, améliorer le pilotage, permettre une
prise de décision plus sûre et plus rapide.
- D'un point de vue SI : des systèmes plus modernes, plus
agiles et plus robustes. Des données plus concentrées et
de meilleure qualité.
La constitution des équipes les plus efficientes
(compétences, organisation du travail,
modalités d’interaction, adéquation des styles
de management).
Faible
59 Travailler sur les retours de formation afin de choisir les
meilleurs organismes et augmenter la satisfaction des
collaborateurs. Proposer des formations en fonction des
expériences des collaborateurs ayant un même profil
Ne sait pas -
137
LISTE DES TABLEAUX
Tableau 1 - Le passage de la donnée à l'information ............................................................................ 35 Tableau 2 – Niveaux de maturité des entreprises concernant l’utilisation des données ..................... 39 Tableau 3 - La construction du questionnaire. ...................................................................................... 61 Tableau 4 - Liste des personnes interviewées ....................................................................................... 67 Tableau 5 - Descriptif des entreprises porteuses des projets et du répondant .................................... 68 Tableau 6 - Les projets en cours : classification par type d’objectifs. ................................................... 70 Tableau 7 - Evaluation et qualification des résultats des projets Big Data étudiés .............................. 73 Tableau 8 - Compétences-clés par projet.............................................................................................. 77 Tableau 9 - Evaluation et classification des difficultés. ......................................................................... 79 Tableau 10 - Indice de confiance des décideurs dans le Big Data en RH par type de sujet. ................. 83 Tableau 11 - Liens entre les objectifs des projets de Big Data étudiés et les leviers de performance du
capital humain. ...................................................................................................................................... 87 Tableau 12 - Classement des enjeux RH pour lesquels le Big Data peut-être une réponse pour les
acteurs projets ..................................................................................................................................... 134 Tableau 13 - Liens entre les objectifs des projets de Big Data étudiés et les sources de maintien ou
d'amélioration de l'avantage concurrentiel lié au capital humain. ..................................................... 136
138
GLOSSAIRE
AMO : Abilities - Motivation - Opportunities
BI : Business Intelligence
CNIL : Commission Nationale de l'Informatique et des Libertés
CNRL : Centre National de Ressources Textuelles et Lexicales
CODIR : Comité de Direction
COMEX : Comité Exécutif
CP : Chef de Projet
DRH : Directeur(trice)/Direction des Ressources Humaines
DSI : Directeur / Direction des Services d'Information/Informatique
DP : Délégué du Personnel
ETI : Entreprises de Taille Intermédiaire
GE : Grandes Entreprises
GPEC : Gestion Prévisionnelle de l'Emploi et des Compétences
HRA : Human Resource Analytics
HRBP : Human Resource Business Partner
IA : Intelligence Artificielle
IRP : Institutions Représentatives du Personnel
IT : Information Technology (Informatique)
KSAO : Knowledge, Skills, Abilities and Other characteristics
MIC : Microentreprises
PME : Petites et Moyennes Entreprises
POC : Proof Of Concept
QVT : Qualité de Vie au Travail
RH : Ressources Humaines
RGPD : Réglement Général pour la Protection des Données
SaaS : Software as a Service
SIRH : Système d'Information Ressources Humaines
139
TABLE DES MATIERES
REMERCIEMENTS .................................................................................................................................... 2
SOMMAIRE .............................................................................................................................................. 4
RESUME ................................................................................................................................................... 5
INTRODUCTION ....................................................................................................................................... 6
PREMIERE PARTIE : REVUE DE LITTERATURE .......................................................................................... 8
1. Le pilotage de la performance du capital humain : de quoi parle-t-on ? ................................ 8
1.1. Le pilotage de la performance ............................................................................................. 8
1.1.1. Le concept de performance......................................................................................... 8
1.1.2. Le pilotage de la performance : quelles pratiques ? ................................................... 9
1.1.3. La performance des individus au travail : concept et pratiques ............................... 10
1.2. Le concept de Capital Humain ........................................................................................... 12
1.3. Performance du capital humain : mesurer quoi ? ............................................................. 14
1.3.1. Les composantes du capital humain ......................................................................... 15
1.3.2. Les déterminants de la performance du capital humain .......................................... 16
2. Qu’est-ce que le Big Data ? ................................................................................................... 24
2.1. Un terme contextuel à la mode ......................................................................................... 24
2.2. Données ou information ? ................................................................................................. 25
2.3. « Big » comment ? ............................................................................................................. 29
3. Les données au cœur de la création de valeur...................................................................... 32
3.1. Avoir une « stratégie data » pour donner un cadre et des objectifs ................................ 32
