QCM : BI et IA appliquées aux RH (21 questions)

Questions et réponses du QCM

1. Quelle distinction caractérise le passage d’une approche traditionnelle des RH à une approche fondée sur les données ?

L’approche traditionnelle et l’approche fondée sur les données sont toutes deux rétrospectives, mais diffèrent par leurs outils de suivi.
L’approche traditionnelle anticipe à partir de données mesurables, tandis que l’approche fondée sur les données réagit selon l’intuition.
L’approche traditionnelle s’appuie sur des faits mesurables, tandis que l’approche fondée sur les données privilégie l’expérience intuitive.
L’approche traditionnelle réagit en s’appuyant sur l’intuition et le passé, tandis que l’approche fondée sur les données anticipe à partir de faits mesurables.

L’approche traditionnelle réagit en s’appuyant sur l’intuition et le passé, tandis que l’approche fondée sur les données anticipe à partir de faits mesurables.

Explication

L’approche traditionnelle est décrite comme réactive, intuitive et tournée vers le passé, alors que l’approche data-driven privilégie les faits mesurables et l’anticipation. La confusion la plus plausible consiste à inverser ces caractéristiques entre les deux approches.

2. Pour renforcer sa place dans les décisions de l’organisation, quelle capacité la fonction RH doit-elle développer auprès des directions financière et opérationnelle ?

Remplacer les indicateurs RH par des évaluations individuelles fondées sur l’intuition.
Employer un langage quantitatif comparable au leur pour présenter les enjeux RH.
Confier aux directions financière et opérationnelle l’interprétation des données RH.
Privilégier les récits qualitatifs afin de distinguer les RH des autres directions.

Employer un langage quantitatif comparable au leur pour présenter les enjeux RH.

Explication

La fonction RH doit partager avec les directions financière et opérationnelle un langage quantitatif. S’en remettre à ces directions pour interpréter les données RH ne répond pas à cette exigence de capacité commune.

3. Quelle succession décrit la chaîne de valeur de la BI RH, depuis les données sources jusqu’à leur communication ?

Structurer les données en indicateurs, les extraire des SIRH et des ATS, les restituer, puis harmoniser leurs formats.
Extraire les données des SIRH, de la paie et des ATS, les nettoyer et harmoniser, les structurer en indicateurs, puis les restituer par un récit interactif.
Extraire les données des outils RH, les structurer directement en indicateurs, puis nettoyer les résultats et produire un récit interactif.
Nettoyer les données, les restituer sous forme de récit, les extraire des outils RH, puis les organiser en indicateurs.

Extraire les données des SIRH, de la paie et des ATS, les nettoyer et harmoniser, les structurer en indicateurs, puis les restituer par un récit interactif.

Explication

La chaîne part de l’extraction, passe par le nettoyage et l’unification des formats, puis par la structuration en indicateurs avant la restitution interactive. Structurer les données avant de les extraire inverse le début du processus.

4. Une donnée de paie mal saisie échappe aux contrôles et alimente une analyse utilisée pour décider : quel principe explique le risque encouru ?

« Garbage In, Garbage Out » : une défaillance en amont peut compromettre la décision finale.
Le principe de restitution : une présentation interactive corrige les erreurs présentes dans les données sources.
Le principe de structuration : la conversion en indicateurs garantit la fiabilité des données de paie.
Le principe d’extraction : une donnée issue d’un SIRH ne peut pas influencer une décision stratégique.

« Garbage In, Garbage Out » : une défaillance en amont peut compromettre la décision finale.

Explication

Le principe « Garbage In, Garbage Out » indique qu’une mauvaise qualité à un maillon de la chaîne peut faire échouer la décision. Une restitution interactive ne corrige pas, à elle seule, une erreur de saisie qui persiste dans les données.

5. Une organisation veut améliorer sa gestion des données RH : quel ensemble réunit les principaux enjeux à traiter ?

Fiabiliser les référentiels, séparer les données en silos, sécuriser les données sensibles et respecter l’éthique ainsi que le RGPD.
Fiabiliser les référentiels, intégrer les données sans silos et sécuriser les données sensibles, en traitant l’éthique séparément du RGPD.
Intégrer les données sans silos, sécuriser les données sensibles et respecter le RGPD, en laissant la qualité des référentiels au second plan.
Fiabiliser les référentiels, intégrer les données sans silos, sécuriser les données sensibles et respecter l’éthique ainsi que le RGPD.

