Analytique RH et prédiction du turnover : modèles ou enquêtes ?

Imaginez : le manager de l'équipe d'ingénierie passe à votre bureau pour vous annoncer qu'une développeuse, celle que vous n'auriez jamais imaginée partir, vient de poser sa démission.

Le directeur technique vous demande si on aurait pu le voir venir. Vous repensez alors à la dernière enquête pulse (une enquête courte et régulière) de l'équipe de Maya. Un des scores de l'équipe était un peu bas, vous vous en souvenez. Mais comme le reste de l'équipe affichait des résultats stables, personne n'a jugé utile de creuser.

Et si l'enquête pulse était anonyme, comme elle devrait l'être, impossible de savoir quel score était celui de Maya.

Il n'empêche : vous devez maintenant trouver un moyen d'anticiper ce genre de départ.

En tant que responsable RH, deux options s'offrent à vous : construire en interne un modèle de prédiction du turnover à partir des dossiers de vos collaborateurs, ou tirer un meilleur parti des données d'engagement que vous recueillez déjà.

Un modèle personnalisé pourrait mettre au jour des tendances que vos enquêtes actuelles laissent passer, mais il exige un gros investissement en infrastructure de données, en validation et en maintenance.

Les résultats d'enquête, eux, sont exploitables tout de suite. Seul problème : si les réponses sont anonymes (et elles devraient l'être), vous pourrez au mieux repérer les équipes à risque de turnover, pas les personnes.

Voyons ce qui distingue ces deux approches en termes de coûts, d'angles morts et de risques pour la vie privée, et comment choisir celle qui convient à votre organisation tout en rendant service à vos managers.

Combien coûte le départ d'un collaborateur ?

Les frais de recrutement, vous les avez sûrement déjà chiffrés.

Mais il y a aussi la perte de productivité dans les équipes touchées par le départ de Maya. Quelle part de son travail va retomber sur des collègues qui croulent déjà sous les tâches ? Sans parler du temps que son manager va passer à recevoir des candidats.

Et les trois personnes que Maya a formées ? Elles vont devoir se débrouiller sans elle.

Le coût de remplacement d'un collaborateur varie énormément selon son rôle dans l'entreprise. Certaines estimations parlent de plusieurs mois de salaire, d'autres de plus d'un an si l'on compte la perte de productivité et le temps nécessaire pour pourvoir le poste. Mieux vaut toutefois prendre ces chiffres avec des pincettes.

Cet écart s'explique surtout par des facteurs comme les connaissances qui ne sont consignées nulle part ou le temps qu'il faut à un nouveau collaborateur pour être pleinement opérationnel, autant d'éléments que les entreprises ont bien du mal à faire entrer dans leurs modèles financiers.

Il y a aussi un effet domino, et il est inquiétant. Et si le départ de Maya faisait passer aux autres le message qu'« il n'y a pas d'avenir pour moi ici » ? Ils pourraient à leur tour mettre leur CV à jour et commencer à passer des entretiens. Peut-être même qu'un de ses collègues avait déjà ses propres doutes, pour une raison ou une autre, et attendait de voir ce que ferait Maya avant de se décider.

Quant aux entretiens de départ, on n'en apprend pas grand-chose. Au mieux, ils permettent de dresser un constat après coup ; le plus souvent, ils offrent une version édulcorée de la réalité. Quand on s'en va, on n'a pas forcément envie de risquer une mauvaise référence en critiquant son manager.

Beaucoup de collaborateurs qui partent de leur plein gré estiment que leur manager ou leur organisation aurait pu faire quelque chose pour les retenir. D'après Gallup, c'est justement là que le turnover est le plus souvent évitable. Autrement dit, c'est avant la démission qu'on a le plus de prise, et une fois le préavis posé, il est déjà trop tard.

Bien trop tôt, donc, pour qu'un entretien de départ édulcoré vous apprenne quoi que ce soit.

Leigh Branham va d'ailleurs dans le même sens dans son livre The 7 Hidden Reasons Employees Leave. Pour lui, les collaborateurs ne partent pas sur un coup de tête : ils se désengagent peu à peu, et des signes visibles apparaissent en chemin. Il ajoute que la plupart des causes profondes sont à la portée d'un manager.