3.2. Le passage de la donnée à l’information : un savant dosage de contrôle et de flexibilité 34
3.3. La datafication ou le retraitement de l’information ......................................................... 36
3.4. Des idées à la décision, ou comment valoriser des options dans un délai imparti ........... 37
3.5. De la décision à la création de valeur : qualité et acceptation au centre des débats ....... 38
3.6. La transformation des données en valeur, un processus d’apprentissage ....................... 39
3.7. Une technologie pour interpréter les données : l’intelligence artificielle ........................ 40
3.7.1. Un peu d’histoire ....................................................................................................... 40
3.7.2. Comment expliquer l’IA ............................................................................................. 41
3.7.3. Différentes IA ............................................................................................................. 42
3.7.4. Le phénomène IA, mythes et réalités ........................................................................ 43
4. Le Big Data au service de la prise de décision RH et du pilotage de la performance du capital
humain ............................................................................................................................................... 49
4.1. Un autre terme à la mode : Human Resource ou Human Capital ou People ou Workforce
Analytics ........................................................................................................................................ 49
140
4.2. Les compétences cibles du HRA ........................................................................................ 50
4.3. La plus-value apportée ...................................................................................................... 51
4.4. La réalité opérationnelle ................................................................................................... 53
4.5. Quelle visibilité d’ici à quelques années ? ......................................................................... 56
DEUXIEME PARTIE : ETUDE EMPIRIQUE ................................................................................................ 58
5. Méthodologie ........................................................................................................................ 58
5.1. Objectifs et choix méthodologiques .................................................................................. 58
5.2. Le questionnaire ................................................................................................................ 59
5.2.1. Objectifs détaillés ...................................................................................................... 59
5.2.2. Présentation du questionnaire .................................................................................. 59
5.2.3. Modalités de validation du questionnaire ................................................................ 62
5.2.4. Retraitement des réponses obtenues ....................................................................... 63
5.2.5. Modalités de diffusion ............................................................................................... 63
5.2.6. Au sujet des répondants à notre enquête................................................................. 64
5.3. Les interviews .................................................................................................................... 65
5.3.1. Objectifs détaillés ...................................................................................................... 65
5.3.2. Présentation des interviews ...................................................................................... 66
5.3.3. Tableau récapitulatif des interviews réalisées .......................................................... 67
6. Les pratiques actuelles .......................................................................................................... 67
6.1. Qualification de l’échantillon ............................................................................................ 67
6.2. Que font-ils ? ..................................................................................................................... 68
6.2.1. Des objectifs diversifiés, mais une prépondérance de certains déterminants de
performance .............................................................................................................................. 69
6.2.2. Des données enrichies, mais dont la variété et la qualité peuvent constituer des
facteurs de progrès ................................................................................................................... 71
6.2.3. Des technologies d’IA et des structures de bases de données de Big Data .............. 72
6.2.4. Des résultats positifs, concrets et encourageants..................................................... 72
6.3. Comment le font-ils ? ........................................................................................................ 74
6.3.1. Des projets sponsorisés par les Directions Générales ou les DRH ............................ 74
6.3.2. Des équipes projets composés d’experts métiers et SIRH ........................................ 74
6.3.3. Quelles sont les compétences-clés ? ......................................................................... 77
6.4. Quelles sont les limites relevées ?..................................................................................... 78
6.4.1. Des projets difficiles .................................................................................................. 79
6.4.2. La non-qualité des données et leur interprétation comme principales difficultés ... 79
6.4.3. La RGPD : un frein, mais surtout un garde-fou .......................................................... 80
6.4.4. Quelles perspectives en l’absence de projets ? ........................................................ 81
141
6.5. Enseignements et discussion ............................................................................................. 81
7. Le Big Data et les RH, quel potentiel perçu par les décideurs ? ............................................ 82
