Lorsqu’un collaborateur clé annonce son départ, l’organisation cherche souvent une explication unique : rémunération, manager, charge de travail ou absence de perspectives. L’entretien de départ fournit des éléments utiles, mais il intervient lorsque la décision est prise. La direction RH tente alors de transformer une situation individuelle en enseignement général, avec un risque évident de simplification.
Le people analytics propose une autre démarche. Il structure les données disponibles pour décrire les effectifs, comprendre les écarts, anticiper des scénarios et mesurer l’effet des décisions. Cette approche ne remplace pas le jugement. Elle oblige au contraire l’entreprise à préciser ce qu’elle mesure, à documenter ses hypothèses et à distinguer une corrélation d’une cause.
La promesse de « prédire les démissions » doit donc être maniée avec prudence. Un modèle peut estimer qu’une combinaison de caractéristiques ressemble à des situations ayant précédé des départs. Il ne sait pas si une personne a décidé de quitter l’entreprise, ni pourquoi elle le ferait. Utilisé sans garde-fous, le score risque d’étiqueter un collaborateur, d’influencer son manager et de créer le comportement qu’il prétend anticiper.
Construire une donnée RH fiable avant de produire des tableaux
L’analytique commence par des définitions communes. Un départ volontaire doit-il inclure une rupture pendant la période d’essai ? Une mobilité entre deux filiales est-elle un départ ou un mouvement interne ? L’absentéisme est-il calculé en jours calendaires, ouvrés ou théoriquement travaillés ? Deux directions peuvent afficher le même indicateur tout en mesurant des réalités différentes.
Le dictionnaire de données précise la définition, la formule, la source, la périodicité, le propriétaire et les exclusions de chaque indicateur. Cette documentation évite qu’un changement de SIRH ou de responsable modifie silencieusement la série historique. Elle permet aussi au comité de direction de comprendre ce qui se trouve derrière un taux.
La qualité dépend ensuite des référentiels. Un collaborateur doit être rattaché à la bonne entité, au bon site, au bon métier et au bon manager pour la période analysée. Les changements d’organisation doivent être datés. Sans historique, un départ enregistré aujourd’hui peut être attribué au manager actuel alors que la majeure partie de l’expérience s’est déroulée dans une autre équipe.
Le rapprochement entre paie, gestion des temps, formation, recrutement et performance exige des identifiants maîtrisés. Il doit également respecter le principe de minimisation. Toutes les données disponibles ne sont pas nécessaires à toutes les analyses. Les informations de santé, les motifs détaillés d’absence ou les données issues de la surveillance des outils numériques ne devraient pas être versés dans un modèle simplement parce qu’ils existent.
| Indicateur | Définition à fixer | Risque fréquent | Lecture utile |
|---|---|---|---|
| Turnover | Départs inclus, effectif de référence et période | Comparer des populations différentes | Par métier, ancienneté et motif |
| Absentéisme | Jours retenus et temps théorique | Mélanger fréquence et durée | Tendance agrégée et contexte |
| Mobilité interne | Promotion, changement de métier ou d’entité | Compter une mutation comme promotion | Accès réel aux parcours |
| Engagement | Question, échelle et population répondante | Confondre score et cause | Évolution et verbatims |
Tableau 1 : Les définitions à stabiliser avant toute comparaison.
Pour outiller la stabilisation des définitions avant toute automatisation, un dictionnaire consolidé documente trois familles d’indicateurs (effectifs et mouvements, temps et engagement, compétences et performance) avec pour chacun définition, formule, source, exclusions, responsable et fréquence. Il est validé conjointement par la DRH, la Finance et le responsable des données.
📎 Télécharger la Fiche outil — Dictionnaire des indicateurs RH
Passer du reporting au diagnostic sans confondre corrélation et causalité
Le premier niveau décrit ce qui s’est produit : effectifs, recrutements, départs, absentéisme, mobilité, formation ou masse salariale. Le deuxième cherche où et quand les écarts apparaissent. Une hausse du turnover global devient exploitable lorsqu’elle est localisée dans un métier, un site, une ancienneté ou une étape du parcours.
Le diagnostic explore ensuite les relations entre variables. Une équipe peut cumuler faible mobilité, charge élevée et départs volontaires. Cette association justifie une enquête, pas une conclusion automatique. Un changement de marché, une réorganisation ou une campagne de recrutement concurrente peuvent expliquer le phénomène. Les entretiens, les enquêtes et la connaissance du terrain complètent les données quantitatives.
