Analytique RH et prédiction du roulement du personnel : modèles ou sondages?

Imaginez : votre gestionnaire en ingénierie passe à votre bureau pour vous annoncer qu'une développeuse que vous n'auriez jamais cru voir partir vient de remettre sa démission.

Le chef de la direction technique vous demande si on aurait pu le voir venir. Vous repensez alors aux résultats du dernier sondage pulse 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 fait de suivi.

De toute façon, si le sondage pulse était anonyme (comme il se doit), impossible de savoir lequel des scores était celui de Maya.

Reste qu'il vous faut maintenant trouver un moyen de voir venir ce genre de démission.

Comme responsable des RH, vous avez deux options : bâtir à l'interne un modèle de prédiction du roulement à partir des dossiers de vos employés, ou tirer davantage parti des données d'engagement que vous recueillez déjà.

Un modèle personnalisé pourrait faire ressortir des tendances que vos sondages actuels ne révèlent pas, mais il exige un investissement important en infrastructure de données, en validation et en maintenance.

Les résultats de sondage, eux, sont utilisables dès maintenant. Le hic : si les réponses sont anonymes (et elles devraient l'être), le mieux que vous puissiez faire, c'est repérer les équipes à risque de roulement, pas les personnes.

Voyons en quoi ces deux approches diffèrent sur le plan des coûts, des angles morts et des risques pour la vie privée, et comment choisir celle qui convient le mieux à votre organisation tout en étant utile à vos gestionnaires.

Combien coûte le départ d'un employé?

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

Mais pensez aussi à la productivité perdue dans les équipes touchées par le départ de Maya. Quelle part de son travail va retomber sur des collègues qui ont déjà les bras pleins? Sans compter le temps que son gestionnaire devra passer en entrevues avec des candidats.

Et les trois personnes que Maya a formées? Elles devront désormais se débrouiller sans elle.

Ce que coûte le remplacement d'un employé varie énormément selon son rôle dans l'entreprise. Certaines estimations parlent de plusieurs mois de salaire; d'autres avancent plus d'un an quand on tient compte de la perte de productivité et du temps nécessaire pour pourvoir le poste. Prenez toutefois ces chiffres avec un grain de sel.

L'écart tient surtout à des facteurs comme les connaissances qui ne sont documentées nulle part et le temps qu'il faut à un employé pour être pleinement opérationnel - des éléments que les entreprises ont bien du mal à intégrer à leurs modèles financiers.

Il y a aussi un effet d'entraînement inquiétant. Et si le départ de Maya envoyait aux autres le message qu'« il n'y a pas d'avenir pour moi ici »? Ils pourraient alors mettre leur CV à jour et commencer à passer des entrevues. Peut-être qu'un de ses collègues avait déjà ses propres réserves, pour toutes sortes de raisons, et qu'il attendait de voir ce que Maya ferait avant de se décider.

Quant aux entrevues de départ, elles apprennent rarement grand-chose. Au mieux, elles permettent de faire le constat après coup; le plus souvent, elles offrent une version aseptisée de la situation. Une personne sur le point de partir n'a pas toujours envie de risquer une mauvaise référence en critiquant son gestionnaire.

Bon nombre d'employés qui partent de leur plein gré estiment que leur gestionnaire ou leur organisation aurait pu faire quelque chose pour les retenir. Selon Gallup, c'est justement là que le roulement peut le plus souvent être évité. Autrement dit, c'est avant la démission qu'on peut intervenir le plus efficacement, et cette fenêtre se referme dès que l'employé donne son préavis.

Bien avant, donc, qu'une entrevue de départ aseptisée puisse révéler quoi que ce soit.

Autre élément à considérer : dans son livre The 7 Hidden Reasons Employees Leave, Leigh Branham va dans le même sens. Selon lui, les employés ne partent pas sur un coup de tête. Ils se désengagent sur une certaine période, et des signes visibles apparaissent en cours de route. Il ajoute que la plupart des causes profondes sont à la portée d'un gestionnaire.

Ce que vos données d'engagement peuvent vous apprendre

Dans la plupart des grandes organisations, les signaux utiles sont déjà là, mais ils sont éparpillés dans différents systèmes qui n'appliquent pas tous les mêmes règles en matière d'identification des personnes.

Votre sondage annuel pose quelques questions sur le cheminement de carrière, votre sondage pulse demande aux employés s'ils font confiance à leur gestionnaire, et vos données de reconnaissance montrent qui en reçoit.

