Dataviz RH :
voir ce que vos tableaux ne montrent pas

Un parcours de carrière sur une seule ligne de temps

Comment présenter en un coup d'œil huit ans de parcours lors d'un entretien de carrière ou d'un comité de mobilité ? Postes, formations, entretiens annuels, promotions et salaire vivent habituellement dans cinq onglets du SIRH. Alignés sur un même axe temporel, ils racontent une histoire : ici, une data analyst dont chaque promotion suit de près une formation, et dont le salaire progresse par paliers.

L'axe horizontal est une échelle d3.scaleTime partagée par les deux panneaux. Le salaire est tracé en marches plutôt qu'en pente, ce qui reflète mieux une grille salariale. Pour aller plus loin : les métiers de la data RH.

Qui part où ? Le Sankey des mouvements internes

Sur un an, combien de salariés ont été promus, mutés ou sont partis, et entre quels services ? À gauche, l'effectif de janvier et les recrutements ; à droite, l'effectif de décembre et les départs. Sur les 245 salariés de cette entreprise fictive, 21 promotions et 21 mutations donnent un taux de mobilité interne de 17 %, pour 33 départs (24 démissions et 9 retraites).

Le Commercial concentre le plus de démissions (8 sur 24). À l'inverse, la Data & BI attire : elle reçoit 6 salariés par mutation et n'en voit partir que 2 vers d'autres services. C'est le genre de signal qui nourrit une politique de mobilité, voire un parcours de reconversion interne.

Un taux de mobilité dit combien de personnes bougent.
Un Sankey montre d'où elles partent et où elles vont.

Un Sankey n'accepte pas les boucles : chaque service apparaît donc deux fois, en début et en fin de période. Les données se résument à une ligne par flux, obtenue en comparant l'affectation de chaque matricule à deux dates. Voir aussi : le processus GEPP en PME.

La pyramide des âges, service par service

Où se situent les départs en retraite des dix prochaines années, et quels savoirs risquent de partir avec eux ? À l'échelle de l'entreprise, l'âge moyen de 40,5 ans et les 14 % de salariés de 55 ans et plus paraissent sans histoire. Filtrez sur les Opérations : l'âge moyen monte à 44,4 ans et 21 % de l'effectif entre dans la zone orangée. La Data & BI, elle, n'a personne au-delà de 55 ans.

Deux échelles d3.scaleLinear partagent le même domaine avec des sens opposés : les barres des hommes poussent vers la gauche, celles des femmes vers la droite. Voir aussi : les statistiques descriptives RH.

Courbe de Lorenz et Gini : la distribution plutôt que la moyenne

Les salaires sont-ils répartis de façon homogène, ou concentrés sur quelques profils ? Plus la courbe s'éloigne de la diagonale, plus la masse salariale est concentrée. Le Gini global de cette entreprise fictive est de 0,21, un niveau normal. Mais le Commercial, avec sa part variable, monte à 0,25, quand les Opérations, aux grilles resserrées, restent à 0,11.

Les repères affichés (très égalitaire sous 0,20, normal jusqu'à 0,30, vigilance jusqu'à 0,35, anomalie probable au-delà) valent surtout pour un Gini calculé par strate homogène : même coefficient, même service, même ancienneté.

La méthode complète et le script Python sont détaillés dans notre cas client sur les inégalités salariales cachées. Voir aussi le pilotage de la masse salariale.

De l'écart brut à l'écart inexpliqué

Quelle part de l'écart de salaire entre femmes et hommes s'explique par des différences de situation, et quelle part reste à justifier ? Le graphique part d'un écart brut de 18,5 % et retire successivement l'effet du temps partiel, du niveau de poste, du service, de l'ancienneté et de l'âge. Le diplôme joue en sens inverse : les femmes étant ici plus diplômées, il creuse l'écart au lieu de l'expliquer. Il reste 5,1 % d'écart inexpliqué, soit 72 % de l'écart brut expliqué.

