En tant que physicien débarqué dans la RH il y a 5 ans, j’ai vécu la montée rapide en compétence du marché RH sur les sujets du numérique, et l’ai observée avec une certaine prise de recul, parfois avec amusement, parfois avec inquiétude. A force d’intervenir en tables rondes et conférences, et de voir le succès des prises de parole sur le rappel du sens de certains termes du numérique, voici enfin un article dédié.
 
Depuis quelques mois, le paysage français de l’innovation RH subit une forte accélération. Parmi les sociétés qui s’intéressent à transformer leur fonction RH et ses rôles par le numérique, il est impressionnant de constater l’évolution du vocabulaire utilisé entre 2015 et maintenant, notamment autour de la sémantique du numérique. Pour autant, trop peu nombreux sont les professionnels de la fonction RH en mesure de comprendre le sens et les enjeux de la plupart du jargon utilisé en lien avec le numérique. Sans forcément s’en rendre compte. Il va y avoir de belles avancées, mais il va aussi y avoir de la casse. Gênant lorsque l’on parle d’humains, et de responsabilité.
 
Au diable les modes, au diable la politique interne, il en va de la responsabilité de la fonction RH, que de comprendre le fonctionnement des outils supposés remplacer certaines de leurs tâches.
Avec son « Science sans conscience n’est que ruine de l’âme », Rabelais n’était pas data scientist, mais croyez-moi, cela aurait peut-être été mieux pour vous ! Les mots que nous utilisons déterminent la compréhension et la maturité que nous avons sur un sujet donné. En matière de numérique, en pleine ‘transformation digitale’ (beurk), nombreux sont ceux qui s’approprient des termes à la mode sans comprendre les nuances, voire même sans comprendre le sens premier.
 
Lorsqu’il s’agit de s’équiper de solutions numériques, les DRH auraient tout intérêt à maitriser certaines notions essentielles, tant elles seront au coeur du marketing des acteurs qui voudront leur vendre ces mêmes solutions ! La digitalisation de la fonction RH est centrale pour que les organisations regagnent en agilité et en compétitivité, grâce à une meilleure gestion du capital humain. Pour y parvenir, encore faudra t’il s’équiper des bons outils, des bonnes compétences, des bons processus, et d’une culture propice à un humain dans le rôle du décideur et la machine dans le rôle de l’aide transparente. Je vous propose de balayer quelques notions essentielles liées au numérique, pouvant servir de base pour reprendre la main sur les sujets, et assurer un discours de vérité de la part de vos interlocuteurs en la matière.
 

Digitalisation : créer de la valeur grâce au numérique

Pour la route, celui-là ne fera pas de mal. Numérisation et digitalisation s’opposent encore férocement chez les puristes, notamment de la langue française. En effet, alors que numérique est français, digital est à l’origine un anglicisme, ‘digit’ signifiant chiffre. La définition collective de la numérisation se rapproche sensiblement de celle de dématérialisation, autrement dit, le fait convertir un objet ou processus physique en objet ou processus numérique.
 
La digitalisation pousse l’exercice un peu plus loin, en augmentant l’objet ou le processus en question. 
Ainsi, par exemple, dans un processus de recrutement, la digitalisation va non seulement permettre d’automatiser certaines tâches historiquement opérées par des humains, mais va permettre également de disposer de données utilisables, susceptibles d’être utilisées pour des opérations qui n’étaient alors pas couvertes classiquement. Ces deux notions de dématérialisation et d’augmentation constituent le socle de la réflexion en matière de digitalisation : 
– Quel est le but de cette croisade numérique ? S’agit-il simplement de rationaliser des objets ou processus, ou s’agit-il également d’augmenter leur valeur et leurs performances ?
 
Le fait de ‘scanner’ un document correspond à une numérisation, ou une dématérialisation. Mais certaines technologies numériques permettent de reconnaitre les caractères et formes présents dans le document, pour les transformer en données structurées utilisables. Pour des images, il s’agit par exemple de vectorisation, une technologie maitrisée depuis près de 30 ans déjà, et même plus. Cette ‘intelligence’ de la machine correspond à l’augmentation du processus de numérisation. On peut alors parler de digitalisation du document : le document a été transformé en un ensemble de données numériques qui ne servent pas uniquement à restituer le document, mais à disposer de données brutes pour tout autre usage !
 

