Avec l'émergence des nouvelles technologies et les récentes avancées de l'intelligence artificielle, les données sont omniprésentes dans le monde professionnel et de nombreuses entreprises ont pris conscience de l'importance de garantir la qualité des données collectées. Les RH ne font pas exception et ont un rôle essentiel à jouer dans le traitement responsable et efficace de leurs données. Comment mettre en place les conditions nécessaires pour disposer de données fiables et à jour ? Découvrons les bonnes pratiques à adopter afin de permettre aux RH de prendre des décisions éclairées grâce aux données et de jouer pleinement leur rôle stratégique.
La data RH : capitaliser sur la donnée individuelle et collective pour un pilotage éclairé
L’enjeu principal des RH est de collecter les données fiables et de qualité pour gérer et piloter les ressources humaines au quotidien et pour orienter les décisions dans les différents domaines couverts (planification des équipes de production, provision des charges salariales et pilotage de la masse salariale, prévision des évolutions en termes d’emploi et de compétences, etc.).
Les bases de données RH sont ainsi constituées de l’ensemble des données individuelles qui sont récoltées tout au long de la vie des collaborateurs au sein de l’organisation. Ces données sont de différentes natures et proviennent de différentes sources : collaborateur pour ses données personnelles, RH et gestionnaires paie pour les données d’organisation, contractuelles, de paie, manager pour les données liées aux présences et absence. Ces données sont agrégées et retravaillées en indicateurs de performance par les RH de manière à offrir une vision large des succès et des éventuelles tensions à résoudre.
En utilisant les informations tirées de l’analyse des données, la fonction RH assure par exemple le pilotage de la masse salariale en contrôlant et optimisant les coûts liés à la rémunération globale (salaires, avantages en nature, bonus, etc.) et anticipe les évolutions en termes d’emploi et de compétences. Ainsi, les RH peuvent se baser sur la gestion prévisionnelle pour proposer des recommandations stratégiques à la direction, dans le but d’optimiser les processus et la viabilité financière de l’entreprise.
Diverses erreurs à prendre en compte pour éviter de pénaliser son entreprise
La qualité des données peut être mise à mal de nombreuses manières, illustrées par des données erronées, incomplètes, manquantes ou superflues. L’erreur de saisie est l’un des principaux risques à éviter, souvent causée par un manque de connaissance des processus et des enjeux par les utilisateurs qui saisissent les données. Par exemple, les managers sont parfois amenés à effectuer des demandes de création de poste comprenant certaines informations propres à la gestion des ressources humaines qui peuvent sembler dispensables lors de la saisie (centre de coût, classification, etc.) mais nécessaires aux RH dans leur gestion quotidienne. De plus, les différences dans les processus, les référentiels et les règles de gestion entre les entités peuvent entraîner une hétérogénéité des pratiques et in fine des écarts dans les saisies.
Par ailleurs, des dysfonctionnements d’outils peuvent également entraîner des dégradations de données. Cela peut être dû à des problèmes de paramétrage ou à des anomalies dans les applications, générant de nouvelles données erronées ou dégradant celles déjà existantes. Les flux de données peuvent également jouer un rôle en propageant les erreurs d’un système à un autre.
Des impacts non négligeables à anticiper à différents niveaux de l’organisation
Lorsque la qualité des données fait défaut, des coûts supplémentaires peuvent être engendrés pour l’entreprise. Tout d’abord, cela risque d’impacter le travail quotidien des opérationnels (RH ou autres), entraînant une perte de temps, de productivité et, in fine, d’argent. La recherche et l’analyse de la source de l’erreur, ainsi que le temps nécessaire pour effectuer les corrections, peuvent ainsi provoquer une surcharge de travail importante bien supérieure au temps nécessaire pour correctement saisir la donnée initialement.
De même, des répercussions en cascade d’un processus à l’autre sont à surveiller. Notamment dans le cas des données de recrutement erronées qui sont réutilisées lors de processus ultérieurs par d’autres parties prenantes telles que le service de comptabilité, de paie ou de gestion des talents. De plus, des risques juridiques peuvent survenir en cas de collecte ou de stockage non conforme aux normes du RGPD, ce qui peut entraîner des coûts financiers significatifs.
L’expérience utilisateur et l’image de marque employeur peuvent aussi être affectées par une mauvaise qualité des données. Si un manager utilise des données erronées pour réaliser des entretiens annuels, il perdra en crédibilité auprès de ses collaborateurs. De même, si les données présentées aux collaborateurs dans leur dossier sont fausses, c’est l’image des équipes RH et de l’entreprise qui est atteinte et pourrait engendrer une défiance vis à vis de l’outil de gestion et mener à une sous-utilisation de celui-ci.
Enfin, les données erronées faussent les indicateurs RH et biaisent les prises de décision.
Nos recommandations pour assurer une bonne qualité des données
Organiser la gouvernance de la qualité des données
Une gouvernance de qualité des données efficace passe par la nomination d’un CDO (Chief Data Officer) qui aura la charge de superviser et de diriger les initiatives liées aux données, en veillant à ce que l’organisation exploite pleinement la valeur de ses données et les utilise de manière optimale pour atteindre ses objectifs.
