ANNEXES - mba-rh.dauphine.fr · Le département RH au niveau du groupe, appelé « Inditex People », est composé de plusieurs expertises et partenaires RH (rémunération, administration,

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...


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


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 ?


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.


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 ? *


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 ?


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

L’amélioration de l’engagement des collaborateurs. *

1 2 3 4 5

Pas du tout


d’accord

La création d'équipes de travail plus efficientes. *

1 2 3 4 5

Pas du tout


d’accord

Le recrutement des compétences les plus adéquates. *

1 2 3 4 5

Pas du tout


d’accord

120

La prévention des risques psychosociaux. *

1 2 3 4 5

Pas du tout


d’accord

La construction des parcours professionnels des collaborateurs. *

1 2 3 4 5

Pas du tout


d’accord

La détection des talents et des hauts potentiels. *

1 2 3 4 5

Pas du tout


d’accord

La création des plans de succession. *

1 2 3 4 5

Pas du tout


d’accord

La rétention des talents. *

1 2 3 4 5

Pas du tout


d’accord

La maîtrise de la masse salariale. *

1 2 3 4 5

Pas du tout


d’accord

121

La gestion du climat social *

1 2 3 4 5

Pas du tout


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 ? *


Question 25 : Dans quel pays travaillez-vous ? *


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 :


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.


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


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


Stucturées

Données Non

Structurées

Evaluation

des

résultats137


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


Stucturées

Données Non

Structurées

Evaluation

des

résultats137


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


Stucturées

Données Non

Structurées

Evaluation

des

résultats137


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


Stucturées

Données Non

Structurées

Evaluation

des

résultats137


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





coopération)

Faible

28 Fiabiliser et fluidifier les flux d'informations L’acquisition et la rétention de profils


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.



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

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


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

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