Qualité de la donnée RH : où en sont les entreprises, et quelles perspectives ?

L’investissement dans l’analytics progresse, mais peu d’organisations jugent leurs données réellement « exploitables ». La priorité n’est pas l’empilement d’outils, mais la qualité (exactitude, complétude, cohérence, granularité) et la gouvernance.

Côté maturité, les analystes rapportent un paradoxe : ~70 % des entreprises augmentent leurs investissements en analytics, mais seules ~12–21 % estiment créer de la valeur stratégique avec leurs données talent, en cause des lacunes de qualité et d’intégration. Gartner+1

Les enquêtes sectorielles pointent des problèmes récurrents : silos entre SIRH et paie, référentiels d’emplois/compétences hétérogènes, doublons d’identités, et faible traçabilité des corrections — autant de freins aux cas d’usage (workforce planning, pilotage des coûts, équité salariale). HR Works Les grandes enquêtes marché soulignent aussi que la fonction RH est devenue forte consommatrice de solutions d’analytics, mais la valeur dépend d’abord d’un socle de données propre et gouverné. G2 Crowd Images

Cadre d’action recommandé

• Adopter un cadre de qualité type ABCD (Accuracy, Breadth, Consistency, Depth), avec objectifs et seuils par domaine (identités, emplois/skills, rémunération, temps). Gartner

• Mettre en place des audits réguliers (profiling des anomalies, taux de complétion, duplications), et publier un data quality scorecard RH partagé avec Finance/IT. eqtble

• Outiller les contrôles en amont (validation à la saisie, règles métiers), et en aval (surveillance continue, catalogues & lignage). Des revues académiques montrent l’écart entre concepts et outils, d’où l’intérêt d’une sélection outillée et d’un run dédié. arXiv

Perspectives

• Foundation models RH : rapprochement people data ↔ données business pour des cas d’usage prédictifs (attrition, productivité) — à condition d’un référentiel unifié et traçable. G2 Crowd Images

• Transparence inversée : donner aux employés de la visibilité sur qui utilise quelles données et pourquoi, améliore l’acceptabilité et la qualité déclarative. arXiv

Conclusion : la performance de la fonction RH dépend moins du « volume » de données que de leur qualité gouvernée. Sans ABCD, pas d’IA fiable.