Un DRH lit son rapport mensuel et apprend qu'un manager cle a pose sa demission. Le score de risque associe a son profil etait "faible". Le dernier engagement survey, six semaines plus tot, le placait dans la moitie haute de son equipe. Le modele de turnover prediction n'a rien vu venir. Le manager, lui, savait depuis trois mois.
Cette scene se rejoue dans la plupart des grandes organisations. Le probleme n'est pas le manque d'outils. C'est que la majorite des modeles predictifs decrivent un passe deja perdu.
Ce que les modeles classiques voient (et ce qu'ils ratent)
La turnover prediction repose generalement sur des signaux froids : anciennete, salaire, evaluations annuelles, taux d'absenteisme, historique de promotions. Ces variables sont disponibles dans le SIRH, faciles a modeliser, et donnent des AUC honorables sur les datasets de Kaggle ou les cas d'ecole comme celui detaille par Jedha.
Le probleme : ces variables decrivent ce qui s'est deja passe. Quand un collaborateur entre dans la zone rouge d'un modele basé sur l'historique, sa decision de partir est souvent prise depuis longtemps. Une etude relayee par Crunchr rappelle que la plupart des modeles academiques affichent des performances correctes sur le papier mais peinent a generer des actions reellement preventives en production.
Le decalage est structurel : les donnees froides arrivent apres que la friction s'est installee. Predire un depart avec trois mois d'avance ne sert a rien si la fenetre de retention etait de six.
Pourquoi les surveys ne comblent pas le trou
La parade classique consiste a brancher un engagement survey trimestriel ou un eNPS mensuel sur le modele. L'idee est seduisante : ajouter une variable "humeur" aux donnees froides. En pratique, trois limites :
- Taux de completion bas. Dans le retail, l'industrie et les services, les surveys plafonnent souvent autour de 1 a 15% selon les segments. Les populations terrain — celles qui partent le plus — repondent le moins.
- Reponses lissees. Les echelles de Likert capturent une moyenne, pas un signal. Un collaborateur qui hesite a partir cocha rarement "tres insatisfait".
- Decalage temporel. Un survey trimestriel mesure l'humeur d'il y a 90 jours. Les decisions de depart se prennent souvent en quelques semaines.
Resultat : les variables qualitatives ajoutees au modele sont elles aussi froides. On enrichit le passe avec un autre passe.
Le signal manquant : les donnees chaudes
Il existe une autre maniere d'aborder la turnover prediction : capturer en continu ce que les collaborateurs disent reellement quand on leur pose des questions ouvertes, dans un cadre confidentiel, au moment ou ils sont en train de vivre la friction.
Ces donnees — conversations individuelles, verbatims, signaux de sentiment — sont qualifiees de chaudes parce qu'elles arrivent en temps reel et reflètent une realite vecue, pas declaree. Une conversation de 8 minutes avec un collaborateur en perte d'engagement contient generalement plus d'information predictive que 12 mois de scores eNPS.
Le defi historique : ces conversations etaient impossibles a mener a grande echelle. Un manager ne peut pas tenir un vrai entretien de fond avec 200 personnes par trimestre. Les RH centraux encore moins.
Des plateformes de conversations individuelles adaptatives changent cette equation. L'echange est conduit par un agent vocal qui s'ajuste aux reponses, creuse quand un signal apparait, reformule quand le collaborateur hesite. Le tout en multi-langue, asynchrone, avec un cadre de confidentialite explicite.
Les entretiens de sortie sont un cas d'usage particulierement adapte, mais le vrai gain en turnover prediction vient des conversations menees avant le depart : stay interviews, check-ins post-onboarding, rituels d'equipe.
Ce que ca change concretement
Une enseigne retail mondiale de plus de 90 000 collaborateurs, deployee dans 40+ pays, a remplace ses surveys d'engagement traditionnels par des conversations individuelles adaptatives. Trois changements observes :
- Le taux de completion est passe a plus de 50%, contre des taux historiquement tres faibles dans le secteur.
- Les signaux remontent en semaines, pas en trimestres. Un mecontentement local sur un nouveau process logistique a ete identifie en 11 jours, contre des mois habituellement.
- Le modele predictif change de nature. On ne predit plus seulement qui va partir, mais pourquoi — ce qui rend l'action possible.
Un retailer global de 90 000+ employes a multiplie par 4 son taux de completion en remplacant les surveys par des conversations individuelles adaptatives.
Deploiement dans 40+ pays
Comment integrer signaux chauds et froids
La turnover prediction la plus solide ne consiste pas a remplacer les modeles classiques, mais a les enrichir avec une couche qualitative continue. Trois principes :
1. Garder les variables froides comme socle
Anciennete, evolution salariale, historique de mobilite : ces signaux structurels restent utiles pour identifier des populations a risque. Ils ne disent pas qui va partir, mais ou regarder en priorite. Pour un cadrage methodologique complet, voir Turnover Prediction Tools: Why Most Models Miss What Matters.
2. Brancher une couche conversationnelle
Au lieu d'un survey trimestriel, organiser des conversations individuelles ciblees sur les segments identifies par le modele froid : nouveaux entrants entre le 3e et le 6e mois, equipes en reorganisation, profils ayant change de manager.
3. Boucler sur l'action
Un signal qualitatif sans destinataire ne sert a rien. Chaque pattern remonte (charge cognitive, manque de perspective, friction managerielle) doit avoir un proprietaire operationnel : RHBP, manager, comex. La retention se joue en aval, pas dans le tableau de bord.
Les questions que les DRH posent en 2026
Peut-on vraiment predire le turnover ? Avec une marge d'erreur, oui — surtout au niveau d'un segment. La prediction individuelle reste fragile et ethiquement sensible. Mieux vaut un modele qui identifie quelles equipes meritent une intervention qu'un score nominatif fragile.
Combien de temps avant un depart peut-on detecter le signal ? Avec des donnees froides seules, generalement 1 a 3 mois — souvent trop tard. Avec une couche conversationnelle continue, la fenetre s'elargit a 4-6 mois et le signal devient actionnable.
Le RGPD permet-il ce type d'analyse ? Oui, sous reserve d'un cadre clair : finalite explicite, consentement, donnees discriminatoires (sante, religion, orientation) jamais collectees, hebergement UE. Voir aussi IA RH ethique.
Le vrai indicateur a suivre
Le meilleur indicateur de la qualite d'un dispositif de turnover prediction n'est pas l'AUC du modele. C'est la proportion de departs anticipes par une action concrete plutot que constates apres-coup. Une organisation qui ne change rien apres avoir vu le signal ne fait pas de la prediction — elle fait de la documentation.
Le passage des donnees froides aux donnees chaudes n'est pas un changement d'outil. C'est un changement de posture : ecouter avant de modeliser. Pour aller plus loin sur la dimension qualitative, Donnees chaudes vs donnees froides RH detaille la mecanique complete.
