Détecter un risque de démission ou prévoir un pic d'absentéisme avant qu'il ne paralyse vos équipes n'est plus une affaire d'intuition. Le machine learning RH transforme les données d'historique de votre SIRH en scores de probabilité actionnables pour sécuriser vos plans de rétention.
L'analyse prédictive RH exploite les algorithmes d'apprentissage supervisé pour évaluer la probabilité d'occurrence d'un fait futur : démission imminente d'un profil clé, dérive de l'absentéisme sur un site industriel ou probabilité de succès d'une campagne de recrutement. Son objectif n'est pas de lire l'avenir, mais d'offrir une cartographie des risques chiffrée pour guider le management.
Elle n'intervient jamais de manière isolée. Elle s'alimente des conclusions validées par l'historique de l'analyse descriptive RH, les causes identifiées par l'analyse diagnostique RH et les certitudes mathématiques apportées par l'analyse inférentielle RH. C'est l'étape ultime avant l'automatisation prescriptive.
Extraction des données RH depuis le SIRH, la paie, les enquêtes collaborateurs ou les outils de recrutement.
Suppression des doublons, correction des incohérences et traitement des valeurs manquantes pour fiabiliser les données RH.
Création et sélection des variables RH les plus pertinentes pour améliorer la qualité du modèle.
Séparation des données en ensemble d'entraînement et ensemble de test pour valider la robustesse du modèle.
Le modèle apprend les relations entre les variables explicatives et la variable cible.
Évaluation de la performance sur des données inédites avec accuracy, precision, recall, F1-score et AUC.
Le modèle attribue une probabilité à chaque situation, par exemple un risque de départ de 82 %.
Les résultats servent à prioriser les actions : fidélisation, recrutement, prévention de l'absentéisme ou mobility interne.
Un algorithme prédictif performant ne désigne pas un futur démissionnaire avec une certitude absolue. Il calcule un indice de fragilité, par exemple un score de risque de départ de 82%. Cette donnée statistique permet aux départements RH de segmenter et de prioriser les entretiens de rétention sur les populations clés, tout en conservant leur esprit critique et leur expertise métier.
En People Analytics, se focaliser uniquement sur le taux de bonne prédiction globale est une erreur classique qui peut masquer de graves anomalies.
Utile pour une vision macro, mais dangereuse en cas de forte asymétrie des données. Si 5% des effectifs s'en vont, un modèle paresseux qui prédit "0 départ" aura 95% d'accuracy mais sera totalement inutile.
Mesure la proportion de vrais risques de départs ou d'absences correctement identifiés. C'est l'indicateur clé si votre priorité absolue est de n'oublier aucun talent fragile.
Mesure la part de prédictions exactes parmi toutes les alertes levées. Une bonne précision évite de surcharger les RH avec de faux positifs et de fausses alertes.
La moyenne harmonique entre précision et recall. C'est l'indicateur de référence pour valider l'équilibre et l'efficacité d'un modèle d'attrition.
Affiche la capacité de l'algorithme à discriminer les profils stables des profils à risque, peu importe le déséquilibre des classes au sein du SIRH.
La régression logistique et les arbres de décision offrent une lisibilité immédiate des règles métiers. À l'inverse, les modèles de type Random Forest ou XGBoost maximisent la performance brute mais agissent comme des boîtes noires. En ressources humaines, l'explicabilité est une obligation légale stricte pour garantir la conformité au RGPD et anticiper les contraintes de l'AI Act européen.
SHAP décompose mathématiquement l'influence exacte de chaque donnée individuelle sur le score final généré.
Un score d'attrition s'explique par : Temps de trajet (+18%), baisse d'engagement (+24%), stagnation salariale (+12%).
Le DRH dispose de leviers d'action individualisés et transparents pour désamorcer le conflit ou la démission.
Extraction sécurisée des historiques SIRH et paie.
Nettoyage, traitement des anomalies et feature engineering.
Entraînement des algorithmes sur les données passées.
