| Titre | Comment tirer le meilleur parti des données ? : Panorama et illustration de l'emploi de méthodes quantitatives inductives pour la recherche en GRH | |
|---|---|---|
| Auteur | Alain Lacroux | |
 |
Revue | @GRH |
| Numéro | no 50, 2024/1 Numéro spécial : Recherche quantitative exploratoire en GRH | |
| Page | 15-52 | |
| Résumé |
La GRH est significativement impactée par la révolution des « big data » : l'accumulation de masses de données importantes sur les salariés apparaît aujourd'hui dans le discours de certains observateurs comme une condition nécessaire et suffisante pour la construction de modèles prédictifs de comportements complexes au travail comme l'absentéisme ou la performance en poste. En réalité, les enjeux majeurs ne tournent pas autour de la quantité des données, mais concernent plutôt les méthodologies permettant la transformation de ces données en connaissance, si possible actionnable. Les réflexions sur les méthodes applicables pour relever ce défi sont relativement récentes, et mentionnent régulièrement un renouveau de l'empirisme dans un « quatrième paradigme » fondé sur l'exploitation intensive et « agnostique » de masses de données en vue de faire émerger des connaissances nouvelles, selon une logique purement inductive. Sans adopter ce point de vue spéculatif, force est de constater que les approches inductives basées sur les données (data driven) demeurent rares dans les études quantitatives en GRH. Il existe pourtant des méthodes bien établies, notamment dans le domaine de la fouille de données (data mining), qui reposent sur des approches inductives. Ce domaine de l'analyse quantitative à visée inductive demeure encore assez peu exploré en GRH (à l'exception des analyses typologiques). L'objectif de cet article est tout d'abord de dresser un panorama des méthodes mobilisables pour des recherches en GRH, avant de proposer une illustration empirique qui consiste en une recherche exploratoire combinant une analyse en profils latents et une exploration des profils obtenus par des modèles graphiques gaussiens. Source : Éditeur (via Cairn.info) |
|
| Résumé anglais |
HRM has been significantly impacted by the big data revolution: the collection of large amounts of data on employees is now seen by some observers as necessary and sufficient for building predictive models of complex work behaviors, such as absenteeism or job performance. In practice, the major challenges do not concern the quantity of data, but rather the methodologies needed to transform this data into actionable knowledge. Considerations on the methods available to meet this challenge are relatively recent, and often emphasize a revival of empiricism in a "fourth paradigm" based on the intensive and "agnostic" exploitation of masses of data in order to generate new knowledge, according to a strictly inductive logic. Despite these speculations, it is clear that data-driven approaches are scarce in quantitative HRM studies. However, well-established methods do exist, particularly in the field of data mining, which are based on inductive approaches. This area of quantitative analysis with an inductive aim is still relatively unexplored in HRM (with the exception of cluster analysis). The purpose of this article is first to provide an overview of the inductive methods that can be used for HRM research, before proposing an empirical illustration that combines latent profile analysis with an exploration of the profiles obtained by Gaussian graphical models. Source : Éditeur (via Cairn.info) |
|
| Article en ligne | https://www.cairn.info/article.php?ID_ARTICLE=GRH_050_0015 (accès réservé) |
