Chaque année, des organisations perdent des personnes clés sans l’avoir vu venir. Les données qui auraient permis de l’anticiper existent pourtant: ancienneté, type de contrat, historique d’absences, évolutions de poste, mobilités. Un modèle prédictif a vocation à transformer cet historique en signaux sur lesquels une direction peut agir.
Que peut anticiper un modèle prédictif RH?
Trois usages se distinguent:
- Le score de départ, ou score d’attrition, estime la probabilité qu’une personne, une équipe ou un métier connaisse des départs dans les mois qui viennent.
- La prévision d’absentéisme repère les saisons et les services où les absences augmentent.
- La projection des effectifs simule plusieurs scénarios de départs, de recrutements et de délais de remplacement, et donne une fourchette au lieu d’un chiffre unique.
Ces modèles éclairent le jugement de ceux qui décident.
Quelles méthodes statistiques utiliser?
Le mot « prédictif » évoque des algorithmes opaques. Pourtant, des méthodes statistiques anciennes et bien documentées couvrent l’essentiel des besoins:
- La régression logistique apprend des départs passés quelles caractéristiques y étaient associées, puis les applique aux personnes présentes. Elle donne une probabilité, et le poids de chaque variable dans ce résultat.
- La régression de Poisson modélise des événements comptés, comme le nombre d’absences sur une période. Elle convient à des événements rares et récurrents.
- Les simulations de Monte Carlo tirent au hasard des milliers de trajectoires en faisant varier les hypothèses (taux de départ, rythme de recrutement, délai de remplacement). Leur résultat est une fourchette, avec sa probabilité.
Ces méthodes sont explicables, et c’est décisif devant une direction générale. Un directeur des ressources humaines doit pouvoir dire pourquoi une équipe ressort comme fragile. La réponse « le modèle l’a calculé » ne suffit pas. La réponse « ancienneté élevée sans mobilité, absences courtes en hausse » ouvre une discussion.
De quelles données avez-vous besoin?
L’objection la plus fréquente est le manque de données. En pratique, elles existent, mais elles sont dispersées entre le système d’information RH, la paie et les fichiers des managers. Le travail consiste donc à structurer ce qui existe: corriger les incohérences, harmoniser les formats, compléter les manques les plus gênants.
La qualité compte davantage que le volume. Un historique cohérent, avec des variables renseignées et des définitions stables d’une année sur l’autre, donne des résultats plus fiables qu’un grand volume de lignes incomplètes.
Quelles erreurs éviter?
Quatre écueils reviennent dans un premier modèle:
- Apprendre sur un historique biaisé. Si les départs passés reflètent des pratiques contestables, le modèle les reproduit.
- Oublier l’explication. Une probabilité sans raison n’indique aucune action.
- Traiter un score comme un verdict. Un score signale une situation à regarder. Il ne qualifie pas une personne.
- Négliger le cadre juridique. Le RGPD définit le profilage comme un traitement automatisé qui évalue des aspects personnels, notamment pour prédire le rendement au travail, la fiabilité ou le comportement. Un score de départ par personne en relève. Par ailleurs, le règlement européen sur l’intelligence artificielle classe à haut risque les systèmes d’IA destinés à prendre des décisions sur les conditions de travail, la promotion ou le licenciement, ou à suivre et évaluer les performances et le comportement des personnes. Ses obligations pour ces systèmes s’appliquent à partir du 2 décembre 2027.
Un bon modèle est donc documenté, vérifiable et supervisé par une personne.
Comment passer du modèle à la décision?
Un modèle prend sa valeur quand il déclenche une action. Une probabilité de départ élevée sur un poste clé appelle un entretien, une proposition de mobilité ou un plan de succession. Une hausse prévue des absences dans un service appelle des remplacements préparés à l’avance.
Pour cela, les résultats vivent là où se prennent les décisions: dans les revues d’effectifs, les comités de direction, la préparation des entretiens annuels. Ils se mettent à jour avec les données réelles, au fil de l’année, et non une fois dans un rapport annuel.
Dans effectivo, ces modèles se calculent dans le navigateur, à partir de vos propres données: régression logistique pour le risque de départ, régression de Poisson pour les absences, simulations de Monte Carlo pour la projection des effectifs. Le score de départ peut être désactivé pour toute l’organisation, et son onglet est réservé à la direction des ressources humaines et à la direction. Vous pouvez en voir le principe sur l’application d’exemple, avec des données fictives. Pour la méthode de projection, voir la planification des effectifs.
Sources: Règlement (UE) 2016/679 (RGPD), article 4, point 4 (définition du profilage); Règlement (UE) 2024/1689 sur l’intelligence artificielle, annexe III, point 4 (systèmes à haut risque dans l’emploi); Règlement (UE) 2026/1744, point 40, qui modifie l’article 113 du règlement 2024/1689 (application au 2 décembre 2027), sur eur-lex.europa.eu.
Méthode: sources vérifiées, rédaction assistée par l’IA.