Big-Data&-HR Winter-2015- - Centre national de la...

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


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


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?


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.


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


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


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)


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


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


L’objec/f de TalentsoF (du Small au Big data Analy/cs)

Reporting

HR Analytics 2016


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


Merci pour votre ANen/on

Big-Data&-HR Winter-2015- - Centre national de la...

Documents

Transcript of Big-Data&-HR Winter-2015- - Centre national de la...