Ce que vos données d'engagement peuvent vous apprendre

Dans la plupart des grandes organisations, les signaux utiles existent déjà, mais ils sont éparpillés entre plusieurs systèmes qui n'identifient pas tous les personnes de la même façon.

Votre enquête annuelle pose quelques questions sur les perspectives d'évolution, votre enquête pulse demande aux collaborateurs s'ils ont confiance en leur manager, et vos données de reconnaissance montrent qui en reçoit.

Tout cela est utile, mais ne raconte qu'une partie de l'histoire. L'autre partie, c'est de savoir qui se sent mis de côté.

Et ça, il faut le suivre de près.

Les évaluations de performance et les comptes rendus d'entretiens individuels pourraient eux aussi nourrir l'analyse de la rétention, mais ce sont par nature des informations nominatives. Pas question de mettre en péril l'anonymat des réponses à l'enquête en les croisant avec ces données.

Méfiez-vous aussi d'une lecture trop littérale des résultats. Le score global d'engagement d'une équipe peut rester stable alors que ses réponses à la question sur les perspectives d'évolution reculent depuis trois enquêtes pulse. Voilà qui mérite peut-être qu'on s'y attarde.

Les scores composites sont faits pour lisser les résultats : à ne regarder que le score global, vous risquez de passer à côté de fortes variations sur certaines questions.

Gardez aussi un œil sur les taux de réponse. Quand une équipe qui répondait régulièrement se met à participer moins, c'est peut-être le signe que ses membres commencent à décrocher.

Voyez si cette baisse coïncide avec un événement précis. L'équipe a-t-elle changé de manager ? Y a-t-il eu une réorganisation ?

Les réponses concernant un nouveau manager peuvent par exemple être très positives à la première enquête pulse, puis se dégrader à la troisième. Ne prenez pas les scores pour des vérités absolues : servez-vous-en plutôt pour lancer la discussion et vérifier que vos hypothèses tiennent la route.

Lorsque vous cherchez dans vos enquêtes des signes de problèmes d'évolution ou de parcours professionnel, retenez que les questions les plus parlantes sont en général celles qui demandent aux collaborateurs s'ils se voient un avenir dans l'organisation. Une question sur leur satisfaction vis-à-vis de la formation en dira sans doute moins.

Certes, de grandes études, comme celle de LinkedIn sur l'apprentissage en entreprise, montrent que les gens tiennent beaucoup à apprendre et à progresser.

Mais une équipe peut tout à fait avoir une bonne opinion de ce qu'on lui propose en matière de formation et de développement sans pour autant voir de perspectives de carrière pour ses membres. Or c'est une raison souvent invoquée par ceux qui quittent leur poste.

Cela dit, l'évolution et les parcours professionnels n'expliquent pas tout. Si l'on reste dans un poste qui nous plaît, c'est aussi à cause de ce qu'on appelle l'« ancrage dans l'emploi ».

Les travaux associés à Terence Mitchell et Thomas Lee montrent qu'on reste en poste pour plusieurs raisons : on s'y sent à sa place, on est attaché à ses collègues et à ses projets, et on mesure ce qu'on perdrait en partant.

Gardez ces pistes en tête quand vous parcourez vos données à la recherche de points d'amélioration.

Reprenons l'équipe de Maya. Si la personne chargée d'accueillir les nouvelles recrues s'en va, celles-ci auront moins de liens avec leurs collègues, même si les réponses à l'enquête ne bougent pas. Dans ce cas, les questions sur le sentiment d'appartenance, le soutien entre collègues et la stabilité de l'équipe pourraient en dire plus que celles sur les perspectives d'évolution.

N'oubliez pas que des résultats anonymes à l'échelle d'une équipe ne vous renseignent que sur le ressenti de l'équipe dans son ensemble. Ils ne vous diront pas si une personne en particulier, comme Maya, songe à partir.

Ce qui nous ramène à la situation délicate évoquée au début. Si les réponses de l'équipe de Maya viennent d'une enquête pulse anonyme, il ne doit pas être possible de remonter jusqu'à elle à partir d'une note basse à telle ou telle question, ni de la montrer du doigt. En revanche, si elle a fait part de ses inquiétudes lors d'un entretien où elle était identifiable, son manager avait la possibilité d'y donner suite, dans la mesure de ce qu'elle acceptait de lui confier.