Tout ça est utile, mais ce n'est qu'une partie du portrait. L'autre partie, c'est de savoir qui se sent laissé de côté.

Et ça, il faut le surveiller de près.

Les évaluations de rendement et les notes des rencontres individuelles pourraient elles aussi alimenter l'analyse de la rétention, mais ces renseignements sont, par nature, nominatifs. Pas question de compromettre l'anonymat des réponses au sondage en les croisant avec ces données.

Et ne prenez pas les résultats au pied de la lettre. Le score global d'engagement d'une équipe peut rester stable alors que ses réponses à la question sur les possibilités de carrière reculent depuis trois sondages pulse. Ça mérite peut-être qu'on s'y attarde.

Les scores composites sont faits pour lisser les résultats : si vous ne regardez que le score global, des variations importantes sur certaines questions peuvent vous échapper.

Surveillez aussi les taux de réponse. Si une équipe qui répondait régulièrement aux sondages se met à participer moins souvent, c'est peut-être signe que ses membres commencent à décrocher et à se désengager.

Voyez si la baisse coïncide avec un événement particulier. L'équipe a-t-elle changé de gestionnaire? Y a-t-il eu une réorganisation?

Par exemple, les réponses au sujet d'un nouveau gestionnaire peuvent être très positives au premier sondage pulse, puis l'être moins au troisième. Plutôt que de prendre les scores pour des vérités absolues, servez-vous-en pour amorcer la conversation et vérifier si vos hypothèses tiennent la route.

Quand vous fouillez vos données de sondage pour y déceler des problèmes d'avancement ou de parcours professionnel, gardez en tête que les questions les plus utiles sont généralement celles qui demandent aux employés s'ils se voient un avenir dans l'organisation. Une question sur leur satisfaction à l'égard de la formation risque d'en dire moins.

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

Mais une équipe peut très bien juger positivement son expérience en matière d'apprentissage et de développement sans pour autant entrevoir de parcours professionnel pour ses membres. Et c'est une raison que les gens invoquent souvent quand ils quittent leur emploi.

Cela dit, tout ce qui pousse les gens vers la sortie ne tient pas à l'avancement ou aux parcours professionnels. Les gens restent aussi dans un emploi qui leur plaît en raison de ce qu'on appelle leur « ancrage dans l'emploi ».

Des recherches associées à Terence Mitchell et Thomas Lee montrent qu'on reste en poste pour différentes raisons : on s'y sent à sa place, on est attaché à ses collègues et à ses projets, et on pèse ce qu'on perdrait en partant.

Gardez ces pistes en tête quand vous examinez vos données pour repérer ce qui pourrait être amélioré.

Reprenons l'exemple de l'équipe de Maya. Si la personne qui s'occupe des nouvelles recrues s'en va, ces dernières auront moins de liens avec leurs collègues, même si les réponses au sondage ne bougent pas. Les questions sur le sentiment d'appartenance, le soutien des collègues et la stabilité de l'équipe pourraient alors être plus révélatrices que celles sur l'avancement.

N'oubliez pas que des résultats anonymes à l'échelle d'une équipe ne vous disent que ce que ressent l'équipe dans son ensemble. Ils ne vous permettent pas de savoir si une personne en particulier, comme Maya, songe à partir.

Ce qui nous ramène à la situation délicate évoquée plus tôt. Si les réponses de l'équipe de Maya proviennent d'un sondage pulse anonyme, il ne devrait pas être possible de remonter jusqu'à elle à partir d'une réponse basse à une question donnée pour la pointer du doigt. En revanche, si elle a fait part de ses préoccupations lors d'une rencontre où elle était identifiable, son gestionnaire avait l'occasion d'y donner suite, dans les limites de ce qu'elle était à l'aise de partager.

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

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

Nul besoin d'un tout nouveau système pour analyser les tendances et les points de comparaison.

Ce qu'il vous faut, c'est un moyen d'extraire les réponses à des questions précises et de les comparer d'un cycle de sondage à l'autre, ainsi que des gens qui ont les compétences et le temps voulus pour en discuter avec leurs équipes.