Les seuils universels sont trompeurs. Un turnover de 12 % peut être inquiétant dans un métier critique et normal dans une activité saisonnière. Un taux d’absentéisme identique peut résulter de nombreuses absences courtes ou de quelques arrêts longs. L’eNPS varie selon la formulation, le moment de l’enquête, le taux de réponse et la culture de notation. La bonne référence est une série cohérente, comparée à une population pertinente et interprétée dans son contexte.
Le retour sur investissement d’une politique RH demande la même rigueur. Croiser participation à la formation et promotion interne ne prouve pas que la formation a causé la promotion. Les collaborateurs déjà identifiés comme performants peuvent recevoir davantage de formations. Pour approcher l’effet, l’entreprise compare des groupes comparables, observe la chronologie et complète l’analyse par des critères métier.
Modéliser un risque de départ sans prétendre lire une intention
Un modèle d’attrition apprend à partir de situations passées. Il recherche des combinaisons associées à des départs : ancienneté dans le poste, progression salariale, mobilité, changement de manager, temps depuis la dernière formation ou caractéristiques de l’organisation. Sa sortie est une probabilité conditionnelle, calculée pour une période et une définition précises.
La cible doit être correctement construite. Mélanger démissions, fins de contrat, retraites et ruptures décidées par l’employeur produit un modèle difficile à interpréter. La période de prédiction doit également être explicite : risque dans les trois prochains mois, les six prochains mois ou l’année. Un score sans horizon ne permet aucune décision cohérente.
La performance ne se résume pas au pourcentage de bonnes prédictions. Si les départs sont rares, un modèle annonçant que personne ne part peut sembler précis tout en étant inutile. Il faut mesurer sa capacité à repérer les départs, le volume de fausses alertes et la stabilité des résultats selon les métiers, les sites et les périodes.
L’explicabilité est indispensable. Un responsable RH doit connaître les principaux facteurs associés au score, les données manquantes et les limites du modèle. Une hausse de 45 % du « risque » peut être spectaculaire sans être informative si elle traduit le passage de 2 % à 2,9 %. Les interfaces doivent afficher le niveau absolu, la période, la comparaison et l’incertitude.
Exigence de conformité
Un projet de people analytics doit documenter sa finalité, les données utilisées, les destinataires, les durées de conservation, les habilitations et les mesures de sécurité. La loi n° 09-08 encadre les traitements de données personnelles au Maroc. Les formalités applicables auprès de la CNDP et l’information des collaborateurs doivent être examinées avant le déploiement.
Privilégier les signaux collectifs avant les scores nominatifs
L’analyse agrégée offre souvent plus de valeur et moins de risque qu’une liste de personnes classées. Une hausse des départs après douze mois dans un métier peut conduire à revoir le parcours de progression. Une différence persistante entre sites peut déclencher un audit managérial. Un accès inégal à la formation peut justifier une nouvelle règle d’allocation.
Le score individuel ne devrait être utilisé que si sa nécessité est démontrée, son accès fortement limité et son usage défini. Il ne doit pas figurer dans un dossier accessible à tous les managers ni servir à refuser une augmentation, une formation ou une promotion. Une prédiction de départ n’est pas une faute, un manque de loyauté ou une mesure de performance.
La transparence ne signifie pas publier le code du modèle. Elle impose d’expliquer aux collaborateurs quelles catégories de données alimentent l’analyse, dans quel but et avec quelles protections. L’organisation doit aussi prévoir le traitement d’une contestation ou d’une donnée erronée. Un historique salarial mal rattaché ou une absence mal codée peut fausser une analyse.
Les données issues des courriels, de la messagerie, des badges ou de l’activité informatique présentent un risque particulier. Leur disponibilité technique ne crée pas automatiquement une finalité légitime. Une collecte intrusive peut détériorer la confiance, modifier les comportements et produire des signaux difficiles à interpréter. Le principe directeur reste la proportionnalité.
Transformer l’alerte en action sans traiter le collaborateur comme un suspect
Une analyse de risque doit conduire d’abord à examiner le travail. Le niveau de charge est-il soutenable ? Les perspectives sont-elles claires ? Les écarts de rémunération sont-ils documentés ? Le manager dispose-t-il des moyens nécessaires ? Une action collective peut être plus juste et plus efficace qu’une intervention ciblée sur une personne.
