Techniques statistiques pour analyse d'effectif
L'effectif d'une entreprise fait l'objet de statistiques obligatoires pour établir le bilan social (voir le suivi des effectifs). Mais au-delà des techniques simples de la statistique descriptive, d'autres techniques plus élaborées permettent d'établir des diagnostics et de gérer la population des salariés en anticipant de nécessaires adaptations.
Ces techniques sont listées en page de statistiques RH. Ici, nous faisons un focus sur les effectifs et leurs mouvements.
Commençons par le commencement, c’est-à-dire par les recrutements.
Recrutements
Pourquoi utiliser les statistiques en recrutement ?
L'objectif principal est de répondre à des questions comme :
- Quels canaux de recrutement sont les plus efficaces ?
- Quels critères permettent de prédire la réussite d'un candidat ?
- Combien de temps faut-il pour pourvoir un poste ?
- Quels profils restent le plus longtemps dans l'entreprise ?
- Les méthodes de sélection sont-elles équitables ?
Les statistiques descriptives constituent un point de départ. Nous vous invitons à explorer la page sur les statistiques de candidatures. Ici, nous nous limiterons aux analyses sur recrutés.
On mesure par exemple le nombre de recrutements réalisés ou le coût moyen d'une embauche.
Une DRH peut aussi chercher quels facteurs semblent associés à la réussite future. Exemples :
- niveau de diplôme et performance,
- expérience et rapidité d'intégration,
- résultat à un test et performance après embauche.
On calcule alors des coefficients de corrélation.
Parfois les résultats sont surprenants. Ainsi les tests de compétences sont souvent plus prédictifs que le diplôme.
Autre problématique, on cherche à prédire la probabilité qu'un candidat réussisse. En fonction des variables disponibles (années d'expérience, résultats aux tests, niveau de diplôme, langues maîtrisées...), on observe un résultat après deux ans (succès ou échec). La régression logstique est alors utilisée.
Les parcours ne sont pas seuls à être validés ; les tests aussi ! Si la relation entre un score de test à l'embauche et la performance observée quelques années plus tard est faible, alors il faut revoir le test car il apporte peu d'information !
Une analyse de survie après embauche permet d'évaluer la qualité du recrutement. Ainsi, on peut analyser pour chaque canal (cooptation, cabinet...) un temps moyen avant départ, un taux de rétention à six mois, à un an, à trois ans...
Si l'analyse montre que certains critères sont particulièrement intéressants à suivre, ceux-ci peuvent intégrer le tableau de bord des recrutements.
Le choix du candidat peut reposer sur une méthode multicritère de type Electre (non détaillée sur ce site).
Effectif en place
L’effectif en place fait surtout l’objet de statistiques descriptives univariées (combien de salariés, quelle répartition par métier, quelle ancienneté moyenne, quels niveaux de qualification...).
Chaque salarié est affecté d'un matricule qui constitue une clé dans le fichier du personnel. En France, le numéro de sécurité sociale n'est utilisable que pour la paie.
Il est important de définir un code indiquant comment le salarié est géré : outre la situation de travail effectif, celui-ci peut être en absence longue durée, en préretraite, mis à disposition d'une filiale (rémunéré par la maison-mère) ou détaché (payé par la filiale), etc.
On peut compter le nombre de personnes ou de contrats mais habituellement, c'est la notion d'ETP (Équivalent Temps Plein) qui est retenue. Ainsi, un contrat à mi-temps compte pour 0,5. De même, selon la problématique de l'étude et la précision cherchée, on comptabilise soit l'effectif fin de mois soit l'effectif moyen, c'est-à-dire en tenant compte des dates d'entrée et de sortie.
Le fichier de paie est différent du fichier de personnel. Le matricule du salarié fait le lien entre les deux.
La pyramide des âges est la représentation graphique d’une répartition de population sur un critère quantitatif (âge) et un ou deux critères qualitatifs (sexe et éventuellemnt une autre caractéristique).