Fiabiliser les référentiels, intégrer les données sans silos, sécuriser les données sensibles et respecter l’éthique ainsi que le RGPD.

Explication

Les enjeux associent la qualité des référentiels, l’intégration sans silos, la sécurité et le respect de l’éthique et du RGPD, notamment la minimisation et la licéité. Maintenir des silos va à l’encontre de l’objectif d’intégration des données hétérogènes.

6. Une erreur dans un dossier RH conduit à une décision défavorable pour un salarié et à un litige : que montre cette situation ?

Une erreur de données RH devient une question juridique lorsqu’elle concerne la sécurité plutôt que l’exactitude.
Une erreur de données RH peut avoir des effets humains et juridiques, au-delà de ses conséquences techniques.
Une erreur de données RH relève principalement de la technique si elle provient d’un système informatique.
Une erreur de données RH peut avoir des effets humains, mais ses conséquences juridiques relèvent d’un autre domaine.

Une erreur de données RH peut avoir des effets humains et juridiques, au-delà de ses conséquences techniques.

Explication

Une erreur de données RH peut affecter les personnes et entraîner des conséquences juridiques, en plus du problème technique. Limiter ses effets à la technique néglige précisément les risques illustrés par la décision défavorable et le litige.

7. Une équipe examine le bilan social de l’année passée, puis estime quels salariés risquent de partir prochainement. Quelle distinction décrit correctement ces deux activités ?

La BI anticipe les départs, tandis que l’IA établit le bilan des événements passés.
La BI analyse les événements passés, tandis que l’IA anticipe des événements futurs.
La BI recherche les causes des événements, tandis que l’IA mesure leur fréquence passée.
La BI recommande des actions, tandis que l’IA établit les indicateurs du bilan social.

La BI analyse les événements passés, tandis que l’IA anticipe des événements futurs.

Explication

La BI porte sur les événements déjà survenus, alors que l’IA peut servir à anticiper des événements futurs comme les départs. La confusion plausible consiste à attribuer à la BI l’anticipation des départs et à l’IA le bilan rétrospectif.

8. Une entreprise veut distinguer l’analyse de son turnover de l’année précédente de l’estimation des risques de départ à venir. Quelle approche correspond à chaque objectif ?

La BI sert à examiner le turnover passé, tandis que l’IA aide à anticiper les risques de départ futurs.
La BI sert à recommander des mesures de rétention, tandis que l’IA décrit les événements passés.
La BI sert à expliquer les causes des départs, tandis que l’IA établit le bilan social rétrospectif.
La BI sert à prévoir les départs futurs, tandis que l’IA mesure le turnover de l’année passée.

La BI sert à examiner le turnover passé, tandis que l’IA aide à anticiper les risques de départ futurs.

Explication

L’analyse du turnover de l’année écoulée relève de la BI rétrospective, tandis que l’anticipation des départs relève de l’IA prospective. Inverser ces rôles confond l’analyse du passé avec la prévision du futur.

9. Quels sont les quatre niveaux du modèle de maturité analytique associé à Gartner et Bersin ?

Descriptif, diagnostique, prédictif et prescriptif.
Descriptif, comparatif, prédictif et opérationnel.
Rétrospectif, diagnostique, prospectif et décisionnel.
Diagnostique, évaluatif, prédictif et stratégique.

Descriptif, diagnostique, prédictif et prescriptif.

Explication

Le modèle distingue les niveaux descriptif, diagnostique, prédictif et prescriptif. Le niveau comparatif ne fait pas partie de cette liste des quatre niveaux.

10. Une équipe calcule le taux annuel de turnover et établit une pyramide des âges à partir des données de l’année écoulée. De quel niveau d’analytique s’agit-il ?

De l’analytique diagnostique, qui recherche les causes racines des événements.
De l’analytique prédictive, qui modélise les tendances à venir.
De l’analytique prescriptive, qui recommande des actions optimisées.
De l’analytique descriptive, qui mesure rétrospectivement les événements passés.

De l’analytique descriptive, qui mesure rétrospectivement les événements passés.

Explication

Le calcul d’indicateurs rétrospectifs comme le turnover annuel relève de l’analytique descriptive. L’analytique diagnostique, distracteur proche, cherche plutôt à expliquer pourquoi les événements ont eu lieu.

11. Pour comprendre les écarts de turnover, une analyste croise les données de départ avec l’ancienneté et le département afin de repérer des causes possibles. Quel niveau mobilise-t-elle ?