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

Un sondage vous donne un aperçu de la façon dont les employés perçoivent leur expérience de travail. Un modèle de roulement bâti à l'interne, lui, permet de vérifier si ces données, combinées à d'autres renseignements sur les employés, font ressortir des tendances qui annoncent les 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 le dernier changement latéral, le ratio de positionnement salarial, un changement récent de gestionnaire, l'ancienneté et les candidatures à l'interne. Si la loi permet de recueillir cette donnée, vous pourriez aussi inclure les changements de temps de déplacement liés à un déménagement. D'autres variables pourraient être utiles, à condition que leur inclusion repose sur des hypothèses et une logique défendables sur les plans des affaires, du droit et des relations avec le syndicat.

Vous pourriez d'ailleurs avoir à expliquer à un employé pourquoi telle variable est utilisée.

La régression logistique, par exemple, permet de prédire la probabilité qu'un employé parte au cours d'une période donnée. L'analyse de survie estime plutôt à quel moment un employé risque de partir, selon ses caractéristiques. Elle tient aussi correctement compte des employés toujours 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 poussées, comme les forêts aléatoires et l'amplification de gradient, peuvent détecter des interactions entre les variables : l'absence de promotion pourrait, par exemple, ne devenir problématique qu'après l'arrivée d'un nouveau gestionnaire. Ces méthodes sont toutefois moins transparentes et plus difficiles à expliquer.

Un simple graphique de l'importance des variables ne suffira pas forcément à rendre le modèle compréhensible pour un gestionnaire de première ligne.

Quelle méthode choisir?

Tout dépend de l'horizon et du type de décision visés. Si votre équipe RH veut savoir si le manque de promotions pousse les employés d'une grande famille d'emplois vers la sortie, un modèle facile à interpréter vous servira probablement mieux qu'une approche d'apprentissage automatique opaque.

En prédiction du risque clinique, des chercheurs ont comparé les méthodes souples d'apprentissage automatique aux modèles de régression bien définis, à partir de dossiers de santé recueillis de façon courante. De manière générale, les modèles complexes n'apportaient que des gains modestes. Or, ces études portent habituellement sur beaucoup plus de personnes qu'un ensemble de données RH typique; on peut donc s'attendre à ce que les modèles complexes aient tout simplement besoin de plus de données pour faire leurs preuves.

Mieux vaut commencer par un modèle interprétable, puis démontrer la valeur ajoutée des 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 gestionnaires pour agir, mais les données qui permettent de prédire ce qui s'y passera sont généralement plus précises. Une période plus longue (12 mois, par exemple) leur donne plus de marge, mais certains changements déterminants dans la décision de partir ne se seront peut-être pas encore produits.

Plus la période est longue, moins les prédictions sont précises, un peu comme les prévisions météo, qui perdent en fiabilité à mesure qu'elles portent loin dans le temps. Choisissez un horizon qui correspond au temps qu'il vous faut pour intervenir (par exemple, un cycle de promotion ou une mutation interne).

La recherche sur le roulement du personnel ne date pas d'hier. Elle montre que l'intention de partir permet de prédire le roulement réel, mais pas parfaitement : certains employés qui disent vouloir partir finissent par rester, tandis que d'autres s'en vont sans jamais en avoir parlé. Les modèles de roulement peuvent intégrer le parcours et le contexte des employés (ce que les sondages ne permettent pas de faire) pour dégager d'autres tendances utiles.

Évidemment, même ces modèles ne sauront rien de l'appel qu'un recruteur a fait à un employé la semaine dernière.

Si vous êtes à la tête d'une entreprise mondiale qui compte beaucoup d'employés dans des postes comparables, vous avez peut-être assez de départs volontaires pour vérifier ces hypothèses. Vous disposez peut-être même d'une équipe d'analytique RH 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 roulement donne aussi à votre organisation un peu plus de contrôle : c'est vous qui choisissez la question, recueillez les données et fixez le seuil à partir duquel une personne est jugée à risque de roulement. Vous pouvez ainsi vérifier si une tendance se confirme dans votre propre effectif, plutôt que de présumer qu'une tendance générale s'applique chez vous.

En revanche, un modèle a beau prédire le départ d'employés ayant telle ancienneté ou tel niveau d'emploi, il ne dira pas forcément aux gestionnaires comment réagir.

Tenez compte aussi du taux de roulement volontaire de votre population. S'il est faible, la plupart des personnes jugées à risque ne partiront pas, et les gestionnaires vont le remarquer dans leurs équipes. La statistique clé est donc la suivante : parmi les personnes que le modèle a jugées à risque, combien ont réellement quitté leur emploi? Ce n'est pas la même chose qu'un indicateur de précision comme l'aire sous la courbe ROC.

