Vous prédisez des départs qui ont déjà eu lieu
Un directeur RH ouvre son dashboard un lundi matin. Le modèle prédictif affiche un risque de départ élevé pour 14 collaborateurs. Il appelle trois d'entre eux. Deux ont déjà signé ailleurs. Le troisième ne comprend pas pourquoi on l'appelle — il n'a jamais eu l'intention de partir, mais son profil ressemblait statistiquement à ceux qui partent.
C'est le paradoxe de l'analytique RH prédictive telle qu'elle est pratiquée aujourd'hui : elle repose sur des données qui décrivent le passé, pas sur des signaux qui anticipent l'avenir.
Ce que les modèles prédictifs utilisent — et ce qu'ils ignorent
La plupart des outils d'analyse prédictive en ressources humaines construisent leurs modèles sur des variables déclaratives : ancienneté, historique salarial, nombre de jours de congé pris, distance domicile-bureau, résultats d'évaluation annuelle. Des données "froides" — figées, collectées à intervalles espacés, souvent biaisées par le contexte de leur collecte.
Ce qui manque, c'est la couche qualitative : ce que les collaborateurs pensent réellement, ce qu'ils ne disent pas dans un formulaire, les frustrations qui s'accumulent silencieusement entre deux entretiens annuels.
Selon le rapport Bersin by Deloitte HR Technology Market 2024, moins de 15 % des organisations exploitent des données qualitatives structurées dans leurs modèles prédictifs. La majorité se limite à des métriques quantitatives — et s'étonne que leurs prédictions ressemblent à des rétrovisions.
Le problème n'est pas l'algorithme — c'est l'input
Un modèle prédictif n'est jamais meilleur que les données qu'il consomme. Quand l'input se résume à des données déclaratives — formulaires remplis une fois par an, enquêtes avec 12 % de taux de réponse, notes de managers filtrées par la hiérarchie — le modèle apprend des corrélations superficielles.
Il corrèle l'ancienneté avec le départ, mais ne capte pas qu'un collaborateur de 8 ans d'ancienneté vient de perdre confiance dans son manager après un feedback mal formulé. Il détecte qu'un taux d'absentéisme monte, mais pas que trois personnes dans la même équipe ont mentionné un problème de charge de travail lors de conversations informelles.
L'analytique RH prédictive a besoin de signaux vivants, pas de photographies annuelles.
Des conversations continues comme source prédictive
Il existe une autre manière de nourrir les modèles : remplacer les surveys ponctuels par des conversations individuelles adaptatives, menées en continu, dans la langue du collaborateur.
Au lieu de poser 47 questions identiques à tout le monde une fois par an, ces échanges s'adaptent au contexte : le rôle, l'ancienneté, les réponses précédentes. Ils captent des signaux que les formulaires ne peuvent pas collecter — le glissement de ton, la frustration naissante, l'enthousiasme qui s'éteint, le besoin de formation non exprimé.
Ces données "chaudes" — qualitatives, structurées, collectées en continu — transforment la nature même de l'analytique prédictive. On ne corrèle plus des variables statiques. On détecte des trajectoires.
C'est la différence entre un people analytics qui constate et un people analytics qui anticipe.
Ce que ça change concrètement
Une enseigne retail de 90 000+ collaborateurs répartis dans 40+ pays a remplacé ses enquêtes annuelles par des conversations individuelles adaptatives. Le taux de complétion a été multiplié par 4 par rapport aux surveys classiques.
Mais le résultat le plus significatif n'est pas le taux de participation. C'est la nature des signaux captés : des gaps de compétences identifiés six mois avant qu'ils ne deviennent des problèmes de recrutement. Des risques de départ détectés non pas par corrélation statistique, mais parce que les collaborateurs eux-mêmes les exprimaient — dans leurs mots, à leur rythme.
L'analytique RH prédictive devient fiable quand elle s'appuie sur ce que les gens disent réellement, pas sur ce que leurs données administratives suggèrent.
Trois conditions pour une analytique prédictive qui fonctionne
1. Des données qualitatives structurées, pas du texte brut. Les verbatims non structurés finissent dans un fichier Excel que personne n'ouvre. Les conversations doivent produire des données catégorisées, comparables dans le temps, exploitables par un modèle.
2. Une collecte continue, pas ponctuelle. Un signal prédictif a une durée de vie. Un collaborateur qui exprime une frustration en janvier et qu'on interroge en décembre a déjà pris sa décision. La mesure de l'engagement doit être un flux, pas un événement.
3. La confiance comme prérequis. Aucun modèle ne prédit quoi que ce soit si les collaborateurs ne parlent pas honnêtement. Les entretiens confidentiels montrent que la qualité des données dépend directement du niveau de confiance dans le processus. Hébergement souverain, anonymisation, conformité RGPD — ce ne sont pas des options, ce sont des conditions de fonctionnement.
L'analytique prédictive commence par l'écoute
L'erreur la plus répandue dans les projets d'analytique RH prédictive est de commencer par l'algorithme. Le bon point de départ, c'est la source de données. Sans input qualitatif fiable, continu et structuré, le meilleur modèle du monde ne produit que du bruit sophistiqué.
Les organisations qui obtiennent des résultats concrets avec l'analyse prédictive en ressources humaines sont celles qui ont d'abord investi dans la qualité de l'écoute — avant d'investir dans la puissance du calcul.
Certaines ont déjà fait ce choix, en intégrant des conversations adaptatives dans leur planification des effectifs. Découvrez comment.