Big Data : quand les piscines numériques se remplissent 

Coupez court à toutes les interprétations, fantasmes et mythes, la notion de Big Data signifie simplement le fait de disposer d’une grande quantité de données, et a priori de les utiliser pour créer de la valeur. Comme expliqué dans un article précédent sur le sujet, le fait de disposer d’une grande quantité de données n’a qu’une valeur limitée si on ne maitrise pas parfaitement le contexte de ces données. Une règle simple dans la data : Shit In, Shit Out.
 
Avec de la mauvaise donnée vous obtiendrez toujours de mauvais résultats. Et fuyez ceux qui prétendent le contraire, le numérique n’est pas magique !
Lorsque l’on vous parle de Big Data, notamment pour vous vendre une solution RH, n’hésitez pas creuser avec ces quelques questions très simples, tout en notant qu’elles sont valables peu importe la quantité de données :
– Comment avez-vous acquis ces données ? 
– Les personnes ou organisations éventuellement concernées par ces données ont-elles donné leur accord formel ?
– Qui est le propriétaire de ces données ?
– Quelle est la période couverte par ces données, entre la plus ancienne et la plus récente ?
– Ces données sont-elles encore valides aujourd’hui ?
– Comment vous êtes vous assurés de la véracité et de l’authenticité de ces données ?
 
Il est intéressant de constater que les mêmes règles statistiques s’appliquent aujourd’hui pour des quantités modérées de données que pour des quantités colossales. Certaines recherches récentes ont pourtant prouvé que ces règles devraient être différentes. En effet, lorsque l’on se base une très grande quantité de données, certains effets de bords négligeables normalement commencent à avoir des impacts très significatifs dans les tendances qui ressortent. Autrement dit, le big data implique de prendre en compte des critères supplémentaires, très difficiles à capter, et souvent liés à des perturbations. Ces découvertes remettent en cause la validité des modèles actuels utilisés dans le traitement Big Data. A suivre !
 

Algorithmes : quand les bêtes noires deviennent des Boites Noires

Tout comme le Big Data, algorithme est un mot magique qui semble conférer une sorte de super pouvoir à l’acteur qui le détient : « nous avons développé un algorithme intelligent… ». Un algorithme est tout simplement une suite finie d’opérations logiques. Par exemple, le simple fait de se servir un verre d’eau relève d’une suite d’opérations qui constituent un algorithme calculé par notre cerveau et opéré par notre corps. En matière de numérique, un algorithme est sensé gérer un ensemble d’opérations pour fournir un résultat logique. La subtilité qui ne vous est jamais expliquée, c’est qu’un bon algorithme reproduit avant tout les meilleures pratiques sur un processus donné, dans le but de pouvoir reproduire à l’infini ce processus avec le meilleur niveau de qualité. En d’autres termes, un algorithme est une règle constituée d’un ensemble de critères, chacun dotés d’une pondération. 
 
Trop peu d’entreprises achetant des logiciels de matching se posent ces questions :
– Quels sont les critères exacts composant l’algorithme, et quelles sont les pondérations ?
– Quelles sont les tâches exactes du processus que je cherche à digitaliser ?
– Quelles sont les meilleures pratiques concernant ces tâches ?
– Comment mesurer l’écart entre ce que propose l’algorithme et ce que les meilleures pratiques auraient donné ?
– Quels sont les cas spécifiques pour lesquels ces algorithmes pourraient ne pas être pertinents ?
 
Plus un algorithme est complexe, moins il sera évident de comprendre la logique des résultats qu’il proposera.
En matière de ressources humaines, cela me semble préjudiciable d’appuyer ses décisions sur un calcul opaque. C’est pourtant l’effet ‘Boite Noire’ qui menace de plus en plus la fonction, qui peine à challenger efficacement les fournisseurs internes ou externes qui les équipent en solutions numériques. N’importe quel algorithme devrait pouvoir être expliqué de manière transparente et évidente. Si ce n’est pas le cas, n’achetez pas. Ne croyez pas non plus en un algorithme standard ‘ayant fait ses preuves chez d’autres clients’. La culture et les processus de votre organisation sont certainement différents de ces autres ‘clients’. Exigez une co-construction systématique pour tous les algorithmes qui équipent vos solutions. Pour garder la main, c’est la seule option responsable !
 