S'il ne l'a pas fait, c'est à lui d'en assumer la responsabilité.

Servez-vous des tendances de vos enquêtes pour poser de meilleures questions, et non pour deviner qui a répondu quoi.

Inutile de vous équiper d'un tout nouveau système pour analyser tendances et points de comparaison.

Il vous faut simplement un moyen d'extraire les réponses à des questions précises et de les comparer d'un cycle d'enquête à l'autre, et des personnes qui ont les compétences et le temps d'en parler avec leurs équipes.

Pourquoi est-on tenté de créer un modèle personnalisé de prédiction du turnover ?

Une enquête vous donne une idée de la façon dont les collaborateurs vivent leur travail. Un modèle de turnover développé en interne, lui, permet de vérifier si ces données, croisées avec d'autres informations sur les collaborateurs, font apparaître des tendances annonciatrices de départs volontaires dans votre organisation.

Votre modèle pourrait par exemple mesurer l'effet de variables comme le nombre de jours écoulés depuis la dernière promotion ou la dernière mobilité latérale, le ratio de positionnement salarial, un changement récent de manager, l'ancienneté ou les candidatures internes. Si la loi vous autorise à recueillir cette information, vous pourriez aussi intégrer l'évolution du temps de trajet après un déménagement. D'autres variables peuvent être pertinentes, à condition que leur prise en compte repose sur des hypothèses et une logique défendables sur le plan économique, juridique et au regard du dialogue social.

Il se peut d'ailleurs que vous ayez à expliquer à un collaborateur pourquoi telle variable est utilisée.

La régression logistique, par exemple, permet de prédire la probabilité qu'un collaborateur parte sur une période donnée. L'analyse de survie cherche plutôt à estimer à quel moment il risque de partir, en fonction de ses caractéristiques. Elle tient aussi correctement compte des collaborateurs encore en poste à la fin de la période d'observation (les observations censurées), ce que les modèles de classification plus rudimentaires gèrent mal.

Des méthodes plus avancées, comme les forêts aléatoires ou le gradient boosting, savent détecter des interactions entre variables : l'absence de promotion pourrait par exemple ne poser problème qu'après l'arrivée d'un nouveau manager. Elles sont en revanche moins transparentes et plus difficiles à expliquer.

Un simple graphique d'importance des variables ne suffira pas forcément à rendre le modèle intelligible pour un manager de proximité.

Quelle méthode choisir ?

Tout dépend de l'horizon et du type de décision visés. Si votre équipe RH cherche à savoir si le manque de promotions pousse vers la sortie les collaborateurs d'une grande famille de métiers, un modèle facile à interpréter vous rendra sans doute plus service qu'une approche de machine learning opaque.

Dans le domaine de la prédiction des risques cliniques, des chercheurs ont comparé des méthodes souples de machine learning à des modèles de régression bien spécifiés, à partir de dossiers médicaux recueillis en routine. Dans l'ensemble, les modèles complexes n'apportaient que des gains modestes. Or ces études portent généralement sur beaucoup plus de personnes qu'un jeu de données RH classique : on peut donc s'attendre à ce que les modèles complexes aient tout simplement besoin de davantage de données pour faire leurs preuves.

Mieux vaut commencer par un modèle interprétable, puis démontrer ce qu'apportent réellement les approches plus complexes.

Mais avant même de choisir une méthode, il faut fixer l'horizon de prédiction. Une période courte (trois mois, par exemple) laisse moins de temps aux managers pour réagir, mais les données qui permettent de la prédire sont en général plus précises. Une période plus longue (douze mois, par exemple) leur donne plus de marge, mais certains changements décisifs dans la décision de partir ne se seront peut-être pas encore produits.

Plus l'horizon est lointain, moins les prédictions sont précises, un peu comme la météo, dont les prévisions perdent en fiabilité à mesure qu'elles portent loin. Choisissez donc un horizon qui correspond au temps nécessaire pour agir (un cycle de promotion ou une mobilité interne, par exemple).

