#rmsconf #rmsnews #rmstouch

#rmstouch #rmsconf #rmsnews
AssessFirst présente : le recrutement prédictif
Par : Nicolas Galita
0
Learning Breakfast assessfirst - le recrutement prédictif - voyante cover
Tweet about this on Twitter0Share on LinkedIn72Share on Facebook14Share on Google+0Share on Viadeo0

Avez-vous déjà entendu parler de recrutement prédictif ?

Derrière cette tournure redondante (par définition un recrutement est un pari sur l’avenir), se cache la démarche Big Data (mes excuses pour le buzzword) appliquée au recrutement. En deux mots le principe est de se servir des données que l’on dispose sur les employés actuels pour être capable de prédire si un candidat a le potentiel d’être performant au sein de l’équipe.

L’invitation d’AssessFirst

Il y a un mois, je recevais une invitation d’AssessFirst. Afin de m’enseigner les arcanes de cette pratique autour d’un petit-déjeuner.

Learning Breakfast - recrutement prédictif - invitation

 

Or, ce n’est pas le genre de la maison de bouder une opportunité d’en savoir plus sur une innovation dans le recrutement ! Je me retrouvais donc vendredi dernier au centre de conférence Arpège Trocadéro pour assister à cette présentation du recrutement prédictif par David Bernard.

Learning Breakfast - recrutement prédictif - salle
La problématique

Slides présentation recrutement prédictif corrigé

On commence donc par l’exposé de la problématique du recruteur. Dans une matrice qui rappelle la matrice BCG, AssessFirst classe les recrues dans 4 catégories, selon deux axes : la performance et le temps passé avant leur départ.

On aurait donc :

  • les erreurs de casting (peu performants, restent peu longtemps),
  • les mercenaires (très performants, restent peu longtemps),
  • les boulets (peu performants, restent longtemps)
  • et évidemment le candidat idéal qui est performant et reste longtemps dans l’entreprise.

Jusque là rien de nouveau, le but du recruteur est donc de choisir des candidats qui seront performants et resteront longtemps. Et pour ce faire, deux solutions. La première consiste à se reposer exclusivement sur nos propres capacités cognitives pour se fonder une intuition.

« On considère dans ce cas que le cerveau est l’outil idéal pour faire un choix »

La seconde est de s’épauler d’algorithmes et de données objectives. David rappelle à cette occasion l’étude de la Harvard Business Review de mai dernier qui affirmait qu’une simple équation fait mieux que l’instinct d’un recruteur lorsqu’il s’agit de prédire la performance d’un candidat.

Learning Breakfast assessfirst - le recrutement prédictif - chiffres hbr

(Comment lire ces chiffres : « les recruteurs prédisent 22% mieux que le hasard les notes d’évaluation de son manager qu’aura un candidat. Les algorithmes prédisent 29% mieux que le hasard.)

Tenez-le vous pour dit ! Les algorithmes peuvent faire mieux que les humains quand il s’agit de juger (alors qu’ils sont incroyablement mauvais quand il s’agit de rédiger une offre). Pour la simple et bonne raison que nous sommes tous soumis à des biais de raisonnement qui nous rendent incohérents. Pire, même en le sachant, on a tendance à penser que c’est valable pour les autres mais pas pour soi.

Non moi je suis meilleur qu’un algorithme, je le sais :D.

Il y a une littérature abondante sur le sujet et notamment une excellente conférence d’Olivier Sibony. On ne s’étendra donc pas sur le sujet. Mais pour vous en convaincre il vous suffit de demander à 10 personnes leur niveau de conduite au volant.

Learning Breakfast - recrutement prédictif - les biais cognitifs
 (Slide extrait de la conférence : comment éviter les biais cognitifs pour prendre la meilleure décision ?)

En général vous obtiendrez plus de 8 personnes qui vous répondront qu’elles sont meilleures que la moyenne (donc plus de 80%). Ce qui est bien entendu faux. Il en va de même dans le recrutement.

