Définir le périmètre : de quoi parle-t-on exactement ?

Les people analytics consistent à collecter, relier et analyser des données sur les personnes et le travail afin d’améliorer les décisions RH (recruter, promouvoir, former, fidéliser) et les résultats business (productivité, qualité, satisfaction clients).

Les sources typiques : SIRH/paie, ATS (recrutement), LMS (formation), calendriers et outils de travail, enquêtes d’engagement, évaluations de performance, helpdesk, données de sécurité et d’IT (avec précautions).

Les analyses se déclinent en quatre familles : descriptives (ce qui s’est passé), diagnostiques (pourquoi), prédictives (ce qui risque d’arriver) et prescriptives (quoi faire).

Bâtir les fondations : gouvernance, qualité et dictionnaire de données

Avant toute modélisation, il faut stabiliser le socle :

• Gouvernance : qui est propriétaire de quelles données (RH, DSI, métiers) ? Quelles règles d’accès ? Quelles revues de modèles et de biais ?
• Qualité : contrôles d’unicité (doublons), cohérence des dates (embauche/promotion), valeurs manquantes, normalisation des intitulés de postes et compétences.
• Dictionnaire de données : définitions partagées (ex. temps pourvoir = du jour d’ouverture de la demande au jour d’acceptation de l’offre), granularité, périodicité.
• Référentiels et standards : s’appuyer sur ISO 30414 pour structurer les indicateurs de capital humain (turnover, mobilité, santé-sécurité, compétences) et rendre les reportings comparables.

Choisir des questions métiers, pas des tableaux de bord

Les projets qui réussissent partent d’une question précise liée à un enjeu business. Exemples :

• Pourquoi notre turnover des 0-18 mois explose-t-il dans deux équipes clés ?
• Quelles compétences manquantes freinent nos projets Data et Cybersécurité ?
• Comment réduire de 20 % le temps de recrutement sur trois profils pénuriques sans dégrader la qualité ?

Chaque question guide les métriques, les sources, la méthode et l’action attendue.

Cas d’usage #1 : Recruter mieux et plus vite

Objectif. Réduire le time-to-hire et améliorer la qualité d’embauche.
Données. Historique des offres (ATS), canaux d’acquisition, scores d’entretiens, données d’onboarding et de performance à 6-12 mois.
Analyses.

• Entonnoir de recrutement : taux de conversion par canal et étape.
• A/B testing des annonces par canal.
• Modèle prédictif de probabilité d’acceptation d’offre selon délai, package, localisation, flexibilité, séniorité.

Actions. Réallouer le budget médias vers les canaux les plus efficients, standardiser la grille d’entretien, raccourcir le cycle d’approbation et accélérer l’onboarding pour sécuriser les 90 premiers jours.

Cas d’usage #2 : Fidéliser les talents critiques

Objectif. Diminuer l’attrition non désirée dans des populations clés.
Données. Ancienneté, mobilité, manager, rémunération relative, temps depuis la dernière augmentation, formation, charge projet, NPS interne, données de sortie.
Analyses.

• Analyse de survie : probabilité de départ selon l’ancienneté.
• Modèles explicatifs (régression logistique) : facteurs corrélés aux départs.
• Segmentation : cohortes par filière, site, manager.

Actions. Triggers RH (revue salariale ciblée, mobilité interne), stay interviews, coaching de managers et plan de relève.

Cas d’usage #3 : Passer au skills-first pour accélérer la mobilité interne

Les marchés du travail évoluent vers des approches centrées compétences, moins dépendantes des diplômes, pour élargir les viviers et fluidifier les transitions.
Données. Taxonomie de compétences, expériences projets, formations suivies, évaluations, descriptions de poste.
Analyses. Matching compétences-emplois, cartographie des écarts, recommandation de micro-apprentissages.
Actions. Créer une taxonomie robuste, normaliser les descriptions de poste et instaurer une career marketplace transparente.

Cas d’usage #4 : Formation data-driven et learning in the flow of work

Objectif. Maximiser l’impact de la formation et la pertinence des budgets.
Données. Historique LMS, résultats d’évaluation, performance post-formation, temps d’accès aux contenus.
Analyses.