Enfin, vérifiez le calibrage du modèle : les employés auxquels il attribue un risque de roulement de 30 % partent-ils réellement dans 30 % des cas?

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

Pour commencer, bâtir un modèle de prédiction du roulement efficace n'est peut-être pas votre priorité numéro un.

Votre priorité pourrait plutôt être de vérifier si vous arrivez à relier ou à nettoyer assez de dossiers pour en tirer des données et des pistes utiles. Vos systèmes communiquent-ils entre eux? Savez-vous à quel moment un employé a été promu, ou seulement à quel moment la promotion a été saisie dans le système?

Savez-vous quand un employé a cessé de travailler, ou seulement quand son profil a été désactivé? Les départs volontaires sont-ils consignés de façon uniforme, ou les départs d'un commun accord sont-ils enregistrés différemment selon le partenaire d'affaires RH qui s'en est occupé?

Chacun de ces problèmes peut nuire à la qualité de votre modèle. Prenez la fuite de données, un piège classique. Si le modèle utilise des données recueillies après la remise de la démission (par exemple, des étapes de départ effectuées avant la date officielle de fin d'emploi), il paraîtra bien plus performant qu'il ne l'est pendant les essais, puis décevra une fois en situation réelle.

De même, si votre équipe répartit les données au hasard entre l'ensemble d'entraînement et l'ensemble de test, vous risquez de mal évaluer l'efficacité du modèle : si les deux ensembles contiennent des employés touchés par la même réorganisation ou le même cycle de rémunération, le résultat du test sera trop flatteur. Il vaut mieux entraîner le modèle sur les données des années antérieures, puis le tester sur une année ultérieure, comme le font les prévisionnistes qui évaluent leurs prévisions sur des périodes passées.

Ainsi, si le modèle perd en efficacité sur une année plus récente, vous verrez ses limites avant que les gestionnaires s'y fient.

Pour bâtir votre modèle, il vous faudra plusieurs profils dans l'équipe : quelqu'un qui maîtrise l'intégration et la validation des données de votre système d'information RH, quelqu'un qui a les compétences techniques pour construire le modèle et quelqu'un qui connaît les RH et peut remettre les hypothèses en question. Ce ne sera pas forcément la même personne. Il faudra aussi désigner un responsable du modèle une fois qu'il sera en service, puisque ceux qui l'ont conçu passeront à d'autres projets.

Les petites équipes ont leurs propres défis. Une unité d'affaires peut ne compter qu'une poignée de départs volontaires par année, ce qui rend impossible la création d'un modèle fiable pour elle seule. Vous pourriez regrouper plusieurs unités pour obtenir un échantillon suffisant, mais vous risquez alors de vous retrouver avec un modèle trop général, qui reflète davantage les caractéristiques de la plus grosse unité que les particularités des autres.

L'entreprise elle-même évolue avec le temps. Un nouveau gestionnaire, de nouvelles structures salariales ou une nouvelle politique de télétravail peuvent rendre les tendances passées moins pertinentes pour prédire le roulement.

Il y a aussi un défi plus subtil. Si vous signalez les employés à risque de roulement et que les gestionnaires réagissent bien et réussissent à les garder, la précision mesurée du modèle va baisser. Il pourrait alors sembler inefficace, à moins que chaque intervention soit consignée 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.

Bref, un modèle de prédiction du roulement, ce n'est pas un projet qu'on mène à temps perdu. Ça ne veut pas dire que vous ne pouvez pas en bâtir un, mais il faut prévoir un responsable et un budget d'entretien avant de lui demander de produire des prédictions.

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

Les limites des sondages

Les sondages auprès des employés sont utiles, mais ils ont leurs limites.

D'abord, les taux de réponse peuvent être faibles, parce que les employés sont trop occupés, qu'ils ne croient pas que les choses vont changer ou qu'ils craignent d'être identifiés. Ou tout simplement parce qu'ils sont passés à côté du sondage.

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

Ensuite, certains employés peuvent décider de partir avant même que leurs réponses au sondage changent. D'autres continuent de répondre poliment tout en passant des entrevues ailleurs.

