Concrètement, le problème n’est pas tant la data, mais la confusion entre ce qui est mesurable et ce qui est réellement pertinent. Autrement dit, lorsque l’on transforme un indicateur en vérité universelle. En effet, une donnée RH peut être parfaitement exacte et pourtant conduire à une interprétation fausse.
Prenons l’exemple du turnover. Une entreprise constate par exemple que 18 % de ses collaborateurs ont démissionné sur l’année. Le chiffre est incontestable. Mais que raconte-t-il réellement ? Il ne dit pas si les départs sont concentrés sur certains métiers, certaines équipes ou certains niveaux d’ancienneté. Il ne dit pas si les départs sont subis ou souhaités. Ce chiffre ne dit pas non plus si les personnes qui partent étaient les moins engagées ou au contraire celles qui avaient le plus d’opportunités sur le marché de l’emploi.
Le constat peut être le même pour le taux d’absentéisme.
Un chiffre mesure donc un phénomène, mais il n’en explique pas forcément la cause. C’est probablement l’un des premiers pièges de l’exploitation de la data en entreprise : donner aux chiffres un pouvoir explicatif qu’ils n’ont pas.
Le risque des biais cognitifs
Les données RH ne sont pas neutres lorsqu’il s’agit de les interpréter. Elles sont produites par des systèmes informatiques, certes, mais elles sont issues de comportements humains. À chaque étape, des biais cognitifs peuvent apparaître.
Un indicateur de performance dépend par exemple de la manière dont la performance est évaluée. Or deux managers peuvent utiliser des critères différents, attribuer des notes différentes ou être plus ou moins objectifs dans leurs appréciations.
De plus, une donnée d’engagement dépend également de ceux qui répondent au questionnaire… et de ceux qui ne répondent pas.
Avant même d’analyser une donnée, il faut donc se demander : comment cette donnée a-t-elle été produite ? Cette question est souvent négligée, elle est pourtant essentielle.
Penser en flux plutôt qu’en stock
Un autre piège fréquent peut fausser l’analyse des données fournies aux RH. Il s’agit d’interpréter des chiffres comme une photographie prise à un instant T, plutôt que de les inscrire dans une succession d’événements.
Par exemple, un effectif de 1 000 collaborateurs au 31 décembre est considéré comme un stock. Mais ce stock résulte d’une multitude de flux : recrutements, départs, mobilités, promotions, changements de contrats, absences, retours, évolutions organisationnelles…
Deux entreprises peuvent ainsi afficher exactement le même effectif, le même taux de turnover ou le même niveau d’ancienneté moyen, mais connaître des problématiques au niveau des ressources humaines radicalement différentes.
C’est notamment pourquoi un indicateur RH devrait rarement être analysé seul, sans contexte ni autres indicateurs complémentaires. Par exemple, un taux de turnover de 10 % n’a pas la même signification dans un grand groupe qui recrute massivement (CDI, CDD, intérim, stage…) que dans une PME dont les effectifs sont stables avec une majorité de CDI.
En soi, dans le secteur RH, l’analyse des flux est aussi importante que l’analyse des chiffres à une date donnée.
Ce que les chiffres ne disent jamais
Les chiffres rassurent, ils représentent une donnée objective, issus d’une démarche scientifique. Cependant, se référer uniquement aux chiffres ne permet pas une analyse fine des enjeux sur le volet social au sein d’une entreprise. C’est peut-être là que se trouve la principale limite des People Analytics.
En effet, les données nous renseignent sur des faits observables. Cependant, il reste difficile de comprendre ce qui se joue derrière ces faits chiffrés.
Un chiffre ne dit pas qu’un salarié ne se sent plus écouté. Une donnée sur un tableur ne dit pas qu’un manager est épuisé, mais qu’il continue malgré tout d’afficher de bons résultats. Le nombre de ventes ne dit pas qu’une équipe de commerciaux a perdu confiance dans sa direction. Plusieurs années d’ancienneté ne disent pas qu’un salarié performant prépare discrètement son départ. Nous pouvons ainsi multiplier les exemples, tant les principales problématiques qui se présentent aux ressources humaines passent généralement sous les radars des données chiffrées.
De plus, le silence est une donnée difficile à mesurer. Et pourtant, en RH, il peut être significatif. C’est pourquoi une baisse du nombre de réclamations, par exemple, ne signifie pas automatiquement une amélioration du climat social. Elle peut aussi traduire une forme de résignation de la part des salariés, faute de réaction de la direction.
Une donnée chiffrée peut donc parfois masquer précisément ce que l’on cherche à comprendre.
Le danger à éviter : automatiser des biais cognitifs à grande échelle
L’arrivée de l’intelligence artificielle dans les RH renforce cette vigilance, avec des biais cognitifs pouvant être aggravés par des hallucinations produites par les IA génératives (réponses basées sur la prédiction de l’IA plutôt que sur des données vérifiées).
En soi, automatiser une décision à partir de données historiques peut sembler plus objectif dans la gestion des ressources humaines. Mais si les données historiques contiennent des biais cognitifs, l’algorithme risque de les reproduire — voire de les amplifier.
Par exemple, imaginons un système informatique qui cherche à identifier les profils ayant statistiquement le plus de chances d’évoluer durablement au sein d’une entreprise. Si, pendant des années, une entreprise a davantage recruté certains profils, l’IA peut générer un modèle reprenant ces régularités. L’IA dans ce cas ne comprend pas nécessairement si cette sélection de candidats correspond à un lien vérifié entre tel profil et telles performances ou s’il s’agit simplement de reflets de pratiques de recrutement historiques propres à l’entreprise.
