Skip to main content
Points de vue populaires
Logiciel de planification des horaires des employés SIRH pour petites entreprises Systèmes de gestion des employés
Rejoindre la communauté
Add as a preferred source on Google Opens new window Rejoindre la communauté Rejoindre la communauté
Carrière

Tutoriel MS Excel 2010 IFERROR pour les professionnels des RH

Brendan Lys
By
Brendan Lys
Brendan Lys

Opérant à l'intersection des Ressources Humaines et de la Science des Données, je mets à profit une vaste expérience spécialisée en Ressources Humaines, associée aux méthodologies et approches de la Science des Données. Cette démarche, axée sur la découverte d'informations exploitables à partir des données, a été appliquée à des domaines tels que : la rémunération et les avantages sociaux, la planification de la main-d'œuvre, le recrutement, la santé et la sécurité, la diversité et la formation. Mais à quoi ressemble réellement l'application de la science des données aux défis et opportunités RH ? Dans un cadre RH, les données que nous utilisons proviennent généralement directement de notre SIRH ; un avantage des méthodologies de science des données est que nous pouvons intégrer des données supplémentaires provenant de l'organisation ou de sources externes – des données qui échappent à une approche analytique RH classique. Prenons par exemple les descriptions de poste ; elles contiennent de nombreuses informations que nous ignorons habituellement car elles ne sont pas dans un format prêt à analyser. Un projet annexe sur lequel je travaille actuellement (avril 2019) consiste à utiliser le text mining sur les descriptions de poste afin de fournir des analyses sur la famille professionnelle à laquelle le poste pourrait appartenir. Les résultats de mes travaux ont été appréciés par des organisations de secteurs variés, notamment : les gouvernements (Australie et Nouvelle-Zélande), les sociétés cotées à l'ASX et à la NZX, les services publics, les associations à but non lucratif et l'enseignement supérieur.

More about Brendan

Dans ce post dédié aux ressources RH, nous avons créé un tutoriel YouTube qui complète le tutoriel RechercheV que nous avons réalisé précédemment.  La plainte la plus fréquente que j’entends concernant les fonctions RechercheV est l’« erreur » N/A qui apparaît lorsque aucune donnée n’est présente pour être retrouvée par la formule RechercheV.  La fonction […]

Dans ce post dédié aux ressources RH, nous avons créé un tutoriel YouTube qui complète le tutoriel RechercheV que nous avons réalisé précédemment.  La plainte la plus fréquente que j’entends concernant les fonctions RechercheV est l’« erreur » N/A qui apparaît lorsque aucune donnée n’est présente pour être retrouvée par la formule RechercheV.  La fonction SI.NON.DISP (IFERROR) est une formule de gestion d’erreur, conçue pour renvoyer une cellule vide (ou un terme souhaité déterminé par l’utilisateur d’Excel).  Donc, si vous rencontrez ce problème lorsque vous présentez vos tableaux à des collègues ou des utilisateurs finaux, jetez-y un œil, je suis sûr que vous trouverez cette formule utile.

Brendan Lys
By Brendan Lys

Opérant à l'intersection des Ressources Humaines et de la Science des Données, je mets à profit une vaste expérience spécialisée en Ressources Humaines, associée aux méthodologies et approches de la Science des Données. Cette démarche, axée sur la découverte d'informations exploitables à partir des données, a été appliquée à des domaines tels que : la rémunération et les avantages sociaux, la planification de la main-d'œuvre, le recrutement, la santé et la sécurité, la diversité et la formation. Mais à quoi ressemble réellement l'application de la science des données aux défis et opportunités RH ? Dans un cadre RH, les données que nous utilisons proviennent généralement directement de notre SIRH ; un avantage des méthodologies de science des données est que nous pouvons intégrer des données supplémentaires provenant de l'organisation ou de sources externes – des données qui échappent à une approche analytique RH classique. Prenons par exemple les descriptions de poste ; elles contiennent de nombreuses informations que nous ignorons habituellement car elles ne sont pas dans un format prêt à analyser. Un projet annexe sur lequel je travaille actuellement (avril 2019) consiste à utiliser le text mining sur les descriptions de poste afin de fournir des analyses sur la famille professionnelle à laquelle le poste pourrait appartenir. Les résultats de mes travaux ont été appréciés par des organisations de secteurs variés, notamment : les gouvernements (Australie et Nouvelle-Zélande), les sociétés cotées à l'ASX et à la NZX, les services publics, les associations à but non lucratif et l'enseignement supérieur.

Follow the author: Opens new window Opens new window
You may also like