La recherche sur le turnover ne date pas d'hier. Elle montre que l'intention de partir permet de prédire les départs réels, mais imparfaitement : certains collaborateurs qui disent vouloir partir finissent par rester, tandis que d'autres s'en vont sans jamais en avoir parlé. Les modèles de turnover peuvent intégrer le parcours et le contexte des collaborateurs, ce que les enquêtes ne permettent pas, et faire ainsi apparaître d'autres tendances utiles.

Bien sûr, même ces modèles ignoreront tout de l'appel qu'un recruteur a passé à un collaborateur la semaine dernière.

Si vous dirigez une entreprise internationale où beaucoup de collaborateurs occupent des postes comparables, vous avez peut-être assez de départs volontaires pour tester ces hypothèses. Peut-être même disposez-vous d'une équipe de people analytics capable de recalculer les prédictions et les scores de risque après des changements organisationnels importants, comme des ajustements salariaux ou une réorganisation.

Un modèle de turnover donne aussi à votre organisation un peu plus de maîtrise : c'est vous qui choisissez la question, qui recueillez les données et qui fixez le seuil au-delà duquel une personne est considérée comme à risque de turnover. Vous pouvez ainsi vérifier qu'une tendance se confirme bien dans vos propres effectifs, au lieu de supposer qu'une tendance générale s'applique chez vous.

En revanche, un modèle a beau prédire le départ de collaborateurs ayant telle ancienneté ou tel niveau de poste, il ne dira pas forcément aux managers comment réagir.

Tenez compte également du taux de turnover volontaire de votre population. S'il est faible, la plupart des personnes jugées à risque ne partiront pas, et les managers ne manqueront pas de le constater dans leurs équipes. La statistique qui compte, c'est donc : parmi les personnes que le modèle a jugées à risque, combien ont réellement quitté leur poste ? Ce n'est pas la même chose qu'un indicateur de performance comme l'aire sous la courbe ROC.

Enfin, vérifiez le calibrage du modèle : les collaborateurs à qui il attribue un risque de turnover de 30 % partent-ils effectivement dans 30 % des cas ?

Que faut-il pour créer et maintenir un modèle de prédiction du turnover efficace ?

Commençons par là : construire un modèle de prédiction du turnover efficace n'est peut-être pas votre priorité absolue.

La vraie priorité pourrait plutôt être de vérifier que vous arrivez à relier ou à nettoyer suffisamment de dossiers pour en tirer des données et des pistes exploitables. Vos systèmes communiquent-ils entre eux ? Savez-vous quand un collaborateur a été promu, ou seulement quand la promotion a été saisie dans le système ?

Savez-vous quand un collaborateur a cessé de travailler, ou seulement quand son profil a été désactivé ? Les départs volontaires sont-ils enregistrés de manière homogène, ou les ruptures d'un commun accord sont-elles saisies différemment selon le responsable RH qui s'en est chargé ?

Chacun de ces problèmes peut dégrader la qualité de votre modèle. Prenez la fuite de données, un piège classique. Si le modèle s'appuie sur des données recueillies après la démission (par exemple, des étapes de départ réalisées avant la date officielle de fin de contrat), il paraîtra bien plus performant qu'il ne l'est pendant les tests, puis décevra en conditions réelles.

De même, si votre équipe répartit les données au hasard entre ensemble d'entraînement et ensemble de test, l'efficacité du modèle risque d'être mal évaluée : quand les deux ensembles contiennent des collaborateurs touchés par la même réorganisation ou le même cycle de rémunération, le résultat du test est trop flatteur. Mieux vaut entraîner le modèle sur les années précédentes et le tester sur une année ultérieure, comme le font les prévisionnistes lorsqu'ils évaluent leurs prévisions sur des périodes passées.

Si le modèle perd en efficacité sur une année plus récente, vous verrez ainsi ses limites avant que les managers ne s'y fient.

Pour construire votre modèle, il vous faudra plusieurs profils : quelqu'un qui maîtrise l'intégration et la validation des données de votre SIRH, quelqu'un qui a les compétences techniques pour développer le modèle, et quelqu'un qui connaît les RH et sait remettre les hypothèses en question. Ce ne sera pas forcément la même personne. Il faudra aussi désigner un responsable du modèle une fois celui-ci en production, puisque ceux qui l'auront conçu passeront à d'autres projets.

