Identifier les facteurs de départ par population (métier, ancienneté, site) pour agir en prévention — au niveau agrégé, jamais individuel.
Direction générale / DRH · Développement RH (GEPP, formation) · DSI / Data — Outils : Claude Code
Qualification haut risque à instruire au cas par cas. Selon le
paramétrage (niveau agrégé vs individuel, attribution de tâches, évaluation), ce cas
peut relever de l'Annexe III, point 4 de l'AI Act.
Voir Gouvernance et conformité des SIA RH.
Données requises
Historique agrégé des départs par métier, ancienneté, site et motif (pseudonymisé)
Données sociales agrégées associées (cycles de travail, absentéisme d'unité, quotités)
Effectifs de référence par population
Résultat attendu
Analyse des facteurs de départ par population et projection du risque de turnover par métier et site, pour prioriser des actions de prévention collectives (cycles, parcours, rémunération accessoire, QVCT).
Garde-fous
Analyse strictement agrégée : aucune notation individuelle — l'évaluation du comportement peut être haut risque, voire prohibée selon l'usage.
Les facteurs identifiés déclenchent des actions collectives, jamais des mesures ciblées sur une personne.
Vous êtes analyste RH d'un organisme gestionnaire. À partir de l'historique agrégé des départs et des données sociales agrégées jointes (aucun identifiant individuel), produisez : (1) l'analyse des taux de départ par métier, tranche d'ancienneté et site, (2) les facteurs associés statistiquement aux départs (avec prudence sur la causalité), (3) une projection du risque de turnover par population pour les 12 prochains mois, (4) trois pistes d'action collectives hiérarchisées par population à risque. Restez au niveau des populations : si un croisement produit un groupe de moins de 10 personnes, remontez d'un niveau d'agrégation et signalez-le.
Jeu de données fictif
Historique fictif de 48 mois de départs agrégés (3 sites, 8 métiers, 4 tranches d'ancienneté) avec facteurs plantés : sur-départ des IDE de 2-5 ans d'ancienneté sur un site en 12 h.
Tous les jeux de données du site sont 100 % fictifs/synthétiques — aucune donnée réelle.
Mode atelier
Durée : 120 min
Objectifs
Analyser les facteurs de départ sans jamais scorer d'individu
Traduire l'analyse en plan de prévention collectif
Déroulé
Cadrer : la frontière entre analyse de populations et évaluation individuelle
Explorer les taux de départ par population sur le jeu fictif
Identifier les facteurs et discuter causalité vs corrélation
Construire le plan d'action collectif et ses indicateurs de suivi
DREES, Études et Résultats n°1277 (juillet 2023) — seules 54 % des infirmières hospitalières sont encore à l'hôpital dix ans après leur diplôme. Statut V.
Littérature académique et retours d'usage people analytics — modèles de turnover agrégés. Statut C.
Statut de fiabilité : C Corroboré — sources secondaires.
Pourquoi ce cas
Seules 54 % des infirmières hospitalières sont encore en poste à l’hôpital dix ans après le
diplôme (DREES, Études et Résultats n°1277, juillet 2023). Comprendre où et pourquoi les
départs se concentrent — métier, ancienneté, organisation du travail — permet d’agir avant, par
des mesures collectives ciblées.
Points de vigilance
Aucune notation individuelle : un score de « risque de départ » par personne relèverait de
l’évaluation du comportement des travailleurs — haut risque (Annexe III, point 4), voire
pratique prohibée selon l’usage. La qualification est à instruire au cas par cas selon le
paramétrage — voir Gouvernance et conformité des SIA RH.
Comment le jouer
L’unité d’analyse est la population, jamais la personne : le contrôle de granularité fait
partie du pipeline.
Corrélation n’est pas causalité : chaque facteur identifié se confronte au terrain
(entretiens de départ, instances, encadrement).
La boucle se ferme par l’action : un facteur identifié sans mesure collective associée n’est
qu’un constat.