Annexes

(1)

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.

(2)

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_.

(3)

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.

(4)

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...

Question 5 : Quelles sont les technologies, adossées au Big Data, utilisées dans le cadre de vos

projets ? * ☐ Data Mining

(5)

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

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

(6)

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 ☐ ☐ ☐

(7)

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.

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.

(8)

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

d’accord

La création d'équipes de travail plus efficientes. *

1 2 3 4 5

d’accord

Le recrutement des compétences les plus adéquates. *

1 2 3 4 5

(9)

120 La prévention des risques psychosociaux. *

1 2 3 4 5

d’accord

La construction des parcours professionnels des collaborateurs. *

1 2 3 4 5

d’accord

La détection des talents et des hauts potentiels. *

1 2 3 4 5

d’accord

La création des plans de succession. *

1 2 3 4 5

d’accord

La rétention des talents. *

1 2 3 4 5

d’accord

La maîtrise de la masse salariale. *

1 2 3 4 5

(10)

121 La gestion du climat social *

1 2 3 4 5

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 :

(11)

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.

Si vous voulez nous laisser un message, des suggestions, c'est ici. Click or tap here to enter text.

(12)

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}

(13)

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

Assez fortes De nombreux

(14)

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.

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

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)

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).

(15)

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

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

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)

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.

(16)

51 Mieux prédire / anticiper les risques (départs, etc.)

Base de données Documents Assez faibles

Définir / choisir les données pertinentes

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.

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

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.

(17)

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.

(18)

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...

(19)

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.

(20)

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

(21)

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.

(22)

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.

(23)

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.

(24)

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

(25)

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.

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.

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

coopération).

Moyen

46 Meilleure connaissance des collaborateurs Talent Management

Training Policy Succession Plan

coopération).

Fort

50 Suivre la performance des collaborateurs, avoir des équipes complémentaires sur nos projets

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

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

(26)

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

(27)

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

(28)

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

(29)

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

(30)

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

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

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

(31)

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