Les petites équipes ont leurs propres difficultés. Une unité opérationnelle peut ne compter qu'une poignée de départs volontaires par an, ce qui empêche de bâtir un modèle fiable pour elle seule. Vous pourriez regrouper plusieurs unités pour obtenir un échantillon suffisant, mais au risque d'aboutir à un modèle trop général, qui reflète davantage les caractéristiques de la plus grosse unité que les particularités des autres.

Et puis l'entreprise elle-même évolue. Un nouveau manager, de nouvelles grilles de salaire ou une nouvelle politique de télétravail peuvent rendre les tendances passées moins pertinentes pour prédire le turnover.

Il existe aussi une difficulté plus subtile. Si vous signalez les collaborateurs à risque et que les managers réagissent bien et parviennent à les retenir, la précision mesurée du modèle va baisser. Il pourrait alors sembler inefficace, sauf à consigner chaque intervention à la main. Et s'il perd réellement en efficacité avec le temps, il faudra le réévaluer régulièrement, voire le retirer s'il ne sert plus à rien.

Bref, un modèle de prédiction du turnover, ce n'est pas un projet qu'on mène à temps perdu. Rien ne vous empêche d'en créer un, mais il faut prévoir un responsable et un budget de maintenance avant de lui demander la moindre prédiction.

Reste encore à savoir si votre organisation fera confiance au modèle.

Les limites des enquêtes

Les enquêtes collaborateurs sont utiles, mais elles ont leurs limites.

D'abord, les taux de réponse peuvent être faibles : les collaborateurs sont débordés, ne croient pas que les choses vont changer ou ont peur d'être identifiés. Ou alors, tout simplement, l'enquête leur est passée sous le nez.

Si vous ne regardez pas de près les taux de réponse par équipe ou par ancienneté, vous risquez de ne pas voir que les résultats « stables » de votre équipe ne reflètent que l'avis de sa moitié la plus satisfaite.

Ensuite, certains collaborateurs peuvent décider de partir avant même que leurs réponses ne bougent. D'autres continuent de répondre poliment tout en passant des entretiens ailleurs.

À l'Université de Washington, Thomas Lee et Terence Mitchell ont mis au point un modèle de turnover en plusieurs étapes qui décrit les différents chemins qui mènent un collaborateur à quitter son organisation. Pour certains, tout commence par ce qu'ils appellent un « choc » : une promotion qui leur passe sous le nez, un conjoint muté dans une autre ville ou une offre d'emploi qu'ils n'attendaient pas, par exemple. Certains décident alors très vite de partir, sans passer par une phase de mécontentement progressif, et ces situations sont bien plus difficiles à repérer par enquête.

Pour anticiper ces départs soudains, les organisations peuvent surveiller ces événements déclencheurs. Qui vient de se voir refuser une promotion ? Qui vient de perdre un manager qui défendait ses intérêts ?

Ce sont autant d'occasions d'échanger avec ces collaborateurs pour comprendre ce qui pourrait les inciter à rester, quels que soient les résultats de l'enquête.

Enfin, mieux vaut réfléchir aux limites de l'anonymat des enquêtes. Les collaborateurs s'expriment souvent plus librement quand ils pensent que leurs réponses resteront anonymes.

Or, si des questions de filtrage permettent aux répondants de se rattacher à un groupe qui n'atteint pas ensuite le seuil minimal, ces informations peuvent servir à les reconnaître. On peut aussi identifier des répondants en soustrayant des rapports qui se recoupent. Et un seul commentaire issu d'un petit groupe suffit parfois à trahir son auteur.

Comme l'explique Amy C. Edmondson dans The Fearless Organization, chacun met sans cesse en balance les risques personnels qu'il prend en s'exprimant et ce qu'il peut y gagner. Une seule entorse à la confidentialité peut modifier durablement, pendant des années, la façon dont toute une équipe évalue ces risques.

Les enquêtes annuelles ont bien sûr leur utilité. Mais si un manager n'entend parler d'un problème qu'une fois par an et attend encore un an avant d'en reparler avec le collaborateur, l'exercice risque de passer pour de la pure façade.

Multiplier les enquêtes pulse ne règle pas le problème pour autant : la fréquence de vos enquêtes doit suivre le rythme de vos actions.

Comment se comparent les deux approches ?

Soyons honnêtes : aucune des deux n'est parfaite.