À l'Université de Washington, Thomas Lee et Terence Mitchell ont élaboré un modèle de roulement en plusieurs étapes qui décrit les différents chemins menant un employé à quitter son organisation. Pour certains, tout commence par ce qu'ils appellent un « choc » : une promotion qui leur échappe, un conjoint qui déménage dans une autre ville ou une offre d'emploi non sollicitée, par exemple. Certains employés décident alors rapidement de partir, sans passer par une période de mécontentement graduel, et les sondages ont beaucoup plus de mal à repérer ces situations.

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

Voilà de bonnes occasions de discuter avec ces employés pour voir ce qui pourrait les inciter à rester, peu importe ce que disent les résultats du sondage.

Enfin, il vaut la peine de réfléchir aux limites de l'anonymat des sondages. Les employés s'expriment souvent plus franchement quand ils croient que leurs réponses resteront anonymes.

Par exemple, si des questions de filtrage permettent aux répondants de s'identifier comme membres d'un groupe qui n'atteint pas ensuite le seuil minimal, ces renseignements pourraient servir à les reconnaître. On peut aussi identifier des répondants en soustrayant des rapports qui se chevauchent. Même un commentaire unique provenant d'un petit groupe peut trahir l'identité de son auteur.

Comme l'explique Amy C. Edmondson dans son livre The Fearless Organization, les gens soupèsent constamment les risques personnels liés au fait de prendre la parole et ce qu'ils peuvent y gagner. Une seule atteinte à la confidentialité peut changer pour des années la façon dont toute une équipe évalue ces risques.

Les sondages annuels ont bien sûr leur utilité. Mais si un gestionnaire n'entend parler d'une préoccupation qu'une fois l'an, puis attend encore un an avant d'en rediscuter avec l'employé, ça risque d'avoir l'air d'un simple exercice pour la forme.

Multiplier les sondages pulse ne règle pas le problème pour autant. Il faut que la fréquence de vos sondages suive le rythme de vos actions.

Comment se comparent les deux approches?

Soyons francs : aucune des deux solutions n'est parfaite.

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

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

Évaluer la précision d'une approche par sondage qui repère les employés dont la confiance envers leur gestionnaire s'effrite, et celle d'un modèle maison qui prédit les départs des six prochains mois, ce sont deux exercices très différents.

Cela dit, l'approche par sondage peut être validée. À partir des tendances observées dans les réponses des équipes l'an dernier, vérifiez si celles qui ont connu une forte baisse sur certaines questions ont ensuite enregistré plus de départs volontaires au cours des deux trimestres suivants. S'il y a corrélation, tant mieux.

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

Le modèle de prédiction du roulement peut lui aussi être validé. Avant de commencer, précisez ce que vous voulez prédire (le roulement 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.

Assurez-vous que votre modèle prédictif est utilisé à bon escient

Veillez à ce qu'aucun employé ne rate une occasion parce qu'un modèle prédictif le juge susceptible de partir. C'est un cas classique de prophétie autoréalisatrice : les employés signalés comme étant à risque ne se voient pas confier de mandats stimulants parce qu'on se dit qu'ils vont partir de toute façon.

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

Avant d'évaluer qui que ce soit en fonction de son score de risque, examinez les résultats selon les différents groupes.

Retirer une caractéristique protégée d'un algorithme ne suffit pas à en éliminer l'influence. Le statut d'emploi à temps partiel, les congés pris et l'ancienneté, par exemple, peuvent réintroduire indirectement des renseignements sur le genre, les responsabilités de proche aidant et l'âge.

Mesurez le taux de faux signalements dans chaque groupe. Si un groupe est signalé beaucoup plus souvent sans que son roulement augmente d'autant, les scores de risque lui nuisent, même si la précision globale du modèle paraît élevée.

Évaluez vos obligations en matière de protection des renseignements personnels avant de croiser des dossiers d'employés ou de modifier l'usage que vous faites des réponses à un sondage. Dans l'Union européenne et au Royaume-Uni, le calcul de scores de risque individuels exige généralement une évaluation des facteurs relatifs à la vie privée. Dans bien des pays, les comités d'entreprise ont un droit de codécision sur les outils qui surveillent les employés.

Consultez-les avant de lancer un projet pilote, pas après. Assurez-vous que les employés savent quelles données vous recueillez, dans quel but et qui verra les résultats. Réservez l'accès aux résultats aux rôles appropriés dans votre organisation.

