Comment être plus efficace en recrutement ?
Le | Contenu sponsorisé - Solutions d'évaluation
Le taux d’échec en fin de période d’essai est figé aux alentours des 20 % depuis longtemps. Et cela malgré la professionnalisation de la fonction RH. Pourquoi ?
Examinée de plus près, cette étonnante persistance a une cause simple : les erreurs de recrutements demeurent une réalité. En clair, les techniques utilisées pour pronostiquer les comportements professionnels et la réussite ne correspondent toujours pas à l’objectif poursuivi par l’entreprise
Le maintien des usages inadaptés n’est plus une fatalité. De nouvelles techniques apparaissent : Big Data, recrutement prédictif et matching. Elles semblent capables de proposer des moyens plus sécurisés de hiérarchiser les candidats et donc de venir à bout de cette hécatombe. Mais faut-il se fier aveuglément aux machines (et à leurs vendeurs) ?
Les solutions proposées par les nouveaux dispositifs d’évaluation inspirés du Big Data sont nombreuses. Pour aider les praticiens désireux d’améliorer leurs pratiques, voici quelques questions essentielles à mobiliser pour valider la pertinence des outils proposés.
Le modèle est-il validé sur un échantillon pertinent ?
La taille de l’échantillon testé est évidemment un critère de pertinence essentiel. Mais le modèle est-il aussi testé sur un sous-échantillon comparable avec les caractéristiques d’une entreprise spécifique ? Un modèle peut être prédictif en général mais nettement moins pertinent à l’échelle d’un métier, d’une entreprise ou d’un bassin d’emploi. Il est par conséquent important de vérifier si la règle générale est transposable à une organisation.
Le modèle est-il validé avec des techniques statistiques pertinentes ?
Les qualités psychométriques d’un test sont les plus complexes à appréhender par les non-spécialistes. Comment apprécier la qualité des analyses ou des techniques statistiques utilisées quand on n’est pas soi-même un expert ? La solution la plus simple est de vérifier si le modèle a été établi par des chercheurs. Les résultats doivent avoir été publiés dans des revues scientifiques. Une revue scientifique est « peer-reviewed », c’est-à-dire que les articles qu’elle publie ont été évalués anonymement par un comité scientifique composé de chercheurs experts du domaine.
Le modèle utilisé décrit-il des conditions indispensables à la performance sans être myope ?
Pour faire d’une caractéristique individuelle un critère de recrutement, il faut être certain que ceux qui le possèdent vont réussir mais aussi que ceux qui ne le possèdent pas n’ont aucune chance de réussir. Il doit garantir autant la performance des uns que l’impossible succès des autres.
Le modèle proposé explique-t-il vraiment les différences de réussite ?
Le Big Data met au jour des relations entre des variables. Pourtant, ni la quantité des données, ni la sophistication statistique ne suffisent. Quel sens donner aux liens entre la couleur des yeux et la mention au baccalauréat, ou entre l’origine géographique et la rémunération ? Décrivent-ils des caractéristiques qui impactent réellement la performance ? Faire sens des données est un exercice avant tout théorique. Les chiffres ne peuvent servir qu’à valider des modèles grâce à l’épreuve des faits. Le modèle proposé doit donc expliquer - et pas seulement décrire - les liens entre caractéristiques individuelles et performances. C’est à cette condition que se dégagent des connaissances capables d’améliorer significativement les processus de recrutement et d’évaluation.
Les règles de sélection sont-elles inattendues ou valident-elles le sens commun pré-existant ?
L’attention des praticiens RH devrait être éveillée lorsqu’un modèle psychométrique n’apporte aucune information étonnante : ni concept nouveau, ni relations inattendues entre caractéristiques individuelles et performance. Dans de tels cas, le risque est grand que le modèle ne révèle que des stéréotypes.
La manipulation des datas peut devenir un redoutable moyen influant sur la destinée des collaborateurs mais aussi sur la performance des organisations. C’est pourquoi la question des moyens d’évaluer et de gérer les phases de sélection à partir de cette technique se doit d’être posée dans ses dimensions scientifiques, éthiques et politiques. En définitive, l’essentiel n’est pas dans l’instrument mais bien dans ces principes de construction puis dans l’esprit et la pratique concrète de son utilisation.
Dominique Duquesnoy, Directeur du Développement de PerformanSe
Jean Pralong, Titulaire de la chaire « Nouvelles Carrières » de NEOMA Business School