La méthodologie

Une fois posé cet acte de foi, AssessFirst nous a donc présenté sa méthodologie. Il est important de définir au préalable les indicateurs de performance que l’on souhaite analyser et améliorer.

Cette définition au préalable est cruciale également parce qu’elle détermine à elle seule une vraie politique de gestion de talents. En effet, ce n’est pas exactement pareil de se donner comme priorité de diminuer le turn-over ou d’augmenter le chiffre d’affaires.

Slides présentation recrutement prédictif corrigé 2

Ensuite vient la collecte des données des collaborateurs en poste, qui est la phase la plus longue. Ici il s’agit d’étudier les collaborateurs actuels pour voir si on est capable de trouver des corrélations entre la performance et d’autres variables.

« Par exemple, vous pouvez trouver que, chez vous, l’employé performant type est une femme de formation bac+4, universitaire, très créative, plutôt moins ouverte d’esprit que la moyenne et qui a un fort besoin de compétition »

Une fois que l’on observe des corrélations, il suffit de les retranscrire dans un modèle avec un seuil de compatibilité. Ce modèle servira à recruter. AssessFirst vous fournit donc un modèle avec une valeur de seuil de 60%. C’est-à-dire qu’on vous conseille de recruter en priorité des candidats qui correspondent au moins à 60% avec le modèle.

« Et si vous suivez cette recommandation, on constate en moyenne une amélioration de 10% des performances, une diminution du turnover de 35% ainsi qu’une diminution de l’absentéisme de 15% »

« On remarque également qu’en faisant passer le test AssessFirst avant tout entretien, les recruteurs peuvent passer plus de temps avec les candidats les plus adéquats »

Les préjugés les plus fréquent à propos du recrutement prédictif

« On risque de recruter des clones »

C’est effectivement la première chose qui m’est venue à l’esprit. À ceci AssessFirst répond qu’avec son modèle et le seuil de 60% on a plus d’ 1M de combinaisons de personnalités possibles et que donc on ne clone pas. Un peu court. Puisque le calcul n’est pas explicité, il est absolument impossible de savoir si 1M est un grand ou un petit chiffre (même si évidemment il est présenté de sorte à ce que vous le compreniez comme étant grand).

D’ailleurs, s’il est calculé comme je le pense (c’est-à-dire par une simple combinatoire des valeurs théoriquement possible) c’est même plutôt un petit chiffre. Jusqu’à preuve du contraire, j’aurais donc plutôt tendance à dire que ce n’est un cliché qu’à moitié.

C’est un cliché dans le sens où je ne pense pas que vous allez cloner plus que vous ne le faites déjà avec un jugement humain. Mais c’est une remarque tout à fait valide dans le sens où, par définition, cette méthodologie ne fonctionne que par réplication. Vous ne  pouvez pas arriver à un autre résultat que celui de dupliquer des caractéristiques que vous observez chez vos collaborateurs actuels à l’instant t (et même t-1). Vous utilisez en quelque sorte le passé pour choisir votre futur. Vous ne pouvez donc pas trouver autre chose que des caractéristiques du passé.

Mais le côté positif c’est que vous allez probablement déceler et identifier des caractéristiques que vous pensiez secondaires et qui s’avère fortement corrélés avec la performance. Et inversement. En utilisant cette démarche, Google a découvert que le niveau de performance de ses recrues n’était que très peu corrélé avec le niveau de leur université. Et c’est en ce sens que le recrutement prédictif vous prévient du clonage. Il clone, certes. Mais probablement moins qu’un humain moyen et sur la base de critères bien plus objectifs.

« On risque de favoriser la discrimination à l’embauche »

Cette fois-ci, la réponse est plus facile. Il n’y a aucune raison pour que cela favorise plus la discrimination à l’embauche (celle illégale bien sûre, sinon par définition un recrutement est un processus de discrimination) qu’un jugement humain.

