Comment tirer le meilleur parti des données ?

Abstract

La GRH est significativement impactée par la révolution des « big data » : l’accumulation de masses de données importantes sur les salariés apparaît aujourd’hui dans le discours de certains observateurs comme une condition nécessaire et suffisante pour la construction de modèles prédictifs de comportements complexes au travail comme l’absentéisme ou la performance en poste. En réalité, les enjeux majeurs ne tournent pas autour de la quantité des données, mais concernent plutôt les méthodologies permettant la transformation de ces données en connaissance, si possible actionnable. Les réflexions sur les méthodes applicables pour relever ce défi sont relativement récentes, et mentionnent régulièrement un renouveau de l’empirisme dans un « quatrième paradigme » fondé sur l’exploitation intensive et « agnostique » de masses de données en vue de faire émerger des connaissances nouvelles, selon une logique purement inductive. Sans adopter ce point de vue spéculatif, force est de constater que les approches inductives basées sur les données (data driven) demeurent rares dans les études quantitatives en GRH. Il existe pourtant des méthodes bien établies, notamment dans le domaine de la fouille de données (data mining), qui reposent sur des approches inductives. Ce domaine de l’analyse quantitative à visée inductive demeure encore assez peu exploré en GRH (à l’exception des analyses typologiques). L’objectif de cet article est tout d’abord de dresser un panorama des méthodes mobilisables pour des recherches en GRH, avant de proposer une illustration empirique qui consiste en une recherche exploratoire combinant une analyse en profils latents et une exploration des profils obtenus par des modèles graphiques gaussiens.