Matching Prédictif : quand la loi des grands nombres fait sa loi

Le matching prédictif est la science qui permet de suggérer une valeur pour le futur, à partir d’une large quantité de données issues du passé. Il s’agit d’une approche statistique Big Data, visant à prolonger dans le futur la validité de modèles statistiques mis en évidence grâce aux données du passé. Ces données vont généralement concerner une population ou un marché entier. Finalement assez simple à appréhender, cette science peut être facilement challengée à travers quelques questions, à ajouter à toutes celles du Big Data bien entendu, et à ce que j’ai pu publier sur le sujet
– Quels biais le passé présente-t-il ?
– En quoi le passé ressemble-t-il à l’avenir ?
– A partir de quelles règles de pertinence et de cohérence les modèles statistiques sont-il basés ?
 
Cette approche est très pertinente dans un environnement constant, lorsque les règles du passé sont les mêmes que dans le futur. Mais dans un environnement en pleine mutation, ou lorsque l’on cherche à gommer certaines pratiques ou erreurs du passé, mieux vaut ne pas trop s’avancer sur la qualité prédictive des modèles qui sortiront de la machine ! Surtout, l’analyse massive de données réduite à quelques résultats a pour effet de laisser des côtés les faibles représentations statistiques. 
 
Quand on veut prédire l’avenir à partir du passé, on devrait se demander si on veut vraiment reproduire le passé !
clonage numérique RH
 
Dans la vraie vie, en RH, on appellerait pourtant cela la diversité. Vous l’aurez certainement compris, je ne suis pas fan de cette approche pour les Ressources Humaines, où le passé est loin d’être exemplaire, et donc pas à reproduire, où le monde change tellement vite que le passé ne donne que peu de repères, et où la diversité est au coeur de la création de valeur. La vie professionnelle d’une personne ne doit simplement pas être réduite à une moyenne de population, et la performance ne doit pas être considérée sur une simple moyenne de personnes ayant été performantes dans le passé, c’est juste moche :). En revanche, pour apporter du contexte et des tendances, c’est un outil qui peut s’avérer d’une puissance inégale !
 

Matching Affinitaire : quand les grands enfants jouent au légo numérique

Le matching affinitaire est la science qui permet de suggérer une valeur pour le futur, à partir d’une démarche de profilage des deux parties à faire correspondre. Les données utilisées vont être spécifiques aux parties impliquées. En matière de recrutement par exemple, il va s’agir de faire correspondre le profil d’une personne avec les critères pour un poste donné. C’est donc un simple rapprochement entre une offre et une demande, basée sur une connaissance suffisante des critères permettant la pertinence du matching. Egalement simple à appréhender, le matching affinitaire peut être également challengé facilement, ajoutées également aux questions relatives aux données.
 
Le matching prédictif et le matching affinitaire sont philosphiquement opposés. Le premier pense l’humain par la statistique, le deuxième le voit comme unique.
Philosophiquement opoosé au matching prédictif en matière de Ressources Humaines, le matching affinitaire considère l’individu comme trop important pour être noyé dans une moyenne de la population. Chaque personne doit d’une part être profilée sur une approche volontaire et transparente, et doit être sujette à un maching qui ne réduit pas sa compatibilité à une moyenne des personnes a priori similaires. Ainsi, avec le matching affinitaire, il n’y a aucune approche Big Data dans le calcul de compatibilité, simplement des critères identiques de part et d’autre. Parfois, ‘simpler is better’, surtout lorsque cela permet de comprendre le résultat.
 
