Comment la Data révolutionne-t-elle le secteur des RH ?

L'intelligence artificielle : croyance et réalité

Bien souvent, quand on parle d'intelligence artificielle, on peut s'imaginer des robots remplaçant les humains, ou encore des caméras qui voient exactement tout ce que l'on fait, où nous sommes, où va-t-on etc.

En réalité, l'IA regorge d'applications qui nous entourent, et qui améliorent notre quotidien depuis quelques années maintenant. Derrière tout cela, ce ne sont rien de plus que des algorithmes mathématiques qui auront des approches comme celles que présentes sur les images ci-dessous. 

‍

Un premier exemple dans les RH

En tant que RH, vous souhaitez prédire le salaire d’un candidat en entretien afin de savoir les marges de négociations que vous pouvez avoir.

Si vous êtes un jeune recruteur, vous vous tromperez peut-être, mettons entre 30 et 40%. En gagnant de l’expérience, en voyant passant bon nombre de CVs et menant tout autant d’entretiens, votre marge d’erreur va petit à petit s’amoindrir. 

C’est un exemple simple pour vous illustrer le modèle de Machine Learning (un sous-domaine de l'IA) des plus communs : la régression. En tant que recruteur Junior, c’est là que l'IA peut entrer en jeu pour vous aider dans votre tâche. 

Ce que cela veut dire

Sur cette figure, les points bleus représentent tous les salaires des candidats en fonction de leur nombre d'années d’expérience, le traits noir correspond ici à votre algorithme. Ce dernier va tenter d'approximer une fonction passant au plus proche de tous les points bleus afin de prédire le salaire d’une nouvelle personne.

Voilà ce qu’est l’IA ! Une fonction mathématique vous permettant de faire de la prédiction ou de classifier des éléments afin d’être au plus proche de la réalité. Car oui, une autre cas d’usage de l’IA est la classification.

Un exemple ? Savoir si quelqu'un va acheter un produit oui ou non, en fonction de son niveau de revenu, son âge. Au lieu de prédire un chiffre (le salaire d’une personne), nous allons plutôt prédire si la personne appartient à une catégorie A (va acheter) ou à une catégorie B (ne va pas acheter). On appelle ce genre de modèles une régression logistique.

Complexifions la chose

Reprenons notre exemple. Nous imaginons bien que le nombre d'années d'expérience n’est pas la seule variable à prendre en compte lorsque l’on va tenter de prédire le salaire d’un candidat. Bien d’autres variables sont à prendre en compte. Par exemple, le temps passé dans l'entreprise, le niveau de diplôme, et d'autres données de ce type.

C’est là aussi que l’IA facilite grandement la tâche : l’algorithme reste finalement similaire, alors que le recruteur pourrait avoir du mal à prendre du recul sur autant d’informations.

Les algorithmes les plus complexes sont ceux que l’on appelle les réseaux de neurones. Le but de ces réseaux est de mimer le cerveau humain grâce à des neurones artificiels. Ceux-ci vont se connecter, et vont avoir pour but de prendre des inputs (i.e nombre d’années d’expérience, niveau de diplôme etc) pour en sortir un output (le salaire prédit)

Le Deep Learning

Dans ces réseaux de neurones, la donnée va passer dans plusieurs couches d’algorithmes très simples (comme des régressions) permettant d’affiner le résultat de fin. Et les use cases de ces réseaux de neurones nous entourent ! Vous avez sûrement entendu parler des voitures autonomes, ou encore de la reconnaissance faciale de Facebook, ce ne sont ni plus ni moins des réseaux de neurones qui sont utilisés. Dans le cas de la voiture autonome, la caméra placée au-dessus de la voiture permettra de récupérer les images qui seront elles-même traitées par le réseau de neurones pour comprendre et assimiler l’environnement de la voiture, avant de prendre des décisions comme tourner, s'arrêter, reculer. 

Nous entrons alors au plus près de l’IA, avec un autre de ses sous-domaines, le Deep Learning et ses use cases, lorsque l’on va analyser des données dites non-structurées. Celles-ci sont des données qui ne peuvent pas être stockées dans des tableaux, qui ne sont pas toujours des données numériques. Ce peuvent être par exemple des images, ou du texte ou encore du son !

Et quand on parle de Big Data ? 

Le volume de données que nous générons double chaque année. Des algorithmes de Machine Learning font alors émerger des cas d'application aussi incroyables que cela : les moteurs de recommandation sur Netflix, ou encore des use case à vocation médicales ou sociales. Dans la médecine par exemple, de plus en plus de professionnels s’aident d’algorithmes capables, sur une image, de reconnaître des cellules cancéreuses.