7.1. Un indice de confiance correct avec des domaines privilégiés ......................................... 82
7.2. Des variations sensibles selon la maturité des répondants sur le Big Data ...................... 83
7.3. Enseignements et discussion ............................................................................................. 84
8. Le Big Data peut-il améliorer la prise de décision relative aux principaux enjeux de
performance du capital humain ? ..................................................................................................... 84
8.1. Quels sont les principaux enjeux actuels de performance du capital humain ? ............... 84
8.1.1. Un avantage concurrentiel lié aux soft-skills et aux collectifs de travail ................... 85
8.1.2. Des leviers de performance liés aux compétences individuelles et collectives, à
l'organisation, au modèle de management et à l’engagement ................................................ 85
8.2. Le Big Data est-il utilisé pour actionner les principaux leviers de performance du capital
humain ? ........................................................................................................................................ 86
8.3. Les décideurs ont-ils confiance dans le Big Data pour répondre aux grands enjeux de
performance du capital humain ? ................................................................................................. 87
8.4. Enseignements et discussion ............................................................................................. 87
9. Enseignements et discussion ................................................................................................. 88
TROISIEME PARTIE : PROPOSITIONS ET CONCLUSION .......................................................................... 90
10. Se saisir de cette véritable opportunité pour la fonction RH ................................................ 90
10.1. Gagner du temps, améliorer les relations interpersonnelles et valoriser les missions à
forte valeur ajoutée ....................................................................................................................... 91
10.2. Une meilleure compréhension de la construction de la performance ......................... 92
10.3. Améliorer l’efficience des processus de la fonction RH en connaissant mieux les
collaborateurs................................................................................................................................ 93
10.4. Le recrutement et la gestion des Talents ...................................................................... 94
10.5. L’anticipation des compétences de demain .................................................................. 95
10.6. La fidélisation des talents .............................................................................................. 96
11. Embrasser la complexité inhérente à l’utilisation du Big Data ............................................. 96
11.1. Responsabilité ............................................................................................................... 97
11.1.1. Ethique ...................................................................................................................... 97
11.1.2. RGPD et utilisation des données personnelles .......................................................... 98
11.2. Les enjeux de transformation ........................................................................................ 99
11.2.1. La stratégie data ........................................................................................................ 99
11.2.2. La performance : un construit social ....................................................................... 101
11.2.3. L’évolution de la fonction RH .................................................................................. 101
11.2.4. Lien avec les parties prenantes ............................................................................... 102
12. Conclusion ........................................................................................................................... 104
142
BIBLIOGRAPHIE .................................................................................................................................... 107
ANNEXES .............................................................................................................................................. 112
ANNEXE 1 : Les enseignements d’un cas concret - le cas Inditex................................................ 112
ANNEXE 2 : le questionnaire ....................................................................................................... 115
ANNEXE 3 : Les projets Big Data – réponses détaillées ............................................................... 123
ANNEXE 4 : Eléments d’analyse détaillée complémentaires ...................................................... 129
a. Les types de données utilisées ........................................................................................ 129
b. Les technologies utilisées ................................................................................................ 130
c. Les niveaux d’évaluation des résultats obtenus par type de répondant ........................ 131
d. Quelles perspectives en l’absence de projets ? .............................................................. 132
e. Le Big Data peut-il être une réponse aux enjeux RH suivants ? Réponses des personnes
engagées dans des projets et variations selon les fonctions. ................................................. 134
f. Le Big Data est-il utilisé pour actionner les principaux leviers de performance du capital
humain : avantage concurrentiel ............................................................................................ 135
LISTE DES TABLEAUX ........................................................................................................................... 137
GLOSSAIRE ........................................................................................................................................... 138
TABLE DES MATIERES .......................................................................................................................... 139