L’entretien de fidélisation, ou stay interview, permet d’ouvrir une discussion sur ce qui favorise la continuité et ce qui la fragilise. Il ne doit pas commencer par l’annonce d’un score secret. Le manager pose des questions ouvertes, écoute les attentes et évite de promettre une mesure qu’il ne peut pas tenir. Les conclusions utiles portent sur les conditions de travail et les actions convenues.
La rémunération n’est qu’une réponse possible. Une mobilité, une clarification des priorités, une formation, une évolution de l’organisation ou un aménagement peuvent être plus pertinents. L’action doit rester équitable : accorder systématiquement des avantages aux seules personnes détectées comme susceptibles de partir risque de pénaliser les collaborateurs engagés qui expriment moins leur insatisfaction.
Chaque intervention doit pouvoir être évaluée. L’entreprise compare la situation avant et après, vérifie les effets sur les populations concernées et recherche les conséquences inattendues. Un dispositif qui réduit les départs mais dégrade la mobilité interne ou accentue les écarts de rémunération ne peut pas être considéré comme réussi.
Tester, surveiller et arrêter un modèle devenu moins fiable
Les comportements changent après une réorganisation, une évolution du télétravail, une politique salariale ou une tension sectorielle. Un modèle entraîné sur des départs anciens peut perdre rapidement sa pertinence. La gouvernance prévoit donc des contrôles réguliers de performance, de qualité des données et d’écarts entre populations.
La recette initiale utilise une période distincte de celle ayant servi à construire le modèle. Elle compare les résultats à une méthode simple et à l’appréciation des professionnels. Si un modèle complexe n’améliore pas suffisamment la décision, il n’est pas justifié par sa seule sophistication.
| Contrôle | Question | Décision possible |
|---|---|---|
| Qualité des données | Les sources restent-elles complètes et cohérentes ? | Corriger ou suspendre |
| Faux positifs | Combien de personnes sont alertées sans départ ? | Revoir le seuil |
| Départs non détectés | Quelles situations échappent au modèle ? | Revoir cible et variables |
| Écarts entre populations | Le modèle traite-t-il certains groupes différemment ? | Limiter ou retirer |
| Utilité métier | L’alerte déclenche-t-elle une action utile ? | Maintenir, adapter ou arrêter |
Tableau 2 : Les contrôles de maintien en production d’un modèle d’attrition.
Installer une gouvernance qui protège la confiance
La DRH porte la finalité et l’usage. Les métiers définissent les décisions possibles. La DSI sécurise les flux et la traçabilité. La fonction chargée de la protection des données vérifie le cadre. Les analystes documentent les méthodes, les limites et les changements. Les managers reçoivent uniquement les informations nécessaires à leur action.
Un comité périodique examine les performances, les incidents, les demandes des collaborateurs et les effets des actions. Il peut limiter un usage, retirer une variable ou arrêter le modèle. Cette capacité d’arrêt est essentielle : un outil analytique ne doit pas continuer de produire des scores uniquement parce qu’il a coûté cher.
Le people analytics devient stratégique lorsqu’il améliore la qualité des questions posées. Où les départs se concentrent-ils ? Quelles étapes du parcours créent un décrochage ? Quelle action réduit réellement le problème sans produire d’injustice ? La donnée peut alerter, comparer et tester. Elle ne remplace ni l’écoute, ni le dialogue social, ni la responsabilité managériale. Une direction RH pilotée par la donnée n’est pas celle qui prétend tout prévoir ; c’est celle qui sait expliquer ses indicateurs, reconnaître leurs limites et agir sur des causes vérifiées.
À retenir pour les DRH
- Fixer les définitions avant d’automatiser les indicateurs.
- Comparer des populations et des périodes réellement comparables.
- Privilégier les analyses collectives avant les scores nominatifs.
- Afficher la période, le niveau absolu et les limites d’une prédiction.
- Évaluer les actions RH autant que la performance du modèle.
Pour installer une gouvernance protégeant la confiance autour d’un modèle estimant un risque de départ, une grille consolidée documente quatre volets : l’identification du modèle (finalité, horizon, propriétaires), la conformité des données (10 contrôles sur la loi 09-08, la CNDP, les habilitations, les durées de conservation), la performance et l’équité (9 mesures dont rappel, précision, faux positifs, écarts entre populations) et les règles d’usage avec contrôle humain préservé (analyse collective prioritaire, aucune décision disciplinaire).
📎 Télécharger la Fiche outil — Gouvernance d’un modèle d’attrition
