Recruteurs, coachs et responsables formation, bénéficiez GRATUITEMENT de votre rapport d’évaluation complet, le Talentoday Plus. Contactez nous.

Notre Science

Nous mettons en accord la science du questionnaire psychométrique avec des algorithmes puissants en machine learning pour entraîner des choix d'embauche intelligents.

Predictive professional behaviors

Qu'est-ce qu'un Target Profile ?

Quand l'intelligence artificielle rejoint la psychométrie

Notre approche a pour but d'utiliser les dernières innovations relatives aux algorithmes de machine learning afin de mieux décrire la psychologie d'un groupe d'individus grâce aux données de Talentoday. Les algorithmes d'intelligence artificielle nous permettent d'appréhender l'organisation des données décrivant la personnalité avec un nouvel angle. L'approche supervisée du machine learning permet, lorsqu'il est entraîné sur des données précises et fiables, de discriminer très précisément les nuages de points décrivant les soft skills (qualités humaines) des individus. Lorsque ceux-ci sont mis en perspective par le regard avisé d'un expert, l'analyse s'avère très pertinente.

Comprendre qu'est-ce qui rend une équipe unique

Le questionnaire mYti utilise des questions ipsatives ou "choix forcé" : les utilisateurs sont obligés de choisir entre deux propositions selon leurs préférences personnelles. Ce format de questionnaire possède le double avantage de minimiser le biais d'acceptation et celui de désirabilité sociale parce qu'il n'y a pas de "bonne réponse". Les résultats reflètent avec précision les spécificités individuelles de chaque utilisateur.

Validation scientifique

Évaluer la performance de l'algorithme

L'évaluation de nos outils est au coeur de notre approche scientifique. Nous suivons une méthodologie qui nous permet d'auto-évaluer la performance de nos algorithmes : après avoir appris à un algorithme à différencier les individus en fonction d'un poste ou d'une entreprise, nous testons cette capacité de différenciation et déterminons un pourcentage de fiabilité.

Interprétation des résultats

Nos algorithmes ne nous permettent pas seulement d'apprécier l'appartenance d'un individu à un groupe (entreprise ou poste) mais également d'analyser ce groupe en lui-même. En effet, nous pouvons analyser la structure des données psychométriques définissant un groupe d'individu. En d'autres termes, quelles caractéristiques psychologiques définissent ce groupe.

Le schéma ci-dessous correspond à un algorithme qui possède un haut niveau de fiabilité, car nous obtenons un très bon score de prédiction et d'aire sous la courbe ROC rattachés (AUC).

L'aire sous la courbe ROC représente la capacité de notre algorithme à différencier des individus appar- tenant, ou non, à un groupe spécifique. Une aire de 50 signifie que notre algorithme ne prédira pas mieux que ce que ferait le hasard. A contrario, une aire de 100 signifie une prédiction parfaite : aucun faux positifs (déclaré comme positif alors qu'il est en réalité négatif) et aucun faux négatifs (déclaré comme négatif alors qu'il est en réalité positif). L'aire sous la courbe ROC ne peut jamais être inférieur à 50.

Ici, une précision de 95% signifie que l'algorithme est capable dans 95% des cas, de détecter sur de nouvelles données, des individus appartenant à un groupe de référence (par exemple, une entreprise).

Le schéma suivant correspond à un algorithme de faible performance : il est difficile d'identifier les invariants comportementaux. Un candidat aléatoire est peu différencié d'un candidat appartenant à un groupe de référence.

Résultats de l'algorithme

Testé sur un échantillon représentatif

Afin de mesurer la précision de nos algorithmes, nous avons réalisé un échantillonnage sur différents groupes préexistants au sein de notre base de membres. Pour obtenir un échantillon suffisamment large et représentatif, ces groupes ont été sélectionnés en fonction de différents critères : taille de l'entreprise, nationalité et secteur d'activité.

Les entreprises sélectionnées pour cette étude sont :

  • Spring France (cabinet de recrutement, filiale du groupe Adecco)
  • Total (groupe français du CAC40 de l'industrie pétrolière)
  • CNRS (Centre National de Recherche Scientifique, institut de recherche français)
  • EHPAD (Établissement d'Hébergement pour Personnes Âgées Dépendantes, établissement de santé français)
  • McDonald's (entreprise américaine de restauration rapide)
  • US Air Force (organisation militaire américaine)

Nous avons également sélectionné des groupes d'individus occupant des postes similaires au sein de différentes entreprises :

  • des développeurs informatique chez Google, Facebook et IBM
  • des ingénieurs automobile chez Tesla, Renault et PSA
  • des consultants chez Ernst & Young, Mc Kinsey et Total

Ces individus ont la particularité de posséder à la fois des caractéristiques communes (postes similaires) et des différences marquées (cultures d'entreprises très différentes). Nous avons également sélectionné un groupe composé de 1 500 individus aléatoires afin de vérifier dans un second temps ces correspondances.

Performance de la classification

L'algorithme de classification prédit le pourcentage de chance qu'un individu a de travailler dans une entreprise ou d'occuper un poste spécifique (en se basant sur sa personnalité et ses motivations résultant du questionnaire mYti). Afin de sélectionner le meilleur algorithme de classification, nous avons testé et évalué différents algorithmes. Cette sélection se base sur trois critères de performance : le temps d'exécution, le score de prédiction et l'aire sous la courbe ROC (AUC).

Essayez notre algorithme de prédiction gratuitement !

Avec notre technologie de pointe, vous serez en première ligne de People Analytics

Data science study