Big Data & HR. Winter Dans quelle mesure le Big Data pourrait op2miser la prise de décision RH. Lynda ATIF 18/06/2015

Dimension: px

Commencer à balayer dès la page:

Download "Big Data & HR. Winter 2015. Dans quelle mesure le Big Data pourrait op2miser la prise de décision RH. Lynda ATIF 18/06/2015 WWW.TALENTSOFT."

Georges Guérin
il y a 8 ans
Total affichages :

1 Big Data & HR Winter 2015 Dans quelle mesure le Big Data pourrait op2miser la prise de décision RH Lynda ATIF 18/06/2015

2 AGENDA 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 2

multiposting Contexte : Talentsoft Etude de faisabilité

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 21 st century (Helbring, 2014) etc. 3

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 4

5 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

, Cukier K, 2013) «We must remember that all data- big or small are socially constructed» (Browker GC, Starr SL.

6 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 L accès aux données X X La véracité X X Les limites La variabilité La question de l éthique La subjectivité X X X Epistémologie Approche positiviste Approche constructiviste 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 Davenport & al., 2009 Bollen & al, 2010 Koutroumpis, P., & Leiponen, A Mayer-Schönberger V., Cukier K, 2013 Malle JP., 2013 Gitelman L., 2013 Pentland A., 2014 Pope C. and al., 2014

Aide à la décision L accès aux données X X La véracité X X Les limites La variabilité La question de l éthique La subjectivité X X X Epistémologie Approche positiviste Approche constructiviste

7 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?

quanjté de données hétérogène dans le but d en Jrer une analyse prédic0ve Dans quel

8 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.

revue de performance, données des enquêtes internes, données externes etc.

9 Exemple d applica/on: canaux de recrutement de Mul/pos/ng Nombre d offres diffusées Small Data Big Data Attractivité de la marque employeur ObjecJf AcJon Résultat l attractivité de mes offres d emploi sur les différents canaux par rapport au marché analyse de corrélation des données correspondant au nombre de clics par annonce, nombre de type de support de diffusion, données publiques, données internes 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

corrélation des données correspondant au nombre de clics par annonce, nombre de type de support de diffusion, données publiques, données

10 AGENDA 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 10

Talentsoft Etude de faisabilité (étapes gestion projet, étapes

11 Cas entreprise : TalentsoF Editeur informaeque proposant une solueon 100% Cloud pour la geseon des ressources humaines 700 Clients en tout d uelisateurs 100 pays

12 Etude de faisabilité : les étapes du projet Recensement des cas d usage à priori perjnents (quesjons méjers à forte valeur ajoutée) IdenJficaJon et qualificajon des sources de données adéquates (internes/ externes, structurées/ non structurées) DéfiniJon des modèles et techniques d analyse adaptés (data mining, algorithmie, machine learning, IA) SélecJon des technologies à menre en œuvre (capture, stockage, traitement, visualisajon) Analyse, visualisajon et interprétajon des résultats

DéfiniJon des modèles et techniques d analyse adaptés (data mining, algorithmie, machine learning, IA) SélecJon des

13 Etude de faisabilité : les cas d usages Données externes IdenJfier les talents externes via le web IdenJfier les critères de recrutement les plus perjnents anjciper les besoins en formajon Données internes Données structurées Données non structurées IdenJfier en temps réel les meilleurs canaux de recrutement IdenJfier les caractérisjques des équipes performantes anjciper les besoins en recrutement Thème: recrutement Thème: talents & performance 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 Thème: turn over Thème: formajon Climat social

des équipes performantes anjciper les besoins en recrutement Thème: recrutement Thème: talents & performance Améliorer les relajons sociales par l analyse des senjments

14 Etude de faisabilité 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 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 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 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 «sourcing» Fiche fonctionnelle «gestion prédictive des emplois et compétences»

stratégique des ressources humaines / universités Données sources - Données SIRH qui font partie du pro>il et des parcours des employés - Données SIRH d'évaluation EIA des employés - Réseaux

15 L objec/f de TalentsoF (du Small au Big data Analy/cs) HR Analytics 2016 Reporting

16 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 SWOT 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 * David Bollier, 2010

nouvelles technologies SWOT Opportunité - Moteur d innovajon - Comprendre la dynamique de certains domaines en temps réel

17 Merci pour votre ANen/on

Documents pareils

Big data et données géospatiales : Enjeux et défis pour la géomatique. Thierry Badard, PhD, ing. jr Centre de Recherche en Géomatique

Big data et données géospatiales : Enjeux et défis pour la géomatique Thierry Badard, PhD, ing. jr Centre de Recherche en Géomatique Événement 25e anniversaire du CRG Université Laval, Qc, Canada 08 mai