Le bon choix dépend des données dont vous disposez et de ce que vous attendez de vos managers une fois les résultats en main.

Méfiez-vous de quiconque prétend comparer la « précision » des deux options avec un seul chiffre.

Mesurer la précision d'une approche par enquête qui repère une confiance envers le manager en train de s'effriter, et celle d'un modèle maison qui prédit les départs des six prochains mois, ce sont deux exercices qui n'ont rien à voir.

Cela dit, l'approche par enquête peut tout à fait être validée. Reprenez les tendances observées dans les réponses des équipes l'an dernier et regardez si celles qui ont nettement baissé sur certaines questions ont ensuite connu plus de départs volontaires sur les deux trimestres suivants. S'il y a une corrélation, tant mieux.

Vous disposerez alors de données propres à votre organisation pour justifier d'agir sur ces points. Sinon, cherchez d'abord quelles questions sont associées chez vous à un taux de départs volontaires plus élevé avant d'investir dans quoi que ce soit de nouveau.

Le modèle de prédiction du turnover peut lui aussi être validé. Avant de vous lancer, précisez ce que vous voulez prédire (le turnover volontaire ou les départs regrettés, par exemple) et sur quel horizon. Vous pourrez ensuite comparer sa capacité prédictive à celle d'un modèle de référence simple, fondé par exemple sur l'ancienneté et le temps écoulé depuis la dernière promotion.

Veillez à ce que votre modèle prédictif soit utilisé à bon escient

Assurez-vous qu'aucun collaborateur ne passe à côté d'une opportunité parce qu'un modèle le juge susceptible de partir. C'est le scénario classique de la prophétie autoréalisatrice : on ne confie plus de missions stimulantes aux collaborateurs signalés comme à risque, en se disant qu'ils partiront de toute façon.

Gardez aussi à l'esprit qu'un signalement de risque peut refléter des biais historiques en matière de promotion ou de rémunération, qui n'ont rien à voir avec les choix du collaborateur.

Avant d'évaluer qui que ce soit sur la base de son score de risque, examinez les résultats groupe par groupe.

Retirer une caractéristique protégée d'un algorithme ne suffit pas à en supprimer l'influence. Le temps partiel, les congés pris ou l'ancienneté, par exemple, peuvent réintroduire de façon indirecte des informations sur le genre, les responsabilités d'aidant ou l'âge.

Mesurez le taux de faux signalements dans chaque groupe. Si un groupe est signalé bien plus souvent sans que son turnover augmente dans les mêmes proportions, les scores de risque lui portent préjudice, même si la précision globale du modèle semble élevée.

Faites le point sur vos obligations en matière de protection des données personnelles avant de croiser des dossiers de collaborateurs ou de changer l'usage que vous faites des réponses à une enquête. Dans l'Union européenne et au Royaume-Uni, le calcul de scores de risque individuels impose généralement une analyse d'impact relative à la protection des données. Et dans bien des pays, les comités d'entreprise disposent d'un droit de codécision sur les outils de surveillance des collaborateurs.

Consultez-les avant de lancer un pilote, pas après. Assurez-vous que les collaborateurs savent quelles données vous recueillez, à quelles fins et qui aura accès aux résultats. Et réservez cet accès aux rôles qui en ont réellement besoin dans votre organisation.

Et surtout, ne transformez pas une enquête anonyme en outil de surveillance servant à identifier des personnes.

Si votre équipe souhaite exploiter des commentaires nominatifs à des fins de rétention, recueillez-les dans le cadre d'une démarche distincte, avec un objectif clairement défini (des entretiens de fidélisation, par exemple).

Comment Sparkbay vous aide à repérer les risques de départ dans les commentaires de vos équipes

Avec Sparkbay, nous vous aidons à repérer les changements sans attendre la prochaine enquête annuelle. Beaucoup d'équipes choisissent une enquête pulse mensuelle : les managers voient ainsi si des inquiétudes liées à l'évolution ou à la charge de travail reviennent régulièrement, au lieu de tirer des conclusions d'une seule mauvaise semaine.

Vous pouvez personnaliser la formulation des questions de nos enquêtes et de nos tableaux de bord pour y ajouter une question sur l'évolution rédigée à la manière de votre organisation, puis suivre les réponses à cette question en parallèle du score d'engagement sur 10.