Pour faire du matching affinitaire, il faut donc savoir précisément ce que l’on cherche, et c’est là la principale limite. En conservant un calcul simple ‘point à point’, il fait ressortir les imprécisions liées à ce qui ferait une bonne compatibilité. Ainsi, si vous cherchez un comptable, mais ne parvenez pas à définir ce qui selon vous définit un comptable performant, il vous sera difficile d’identifier des candidats pertinents via le matching affinitaire. Mon point de vue, c’est que c’est précisément là qu’est la valeur ajoutée d’un recruteur : savoir ce qu’il recherche. C’est donc une approche qui nécessite un travail de fond, à savoir définir des éléments de référence compatibles entre eux. Peut-être qu’enfin les référentiels de métiers, de compétences et de formation peuvent trouver une utilité à forte valeur ajoutée pour les RH !
 

Chatbot : la FAQ des temps modernes, mais pas que !

Les chatbots sont tellement à la mode qu’il n’est pas possible de ne pas en parler. Ils vont sans doute révolutionner l’industrie du service clientèle. Et dans la fonction RH, c’est d’ailleurs là qu’ils commencent à trouver leur utilité : apporter aux collaborateurs des réponses sur des questions relativement standards. Donc oui, un chatbot, c’est une FAQ (Foire Aux Questions) en plus cool et plus flexible. Un bon chatbot peut évoluer dans le temps, peut s’enrichir, pour répondre à toujours pus de questions différentes. Un très bon chatbot peut comprendre une même question, même tournée de plusieurs manières différentes. Un excellent chatbot, c’est en général un ensemble de téléconseillers basés à l’île Maurice :). Sans blague. Mais tant que ça marche, tant mieux !
 
L’utilisation de chatbot présente peu de risques a priori, dans la mesure où il sera difficile pour un moment encore de l’utiliser sur des sujets stratégiques. Et s’il préconise des bêtises, vous le saurez bien assez tôt. Certains chatbots se lancent dans des sujets plus complexes que la simple FAQ. En effet, des solutions émergent progressivement pour automatiser certaines interactions considérées comme peu productives, comme la prise de rendez-vous entre deux personnes, ou l’organisation de ses routines hebdomadaires dans son agenda.
 
Les chatbots en RH peuvent remplacer les interactions simples et répétitives entre les gens.
Indépendamment de leur état d’avancement aujourd’hui, les chatbots ont le potentiel de libérer la fonction RH de nombreuses tâches à faible valeur ajoutée, notamment sur les demandes répétitives des collaborateurs ou candidats. Il y a bien sûr le fait que cela risque de les libérer dans une certaine mesure du relationnel que ces échanges permettaient jusque là. Un bon DRH vous répondra que cela laissera plus de temps à la fonction RH pour accompagner les collaborateurs sur des éléments à plus forte valeur ajoutée. Ne le croyez qu’en partie. Ceux qui apporteront ce type de valeur dans la fonction RH devront soit être formés pour cela, soit remplacés. Entre ce type de dépenses, et la possibilité d’économiser, beaucoup de directions générales préféreront la ‘rationalisation’. 
 

Intelligence Artificielle en RH : la grande fédération du bullshit numérique

C’est maintenant que cela devient drôle. L’intelligence artificielle, ou IA pour les ‘initiés’, est probablement le fantasme le mieux entretenu depuis quelques années. Je ne devrais pas dire cela, et c’est pour cela que je me contente simplement de l’écrire, mais l’état d’avancement de l’IA est totalement surestimé. Pour le dire autrement, il y a peu de différences entre la compréhension de l’IA il y a 20 ans et la compréhension d’aujourd’hui. Le codage de réseaux de neurones, les cartes mentales, les règles en cascade. Tout ce qui constitue le must de l’IA a été développé il y a bien longtemps maintenant, et n’est réellement maitrisé que par quelques entreprises dans le monde. Certaines entreprises disposent de technologies raffinées dans le temps pour les Ressources Humaines, en France notamment, mais aucune d’entre elles n’est une startup ! Parce que comme pour le bon vin, raffiner des données ET le traitement associé prend beaucoup, beaucoup de temps. Pour les autres, il s’agira avant tout de jouer à l’apprenti sorcier avec vos données.
 
