Conclusions et recommandations

Vous avez vu que, même en tenant compte des différences de niveaux d'emploi, les femmes sont moins susceptibles que les hommes d'être étiquetées comme à haut rendement dans cet ensemble de données fictif. Parmi les recommandations suivantes, laquelle est la meilleure à formuler à partir de ce constat ?

Cette activité fait partie du cours

Analytique RH : Exploration des données d'employés avec R

Exercice interactif pratique

Passez de la théorie à l’action grâce à l’un de nos exercices interactifs

Commencer l’exercice

Cette activité fait partie du cours

Analytique RH : Exploration des données d'employés avec R

SkillTag.level.intermediateSkillTag.label

4.8+

Commencer le cours gratuitement

Dans ce chapitre, vous verrez d'abord comment la science des données est utilisée en contexte de ressources humaines. Vous passerez ensuite à une étude de cas où vous analyserez et visualiserez des données de recrutement pour déterminer quelle source de candidatures produit ultimement les meilleures nouvelles embauches. L'ensemble de données utilisé ici et dans les autres chapitres est synthétique, afin de préserver la confidentialité des employés réels.

Exercise 1: Bienvenue dans le cours !Exercise 2: Applications de l'analytique des ressources humaines (RH)Exercise 3: Examiner les données de recrutement Exercise 4: Recrutement et qualité des embauches Exercise 5: Identifier des groupes dans les données Exercise 6: Chiffres de vente par source de recrutement Exercise 7: Taux d'attrition par source de recrutement Exercise 8: Visualiser les données de recrutement Exercise 9: Visualiser les écarts de performance en ventes Exercise 10: Visualiser les écarts de roulement de personnel Exercise 11: Tirer des conclusions

Gallup définit les employés engagés comme des personnes impliquées, enthousiastes et dévouées à leur travail et à leur milieu de travail. Le lien entre l'engagement des employés et les résultats d'affaires fait débat, mais l'idée est que des employés plus engagés seront plus productifs et resteront plus longtemps au sein de l'organisation. Dans ce chapitre, vous examinerez des raisons possibles expliquant pourquoi les scores d'engagement d'un service sont inférieurs au reste.

Exercise 1: Analyser l'engagement des employés Exercise 2: Importer les données du sondage Exercise 3: Quel service affiche le plus faible engagement?Exercise 4: Comparer d'autres facteurs par service Exercise 5: Visualiser les données d'engagement Exercise 6: Visualiser plusieurs variables à la fois Exercise 7: Visualiser plusieurs variables à la fois avec des facettes Exercise 8: Tirer des conclusions à partir de graphiques Exercise 9: Cette différence est-elle significative?Exercise 10: Signification statistique — employés désengagés Exercise 11: Signification statistique - jours de vacances Exercise 12: Tirer des conclusions à partir des tests

Lorsqu'un employeur embauche une nouvelle personne, il doit déterminer sa rémunération. S'il n'y prend pas garde, les nouvelles recrues peuvent arriver avec un salaire plus élevé que celui des employés déjà en poste au même emploi, ce qui peut entraîner du roulement et de l'insatisfaction. Dans ce chapitre, vous vérifierez si, en réalité, les nouvelles recrues sont mieux payées que les employés actuels, et comment valider vos premières observations.

Exercise 1: Rémunérer équitablement les nouvelles embauches Exercise 2: Importer les données de rémunération Exercise 3: La différence est-elle significative?Exercise 4: Biais d'omission de variable Exercise 5: Exemples de biais par variable omise Exercise 6: Quelles autres différences existent?Exercise 7: À quoi ressemble l'écart salarial maintenant?Exercise 8: Les employés à l'heure sont-ils mieux payés?Exercise 9: Régression linéaire Exercise 10: Rémunération des nouvelles recrues : une régression simple Exercise 11: Rémunération des nouvelles embauches : tenir compte des niveaux de poste Exercise 12: Tirer des conclusions à partir des tests

La gestion du rendement aide une organisation à repérer quels employés créent une valeur ajoutée ou, au contraire, une valeur sous la moyenne, et à les rémunérer en conséquence. Qu'il s'agisse d'une cote ou du résultat d'un questionnaire, et que l'évaluation ait lieu chaque année ou plus souvent, le processus reste en partie subjectif. Une organisation devrait s'assurer que les cotes sont attribuées en fonction du rendement, et non des préférences des gestionnaires, ni de biais — conscients ou non.

Exercise 1: Joindre des données RH Exercise 2: Importer les deux jeux de données Exercise 3: Joindre les données de rendement Exercise 4: Cotes de rendement et équité Exercise 5: Mettre l'accent sur les employé·e·s très performants Exercise 6: Comparer les distributions des employé·e·s très performants Exercise 7: Vérifier un biais dû à une variable omise Exercise 8: Régression logistique Exercise 9: Régressions linéaire et logistique Exercise 10: Cotes de rendement : une régression logistique simple Exercise 11: Cotes de rendement : tenir compte des niveaux d'emploi Exercise 12: Conclusions et recommandations

Exercice en cours

Dans de nombreux secteurs, la sécurité au travail est un enjeu crucial. Un milieu de travail sécuritaire inspire confiance aux employés et réduit les coûts liés à l'indemnisation des travailleurs et aux responsabilités juridiques. Dans ce chapitre, vous chercherez des explications à une hausse des accidents de travail.

Exercise 1: Sécurité des employées et employés Exercise 2: Importer et joindre les données d'accidents Exercise 3: Où le taux d'accidents est-il le plus élevé ?Exercise 4: Où le taux d'accidents a-t-il le plus augmenté?Exercise 5: Se concentrer sur l'emplacement visé Exercise 6: Se concentrer sur l'emplacement du problème Exercise 7: Ajouter plus de données Exercise 8: Vérifier les variables omises Exercise 9: Ce changement est-il propre à l'emplacement problématique?Exercise 10: Expliquer la hausse des accidents Exercise 11: Utiliser la régression pour cerner les facteurs de changement Exercise 12: Qu'est-ce que vous pouvez conclure ?Exercise 13: Conclusion