WWW.TALENTSOFT.COM Dans quelle mesure le Big Data pourrait op2miser la prise de décision RH Lynda ATIF 18/06/2015 Winter 2015 Big Data & HR
WWW.TALENTSOFT.COM
Dans quelle mesure le Big Data pourrait op2miser la prise de décision RH
Lynda ATIF 18/06/2015
Winter 2015 Big Data & HR
AGENDA
2
Etat de l’art Big Data : Vision IT Vs Socio-Eco
Problématique RH
Exemple use case : Google & multiposting
Contexte : Talentsoft
Etude de faisabilité
L’existant analytics : du small au Big Data Analytics
Conclusion
CONFIDENTIAL -‐ This document may not be disclosed to third parEes without prior wriGen permission of TalentsoI. 3
Introduc/on
Philosophie du jour (Brooks, 2013) The next frontier (Manyika et al. 2011) A revolution (Mayer-Schonberger and Cukier, 2013) A seismic shift (Gitelman and Jackson, 2013) The new oil of the 21st century (Helbring, 2014) …etc.
CONFIDENTIAL -‐ This document may not be disclosed to third parEes without prior wriGen permission of TalentsoI. 4
Le Big Data c’est…
Les définitions techniques… “data that exceeds the processing capacity of conventional database systems.” (Edd Dumbill, 2012) “high-volume, high-velocity and high-variety information assets that demand cost-effective, innovative forms of
information processing for enhanced insight and decision making.” (Gartner, 2001) Peter Mell similarly constrains big data to “[w]here the data volume, acquisition velocity, or data representation limits
the ability to perform effective analysis using traditional relational approaches or requires the use of significant horizontal scaling for efficient processing.” (Konkel,2013)
…sont souvent limitées
CONFIDENTIAL -‐ This document may not be disclosed to third parEes without prior wriGen permission of TalentsoI.
Le Big Data c’est…
Socialement…
“big data as referring to things one can do at a large scale that cannot be done at a smaller one, to extract new insights or create new forms of value, in ways that change markets, organizations, the relationship between citizens and governments, and more.” (Mayer-Schönberger V., Cukier K, 2013) « We must remember that all data- big or small are socially constructed » (Browker GC, Starr SL. 1999) « whether it is "big" or 'smart" data, the use of large-scale data predict human behavior is gaining currency in business and government policy practice, as well as in scientific domains where the physical and social sciences converge . (Recently referred to as "social physcis“ de pentland)” (Haas&Pentland, 2014) “Raw Data’ is an oxymoron. We need to know where data come from, and the methods used to collect, analyse and categorize them.” (Gitelman L., 2013)
...L’impact est plus fort
CONFIDENTIAL -‐ This document may not be disclosed to third parEes without prior wriGen permission of TalentsoI.
Big Data IT Eco-socio
Problématique Ancienne (technique) Nouvelle (l’impact)
Terminologie
Ensemble de techniques et technologies Concept regroupant : données, méthodes et outils
Caractéristiques des données
Volume
Variété Vélocité
X X
Traitement avec des techniques de corrélation X X
Finalité La prédiction X X
Objectif La création de valeur X X
Processus décisionnel Automatisation des décisions Aide à la décision
Les limites
L’accès aux données X X
La véracité X X
La variabilité X
La question de l’éthique X
La subjectivité X
Epistémologie Approche positiviste Approche constructiviste
Davenport & al., 2009 Bollen & al, 2010
Koutroumpis, P., & Leiponen, A. 2013
Mayer-Schönberger V., Cukier K, 2013 Malle JP., 2013
Gitelman L., 2013 Pentland A., 2014
Pope C. and al., 2014
Gartner, 2001 IDC, 2007
Hilbert M., Lopez P., 2011 Hopkins & Evelson, 2011
Manovich, 2011 Manyika & al., 2011
Dumbill,2012 Boyd D., Crawford K., 2012
Ouellet M. et al., 2013
CONFIDENTIAL -‐ This document may not be disclosed to third parEes without prior wriGen permission of TalentsoI.
Probléma/que
Big data est un concept qui fait référence à des ouJls, processus et procédures qui permeNent la collecte et le traitement en temps réel d’une grande quanJté de
données hétérogène dans le but d’en Jrer une analyse prédic0ve
Dans quel mesure ce concept trouve son uJlité au sein de la DRh?
A quel processus cela s’applique t-‐il?
CONFIDENTIAL -‐ This document may not be disclosed to third parEes without prior wriGen permission of TalentsoI.
Exemple d’applica/on: processus de recrutement Google
ObjecJf
• PermeNre aux recruteurs Google de valider ou au contraire d’ajuster leurs critères de recrutement et donc prédire la performance des candidats
AcJon
• analyse de corrélaJon des données RH de leurs collaborateurs: revue de performance, données des enquêtes internes, données externes etc.
Résultat • Pas de corrélaJon entre les résultats scolaires et la performance de ses collaborateurs, Google à donc cesser d’uJliser la réussite scolaire comme un critère prépondérant dans le choix d’un recrutement.
