Skip to main content

Récemment, j'ai fait des recherches et examiné un outil d'IBM appelé SPSS Modeler ; beaucoup de lecteurs connaissent peut-être déjà SPSS Statistics, et Modeler fait partie de cette famille. Ce que j'ai vu jusqu'à présent est très prometteur. Essentiellement, SPSS Modeler permet d'explorer vos données et d'identifier des facteurs de risque ou des prédicteurs d'un événement. Prenons par exemple des données sur le turnover : en les saisissant dans Modeler, l'outil va repérer des points communs dans les données. En utilisant ces informations, vous pouvez alors appliquer ce modèle à des données actuelles et obtenir une liste des employés actuellement en poste qui pourraient être à risque ou sur le point de quitter votre entreprise.

Actuellement, j’attends que l’équipe informatique installe le logiciel, donc je n’ai pas encore eu l’occasion de l’essayer moi-même. La vidéo suivante (qui n’est pas de moi) offre néanmoins une très bonne introduction à ce logiciel, et je vous recommande de prendre le temps de la regarder.

J’espère pouvoir partager mon retour d’expérience sur ce logiciel dès qu’il sera installé sur mon poste de travail. Comme beaucoup d’autres professionnels RH axés sur la donnée, j’ai envie d’offrir à mon employeur bien plus que des rapports descriptifs ; je veux pouvoir fournir des analyses sur ce qui pourrait arriver à l’avenir.

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.