Et dans les ressources humaines ?

Les deux cas d’usages les plus connus

L'algorithme se retrouve dans tous les secteurs, y compris le secteur des RH. Car finalement, un outil RH sert à centraliser les demandes et les processus, pour les employeurs et les employés. Pour en savoir plus sur la conduite du changement dans le cadre de votre transformation digitale RH c'est par ici ! Car l’on essaye d'appliquer l'intelligence artificielle dans un outil de gestion RH, 2 cas d'usages importants se démarquent :

• Le management du risque : i.e la prédiction du turnover, d’un burn-out. Un enjeu phare pour les entreprises, qui souhaitent également estimer la probabilité qu’a un collaborateur de partir dans l'entreprise. L’idée est de comprendre quels sont les facteurs qui influencent son départ, afin de lui proposer des solutions ou alternatives
  
  
• Le care : l’accompagnement du salarié et sa fidélisation, axes sur lesquels vous faisons un focus juste en dessous
  

L’idée de l’intelligence artificielle n’est pas du tout de remplacer l’homme, mais bien de l’aider dans sa prise de décision, le rendre plus productif pour qu'il se concentre sur des tâches intellectuellement plus prenantes.

Faisons un focus sur le care

L’idée est ici d’aller plus loin dans l'accompagnement et la fidélisation du salarié grâce aux technologies d’IA. Comment une machine peut-elle bien aider à cette tâche orientée “relations humaines” ? Nous parlerons ici de 2 grands cas d’applications de l’IA au Care : 

• La réduction du temps de traitement des demandes
• L'amélioration de l'expérience humaine
  

Nous observons rapidement un phénomène de translation temporelle entre le premier et le second use case, dans le sens où la réduction du temps peut être investi à l’amélioration de l’expérience humaine.

La réduction du temps de traitement

Une contrainte légale

Aujourd’hui, la loi RGPD oblige à classifier tout document arrivant sur le cloud de l’outil RH : il va s’agir de renseigner quel est le document et à qui est-ce qu’il appartient (i.e ce document est un passeport et il appartient à Martin Dupont.) Comme nous le devinons, ce sont des tâches très redondantes et chronophages, mais aussi simples à faire par le cerveau humain : une place toute trouvée pour l’implémentation d’un outil d’automatisation !

Celui-ci sera alors un assistant virtuel pour le gestionnaire, lui permettant un gain de temps important. Ce genre d'exemple est déjà présent dans beaucoup d'outils de gestion RH aujourd'hui et peut faire économiser plusieurs centaines d'heures pour des grosses entreprises avec cette simple fonctionnalité.

Un exemple concret

Reprenons l’exemple de la classification documentaire (rendue obligatoire). Au-delà de son aspect chronophage pour l’humain (elle peut prendre d'1 à 2 minutes par document, pour plusieurs dizaines de documents par jour), c'est une tâche dont le taux d’erreur peut être très elevé, car redondant et non stimulant. 

Egalement, nous notons qu’il existe de multiples types de documents, entre un passeport, une carte d'identité, une carte vitale, mais aussi, par exemple, un compte rendu d'assemblée générale, d'assemblée générale extraordinaire. Typiquement, nous estimons le taux d'erreur d'environ 8-9% d'erreur chez les hommes et les femmes, de 4-5% aujourd'hui sur les algorithmes.

Comment l’algorithme va-t-il fonctionner ? Premièrement, il va détecter le type de document (i.e ce document est un passeport) grâce à un entraînement fait sur plusieurs passeports. Pour comprendre le fonctionnement exact d’un algorithme de Machine Learning ou Deep Learning, rendez-vous sur cet article. Par des techniques de Deep Learning appliquées au traitement de texte (le NLP), il va extraire les informations présentes sur la pièce d’identité (photo, nom, prénom, date de naissance par exemple) pour les envoyer automatiquement dans la base de données du RH. 

Finalement, le temps que l'on gagne dans ce genre de tâches peut être rapidement investi dans l'amélioration de l'expérience humaine.