L’analytique prescriptive, qui produit des recommandations d’action optimisées.
L’analytique descriptive, qui mesure les événements passés à l’aide d’indicateurs rétrospectifs.
L’analytique diagnostique, qui segmente les données et recherche des corrélations ou des causes racines.
L’analytique prédictive, qui estime les événements susceptibles de se produire à l’avenir.

L’analytique diagnostique, qui segmente les données et recherche des corrélations ou des causes racines.

Explication

Le croisement de variables pour rechercher des corrélations et des causes racines caractérise l’analytique diagnostique. La descriptive peut mesurer le turnover, mais elle ne vise pas à en expliquer les causes.

12. Un système propose un plan de rétention combinant formation et salaire, puis laisse la décision finale à un responsable humain. Quel niveau d’analytique décrit cette démarche ?

L’analytique descriptive, qui synthétise les indicateurs des événements passés.
L’analytique prédictive, qui estime les risques futurs sans proposer de mesures à appliquer.
L’analytique prescriptive, qui recommande des actions optimisées sans retirer à l’humain la décision finale.
L’analytique diagnostique, qui recherche les facteurs associés aux départs observés.

L’analytique prescriptive, qui recommande des actions optimisées sans retirer à l’humain la décision finale.

Explication

L’analytique prescriptive formule des recommandations d’action optimisées, tandis que la décision finale demeure humaine. La prédictive peut estimer un risque de départ, mais cette estimation ne constitue pas en elle-même un plan d’action.

13. Une organisation prévoit de lancer un nouvel outil d’analyse auprès d’équipes qui ne l’ont pas encore utilisé. Quel ordre favorise l’adoption technologique ?

Lancer l’outil et organiser la formation après les premières difficultés.
Renforcer les compétences des équipes avant de déployer l’outil.
Déployer l’outil avant de préparer les équipes à son utilisation.
Confier l’outil aux équipes et reporter la montée en compétences.

Renforcer les compétences des équipes avant de déployer l’outil.

Explication

L’adoption est favorisée lorsque la montée en compétences précède le déploiement de l’outil. Un déploiement avant la préparation des équipes inverse cet ordre et correspond à la confusion signalée.

14. Avant le déploiement technique d’une plateforme de People Analytics, quelle démarche a permis à L’Oréal de préparer les formations ?

Un déploiement technique suivi d’une évaluation des compétences pour organiser des formations communes.
Une analyse des résultats financiers pour sélectionner les équipes qui utiliseraient la plateforme.
Une auto-évaluation des compétences Data/BI pour cartographier les forces et individualiser les formations.
Une formation uniforme des équipes avant toute évaluation de leurs compétences Data/BI.

Une auto-évaluation des compétences Data/BI pour cartographier les forces et individualiser les formations.

Explication

La plateforme d’auto-évaluation a servi à cartographier les compétences Data/BI et à individualiser les formations avant le déploiement technique. La démarche ne consistait pas à déployer d’abord l’outil puis à évaluer les besoins de formation.

15. Avec quelle avance et quelle précision l’IA d’IBM anticipe-t-elle les démissions volontaires ?

Trois mois à l’avance, avec une précision de 90 %
Six mois à l’avance, avec une précision de 80 %
Six mois à l’avance, avec une précision de 95 %
Un an à l’avance, avec une précision de 95 %

Six mois à l’avance, avec une précision de 95 %

Explication

Le dispositif d’IBM anticipe les démissions volontaires six mois à l’avance, avec une précision de 95 %, en s’appuyant sur de nombreux indices silencieux. Une prévision à un an reprend le même taux de précision, mais ne correspond pas à l’avance indiquée.

16. Lorsqu’un système de rétention d’IBM signale un risque de départ, quel rôle revient au manager ?

Il examine une alerte confidentielle, choisit une action et engage un échange humain avec la personne.
Il valide automatiquement la recommandation et laisse le système mener l’échange avec la personne.
Il transmet l’alerte à l’équipe de recrutement, qui choisit une action sans contacter la personne.
Il demande au système de classer les salariés concernés avant de décider d’une éventuelle intervention.

Il examine une alerte confidentielle, choisit une action et engage un échange humain avec la personne.

Explication

L’IA envoie une alerte confidentielle et propose des pistes, tandis que le manager décide et engage un échange humain. La validation automatique confond le rôle de recommandation de l’IA avec la décision managériale.