CONFIDENTIAL -‐ This document may not be disclosed to third parEes without prior wriGen permission of TalentsoI.
Exemple d’applica/on: canaux de recrutement de Mul/pos/ng
Small Data Big Data
Nombre d’offres diffusées
Attractivité de la marque employeur
ObjecJf • l’attractivité de mes offres d’emploi sur les différents canaux par rapport au marché
AcJon
• analyse de corrélation des données correspondant au nombre de clics par annonce, nombre de type de support de diffusion, données publiques, données internes…
Résultat
• L’indice d’attractivité : qui mentionne l’attractivité des offres d’emploi d’une entreprise X par rapport à son secteur dans différents Job boards
AGENDA
10
Etat de l’art Big Data : Vision IT Vs Socio-éco
Problématique RH
Exemple use case : multiposting and co
Contexte : cas entreprise Talentsoft
Etude de faisabilité (étapes gestion projet, étapes analytics)
L’existant analytics : du small data (chantier BI) au big data
conclusion
CONFIDENTIAL -‐ This document may not be disclosed to third parEes without prior wriGen permission of TalentsoI.
Cas entreprise : TalentsoF
Editeur informaEque proposant une soluEon 100% Cloud pour la gesEon des ressources humaines 700 Clients en tout 4000000 d’uElisateurs 100 pays
CONFIDENTIAL -‐ This document may not be disclosed to third parEes without prior wriGen permission of TalentsoI.
Etude de faisabilité : les étapes du projet
Analyse, visualisaJon et interprétaJon des résultats
SélecJon des technologies à meNre en œuvre (capture, stockage, traitement, visualisaJon)
DéfiniJon des modèles et techniques d’analyse adaptés (data mining, algorithmie, machine learning, IA)
IdenJficaJon et qualificaJon des sources de données adéquates (internes/ externes, structurées/ non structurées)
Recensement des cas d’usage à priori perJnents (quesJons méJers à forte valeur ajoutée)
CONFIDENTIAL -‐ This document may not be disclosed to third parEes without prior wriGen permission of TalentsoI.
Etude de faisabilité : les cas d’usages
IdenJfier les talents externes via le web
IdenJfier en temps réel les meilleurs
canaux de recrutement
IdenJfier les critères de recrutement les plus perJnents
IdenJfier les caractérisJques des
équipes performantes
anJciper les besoins en formaJon
anJciper les besoins en recrutement
Améliorer les relaJons sociales par l’analyse des senJments des collaborateurs
Prédire les départs des collaborateurs
Prédire les évènements contribuant à la performance des collaborateurs
Données internes
Données structurées
Données externes
Données non structurées
Thème: recrutement
Thème: talents & performance
Thème: turn over
Thème: formaJon
Climat social
CONFIDENTIAL -‐ This document may not be disclosed to third parEes without prior wriGen permission of TalentsoI.
Recensement des cas d’usage à priori pertinents (questions métiers à forte valeur ajoutée)
Les besoins -‐sourcing de candidats potentiels
sur le web
Cible potentielle Le RH dans son activité de pré-‐
sélection et pré-‐analyse de candidats
Données sources -‐ Données SIRH qui font partie du pro>il
et des parcours des employés -‐ Données SIRH d'évaluation EIA des
employés -‐ Réseaux externes: Linkedin, viadeo,
twitter, etc.
Objectif Effectuer un recrutement plus ef>icace et plus
pertinent
Fréquence d'analyse Ponctuelle/ à la demande Granularité d'analyse/ de
résultat Individuel
Fiche fonctionnelle « sourcing »
Les besoins prévoir les évolutions des métiers de l'entreprise et les compétences
nécessaires et disponibles
Cible potentielle La direction stratégique des
ressources humaines / universités
Données sources -‐ Données internes sur la GPEC des entreprises clientes à Talentsoft
-‐ OPEN DATA
Objectif Anticiper le marché de l’offre et la demande des emplois et compétences
Fréquence d'analyse Récurrente/périodique Granularité d'analyse/
de résultat Collectif
Fiche fonctionnelle « gestion prédictive des emplois et compétences»
Etude de faisabilité
CONFIDENTIAL -‐ This document may not be disclosed to third parEes without prior wriGen permission of TalentsoI.
L’objec/f de TalentsoF (du Small au Big data Analy/cs)
Reporting
HR Analytics 2016
CONFIDENTIAL -‐ This document may not be disclosed to third parEes without prior wriGen permission of TalentsoI.
Conclusion
Force
-‐ Développement d’ouJls analyJques performants au service des méJers
-‐ Développement de nouveaux business modèles
Faiblesse
-‐ Qualité/non disponibilité des données -‐ Conduite du changement
-‐ Pénurie de compétences pour gérer ces nouvelles technologies
Opportunité -‐ Moteur d’innovaJon
-‐ Comprendre la dynamique de certains domaines en temps réel et prédire des évènements futurs*
Menace -‐ Cadre réglementaire non défini
-‐ Sécurité de l’informaJon
SWOT
* David Bollier, 2010