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

Si votre équipe veut utiliser des commentaires nominatifs d'employés à des fins de rétention, recueillez-les dans le cadre d'une démarche distincte, à l'objectif clair (des entrevues de maintien en poste, par exemple).

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

Avec Sparkbay, nous pouvons vous aider à repérer les changements sans attendre le prochain sondage annuel. Beaucoup d'équipes optent pour un sondage pulse mensuel : les gestionnaires peuvent ainsi voir si des préoccupations liées à l'avancement ou à la charge de travail reviennent régulièrement, plutôt que de conclure qu'une semaine difficile résume toute la situation.

Vous pouvez personnaliser le libellé des questions de nos sondages et de nos tableaux de bord afin d'y inclure une question sur l'avancement formulée à la façon de votre organisation, puis suivre les réponses à cette question en parallèle du score d'engagement sur 10.

Nos rapports vous permettent de comparer les résultats d'un groupe à l'autre et dans le temps. Les équipes RH peuvent ainsi déterminer si une baisse des scores touche une seule équipe ou tout un service, avant d'aller discuter avec les gestionnaires 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 vous pouvez modifier ce seuil). L'accès aux rapports respecte aussi la hiérarchie de votre organisation : chaque gestionnaire ne voit que les résultats de ses équipes, pas ceux des autres.

Vous bénéficiez ainsi d'une meilleure confidentialité et d'une sécurité accrue, tout en ayant les moyens d'agir. Bien sûr, il faut aussi prendre le temps de demander aux employés ce qui améliorerait leur travail et de faire un suivi auprès d'eux.

Si vous voulez voir comment Sparkbay peut vous aider à bâtir une équipe plus engagée, vous pouvez cliquer ici pour une démo.

Choisissez un point de départ que vous pourrez maintenir dans la durée

Alors, par où commencer?

Si votre entreprise compte quelques centaines d'employés et que vous disposez de peu de ressources en analytique, vous n'avez sans doute pas assez de données sur les départs pour bâtir un modèle.

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

Examinez l'évolution des réponses à certaines questions d'une équipe à l'autre, ventilez les taux de réponse par groupe et invitez les gestionnaires à discuter des résultats.

Dans une organisation de taille moyenne, vous pourriez mener des entrevues de maintien en poste structurées dès qu'un événement déclencheur est possible (un cycle de promotion qui s'est mal passé ou un changement de gestionnaire, par exemple).

Vous pourriez aussi examiner des tendances générales, comme la fréquence des départs selon le temps écoulé depuis la dernière promotion ou le nombre de mois depuis le changement de gestionnaire. Ces démarches sont utiles, même si vous ne produisez jamais de score de risque.

Si vous êtes à la tête d'une entreprise mondiale dont les dossiers sont bien tenus et qui dispose d'une équipe d'analytique RH, vous pourriez tenter de bâtir un modèle de risque personnalisé à partir de vos propres données. Vous pouvez aussi recueillir des commentaires au moyen de sondages.

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

Après 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 ça doit être fait avant qu'un modèle serve à prendre des décisions.

Surtout, ne laissez pas la taille de votre effectif être le seul critère. Demandez-vous si vous avez vraiment assez de données comparables sur les départs.

Demandez-vous aussi si quelqu'un pourra tenir le modèle à jour et en assurer l'entretien. Et une fois l'alerte reçue, les gestionnaires sauront-ils clairement quoi faire?

Si un gestionnaire ne le sait pas clairement, votre modèle de risque n'est pas prêt, aussi précis soit-il.

Et si vous avez un problème de rétention à régler 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'avancement peut amener les gestionnaires à interroger leurs employés sur leurs projets de carrière. Si les départs se multiplient après un changement de gestionnaire, les RH peuvent revoir le processus d'intégration des nouveaux gestionnaires ou prévoir des rencontres de suivi avec les nouvelles équipes au cours des premiers mois.

Évidemment, rien de tout ça ne justifie qu'un gestionnaire annonce à un employé qu'on le considère à risque de partir.

Avant d'acheter ou de bâtir un nouvel outil de prédiction des départs, regardez attentivement ce qui s'est passé lors de vos trois derniers cycles de sondage. Quelles préoccupations les gestionnaires ont-ils entendues? Quelles mesures ont-ils prises?

Et quelles questions les employés se posent-ils encore?

Si vous voulez voir comment Sparkbay peut vous aider à bâtir une équipe plus engagée, vous pouvez cliquer ici pour une démo.