17. Quelle base de données a été nécessaire pour entraîner le modèle de rétention d’IBM ?

Dix ans de données financières propres et structurées
Dix ans de données sociales brutes mêlant des informations incohérentes
Dix ans d’historique de données sociales propres et structurées
Cinq ans de données de recrutement propres et structurées

Dix ans d’historique de données sociales propres et structurées

Explication

Le modèle de rétention a nécessité dix ans d’historique de données sociales propres et structurées. Des données brutes ou incohérentes ne correspondent pas à la base décrite pour son entraînement.

18. Pourquoi Amazon a-t-il abandonné en 2018 son outil automatisé de présélection des CV ?

Entraîné sur des données de recrutement équilibrées, l’outil écartait les candidatures faute de résultats stables.
Entraîné sur des CV récents, l’outil ne pouvait pas traiter les dossiers issus des métiers techniques.
Entraîné sur des données historiques d’un secteur masculin, l’outil reproduisait un biais sexiste.
Entraîné sur des données de rétention interne, l’outil confondait les risques de départ avec les candidatures.

Entraîné sur des données historiques d’un secteur masculin, l’outil reproduisait un biais sexiste.

Explication

Les données historiques provenaient de dix ans d’activité dans un secteur technologique majoritairement masculin, et l’algorithme reproduisait un biais sexiste. L’explication par des données de rétention interne confond l’outil d’Amazon avec un autre type de dispositif.

19. Que tend à faire une IA lorsqu’elle apprend à partir de données contenant des stéréotypes ?

Elle transforme les stéréotypes en résultats neutres dès que l’apprentissage utilise beaucoup de données.
Elle remplace les stéréotypes des données par des critères définis indépendamment par le système.
Elle repère spontanément les stéréotypes et les neutralise avant de produire ses résultats.
Elle reproduit et peut amplifier les stéréotypes présents dans ses données d’apprentissage.

Elle reproduit et peut amplifier les stéréotypes présents dans ses données d’apprentissage.

Explication

Une IA reproduit et amplifie les stéréotypes présents dans ses données d’apprentissage, plutôt que de penser par elle-même. Une grande quantité de données ne garantit pas à elle seule la neutralité des résultats.

20. Dans une IA RH conçue comme un copilote, qui prend la décision finale et en assume la responsabilité éthique ?

L’humain, après que l’IA a traité les paramètres et recommandé une action
Le système RH, après que l’IA a classé les choix selon leur efficacité probable
Le manager et l’IA conjointement, sans attribution distincte de responsabilité
L’IA, après que l’humain a défini les paramètres et vérifié la recommandation

L’humain, après que l’IA a traité les paramètres et recommandé une action

Explication

Le copilote IA traite les paramètres et recommande une action, mais l’humain prend la décision finale et en assume la responsabilité éthique. Faire décider l’IA transforme ce rôle de copilote en celui d’un pilote automatique.

21. Quels sont les trois piliers d’une IA RH stratégique ?

La gouvernance des recrutements, la confidentialité des salariés et l’automatisation des processus
La quantité des données, la rapidité des recommandations et l’autonomie du système
La sécurité informatique, la réduction des coûts et la standardisation des décisions
La qualité et la gouvernance des données, la transparence des recommandations et la responsabilité humaine

La qualité et la gouvernance des données, la transparence des recommandations et la responsabilité humaine

Explication

Les trois piliers sont la qualité et la gouvernance des données, la transparence des recommandations et la responsabilité humaine. La rapidité et l’autonomie du système ne remplacent pas ces exigences de gouvernance et de responsabilité.

Révisez avec les flashcards

Mémorisez les réponses avec 45 flashcards sur BI et IA appliquées aux RH.

Comment l’approche traditionnelle des RH se caractérise-t-elle ?

Elle est réactive, intuitive et rétrospective.

Comment l’approche data-driven des RH se caractérise-t-elle ?

Elle est proactive, fondée sur des faits mesurables et tournée vers l’anticipation.

Quelles sont les étapes de la chaîne de valeur de la BI RH ?

Extraction, nettoyage et unification, structuration en KPIs, puis restitution interactive par data storytelling.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur BI et IA appliquées aux RH.

Voir la fiche →

Cours similaires

Système d’information comptable

Comptabilité

Gouvernance et stratégie des organisations

Gestion

Structure des organisations touristiques

Gestion

Revenus professionnels imposables Thème 1

Comptabilité

Intervention de l’État dans l’économie

SIC, bilan et compte de résultat

Comptabilité

Crée tes propres QCM

Importe ton cours et l'IA génère des QCM avec corrections en 30 secondes.

Générateur de QCM