L’intelligence artificielle en RH n’est pas prête, stop au bullshit !
Pour les puristes, l’Intelligence Artificielle se définit par quatre stades distincts : réactivité, mémoire limitée, théorie de l’esprit et auto-conscience. Oui, on en est très loin en RH. D’un point de vue pragmatique, la notion d’Intelligence Artificielle peut également englober le traitement algorithmique plus basique, depuis l’algorithme simpliste et figé, à l’algorithme apprenant à partir des données qu’il a lui même traitées, pour se modifier. C’est sur cette seconde extrémité que je me montre critique. Dès lors qu’une machine opère un calcul, il s’agit d’une forme d’intelligence. Dès lors que ce calcul se transforme en une série de calculs, dont les règles de progression sont aussi opaques que discutables, je considère qu’on franchit une ligne rouge pour les Ressources Humaines. 
 
Pour être clair, si vous maitrisez parfaitement le contexte des données, ainsi que les règles des algorithmes qui les traitent, alors vous détenez un tout inestimable pour le futur de la fonction RH. Mais je peux, sans trop m’avancer, considérer que ce n’est le cas pour aucun d’entre vous. Tout simplement parce que la quantité de paramètres à intégrer est telle, qu’il vous aurait fallu des années pour acquérir, structurer et raffiner des données d’une variété immense. Vous ne disposez simplement pas de suffisamment de données de qualité pour jouer à ce jeu. Au mieux, vous pouvez commencer à construire votre piscine de données, ou ‘Data Pool’, dans l’espoir que vous aurez capté les données suffisantes, avec un niveau de qualité suffisant, pour les utiliser  
 

API & SIRH : la fin du châtiment numérique de Babel

Pour terminer sur une bonne note, venons-en auxApplication Programming Interfaces, les fameuses API. Tout comme il vous faut une passerelle pour passer de la salle d’embarquement à l’intérieur de l’avion, il est parfois nécessaire de créer des passerelles entre deux applications, afin d’assurer la circulation de données, dans un sens ou dans l’autre. La notion d’API est centrale dans la compréhension moderne des SIRH (Systèmes d’Information pour Ressources Humaines). Apparus il y a une quinzaine d’années environ, les premiers SIRH étaient de grandes bases de données avec quelques applications, permettant par exemple de saisir la paie, collecter des CV, etc. 
 
La démocratisation des API, à travers la création de standards, a permis à des logiciels jusque là isolés de communiquer entre eux. Les avantages sont nombreux : plus besoin de rentrer les données plusieurs fois, un nombre accru de fonctionnalités disponibles, tout cela grâce à une meilleure circulation des données. En RH, la culture historique veut que le SIRH soit la base de données, et les applications de paie, de recrutement et parfois de formation.
 
Il est important de changer cette croyance du SIRH unique, devenue très limitante. 
Le SIRH doit être considéré comme la totalité des outils numériques disponibles pour gérer les données RH. Au centre, une base de données structurées, où toutes les données sont centralisées et stockées de manière sécurisée. Autour, plusieurs applications communiquant avec cette base centralisée, et servant à acquérir de nouvelles données, traiter les données existantes, et/ou restituer aux utilisateurs des données brutes ou des résultats. Avec cette vision, il est possible d’imaginer un écosystème de centaines d’applicatifs, tous modulaires, et surtout tous remplaçables au besoin ! 
 

Le bon sens, règle maitresse d’une politique numérique 

Responsabilité Numérique RH

 
Au delà des définitions présentées dans cet article, s’engager dans une politique RH tournée vers la gestion des données requiert une compréhension du cycle de vie des données : acquisition, traitement, restitution et stockage. Je publierai très prochainement un article dédié à ce cycle de vie. En attendant, pour compléter les définitions présentées dans cet article, n’oubliez pas de vous poser deux questions centrales lorsque vous travaillez avec des données : A qui appartiennent ces données ? Sont-elles bien sécurisées ? 
 
Et pour conclure, je pourrais résumer cet article sur une simple recommandation : ne vous équipez pas d’une solution dont vous ne pouvez pas comprendre chaque partie du fonctionnement dans le détail ! #MakeHRgreatagain
 
Partagez, et rejoignez le débat sur Twitter : @JeremyLamri
 
Envie d’en savoir plus sur l’innovation en matière de Ressources Humaines ? Le Lab RH vient de publier son premier ouvrage collaboratif sur le sujet : Innovations RH.