La compréhension de “qui doit avoir accès à quoi”, “qui peut saisir quoi”, “où” et “quand” est indispensable au CDO. En effet, il doit rationaliser les niveaux d’accès à la donnée en fonction des besoins et usages des différents acteurs (saisie, consultation opérationnelle, reporting, etc.) et ainsi développer une réelle stratégie de recueil, maintenance et de correction. Pour cela, le CDO participe à l’établissement de la cartographie des rôles et responsabilités des acteurs impliqués.
Pour favoriser une amélioration continue de la qualité des données, une solution efficace consiste à créer une communauté regroupant toutes les parties prenantes, permettant le partage des bonnes pratiques, la communication des progrès réalisés et favorisant la collaboration. Cette communauté aura pour rôle d’animer la gouvernance, de sensibiliser les acteurs et de coordonner les actions visant à améliorer la qualité des données RH.
Mettre en place des processus et outils de contrôle pour identifier les anomalies
Des outils automatisés peuvent être mis en place pour assurer le contrôle des données et permettre ainsi d’identifier les anomalies et de produire des indicateurs de suivi. Ces outils mesurent l’exhaustivité, l’unicité, la cohérence, et la validité des données. Vous pouvez choisir de les développer sur mesure ou de vous appuyer sur des solutions disponibles sur le marché, certains étant directement intégrés aux SIRH via des modules dédiés.
Ces contrôles peuvent porter sur les données stockées et, dans le cas de systèmes interconnectés, sur les données envoyées et/ou reçues par d’autres outils, afin de garantir que les erreurs ne se propagent pas.
Une fois ces outils mis en place, il est primordial de les utiliser de manière systématique et de les intégrer à un processus continu de contrôle de la qualité des données. Les ressources nécessaires pour exploiter ces outils doivent être évaluées en fonction de la taille de l’entreprise et de son niveau de maturité dans ce domaine.
Néanmoins, la mise en place d’outils n’est pas une solution miracle et leurs limites devront être identifiées. Par exemple, l’outil ne sera pas en mesure de déterminer si la donnée de base est à jour ou non et une intervention humaine sera à intégrer à la définition du processus de vérification.
Travailler sur les données tout au long de leur cycle de vie
Comme illustré plus haut, divers acteurs disposant de niveaux de connaissance variables sur les données RH peuvent être amenés à saisir dans les outils. Pour s’assurer que les informations saisies soient correctes, des mesures doivent être mises en œuvre afin d’accompagner ces acteurs tout au long du processus. Il s’agit de développer un dispositif d’accompagnement garantissant la qualité des données à chaque phase de leur cycle de vie.
Voici les étapes recommandées :
Avant la saisie : proposer un accompagnement et des processus métier clairement établis
Vous pouvez mettre en place un programme de formation pour les utilisateurs, en répertoriant des ressources documentaires facilement accessibles, ainsi que les différents niveaux de support et d’accompagnement disponibles en cas de questions. En parallèle, des processus métier et des règles de saisie clairs doivent être établis, partagés et documentés. Enfin, une sensibilisation à l’importance des données peut permettre d’expliquer à qui et à quoi les données seront utiles, afin d’informer sur les impacts en cas d’erreur.
Pendant la saisie : privilégier une interface avec des champs lisibles et des contrôles efficaces
Assurez-vous d’offrir une lisibilité claire pour les champs à remplir et les valeurs disponibles. Pour obtenir des données fiables, il est essentiel que les utilisateurs comprennent facilement le sens des champs et des valeurs afin d’éviter les erreurs. Vous pouvez rendre certains champs obligatoires en fonction des outils utilisés.
De plus, l’automatisation des contrôles de cohérence est recommandée. Par exemple, le numéro de sécurité sociale doit obligatoirement comporter 15 chiffres. Par ailleurs, nous vous conseillons de mettre en place un contrôle intermédiaire assuré par un acteur du processus responsable de la qualité de la donnée, par type de données.
Après la saisie : mettre en place un processus de vérification pour résoudre les anomalies et réduire les failles détectées
Nous vous recommandons d’organiser un processus de contrôle permanent, accompagné de campagnes de correction selon le calendrier de vos processus RH, une fois la saisie effectuée. Vous pouvez utiliser les outils dédiés mis en place pour identifier les éventuelles anomalies et calculer des indicateurs de qualité. De cette manière, il sera possible d’identifier les causes des erreurs relevées et de travailler à leur résolution. Vous pourrez également proposer un accompagnement adapté aux acteurs défaillants.
Le maintien de la qualité des données constitue un travail quotidien qui nécessite de réels moyens, tant en termes de gouvernance que de ressources, de méthodologie et d’outils. Fort de plus de 16 ans d’expérience dans la mise en œuvre et l’optimisation des systèmes d’information des ressources humaines, nous pouvons vous accompagner dans la mise en place et l’animation de dispositifs efficaces de mise en qualité des données.
Envie de prolonger les échanges avec Valentin et Anne-Laure ?