Ces contributions viennent d'une décomposition de type Oaxaca-Blinder. Quand les facteurs sont corrélés, comme le temps partiel et le niveau de poste, leur contribution dépend de l'ordre dans lequel on les introduit ; une décomposition de Shapley neutralise cet effet.

Expliqué ne veut pas dire justifié.
Un écart dû au niveau de poste peut lui-même refléter une inégalité d'accès à la promotion.

Voir aussi : la transparence salariale en septembre 2026.

Courbes de Kaplan-Meier : combien restent, et jusqu'à quand

Quelle est la probabilité qu'une personne recrutée soit toujours là après 4, 12 ou 24 mois ? Sur 282 recrutements suivis, 87 % passent le cap de la période d'essai, 75 % sont encore présents à un an et 64 % à deux ans. Le Commercial décroche plus tôt et plus fort : moins d'un recruté sur deux y est encore présent à 24 mois. Les Opérations, à l'inverse, en conservent 78 %.

L'intérêt de la méthode tient à la censure : une personne recrutée il y a six mois et toujours présente n'est comptée ni comme un départ, ni comme un maintien au-delà de six mois. Un simple taux de présents ferait paraître les recrutements récents plus stables qu'ils ne le sont.

let S = 1;
for (let m = 1; m <= 60; m++) {
  const n = salaries.filter(s => s.duree >= m).length;            // encore suivis
  const d = salaries.filter(s => s.duree === m && s.depart).length; // départs ce mois
  if (n < 10) break;   // effectif trop faible : on arrête la courbe
  S *= 1 - d / n;
}

Voir aussi : notre page turnover.

La rétention, trimestre de recrutement par trimestre

Les personnes recrutées récemment restent-elles plus ou moins longtemps que les précédentes ? Chaque ligne est une promotion de recrutés, chaque colonne une ancienneté. Lisez une colonne de haut en bas : si les cases pâlissent, les nouvelles cohortes partent plus vite que les anciennes au même stade. C'est le bon outil pour mesurer l'effet d'un nouveau parcours d'intégration ou d'une révision salariale.

En filtrant sur un seul service, certaines cohortes ne comptent que deux ou trois personnes : un seul départ fait alors varier le taux de 30 points. Sur de petits effectifs, regroupez par semestre ou par année.

Voir aussi : les indicateurs RH clés.

Le cadran de la saison : recruter avant le pic, pas pendant

Dans un hôtel saisonnier, quand manque-t-on de monde, et quand aurait-il fallu agir ? Le cadran suit les vraies saisons astronomiques, solstice d'été en haut. Les barres bleues montrent les présents, le rouge ce qui manque par rapport au besoin. Dans cet hôtel fictif, dont le besoin varie de 19 à 38 postes, on compte 134 postes-semaines non pourvus sur 22 semaines, avec un pic de 11 postes manquants fin juillet. La salle et les étages sont les plus touchés.

Le problème n'est pas le manque de candidats.
C'est le calendrier : l'effectif suit le besoin avec trois semaines de retard.

Le manque du début d'été a son pendant à l'automne, avec 62 postes-semaines en sureffectif, quand des contrats saisonniers se prolongent alors que les chambres se vident. Devant l'hôtel, chaque silhouette est une donnée : la jointure de données de D3 fait arriver les embauches et partir les fins de contrat. Voir aussi : automatiser le processus de recrutement et le recrutement prédictif.

La même méthode, appliquée au flan parisien

Les techniques de cette page ne sont pas propres aux RH. Pour s'en convaincre, voici le prix d'une part de flan pâtissier dans quatre arrondissements de Paris, de 3,00 € à Belleville à 4,50 € près des Champs-Élysées, soit 50 % d'écart.

Toutes les parts ont la même taille, volontairement : le prix est porté par la couleur de l'arrondissement et par l'étiquette. Faire grossir les parts avec le prix exagérerait les écarts, puisque la surface croît plus vite que la dimension.