Quittons les statistiques descriptives et listons quelques autres techniques...
- Les tests de proportions sont adaptés pour comparer différentes unités : taux d’encadrement, proportion de travailleurs handicapés, taux d’absentéisme, taux de turnover… Un test d'hypothèses permet aussi de valider une formation (comparaison des performances de salariés formés avec celles des non-formés).
- Des ensembles de salariés appartenant aux mêmes entités mais au sein de structures importantes, comme les agences d’une banque ou les restaurants d’une chaîne de fast-food, peuvent faire l’objet d’une ANOVA sur certains critères, par exemple dans le cadre de la gestion des emplois (GEPP).
- Les analyses de segmentation consistent à regrouper les salariés ayant des caractéristiques communes (jeunes diplômés à fort potentiel, employés à risque élevé de départ, salariés ayant des besoin de formation similaires...).
- Les séries chronologiques offrent des possibilités de prévision (proportion de cadres ou de CDD, par exemple...).
- Les matrices de transition sont un outil pour étudier la mobilité interne et identifier les parcours les plus fréquents.
Départs
Le départ d'un salarié représente souvent un coût important. Les DRH cherchent donc à répondre à deux questions :
- Pourquoi les salariés partent-ils ?
- Peut-on anticiper les départs ?
Le turnover se décline par métier, par âge, par ancienneté, par établissement, par manageur...
L'analyse des motifs de départ est réalisable, en particulier si l'entreprise dispose d'entretiens de sortie, d'enquêtes ou de commentaires libres (l'IA est alors d'une aide précieuse). On pense souvent que le niveau de salaire est la cause principale alors que d'autres sont bien plus prédictives (absence de mobilité interne, mauvaise relation avec le manageur et faible engagement).
L'analyse de survie, et notamment le modèle de Cox, est là aussi intéressante : si l'on se demande à quel moment partent les démissionnaires, on peut construire une courbe de rétention.
Mais l'un des usages les plus développés de la data RH est la prédiction des départs. Il existe de nombreuses variables explicatives possibles (ancienneté, salaire, mobilité interne, formation, distance domicile-travail, résultats d'enquêtes d'engagement, temps depuis la dernière promotion, historique d'absences...). Généralement, c'est la régression logistique qui permet d'estimer une probabilité de départ. Dans les grandes entreprises disposant de beaucoup de données, des modèles de machine learning sont employés : arbres de décision, forêts aléatoires, gradient boosting ou réseau de neurones.
Enfin, nous n'avons pas évoqué les analyses factorielles. C'est parce qu'elles interviennent davantage en amont que pour répondre à une question opérationnelle.
- Par exemple, une analyse des correspondances multiples (ACM) peut synthétiser une dizaine de variables qualitatives (diplôme, service, statut, type de contrat, motif de départ, etc.) pour faire émerger quelques profils types : cadre à forte ancienneté, jeune recruté peu formé, etc. Ce sont ces profils qui seront ensuite étudiés.
- Autre exemple, une analyse en composante principales (ACP) est adaptée aux variables quantitatives. Imaginons une enquête portant sur sept thèmes (satisfaction salariale, satisfaction vis-à-vis du manageur, intégration dans l'équipe, équilibre avec la vie privée, autonomie, reconnaissance et perspectives d'évolution). On obtient sept scores. L'ACP peut montrer qu'ils se résument à deux dimensions : la qualité de l'environnement de travail et le dveloppement professsionnel. Au lieu de travailler sur sept critères, on ne travaille que sur deux.
- Dernier exemple : l'analyse factorielle des correspondances (AFC), qui traite des variables qualitatives, permet de visualiser des proximités. Si par exemple on dispose du métier, du niveau hiérarchique, du motif de départ de la tranche d'âge, l'AFC peut montrer que les jeunes cadres sont associés aux départs pour évolution de carrière ou que certains métiers sont associés à des motifs particuliers.