Nos rapports permettent de comparer les résultats d'un groupe à l'autre et dans le temps. Les équipes RH peuvent ainsi voir si une baisse des scores concerne une seule équipe ou tout un service, avant d'aller en parler avec les managers pour comprendre ce qui se passe.

Nous masquons automatiquement les résultats de tout groupe qui n'atteint pas le nombre minimal de réponses (cinq par défaut, mais ce seuil est modifiable). L'accès aux rapports suit aussi la hiérarchie de votre organisation : chaque manager ne voit que les résultats de ses propres équipes.

Vous gagnez ainsi en confidentialité et en sécurité, tout en gardant les moyens d'agir. Encore faut-il, bien sûr, prendre le temps de demander aux collaborateurs ce qui améliorerait leur quotidien et de revenir vers eux ensuite.

Si vous souhaitez découvrir comment Sparkbay peut aider vos managers à bâtir une équipe plus engagée, vous pouvez cliquer ici pour une démo.

Choisissez un point de départ que vous pourrez pérenniser

Alors, par où commencer ?

Si votre entreprise compte quelques centaines de collaborateurs et que vos ressources en people analytics sont limitées, vous n'avez sans doute pas assez de données sur les départs pour construire un modèle.

Le plus sûr, c'est de partir des données d'engagement que vous avez déjà et auxquelles vous faites confiance.

Suivez l'évolution des réponses à certaines questions d'une équipe à l'autre, ventilez les taux de réponse par groupe et invitez les managers à échanger sur les résultats.

Dans une organisation de taille moyenne, vous pourriez mener des entretiens de fidélisation structurés dès qu'un événement déclencheur survient (un cycle de promotion qui s'est mal passé ou un changement de manager, par exemple).

Vous pourriez aussi étudier des tendances générales, comme la fréquence des départs en fonction du temps écoulé depuis la dernière promotion ou du nombre de mois depuis le changement de manager. Ces démarches ont leur intérêt, même si vous ne produisez jamais le moindre score de risque.

Si vous dirigez une entreprise internationale aux dossiers bien tenus et dotée d'une équipe de people analytics, vous pourriez vous lancer dans un modèle de risque personnalisé construit sur vos propres données. Rien ne vous empêche, en parallèle, de recueillir des commentaires par enquête.

Ces modèles peuvent être testés en « mode silencieux » : les scores sont calculés, mais ne sont communiqués à personne.

Au bout d'un certain temps, vous pourrez comparer les prédictions aux départs réels, pour vérifier que le modèle fonctionne comme prévu et qu'il ne se trompe pas davantage pour certains groupes que pour d'autres. Tout cela doit être fait avant qu'un modèle ne serve à prendre des décisions.

Surtout, ne faites pas de la taille de vos effectifs le seul critère. Demandez-vous si vous disposez vraiment d'assez de données comparables sur les départs.

Demandez-vous aussi si quelqu'un pourra mettre le modèle à jour et en assurer la maintenance. Et, une fois l'alerte reçue, les managers sauront-ils précisément quoi faire ?

Si ce n'est pas clair pour eux, votre modèle de risque n'est pas prêt, aussi précis soit-il.

Et si vous avez un problème de rétention à régler dès maintenant, n'attendez pas : passez à l'action.

Faites de vos prochaines étapes le point de départ d'une conversation

Une baisse du score lié à l'évolution peut amener les managers à interroger les collaborateurs sur leurs projets de carrière. Si les départs se multiplient après un changement de manager, les RH peuvent revoir l'intégration des nouveaux managers ou prévoir des points de suivi avec les nouvelles équipes pendant les premiers mois.

Évidemment, rien de tout cela n'autorise un manager à annoncer à un collaborateur qu'on le considère comme susceptible de partir.

Avant d'acheter ou de développer un nouvel outil de prédiction des départs, regardez de près ce qui s'est passé lors de vos trois derniers cycles d'enquête. Quelles inquiétudes les managers ont-ils entendues ? Quelles mesures ont-ils prises ?

Et quelles questions les collaborateurs se posent-ils encore ?

Si vous souhaitez découvrir comment Sparkbay peut aider vos managers à bâtir une équipe plus engagée, vous pouvez cliquer ici pour une démo.