Comment le big data bouleverse la gestion des ressources humaines

La définition commune du big data, issue du rapport de Gartner de 2001, se fonde essentiellement sur les caractéristiques des données mobilisées : volume, hétérogénéité des sources, mise à jour en temps réel des données, etc. Cette définition peut sembler restrictive. Elle impliquerait en effet que certains domaines pourraient échapper à cette tendance du big data, en particulier la Gestion des ressources humaines (GRH) qui combine rarement les trois caractéristiques précitées.

Mais d'autres définitions plus récentes se révèlent plus englobantes. Elles portent sur la manière de mobiliser les données et non plus sur leurs caractéristiques, ce qui permet alors d'identifier des dispositifs de big data dans le domaine des RH : algorithmes de présélection de CV, ou suggestions personnalisées de formations ou de postes en fonction du profil du salarié par exemple.

On retrouve ce type de définitions notamment dans le livre Big data : la révolution des données est en marche, des spécialistes de la donnée Viktor Mayer-Schönberger et Kenneth Cukier, qui soulignent le primat de la recherche de corrélation sur la recherche de causalité. De la même façon, la notion d'algorithmie, en lien avec la recherche d'automatisation, est mise en évidence par certains travaux sur le sujet, comme chez la mathématicienne américaine Cathy O'Neil ou le philosophe français Dominique Cardon.

Dépasser le reporting descriptif en GRH

Les ressources humaines disposent d'un grand nombre de données sur les salariés. Cependant, pendant longtemps ces données n'ont été utilisées qu'à des fins de reporting descriptif, comme dans le bilan social par exemple (document annuel dans lequel les entreprises doivent publier des indicateurs sur la population de l'entreprise).

Plus récemment, une nouvelle tendance a émergé, appelée « analytique RH » (Marler et Boudreau, 2017 ; Huselid, 2018 ; Pertinant, Richard et Storhaye, 2017). Elle est présentée comme une manière plus sophistiquée de mobiliser des données, notamment en utilisant des méthodes statistiques plus complexes, mais surtout en visant un objectif différent. Il ne s'agit en effet plus de fournir un reporting uniquement descriptif, mais bien de mobiliser les données pour mieux comprendre un phénomène, dans une optique d'amélioration de la prise de décision.

En matière de RH, très peu de travaux de recherche portent sur le big data. Pourtant, une simple recherche Google « big data RH » montre que la GRH utilise le big data. Ainsi, les systèmes automatisés de sélection dans le cadre du recrutement ou de suggestions de postes ou de formations à destination des salariés proposés par de nombreux sites, dont le géant LinkedIn, mobilisent déjà des données textuelles issues de différentes sources et utilisent une approche algorithmique (nécessaire pour l'automatisation).

Malgré cette démocratisation des usages, il est difficile d'estimer réellement l'ampleur des changements introduits par ces nouveaux dispositifs : dans quelle mesure les dispositifs de big data visent-ils à modifier les pratiques de GRH ?

Personnalisation et prédiction

Pour répondre à cette question, différents dispositifs ont été étudiés. Cela nous a permis de dégager au moins deux objectifs de modification des pratiques de GRH propres aux dispositifs de big data RH, et absents des dispositifs d'Analytique RH ou de reporting : personnalisation et prédiction.

En ce qui concerne la personnalisation, les acteurs estiment qu'en mobilisant des données, et surtout un grand nombre de données, on peut parvenir jusqu'à une forme de prise en compte personnalisée des salariés. Cet objectif apparaît directement dans les descriptions des dispositifs de suggestions de postes ou de formations, souvent qualifiées de « suggestions personnalisées ». Pour ce qui est de la prédiction, le second objectif, les acteurs expliquent que les algorithmes de présélection de CV peuvent « prédire » qui sera le meilleur candidat pour un poste donné, ou quel poste conviendra le mieux à tel salarié.

Ces objectifs de personnalisation et de prédiction viennent expliquer plusieurs caractéristiques des dispositifs de big data RH, qui se rapprochent de celles mentionnées par le rapport de Gartner de 2001. Ainsi, le souhait de récupérer le plus de données possible peut être justifié par le fait que, plus il y a de données, plus la personnalisation et la prédiction seront précises (caractéristique : volume de données).

La mobilisation de données non structurées, textuelles par exemple, reste également essentielle. C'est notamment le cas pour les algorithmes de présélection de CV, car les données non structurées comme le texte des CV apportent une information brute plus précise que des données structurées (caractéristique : mobilisation de données de différents types). Enfin, la mise à jour des données en temps réel est importante aussi pour prendre en compte les évolutions individuelles de la façon la plus précise possible (caractéristique : mise à jour des données en temps réel).

Une rupture pour la statistique et la fonction RH

Ces objectifs correspondent à une rupture dans l'utilisation des outils et méthodes statistiques et des données. En effet, la personnalisation va à l'encontre du positionnement historique de la statistique comme science des groupes et des grands nombres (Desrosières, 1993), et la prédiction vient contredire la vision d'une science centrée sur la compréhension des phénomènes passés et présents. Ils correspondent aussi à une modification structurelle de la GRH. En effet, ils mettent en avant des objectifs jusqu'alors inconnus, voire antinomiques de l'activité de la fonction RH : personnalisation et prédiction des comportements individuels.

Même si l'introduction du big data reste, semble-t-il, encore peu avancée en GRH, on peut formuler l'hypothèse que les progrès dans ce domaine conduiront donc à un réel renouvellement de la fonction. Cela nécessite alors de s'interroger sur la performance de ces dispositifs, et sur les rôles respectifs des data scientists et des acteurs de la GRH dans cette évolution.

--

Cette contribution est tirée d'un article publié initialement dans la revue « Management and Data Science ».

_________

Par Clotilde Coron, Maître de conférences en GRH, Université Paris 1 Panthéon-Sorbonne

La version originale de cet article a été publiée sur The Conversation