Mesure des métriques d'évaluation (F1, Recall) sur échantillon test.
Intégration opérationnelle dans vos tableaux de bord RH.
Audit permanent de la perte d'efficacité liée aux mutations de l'entreprise (Model Drift).
Mise à jour régulière du modèle avec les dernières données fraîches.
| Type de Biais | Illustration concrète en entreprise |
|---|---|
| Biais historique | Le modèle reproduit des discriminations passées (ex: sous-représentation historique des femmes sur les postes techniques). |
| Biais de sélection | Certaines typologies de contrats (ex: alternants, CDD) faussent l'évaluation globale de l'engagement s'ils sont mal isolés. |
| Biais algorithmique | Une fonction de coût mal configurée qui surévalue massivement un critère unique comme le niveau de diplôme d'origine. |
| Biais de mesure | Des motifs de départs ou d'arrêts saisis de manière erronée ou simpliste au sein du SIRH par les managers. |
Cas concret 1 : Neutralisation de l'attrition commerciale. Au sein d'un réseau de distribution comptant 80 commerciaux itinérants, le modèle prédictif isole 12 collaborateurs présentant un indice de fragilité supérieur à 75%. L'explicabilité locale démontre que le facteur majeur n'est pas le salaire, mais un décrochage du taux de transformation des leads couplé à une hausse des temps de trajet. Action RH : Ajustement sectoriel des portefeuilles clients sous 15 jours. Résultat : 10 départs évités sur le trimestre, préservant 140 k€ de chiffre d'affaires.
Cas concret 2 : Dimensionnement des effectifs logistiques. Pour une plateforme e-commerce en forte croissance, croiser l'historique d'absentéisme avec les prévisions météo et les charges de commandes permet d'anticiper le taux d'indisponibilité à 3 semaines. L'algorithme prévoit un déficit de 14 équivalents temps plein (ETP) sur la deuxième quinzaine de décembre (Précision : 89%). La direction recrute par anticipation des profils intérimaires qualifiés, éliminant les coûts de dernière minute et la désorganisation des flux de livraison.
Le langage SQL assure la phase cruciale d'extraction et de structuration des tables SIRH. Les environnements de développement Python (SciPy, Scikit-Learn, Statsmodels) et R centralisent la création des architectures prédictives. Enfin, la distribution des scores de risques s'intègre nativement dans des outils de Business Intelligence comme Power BI ou Tableau pour un pilotage direct par les équipes de proximité.
Définir une problématique claire, contrôler la qualité des données, documenter le modèle, surveiller le Model Drift, réentraîner régulièrement et respecter le RGPD données salariés. L'analyse prédictive RH doit s'intégrer dans une gouvernance rigoureuse, avec une attention particulière à l'audit algorithmique et à l'IA prédictive RH.
Les prédictions alimentent ensuite des systèmes d'aide à la décision, des moteurs de recommandation et des solutions d'intelligence artificielle capables de proposer des actions adaptées. L'analyse prédictive fait ainsi le lien entre la compréhension des phénomènes RH et leur optimisation continue.
C'est une méthode qui utilise des modèles statistiques et d'intelligence artificielle pour anticiper les évolutions futures des ressources humaines, comme les départs volontaires ou les pics d'absentéisme.
L'analyse diagnostique explique pourquoi un phénomène s'est produit dans le passé, tandis que l'analyse prédictive estime ce qui risque de se produire à l'avenir sur la base de probabilités.
Non. Un modèle attribue un score de probabilité (ex: 82% de risque de départ), pas une certitude absolue. C'est un outil d'aide à la décision pour prioriser les actions de fidélisation.
En RH, on priorise le recall (capacité à détecter les vrais risques) et la précision (limitation des faux positifs) combinents dans le F1-score, plutôt que la simple accuracy.
Un modèle RH doit être compréhensible, explicable et transparent pour obtenir l'adhésion des managers et respecter strictement les exigences du RGPD et de l'AI Act européen.