L’algorithme peut alors être cohérent dans les critères employés, tout en reproduisant une logique imparfaite.
La question à se poser n’est donc pas seulement : « Que peut-on automatiser ? » Elle devrait aussi être : « Que ne devons-nous pas automatiser sans un regard humain ? »
Cette vigilance est d’autant plus nécessaire lorsqu’une décision RH produit des conséquences significatives pour un salarié (ex. : recrutement, évolution professionnelle, rémunération, mobilité ou évaluation…).
La data n’est pas à exclure, mais à modérer
Face à ces limites dans l’analyse objective des données, il serait tentant de tomber dans l’excès inverse : c’est-à-dire d’opposer les chiffres générés par un système informatique à une appréciation humaine.
Les appréciations qualitatives provenant des responsables des ressources humaines ne doivent pas – et ne peuvent pas aujourd’hui – remplacer totalement la data. Ces appréciations doivent lui donner du sens, en contextualisant les chiffres générés.
Par exemple, une hausse du taux de turnover peut être un signal d’alerte pouvant déclencher une enquête sur le climat social auprès des salariés. Des entretiens avec ces salariés peuvent ensuite permettre de comprendre ce qui se passe réellement, en apportant de précieuses informations complémentaires aux chiffres analysés.
Concernant l’exemple du turnover, des échanges avec les managers, les RRH et la direction peuvent alors révéler les causes d’un tel désengagement parmi les salariés (ex. : surcharge de travail, changement managérial, manque de perspectives d’évolution professionnelle, perte de sens…).
Pour résumer, la data permet de repérer une problématique. La qualification des données par les RH, les managers et la direction permet bien souvent de comprendre ces chiffres.
Quelles sont les bonnes questions à se poser ?
Dans une fonction RH de plus en plus outillée informatiquement, la performance ne consiste pas à avoir toujours plus de données. Elle consiste à savoir quelles questions se poser face à ces données.
Avant de prendre une décision sur la base d’un indicateur, les RH peuvent ainsi se poser les questions suivantes :
- Que mesure réellement cet indicateur ? Que ne mesure-t-il pas ?
- Comment cette donnée a-t-elle été produite ? Quelles définitions, quelles règles et quels comportements se cachent derrière elle ?
- Quel est le contexte ? Un chiffre isolé peut être trompeur. Les évolutions, les populations concernées et les flux sont essentiels pour l’analyse d’un chiffre.
- Quelles autres interprétations sont possibles ? Une même donnée peut avoir plusieurs explications.
- Avons-nous confronté le chiffre au terrain ? Entretiens, observations, échanges managériaux, retours collaborateurs : leurs retours doivent pouvoir confirmer, nuancer ou contredire les données chiffrées.
Votre formation sur ce thème
L’ANALYSE DE DONNÉES RH POUR MIEUX COMPRENDRE ET DÉCIDER
2 jours – En présentiel ou à distance
- Définir l’objectif et le périmètre d’une étude RH.
- Mettre en œuvre les différentes étapes méthodologiques pour collecter, structurer et exploiter les données pertinentes.
- Sélectionner les indicateurs adaptés aux enjeux RH.
- Interpréter les résultats obtenus.
- Piloter effacement son processus de recrutement.
- Présenter les résultats de son étude.
Vers une fonction RH « data-informed » plutôt que « data-driven »
La nuance peut sembler purement sémantique, néanmoins elle ne l’est pas. Une politique RH data-driven consiste à considérer une donnée comme le point de départ, mais également le point d’arrivée d’une décision RH.
Une politique RH data-informed considère quant à elle une donnée comme une source d’éclairage parmi tant d’autres. Ce positionnement permet d’accepter qu’un chiffre puisse être contesté et qu’une intuition sur le terrain mérite d’être vérifiée. Cette politique permet aussi d’accepter qu’une décision RH ne puisse pas toujours être réduite à une formule mathématique ou à un score.
Les salariés et collaborateurs ne sont pas uniquement des lignes dans un fichier Excel. Ce constat est de bon sens, mais la multiplication de la data au sein des entreprises peut progressivement déshumaniser les prises de décision.
La donnée chiffrée et traitée informatiquement peut ainsi aider à mieux cibler les problématiques et les enjeux sociaux qui se présentent aux entreprises. Cependant, elle ne doit pas empêcher les RH de regarder ce qui se passe concrètement sur le terrain.
Le véritable enjeu est donc de construire une fonction RH capable de faire dialoguer la data et les retours sur le terrain. En effet, des indicateurs fiables permettent de détecter de faibles signaux d’alarme qui peuvent passer inaperçus aux yeux des RH, mais qui sont annonciateurs de difficultés futures. Des analyses rigoureuses provenant des RH et venant expliciter les chiffres analysés peuvent permettre dans un second temps d’éviter les conclusions trop hâtives.
De plus, des algorithmes contrôlés, régulièrement mis à jour et alimentés par des données vérifiées, permettent également de limiter la reproduction de biais.
Ainsi, dans le secteur RH, le risque n’est pas seulement de manquer de données. Le risque est parfois plus subtil : avoir beaucoup de données, leur faire confiance, et ne pas comprendre ce qu’elles révèlent.
