Quels sont les enjeux?

Nous vivons une mutation du métier sans précédent, comme beaucoup d’autres d’ailleurs auparavant ou simultanément, en entrant pleinement dans l’ère du big data et de l’IA. Cette évolution implique des répercussions profondes sur la manière de procéder et sur la prise de décision : une part grandissante de la gestion RH va devenir de la data science.

Mais pour en tirer le plein potentiel, la maîtrise des données est une condition sine qua none.
Et c’est le corolaire de la raison qui nous motive à travailler ce sujet : le constat que les données et leur exploitation sont aujourd’hui un frein à la progression des ressources humaines.

Les données sont sous-exploitées car elles sont difficiles à maintenir en qualité, à collecter, à mettre à jour dans un environnement IT RH de plus en plus complexe.

Elles se retrouvent en silos à cause de la multiplicité des systèmes qui communiquent difficilement, voire pas du tout, entre eux. Une même organisation peut avoir accumulé un nombre d’outils considérable que ce soit par suite d’héritages de SI au fil du temps, suite à des fusions acquisitions ou autre historique de transformation, ou encore à cause de déploiements de toujours plus de solution digitales, de Saas, reflétant l’évolution récente des métiers qui composent les départements RH où chaque fonction a développé ses processus accompagnés des outils qui les soutiennent, souvent en autarcie - formation, carrières, recrutement, paie.

Conséquence directe: la résistance technologique grandit face à une surcharge mentale dans la complexité grandissante de l’environnement digital, ce qui affecte forcément la qualité de la saisie des données.

La multiplicité des outils en place crée une multiplicité de sources de données de structures différentes. Les harmoniser et uniformiser les flux pour rendre exploitables et intelligibles ces données dans les processus de décisions, est un travail de fourmis.

Dans ce contexte, maintenir un processus d'acquisition, de mise à jour et de suivi de la qualité de ces données est complexe et il n'y a pas d'outil pour le systématiser à grande échelle. De plus il est difficile d'impliquer les parties prenantes (employés, managers, admin RH) sur le long terme.

On observe donc différentes composantes entremêlées qui créent un environnement peu propice à une digitalisation pérenne et productive, ou même rentable, des dispositifs RH.

Et le résultat est alarmant: 70% de vos données sont hors du circuit SIRH car gérées dans excel, partagées par email... (source: Atacama).

Malgré ce terne constat, on assiste indéniablement à une prise de conscience de l’importance des données notamment parce que cette dernière décennie à vue l’émergence rapide du Core RH avec un grand nombre d’entreprises qui aujourd’hui s’en sont équipées pour industrialiser, outiller et soutenir leurs processus RH. Mais la culture data-driven est encore peu développée en RH qui fait face à un manque de compétences data, de data scientists ou d’ingénieurs spécialisés. Du moins pour le moment. Mais c’est sans nul doute un métier d’avenir dans le domaine, car comme nous l’évoquions précédemment, une part non négligeable des RH va devenir data science.

Monte Carlo Data nous décrit ce que l’on observe lorsque la maîtrise de la donnée devient un cap pour un métier dans l’entreprise:

“Alors que les entreprises s'appuient de plus en plus sur les données pour prendre des décisions intelligentes, elles recrutent de plus en plus d'analystes, de scientifiques et d'ingénieurs de données pour construire et maintenir les pipelines de données, les analyses et les modèles ML qui alimentent leurs services et leurs produits, ainsi que leurs opérations commerciales.

Alors que les analystes de données sont principalement responsables de la collecte, du nettoyage et de l'interrogation des ensembles de données pour aider les parties prenantes fonctionnelles à produire des informations riches et exploitables sur l'entreprise, les ingénieurs de données sont chargés de s'assurer que les technologies et systèmes sous-jacents qui alimentent ces analyses sont performants, rapides et fiables. Dans l'industrie, les data scientists collectent, trient, augmentent et donnent du sens aux données non structurées afin d'améliorer l'activité. "

‍
Quelles données?

‍
Je laisserai le soin à Daniel, notre CTO expert data de parler plus en détails des données structurées ou non, et rendrai un tableau avec une approche regardant plutôt l’usage des données selon les métiers RH.
Car les données RH sont multiples. Nous pourrions les catégoriser en fonction des métiers qui en ont l'utilité.

Pour schématiser:

- GA: headcounts, situation personnelle/familiale, adresse (surtout en cas de télétravail);
Reporting social

- La paie et le Compensation/benefits, GTA: rémunération, avantages sociaux, temps de travail, absentéisme...