‍

L’amélioration de l’expérience humaine

Un schéma simple 

L'accompagnement des gestionnaires permet l'accompagnement du salarié, créant lui même crée du lien, et au passage la fidélisation du salarié. À la question “pourquoi est-ce qu'il est important de fidéliser ses collaborateurs ?”, tout le monde pourrait avoir plusieurs pan de réponses, notamment 2 : 

• Il sera possible, sur un plan comptable, d'amortir les investissements faits sur les employés qui restent le plus longtemps dans l'entreprise.
• Un employé fidèle est un employé qui connaît l'entreprise, connaît l'écosystème de l'entreprise, et lui rapportera donc de la valeur.

Les RH demain : quel seront le rôle et l’enjeu de l’IA ? 

3 points reflètent et expliquent ce rôle que pourrait avoir l’IA dans les RH de demain. 

• La digitalisation : le COVID n'a été que le témoin qui a mis en lumière l'importance du télétravail dans la vie professionnelle. En dehors de cela, les équipes sont également souvent délocalisées : un pôle technique en Inde, un pôle de compétences au Japon, un autre pôle technique aux Etats-Unis etc. L’objectif est de collaborer au mieux sur tous les projets en optimisant la communication grâce à divers outils digitaux. Arriver à accompagner, à créer du lien avec ses employés, est quelque chose de vital qui va finalement être le corollaire de la digitalisation voulue par les employés.
  
  
• Le frontière entre monde personnel et monde professionnel est de plus en plus floue : encore une fois avec l’avènement du télétravail, arriver à respecter l'individualité va être un vrai moteur dans la fidélisation de l'employé. 
  

• C'est une tendance de fond : demain, il sera de plus en plus facile de changer de job. Cette culture du changement qui s'est imprégnée, s'est finalement peu déteinte dans la vie professionnelle. Les personnes de la génération Z ont pour la plupart intégré qu’une longue carrière dans une même entreprise leur arrivera très certainement. Gérer cette flexibilité, ce changement permanent demandra l'implémentation d'outils performants.
  

Un cas d’illustration

Un employé via un outil de centralisation des processus RH, pose une question à son gestionnaire. Plusieurs possibilités peuvent être données au gestionnaire pour lui répondre de la manière la plus pertinente, grâce à un outil d’automatisation.

• Détection de l’humeur de l’employé : en comparant ce message avec l’historique des messages envoyés, il est possible de retrouver des schémas qui se répètent (les mêmes types d'informations demandées à des moments clés par exemple) et donc de proposer des formats de réponses adaptées.
  

• Proposer des articles, contenus pour poursuivre l'accompagnement du salarié. Si l'entreprise dispose d'une base de connaissances, le gestionnaire peut répondre avec ces articles pour compléter la demande. 
  

L’idée est de garder l'accompagnement humain à moindre coût pour le gestionnaire, tout en gardant ce contact humain primordial.

Le RGPD dans tout ça ?

Il y a souvent un frein sur la sécurisation,  la protection de ces données car les départements RH gèrent très souvent des données personnelles, voire sensibles. Si vous souhaitez en savoir plus, n’hésitez pas à lire notre article sur le RGPD pour tout comprendre. Aujourd'hui, ces contraintes là peuvent être prises en charge par les entreprises, car de plus en plus d'outils sont à disposition, des choix éthiques sont à prendre.

Sécuriser la donnée : quels choix ?

• Utiliser et stocker les données sur les instances de production, des serveurs de production. Les serveurs sont plus sécurisés, ce qui permet d'héberger les outils que vous utilisez au quotidien. 
• Ne pas partager les données entre les modèles d’IA pour ne pas avoir trop de flux de données lorsque l’on traite des données sensibles.
• L’obligation morale de comprendre la donnée que l’on utilise, et à quels fins. Pour reprendre notre tout premier exemple : ai-je bien le droit de connecter telle ou telle donnée sur l’âge du candidat ? Ses expériences passées ?
  

Protéger la donnée : quels choix ? 

• Utilisation de méthodes de “brouillage” mathématique ne permet pas de faire de la rétro-ingénieurie pour identifier  la personne à partir de données précises.
• La méthode la plus utilisée : l’anonymisation des données. Si l’on reprend l’exemple des méthodes de NLP (Natural Language Processing), on peut parvenir à extraire les données d’un dossier médical, par exemple le nom, le prénom ; pour ensuite les remplacer par des noms aléatoires.

Conclusion

En somme, nous pouvons toujours respecter l'individualité de chacun en minimisant l’utilisation malveillante de ces données-là. Si vous souhaitez comprendre toutes ces méthodes de Machine Learning, de Deep Learning, d’automatisation, n’hésitez pas à regarder nos formations en Data Science et Data Analysis