En savoir plus, mieux planifier

On oublie souvent que la lutte pour le personnel qualifié ne se déroule pas seulement sur le marché du travail, mais au sein même des entreprises. Celles qui parviennent à fidéliser durablement leurs collaborateurs qualifiés s'assurent de leur expérience et de leur propre compétitivité. C'est la conclusion d'un projet pilote sur l'apprentissage automatique mené par le groupe Windhoff en collaboration avec la Deutsche Rentenversicherung Bund (DRV Bund).

"Au sein de la DRV Bund, le thème de la planification stratégique du personnel sera plus important que jamais dans les années à venir. En raison de la structure d'âge de l'Allemagne, nous sommes confrontés à un double dilemme démographique : d'une part, le nombre de retraités augmente le volume des demandes et donc nos besoins en personnel. D'autre part, de très nombreux collaborateurs nous quittent à moyen terme en raison de leur âge, ce qui réduit nos effectifs. À cela s'ajoutent une guerre des talents de plus en plus intense et une dynamique croissante du monde du travail", explique le Dr Michael Tekieli, responsable de People Analytics chez DRV Bund.

Des priorités qui changent

Jusqu'à présent, le thème de la fluctuation ne faisait pas partie des points douloureux, mais il gagnera définitivement en importance dans un avenir proche, poursuit le Dr Tekieli : "Pour éviter que la fluctuation ne devienne un point douloureux, nous avons besoin de solutions ciblées. Celles-ci devraient nous permettre d'anticiper à temps et avec précision au moins les changements dans le paysage du personnel et, dans le meilleur des cas, de contrecarrer de manière proactive et efficace les départs critiques pour le succès grâce à nos connaissances". 

Dans ce contexte, deux questions ont été formulées pour le projet pilote : Dans quelle mesure l'apprentissage automatique peut-il contribuer à identifier les risques de fluctuation ? L'intelligence artificielle explicable (en anglais Explainable Artificial Intelligence, XAI) est-elle en mesure de comprendre les raisons des fluctuations de personnel non liées à l'âge ? Pour apporter des réponses à ces questions, les responsables du projet ont opté pour l'utilisation de Smart Predict en combinaison avec SAP Analytics Cloud. 

Dans un premier temps, il était important de créer une base de données cohérente à partir de sources internes (systèmes ERP et RH) et externes. Dans la pratique, cela signifiait que les données personnelles et professionnelles d'un collaborateur étaient complétées par des aspects issus de l'environnement de l'entreprise. Au total, 40 attributs descriptifs ont été codés. Ensuite, les principaux facteurs d'influence ont été identifiés : L'âge, l'âge du plus jeune enfant, le temps de travail effectif sans les absences, l'ancienneté en mois, l'augmentation de salaire absolue au cours des douze derniers mois et l'intensité des restrictions imposées par les mesures prises pendant la pandémie, comparée à l'indice de rigueur de Covid.

La recherche de variables descriptives appropriées s'est appuyée sur des publications scientifiques et sur la créativité de l'ensemble de l'équipe de projet. Les variables cibles étaient les différents horizons temporels d'un licenciement non lié à l'âge dans les mois à venir (1/3/6/12). Les attributs saisis ont été collectés pour chacun des plus de 25 000 collaborateurs sur une base mensuelle pour les années 2018 à 2020. Il en a résulté un ensemble de données de 650.000 lignes ou 230 mégaoctets.

Smart Predict

Smart Predict permet d'effectuer l'analyse des données collectées en libre-service dans le domaine spécialisé. Les arguments décisifs en faveur de l'utilisation du SAC ont été la rapidité d'élaboration des résultats grâce à l'apprentissage automatique, la transparence des résultats grâce à XAI et la grande qualité de prévision des puissants algorithmes d'apprentissage automatique. L'analyse fonctionne de manière intuitive et peut être réalisée sans connaissances en programmation, de sorte qu'il n'est pas nécessaire de faire appel à des experts en informatique ou à des ressources en science des données.

Pour contrer les réserves quant à l'acceptation, un test dit "out-of-sample" a été réalisé. Celui-ci a notamment montré qu'un algorithme entraîné avec les données antérieures à juin 2020 aurait également détecté rétrospectivement les collaborateurs quittant l'entreprise au second semestre 2020 avec un taux de réussite de 12,5 %. Le test a en outre montré que les corrélations apprises étaient "robustes", c'est-à-dire transférables dans le futur. Au total, plus de 50 pour cent des fluctuations non liées à l'âge ont été détectées par l'apprentissage automatique. 

Une autre méthode pour augmenter l'acceptation a été de vérifier la plausibilité des modèles trouvés, grâce auxquels le modèle d'analyse prédictive génère des prévisions. Les modèles trouvés ont encore été un moyen important de comprendre quel collaborateur pourrait quitter l'entreprise et pour quelles raisons. Les algorithmes modernes d'apprentissage automatique sont toutefois si complexes que l'effet des facteurs d'influence sur la probabilité de départ n'est pas directement compréhensible. On parle d'un phénomène de boîte noire. C'est là qu'ont été créées ces dernières années, dans le domaine de recherche XAI, les approches permettant d'expliquer successivement la boîte noire. 

La CAS utilise par exemple les SHAP Values depuis la version Q3 2021. Cela permet d'expliquer au niveau local, c'est-à-dire par rapport à chaque collaborateur, l'importance et l'influence de différents attributs. Cela permet un contrôle de plausibilité et de causalité par des experts du domaine ainsi que l'extraction de nouvelles connaissances. En plus de l'évaluation individuelle de chaque collaborateur, des analyses ont été effectuées sur des exemples prototypes à l'aide de procédures de clustering automatisées (Smart Grouping). Le lien avec la planification du personnel existante pour les fluctuations dues à l'âge se fait par une agrégation des valeurs attendues sur différentes dimensions. Il est ainsi possible d'identifier les départements et les postes qui seront probablement particulièrement touchés par les fluctuations non liées à l'âge. Dr Tekieli ajoute : "Pour nous, en tant qu'organisation, seule une évaluation et une représentation à un niveau agrégé sont envisageables. Par ce biais, nous créons donc un équilibre sain pour améliorer les conditions générales de l'entreprise pour nos collaborateurs, tout en tenant compte de la diversité des besoins et en garantissant à tout moment la protection des données personnelles conformément au RGPD".

Des résultats de projet convaincants

Le constat reste le même : Les technologies modernes permettent d'extraire des réponses objectives à partir de données RH historiques. Il est ainsi possible d'anticiper le turnover des mois à l'avance et même de quantifier les probabilités de manière prévisionnelle. Par conséquent, il est possible d'initier activement des mesures de maintien du personnel (par exemple des possibilités de développement ciblées) afin de conserver des groupes de collaborateurs dans l'entreprise.

"Au départ, j'étais très sceptique quant à l'utilisation de l'apprentissage automatique, car l'étape prétendument importante de l'hyperparamétrage était supprimée. J'ai été d'autant plus agréablement surpris par la qualité des prévisions. Un facteur de réussite important de l'apprentissage automatique est certainement la qualité des données. Si l'on confie toutes les étapes à la machine, la qualité des données d'entraînement devient encore plus importante. Le thème plutôt impopulaire et aride de l'intégrité des données devrait donc être au moins aussi important pour les organisations qu'un tableau de bord uniforme et clair pour l'apprentissage automatique", constate le Dr Tekieli.