Fiche de révision : BI et IA appliquées aux RH

📋 Plan du Cours

1. La transformation stratégique de la fonction RH
2. La chaîne de valeur de la BI RH
3. Les enjeux de la donnée RH
4. BI rétrospective et IA prospective
5. Les quatre niveaux de maturité analytique
6. Décentralisation et adoption des outils
7. La rétention prédictive chez IBM
8. Les biais de l’algorithme Amazon
9. Les garde-fous d’une IA RH responsable

📖 1. La transformation stratégique de la fonction RH

★ À maîtriser

📌 L’approche traditionnelle des RH est réactive, s’appuie sur l’intuition et porte un regard rétrospectif, tandis que l’approche data-driven est proactive, fondée sur des faits mesurables et orientée vers l’anticipation.

Compléments

• La fonction RH doit parler le même langage quantitatif que la direction financière et la direction des opérations.

💡 Astuce mémo

Du rétroviseur administratif à l’anticipation stratégique

📖 2. La chaîne de valeur de la BI RH

★ À maîtriser

• La chaîne de valeur de la BI RH comprend l’extraction des données depuis les SIRH, la paie et les ATS, leur nettoyage et l’unification des formats, leur structuration en KPIs, puis leur restitution sous forme de data storytelling interactif.

📌 Selon le principe « Garbage In, Garbage Out », une défaillance dans un maillon de la chaîne, par exemple des données de paie mal saisies, peut faire échouer la décision.

Compléments

📌 Le SIRH enregistre les transactions, tandis que l’outil de BI ou d’IA transforme les données en connaissance stratégique.

💡 Astuce mémo

Collecter, consolider, modéliser, restituer

📖 3. Les enjeux de la donnée RH

★ À maîtriser

• La gestion des données RH repose sur quatre enjeux : la qualité des référentiels, l’intégration de données hétérogènes sans silos, la sécurité des données sensibles et le respect de l’éthique et du RGPD, notamment la minimisation et la licéité.

Compléments

• Une erreur de données RH n’est pas seulement technique : elle a aussi des conséquences humaines et juridiques.

📖 4. BI rétrospective et IA prospective

📝 Points essentiels

📌 La Business Intelligence analyse le trajet parcouru, notamment le bilan social de N-1 et les événements passés, tandis que l’intelligence artificielle aide à anticiper des événements futurs comme la fuite des talents.

💡 Astuce mémo

Le rétroviseur regarde le trajet parcouru ; les phares éclairent la route à venir.

📖 5. Les quatre niveaux de maturité analytique

★ À maîtriser

• Le modèle de maturité analytique présenté sous les noms Gartner et Bersin distingue quatre niveaux : descriptif, diagnostique, prédictif et prescriptif. - Gartner / Bersin

• L’analytique descriptive mesure statiquement et rétrospectivement les événements passés, par exemple avec le taux de turnover annuel, le bilan social ou la pyramide des âges.

• L’analytique diagnostique segmente les données et recherche des corrélations et des causes racines, par exemple en croisant le turnover, l’ancienneté et le département.

• L’analytique prédictive modélise les tendances futures avec le machine learning, par exemple pour estimer un risque de démission à six mois ou anticiper les compétences nécessaires en GPEC.

• L’analytique prescriptive génère des recommandations d’actions optimisées, comme un plan de rétention associant formation et salaire ou une composition optimale d’équipe, mais la décision finale revient à l’humain.

Compléments

📌 Une prédiction de l’IA exprime une probabilité, comme un risque de 85 %, et non une certitude absolue.

💡 Astuce mémo

Constater, expliquer, prévoir, recommander

📖 6. Décentralisation et adoption des outils

★ À maîtriser

📌 L’adoption technologique réussit lorsque la montée en compétences précède le déploiement de l’outil.

Compléments

• Chez Décathlon, des tableaux de bord interactifs mis à disposition des directeurs de magasins permettent de croiser en temps réel le baromètre social interne avec le chiffre d’affaires et la marge pour prendre des décisions correctives locales sans attendre le bilan national.

• Chez L’Oréal, une plateforme d’auto-évaluation diagnostique des compétences Data/BI a servi à cartographier les forces et à individualiser les formations en People Analytics avant le déploiement technique.

• Les entreprises atteignant les niveaux prédictif et prescriptif surperforment financièrement leurs concurrentes, et l’anticipation des départs ainsi que la rétention ciblée sont associées à une baisse de 25 % des coûts de recrutement selon les études de Josh Bersin Academy sur l’impact de la maturité analytique.

💡 Astuce mémo

Former avant de déployer l’outil favorise son adoption.

📖 7. La rétention prédictive chez IBM

★ À maîtriser

• Chez IBM, l’IA anticipe les démissions volontaires avec six mois d’avance et une précision de 95 %, en s’appuyant sur de nombreux indices silencieux.

• Dans le dispositif IBM, l’IA détecte un risque et envoie une alerte confidentielle au manager concerné, propose des actions telles qu’une formation, un entretien de carrière ou une revalorisation salariale, puis le manager décide et engage un échange humain.

• Le modèle de rétention d’IBM a nécessité dix ans d’historique de données sociales propres et structurées.

Compléments

• Le dispositif IBM a généré des centaines de millions de dollars d’économies et a réduit le turnover des profils stratégiques.

💡 Astuce mémo

L’IA alerte et recommande ; le manager décide.

📖 8. Les biais de l’algorithme Amazon

★ À maîtriser

• En 2018, Amazon a abandonné un outil de présélection automatisée des CV entraîné sur dix ans de données historiques issues d’un secteur technologique majoritairement masculin, car l’algorithme reproduisait un biais sexiste.

📌 Une intelligence artificielle reproduit et amplifie les stéréotypes présents dans ses données d’apprentissage au lieu de penser par elle-même.

Compléments

• L’outil Amazon, opaque et utilisé avec une confiance aveugle dans l’automatisation, a été débranché après son échec et a porté atteinte à la marque employeur.

💡 Astuce mémo

Données historiques biaisées → biais reproduits par l’algorithme

📖 9. Les garde-fous d’une IA RH responsable

★ À maîtriser

📌 Une IA RH doit fonctionner comme un copilote qui traite les paramètres et recommande une action, tandis que l’humain prend la décision finale et en assume la responsabilité éthique.

• Les trois piliers de l’IA RH stratégique sont la qualité et la gouvernance des données, la transparence des recommandations et la responsabilité humaine.

Compléments

• Le cours indique que l’IA RH est classée à haut risque par l’AI Act européen et que la DRH doit pouvoir expliquer les recommandations produites.

💡 Astuce mémo

QTR : qualité, transparence, responsabilité

📊 Tableaux de synthèse

Confrontation des modèles IBM et Amazon