• Effet de traitement : comparer pairs formés vs non formés.
• Recommandations : suggérer des parcours selon compétences et projets.

Actions. Prioriser les contenus à fort ROI, instaurer des micro-apprentissages, intégrer la formation aux rituels d’équipe.

Cas d’usage #5 : Équité et inclusion fondées sur des preuves

Les analytics servent à détecter et corriger les écarts tout au long du parcours (embauche, rémunération, promotion, formation).
Méthodes : analyses d’écarts ajustées, tests d’équité des modèles, audits réguliers des seuils décisionnels.
L’objectif est double : conformité et performance collective.

Méthodologie de déploiement en 8 étapes

1. Cadrer le problème et les indicateurs d’impact.
2. Cartographier les sources.
3. Sécuriser la conformité (voir RGPD).
4. Préparer les données.
5. Choisir les méthodes adaptées.
6. Co-concevoir avec les managers.
7. Expérimenter à petite échelle.
8. Industrialiser et documenter.

Indicateurs clés par étape du cycle de vie des talents

• Attraction / recrutement : time-to-hire, quality-of-hire, coût par embauche, diversité du vivier.
• Onboarding : temps d’atteinte de la productivité, complétion des parcours, corrélation avec la rétention.
• Développement : progression de compétences, mobilité, successeurs identifiés.
• Engagement et bien-être : scores d’engagement, absentéisme, charge perçue.
• Performance : OKR/KPI, satisfaction clients, incidents.
• Rémunération : positionnement vs marché, équité interne.
• Rétention : attrition volontaire, time-to-replace, coût de départ.

Taxonomie de compétences : la brique structurante

Sans vocabulaire commun, les projets skills-first s’enlisent.
Construisez une taxonomie couvrant compétences techniques (hard), comportementales (soft), métiers et power skills.
Alimentez-la par des référentiels publics, des analyses internes et la validation par les communautés métiers.

Architecture cible : simple, évolutive et interopérable

• Sources : SIRH, ATS, LMS, outils collaboratifs, enquêtes.
• Données : entrepôt/lac, contrôles qualité automatisés.
• Analytique : modèles explicables, MLOps léger.
• Décision : dashboards opérationnels, alertes, playbooks.
• Sécurité : droits d’accès, chiffrement, privacy by design.

Gouvernance, éthique et RGPD : non négociables

Les analytics RH exigent une conformité stricte :

• Finalité explicite, proportionnalité, minimisation des données traitées.
• DPIA obligatoire pour tout traitement à risque.
• Limite à la surveillance : pas de suivi continu hors cas justifiés.
• Respect des durées de conservation définies par la CNIL.

Éviter les pièges fréquents

• Tableaux de bord sans action.
• Modèles trop complexes au départ.
• Données biaisées non corrigées.
• Projets pilotés par l’outil.
• Absence de co-construction avec les managers.

Comment démarrer en 90 jours : un quick win crédible

1. Sélectionner un cas d’usage sponsorisé
2. Extraire un jeu de données minimal.
3. Définir les hypothèses et indicateurs.
4. Visualiser et analyser.
5. Tester des actions ciblées.
6. Mesurer l’effet.
7. Formaliser un playbook et un rituel mensuel.

Faire vivre les analytics : rituels et responsabilités

• Comité people analytics mensuel (RH, DSI, métiers).
• Communautés de managers pour partager les playbooks.
• Transparence envers les salariés.
• Revues trimestrielles des modèles et principes d’usage.

Mesurer la maturité et évoluer

Évaluez la maturité analytics sur quatre axes :

• Données (propres, interopérables).
• Méthodes (du descriptif au prescriptif).
• Gouvernance et éthique (DPIA, audits).
• Impact business (décisions et résultats documentés).

L’ambition n’est pas la sophistication, mais l’utilité.

En résumé : des analytics au service des décisions, pas l’inverse

Les analytics RH ne valent que par les décisions qu’elles rendent possibles : embaucher mieux, fidéliser ce qui compte, développer les compétences, assurer l’équité et éclairer les arbitrages.
Avec un cadre de conformité solide et des questions métiers nettes, elles deviennent un facteur d’avantage compétitif durable.