- Talent management: identification des potentiels, éducation, parcours pro/expérience, compétences et compétences latentes, évolution du marché du travail...

- GEPP: parcours pro, mobilité, compétences, formation, objectifs et performances,
Recrutement et intégration, diversité et inclusion, engagement, qvt

Chaque métier RH développe sa propre approche de ses données avec bien souvent ses propres outils et sa propre base de données ce qui contraint l’environnement data RH global et la fluidité des échanges, de l’uniformisation de ces données. Ainsi pouvoir consolider un Référentiel Employé Unique est un véritable casse tête.
‍

Quels sont les risques?

Une gestion inefficiente de vos données RH engendre de multiples répercussions sur le bon fonctionnement des processus qui en dépendent. Prenons par exemple le recrutement qui serait censé passer d’abord par l’interne mais qui pour cela requiert une bonne visibilité sur les profils disponibles, ou encore la mobilité qui doit permettre de trouver les bonnes personnes prêtent à évoluer au sein de l’organisation (intimement lié au recrutement par l’interne), ou la gestion de carrière pour faire le suivi d’évolution d’un collaborateur, sa montée en compétence, les politiques de formation.

Oui, les données sont maintenant partout primordiales pour être précis, rapide, pertinent et efficient. Elles sont indispensables pour assurer la performance de l’entreprise d’une part en anticipant les besoins, et pour assurer l’engagement et la productivité des collaborateurs d’autre part en leur permettant de progresser et s’épanouir.

Ne pas s’attarder sur la gestion des données systématique, c’est s’assurer une perte de temps et d'énergie considérable en effectuant le suivi et l’acquisition des données à la main, en courant après lorsqu’on s’aperçoit qu’elles sont manquantes ou erronées et alors qu’il est en fait déjà trop tard dans le processus ("j'en ai besoin pour hier"...). D’ailleurs des études du MITSloan ou encore de McKinsey estime que ces tâches chronophages mangent jusqu’à 50% du temps de travail des personnes qui ont besoin de ces données, un chiffre qui grimpe jusqu’à 80% pour des métiers purement data comme les data scientists. Normal me direz vous pour ces derniers, puisque c’est leur métier. Cependant une industrialisation pertinente de la gestion des données pourrait faire gagner un temps et une productivité considérables.

Sans ça, on peut alors redouter des pertes de qualité et de quantité de données, des erreurs dans les retranscriptions dans les outils en place lorsqu’elles sont resaisies à la main de l’un à l’autre.

Et c’est ainsi que se produit notre fameux GIGO, Garbage in/ Garbage out, avec un risque coûteux de mauvaises décisions ou de décisions alternatives, faute de mieux. Par exemple:

Recruter ou promouvoir la mauvaise personne;
Avoir recours à des recrutements externes plutôt qu’internes parce que les informations ne sont pas disponibles/accessibles/à jour;
Ne pas être capable de comprendre et anticiper des départs ou encore devoir recourir à un cabinet de conseil pour des missions ponctuelles alors que potentiellement les compétences étaient disponibles en interne.

Et ce sont d’ailleurs souvent des cabinets de conseil qui vont reprendre en main le sujet de la donnée RH et de sa mise en qualité car c’est un chantier énorme et complexe qui nécessitent méthodes et ressources que les entreprises n’ont pas forcément le luxe de pouvoir déployer en interne.

En tant que décideurs RH, ce sont très certainement des problématiques que vous rencontrez régulièrement.

Ajoutons à ces aperçus des conséquences néfastes, car coûteuses et intempestives, d’une faible politique de gestion des données et de leur qualité, l’argument de la conformité.
Vous n’êtes pas sans vous préoccuper du RGPD et des risques de non-conformité, de sécurité et de confidentialité, que posent une gestion des données non contrôlée et hors circuit, et des lourdes amendes qu’elle peut engendrer.

De ces risques et de ces freins il résulte que la qualité des données est médiocre, et les décideurs, par expérience, se méfient des données en leur possession, qu'ils ont l'habitude de passer leur temps à aller chercher ou à corriger à la main. La confiance dans les données et les outils s’érode.

Alors les outils sont potentiellement moins adoptés et les processus RH ralentissent, la qualité des résultats produits en pâtissent.

C'est un cercle vicieux qui commence en amont même des points mis en exergue dans ce slide de One Model et que nous avons déjà explicité.

‍

Ce cercle vicieux commence à la racine, dans la production de ces données : leur collecte, leur saisie, leur mise à jour.

Un cercle vicieux qui peut être interrompu par la mise en place d'une gouvernance des données pertinente avec des rôles et responsabilités établis autour de la gestion de ces données.