« Cette pratique est déshumanisante »

Slides présentation recrutement prédictif corrigé 3

Là encore, David a une réponse rôdée : « au contraire ! En laissant l’algorithme s’occuper de la première couche de tri, vous avez plus de temps à accorder aux candidats lors des entretien puisque vous en recevez un nombre réduit« 

Le cas de Berner France

Après cette présentation théorique, nous avons eu le droit à un cas plus que pratique ! Le DRH de Berner France, Cyrille Trollion, est venu nous exposer comment il a concrètement déployé la méthodologie au sein de son recrutement.

« Nous sommes partis du constat qu’on avait un turnover de 25%. Sur 1 000 collaborateurs nous avons donc environ 250 qui partent et 250 qui arrivent. Cela représente une masse de recrutement non négligeable »

Turnover et time-to-perform (le temps qu’il faut à une recrue pour être pleinement opérationnelle) sont donc les maîtres-mots de l’analyse de performances, dans ce cas.

Sans restituer tous les détails, il y a donc eu une phase de définition des indicateurs de performance. À noter qu’il n’a pas été facile d’arriver à un accord sur quels indicateurs il fallait retenir. Ce qui sera probablement la problématique la plus épineuse pour quiconque essayera de déployer cette méthodologie.

« On observe déjà les bénéfices de la méthodologie : nos recruteurs ont maintenant un langage commun et objectif pour se décider. »

Sur ce, Cyrille nous donne RDV dans 3 mois pour les premiers résultats (cela ne fait que 8 mois qu’ils ont mis en place la méthodologie).

Réactions de la salle

Avant de commencer, soulignons que la salle a été particulièrement réactive. Les questions ont presque duré aussi longtemps que la présentation ! Le sujet passionne.

Une des premières question a porté sur les données intangibles. En effet, si l’on comprend assez bien comment on peut appliquer la méthode à des commerciaux dont les résultats sont tangibles et facilement chiffrables, comment faire lorsque l’on est face à des indicateurs de performances totalement intangibles comme le maintien d’une relation de qualité ?

Une autre question, le nombre de collaborateurs minimum à analyser pour que la méthode soit efficace. Réponse : ça dépend de l’effectif. 50 sur 70 c’est excellent, 50 sur 10 000 ça risque d’être plus compliqué.

Une des questions les plus importante puisqu’elle est le socle de la validité de la démarche : à quel pourcentage se conservent les résultats d’un test à travers le temps ? En d’autres termes, si je passais un test de personnalité AssessFirst à l’instant t, à quel point aurais-je les mêmes résultats à l’instant t+1 ?

Réponse : 80% selon David.

C’est à la fois beaucoup et très peu. Beaucoup car cette persistance dans le temps démontre la fiabilité du test AssessFirst. Très peu car cela veut dire que vous aurez énormément de faux positifs et de faux négatifs. Car une fiabilité de 80% cela veut dire que la même personne peut faire 74% de compatibilité à l’instant t (et donc être retenue) et  59% à l’instant t+1 (et donc être exclue puisque l’on ne garde que les profils qui ont plus de 60% de compatibilité).

Mais il faut garder à l’esprit que c’est d’humain et de psychologie que l’on parle. Ce n’est donc évidemment pas une science dure. D’ailleurs à l’instant t+1 il est probable que l’individu ait vraiment changé et que ce ne soit donc pas la fiabilité du test qui est en cause.

En conclusion, on retiendra de ce « learning breakfast » que la démarche du recrutement prédictif est essentiellement d’aller trouver les critères objectifs qui permettent de prédire la performance d’un candidat. Le tout en s’émancipant des biais cognitifs (ou du moins en les atténuant fortement). Nul doute que cette pratique a de très beaux jours devant elle !

Crédit photo : Shutterstock – Female Fortuneteller or esoteric Oracle
Youtube : Comment éviter les biais cognitifs pour prendre la meilleure décision ? par Olivier Sibony

Tweet about this on Twitter0Share on LinkedIn72Share on Facebook14Share on Google+0Share on Viadeo0
The following two tabs change content below.
Nicolas travaille chez Link Humans en tant qu'expert du sourcing et du recrutement social. Fervent croyant en l'impact de l'innovation (dans le recrutement et ailleurs) c'est avec cette foi qu'il vous partage ses pensées et interrogations.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *