Fermer
menu
  • Ressources Humaines

Comment prédire le départ de ses collaborateurs ?

Deux professeurs américains ont développé le "turnover propensity index", un algorithme permettant de savoir en temps réel si un employé va quitter son entreprise.

Anticiper les départs permettra aux entreprises d'être plus compétitives. (elenabs / Getty images)

Faire face au turnover des collaborateurs et, le cas échéant, trouver des solutions pour retenir les salariés les plus méritants. Aujourd’hui, les entreprises subissent le départ de leurs salariés sans pouvoir vraiment anticiper. Une problématique à laquelle se sont intéressés Brook Holtom, professeur de management à l’université de Georgetown, et David Allen, professeur à Warwick business school. Ils s’étaient déjà intéressés dans une précédente étude aux raisons qui poussaient les salariés à quitter leur job, les deux principales étant des changements organisationnels (changement de hiérarchie, fusion-acquisition, changement de leadership) et une faible intégration dans l’emploi. Plus récemment, ils ont développé le « turnover propensity index for individuals (TPI), expliquent-ils dans la revue HBR. Grâce au big data et au machine learning, leur algorithme permet de savoir qui est prêt de quitter ou non son entreprise. « Nos résultats démontrent qu’il est possible de développer des indices permettant de prédire en temps réel la probabilité qu’une personne considère une offre extérieure et quitte éventuellement l’entreprise ».

Les deux professeurs ont travaillé avec une entreprise spécialisé dans le renseignement sur les talents afin de collecter un large échantillon de données accessibles au public concernant les chocs potentiels liés aux chiffres d’affaires, la variation du prix des actions, l’actualité des entreprises, etc. Ils ont également collecté des données sur des employés comme leur nombre d’emplois antérieurs, leur niveau d’éducation, leur sexe, leur lieu de vie, leurs compétences, etc. Des données qui concernent plus de 500 000 personnes travaillant aux États-Unis. La moulinette du machine learning leur a ensuite permis de classer graduellement ces profils selon leur propension à accepter une nouvelle opportunité d’emploi. Et de vérifier que leur indice prédisait correctement les envies de changements. Pour cela, ils ont envoyé des mails proposant des offres d’emploi à différents échantillons d’individus pour vérifier que ceux qui cliquaient davantage étaient aussi ceux qui désiraient le plus partir. Ce qui s’est avéré exact.

« Les entreprises ont tout intérêt à développer leur propre indice de départ »

Pour les deux auteurs, leur travail doit inciter les entreprises à développer leur propre TPI. « Cette anticipation proactive permettrait aux dirigeants d’intervenir pour augmenter les chances de retenir les meilleurs talents. De plus, les organisations ont un avantage énorme sur les chercheurs externes pour développer leur propre TPI en utilisant des données internes. Les entreprises peuvent anticiper les chocs organisationnels tels que les litiges ou les actions réglementaires ». Les entreprises disposent en outre de données concernant les anniversaires professionnels, les nouveaux diplômes, les annonces de mariage, etc., en prenant soin de ne pas porter atteinte à la vie privée des employés. De plus, les entreprises peuvent suivre les facteurs sur l’intégration au travail, les opportunités de développement de carrière, les initiatives d’amélioration organisationnelle ou encore la reconnaissance de leurs pairs…

Selon Brook Holtom et David Allen, les entreprises qui investiront dans la collecte et l’analyse de ces données pourront engager de manière proactive les employés les plus précieux. Elles pourront alors engagés des entretiens réguliers avec ces derniers et voir comment il est possible de les faire rester.

Recevez l'essentiel de l'actualité RH

En cliquant sur "Recevoir la newsletter", vous acceptez les CGU ainsi que notre politique de confidentialité décrivant la finalité des traitements de vos données personnelles.

Ces articles devraient vous intéresser
Commentaires

Ajouter un commentaire

Il est possible d’utiliser les balises HTML suivantes :
<a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>
Ce blog supporte le système Gravatar, pour obtenir le vôtre, inscrivez-vous sur Gravatar.