Data RH : la décision appartient-elle toujours à l’humain ?

Ce qui est très intéressant, c’est qu’aujourd’hui, nous avons une quantité de data phénoménale qui ne cesse d’augmenter, dans le détail et dans la largeur.  

Par avant, nous avions des absences, maintenant nous pouvons avoir des absences par type d’arrêts, type de suspensions, pour chacun de ces motifs, en jour, en heure…etc. 

Au-delà de ça, nous avons également une homogénéisation de la data, c’est-à-dire que cette data est utilisée par les organismes gouvernementaux, l’URSAFF, Pôle emploi, qui ont imposé le fichier DSN pour toutes les fiches de paie afin de standardiser cette donnée. 

Cela permet d’avoir une donnée structurée et la même pour tout le monde. Finalement, cela permet de répondre à de plus en plus de cas d’usages pertinents pour les RH et pour leurs besoins légaux.  

Aujourd’hui, la data est transmise au RH pour l’aider à avoir des indicateurs sur son entreprise pour de l’aide à la décision. Il doit également partager ces informations avec d’autres acteurs comme le CSE à travers la BDESE ou l’index d’égalité femmes-hommes. 

Ainsi, les cas d’usages continuent à se multiplier. Il faut savoir qu’il y a également d’autres cas d’usages qui vont venir que les RH n’ont pas encore conscience. Nous allons rentrer dans de l’innovation et donc nous allons avoir besoin d’évangéliser. 

Retournons au départ de la question et prenons l’exemple du bilan social qui demande d’avoir le taux d’absentéisme sur les 3 dernières années. Auparavant, les RH réalisaient des exports Excel dans tous les sens, des macros, chacun avait ses règles de calcul. Cela crée des vraies bombes Excel.
Aujourd’hui, en un clic, nous disposons du ratio d’absentéisme du mois dernier. Cela a clairement évolué. 

Demain, nous pouvons imaginer que nous pourrons même prédire l’absentéisme du mois prochain. Nous ne regardons plus le mois dernier ou le mois présent, nous prédirons l’absentéisme du mois prochain. Ainsi, un RH pourrait mettre en place des actions pour mieux anticiper les recrutements de ses CDD de remplacement. 

Aujourd’hui, la fonction RH s’attend à obtenir en un clic une vue globale de son entreprise. Au premier coup d’œil, elle doit être capable de voir son turnover, son pourcentage d’absentéisme, la rémunération moyenne, l’effectif moyen. Ce sont les données classiques. 

Si par exemple, demain, l’entreprise voit qu’elle a 8% d’absentéisme, elle peut penser que c’est sa faiblesse car elle dispose en parallèle de 5% de taux de turnover.

Cependant, nous pouvons rentrer dans des notions de benchmark, notions que nous sommes capables de réaliser lorsque nous avons des gros volumes de données. Le benchmark est le fait de se comparer à des entreprises dans le même secteur d’activité et par exemple, dans la même zone géographie.
Ainsi, nous pouvons voir avec du benchmark, que les entreprises dans le BTP à 100 kilomètres autour de Paris sont en moyenne à 10%. Nous pouvons nous dire que finalement avec ces 8%, je suis très bien positionnée. 

En rentrant dans ces notions de benchmark, cela peut me permettre de savoir en un coup d’œil où placer mes efforts. Avec le benchmark, nous sommes capables de prendre des décisions plus éclairées parce que nous avons une vue globale du marché et nous nous comparons au comparable. 

Ensuite, nous pouvons aller encore plus loin. Dans l’exemple précédent, nous avons comparé un taux d’absentéisme. Dans l’optique de prendre toujours des meilleures décisions sur des populations encore plus ciblée, nous pouvons nous benchmarker dans des states plus bas, dans d’autres niveaux de lecture comme par exemple, des tranches d’âges, des CSP, un libellé emploi, des travailleurs de nuit. Cela nous permettrait de prendre des décisions encore plus ciblées pour mettre en place des actions pertinentes.

L’IA a un rôle à jouer dans le monde de la RH afin d’aborder des problèmes toujours plus complexes. La force de l’IA est de savoir résoudre un problème complexe simplement. 

Si nous prenons l’exemple d’une partie d’échec. Gagner contre une IA est presque impossible car elle sera capable de prévoir les 10 puissances 240 coups. Elle prévoit toutes les possibilités pour gagner. 

Ce qui faut comprendre c’est que toute décision a des répercussions multiples et il est complexe voire impossible de les envisager. C’est là où l’IA doit nous aider. 

Par exemple, si demain, je souhaite corriger mon taux d’absentéisme de ma population de 20-30 ans. Je pourrais me dire que mes salariés ne sont pas assez bien payés. Pour améliorer ce taux, je décide de les augmenter. Une IA pourrait me prévenir que je pourrais générer de la frustration à ma population de 30-40 ans qui se demanderait pourquoi la population de 20-30 ans a été augmenté dans l’entreprise et pas eux. Alors que finalement, cette population de 20-30 ans est peut-être composée de jeunes parents qui ont besoin de plus de temps chez eux pour s’occuper de diverses tâches ménagères. Un jour de télétravail supplémentaire aurait convenu à tout le monde car la population des 30-40 ans n’aurait pas été sensible à cela. 

C’est là où l’IA peut nous donner des propositions en étudiant toutes les répercussions possibles.

Finalement, le domaine d’application est presque infini. Nous pourrions par exemple identifier des recrues potentielles en lisant un ensemble de répertoires de CV et en les rapprochant aux besoins et au budget de l’entreprise pour pousser simplement les meilleurs candidats. 

Nous pourrions évaluer le travail et connaitre la valeur de chacun de ses employés dans son entreprise de façon plus pragmatique. L’IA peut permettre de recommander de la planification des employés pour optimiser au mieux combinaisons d’équipes pour avoir une meilleure performance. 

Enfin, l’IA pourrait également aider à construire un meilleur benchmark, cité précédemment.
Si demain, je souhaite recruter un data-analyste dans la Creuse mais que je n’ai pas assez d’échantillon pour trouver le salaire moyen d’un data-analyste. L’IA pourrait me permettre de comprendre la situation de l’ensemble des salaires de la Creuse par rapport au reste de la France et, ainsi me proposer une fourchette de salaire pour ce data-analyste dans la Creuse. 

Finalement, l’IA peut aider à gérer le cycle de vie des employés afin de garantir une évolution et une évaluation les plus objectives possible, du recrutement du salarié jusqu’à leur départ. Nous ne sommes plus uniquement dans la lecture de données mais nous rentrons dans de la recommandation d’actions. 

Au-delà de tous ces bénéfices, il faut bien garder en tête que c’est un outil pour aider l’humain et pas le contraire. 

L’éthique est un sujet très important. Cela doit rester au cœur du R&D d’autant plus dans un domaine lié au ressources humaines où chaque décision impacte des femmes & des hommes.

Finalement, aujourd’hui, un responsable RH utilise déjà des tableaux de bord interactifs sur ses données du mois passé : le taux d’absentéisme, la masse salariale, le turnover pour l’aider à prendre les bonnes décisions. Demain, l’IA, avec de la recommandation d’actions beaucoup plus précise, va aider le RH à prendre les bonnes décisions mais la décision reviendra toujours à l’humain.