Les données massives en ressources humaines (RH) sont de plus en plus utilisées pour le recrutement, l'embauche et la rétention des meilleurs employés. Voici trois raisons pour lesquelles davantage d'entreprises adoptent des analyses prédictives pour améliorer leurs résultats.

Recrutement plus efficace

Les données volumineuses permettent de déterminer quels candidats sont les mieux adaptés aux postes à pourvoir. Une partie du processus d'exploration de données peut inclure la collecte d'informations à partir des CV et des profils de médias sociaux pour identifier plus clairement les recrutements potentiels qui peuvent être plus productifs et ajouter de la diversité à un lieu de travail. Les gestionnaires d'embauche peuvent ensuite restreindre leur bassin de candidats et décider des domaines d'évaluation sur lesquels ils devraient se concentrer pendant les entrevues. En mettant en œuvre cette stratégie, le processus d'embauche évolue plus rapidement et les bonnes personnes sont embauchées plus souvent.

AD:

Par exemple, une banque en Asie recrutait auparavant les meilleurs diplômés d'universités réputées pour remplir ses 8 000 postes répartis dans 30 succursales. Après la restructuration organisationnelle de la banque, l'institution a commencé à utiliser des données d'exploration de données couvrant 30 points dans les catégories suivantes: performance des employés, historique professionnel, données démographiques, mode d'occupation et informations sur les agences. La banque a commencé à utiliser l'analyse de données pour identifier les employés actuels les plus susceptibles d'exceller dans leurs postes, de créer de nouveaux rôles au sein de l'organisation et de mieux comprendre ce qui motive les performances des employés.

AD:

En utilisant l'analyse prédictive, la banque a découvert des traits communs chez les hauts et les bas et a créé des profils pour les travailleurs avec une plus forte possibilité d'exceller dans un rôle spécifique. L'information a également montré que la structure des succursales et des équipes affecte la croissance financière de l'institution. En outre, les données volumineuses ont révélé que les rôles spécifiques avaient le plus d'influence sur le succès de la banque.

AD:

En conséquence, de nouvelles structures organisationnelles ont été créées autour d'équipes et de groupes de travailleurs spécifiques. Parce que la banque a commencé à utiliser l'analyse de données pour recruter et mesurer la performance, la productivité des agences a augmenté de 26%, le taux de conversion des nouvelles recrues a augmenté de 80% et le revenu net a augmenté de 14%.

Moins de biais d'embauche

L'analyse prédictive réduit la part de préjugés qui influence la prise de décisions affectant la performance d'une entreprise. Par exemple, de nombreux gestionnaires d'embauche apportent à bord des candidats possédant des caractéristiques similaires à leurs meilleurs travailleurs. Cependant, parce que les employés existants ont été embauchés par les mêmes méthodes biaisées, les organisations manquent généralement de diversité culturelle et intellectuelle, ce qui peut diminuer le succès global d'une entreprise. En créant des modèles et des repères pour évaluer les travailleurs et les secteurs d'activité, les entreprises peuvent mieux identifier les employés et les contributions les plus utiles à l'organisation et utiliser l'analyse prédictive pour déterminer plus clairement quels travailleurs peuvent exceller dans leurs fonctions.

Par exemple, une entreprise de services professionnels qui recevait 250 000 demandes d'emploi chaque année voulait réduire le temps et l'argent consacrés à l'examen des CV, améliorer l'efficacité du processus de sélection et embaucher plus de femmes pour son personnel. Grâce à l'utilisation de l'analyse prédictive, l'algorithme a pris en compte les curriculum vitae des candidats antérieurs, les personnes interviewées auxquelles des postes ont été offerts et celles qui ont accepté. Le modèle liait les données aux objectifs d'embauche de l'entreprise, réduisait la liste des candidats les plus susceptibles d'exceller dans les postes vacants et faisait passer ces curriculum vitae à l'étape suivante du processus d'embauche. Environ 45% des CV ont été examinés, 15% de plus de femmes ont progressé dans le processus de sélection comparativement à un examen manuel et l'entreprise a réalisé un retour sur investissement (RSI) de 500%.

Taux de rétention supérieurs

Les données volumineuses contribuent à améliorer les taux de rétention en indiquant les travailleurs les plus susceptibles de partir et ceux qui souhaitent être mutés à un poste différent dans l'organisation, être promus ou être un mentor l'entreprise. De tels changements augmentent souvent l'engagement au travail, la satisfaction au travail et la productivité, de sorte que les employés restent avec l'organisation.

Par exemple, Bank of America Corp. (NYSE: BAC BACBank of America Corp. 67-0, 54% Créé avec Highstock 4. 2. 6 ) employés portent des cartes d'identité avec des capteurs pour surveiller les interactions interpersonnelles parmi ses travailleurs des centres d'appels. Wells Fargo & Co. (NYSE: WFC WFCWells Fargo & Co56 .14-0. 37% Créé avec Highstock 4. 2. 6 ) utilise l'analyse prédictive pour déterminer quels candidats sont les plus qualifiés pour les postes en tant que scrutateurs et banquiers personnels, selon que les candidats possèdent les caractéristiques de travailleurs engagés et performants. Après une année de mise en œuvre du programme, la rétention des caissiers et banquiers personnels a augmenté de 15 et 12%, respectivement.

The Bottom Line

Les données massives en ressources humaines aident les entreprises à économiser du temps et de l'argent lorsqu'elles recrutent, embauchent et retiennent leurs meilleurs employés. De plus en plus d'entreprises mettront en œuvre des analyses prédictives dans leurs pratiques commerciales, car les entreprises voient de plus en plus la valeur du processus et souhaitent améliorer leur résultat net.