Étude de cas : Analyser les résultats d’une enquête d’évaluation des compétences des collaborateurs

Afin de garantir à la fois le respect de la vie privée de notre client et la confidentialité du projet, les indicateurs et statistiques utilisés dans ce cas sont fictifs.  

Notre client est spécialisé dans la réalisation d’enquêtes pour des organisations de divers secteurs. La société utilise une série de méthodologies de collecte de données, telles que des enquêtes en ligne ou des entretiens en personne. 

Une fois les données recueillies, notre client procède à l’analyse et à l’interprétation des résultats pour ensuite les présenter sous divers formats. 

Le rôle de notre client est doublement crucial pour ses clients : 

  1. Il garantit l’intégrité et la fiabilité des données collectées ; 
  1. Il apporte des éléments d’appréciation et des recommandations concrètes sur la base de rapports d’enquête et d’analyses statistiques. 

Définition du projet d’analyse de données 

Champ d’application et exigences du projet 

Notre prestataire a mené une enquête auprès de centaines de participants, répondant à 80 questions pour évaluer la répartition des employés de son client sur une matrice de compétences (Satisfaction des employés et Compétences relationnelles). Il a par la suite appliqué un système de notation pour chaque ensemble de compétences. 

Ci-après, un schéma simplifié du projet d’analyse de données

blog use case employee survey scoring rules

Il convient d’effectuer cette analyse à la fois au niveau de chaque employé et au niveau des équipes. 

Dans le cadre de ce projet, nous avons traité :  

  • Des centaines de contributeurs ; 
  • 40 000 réponses ; 
  • 10 400 évaluations. 

Le défi 

Notre client a mené une enquête à grande échelle, analysant les réponses de chaque participant et leur attribuant une note pour chaque critère défini. Les résultats seront présentés par une visualisation des données. 

L’enquête se compose de 80 questions à choix multiples. En fonction de leurs réponses, les participants se voient attribuer des points. Les questions sont classées selon 8 critères et une note est calculée pour chaque critère. En raison du nombre important de répondants et de la nécessité de calculer les scores de ces 80 questions, il est essentiel d’automatiser ce processus. L’automatisation permet d’analyser rapidement les scores au niveau individuel, au niveau de l’unité opérationnelle et au niveau de la fonction. 

Résultat escompté 

Le prestataire souhaite ventiler les scores finaux selon deux axes (compétences techniques et compétences relationnelles) afin de permettre une meilleure compréhension de la position de chaque participant au sein de la matrice. 

Pour étoffer la visualisation des données, notre client souhaitait insérer des commentaires à côté de chaque score et afficher un échantillon des réponses des participants. 

En disposant du score, d’un échantillon de réponses et de commentaires, on obtient une vision précise et qualitative de la position de chaque collaborateur vis-à-vis de ses collègues. 

Comment ClicData s’y est-il pris ? 

1. Connexion à une application de stockage sur le cloud et automatisation de la mise à jour des données 

Nous avons configuré une connexion à l’application de stockage cloud de leur entreprise afin de récupérer les résultats de l’enquête contenus dans un fichier Excel. 

Une fois la connexion établie, il leur a suffi de plannifier  des mises à jour de données pour en extraire de nouveaux résultats chaque jour. Cette mise à jour des données permet également d’actualiser le calcul des scores. 

Grâce aux mises à jour automatiques, le responsable des entretiens disposera de la latitude nécessaire pour changer le format des réponses ou modifier des champs spécifiques dans le fichier Excel. L’ensemble des données sera mis à jour et calculé automatiquement. 

2. Implémentation de règles de calcul pour chaque critère basé sur un système de notation par le biais d’un flux de données 

Le rôle du Dataflow de ClicData est de créer un processus ETL (Extract, Transform, Load), où toutes les transformations nécessaires sont appliquées aux données pour obtenir le score final. Par la suite, le score obtenu est affiché sur le tableau de bord. 

Exemple : Dans une question à choix multiples, si la réponse est correcte, le contributeur gagne 1 point ; dans le cas contraire, il reçoit 0 point. Chaque critère se voit ensuite attribuer un niveau de score : Faible ou Élevé. Pour obtenir le score le plus élevé, le participant doit avoir le nombre de points requis pour chaque critère. 

blog use case empoloyee survey dataflow

3. Détermination du score global pour chaque contributeur et positionnement sur un graphique à deux axes pour chaque score potentiel 

La notation finale est affichée sous la forme d’une matrice comportant quatre domaines clés, permettant ainsi de classer tous les participants et de visualiser la répartition au niveau individuel ou collectif. 

  • Les participants ayant obtenu les scores les plus élevés sur les deux axes seront placés sur le carré vert. 
  • Les participants ayant obtenu le score le plus élevé sur un seul axe seront placés sur l’un des deux carrés orange. 
  • Enfin, les participants ayant obtenu les scores les plus faibles sur les deux axes seront placés sur le carré rouge. 
blog use case employee survery two axes concept

De cette manière, l’entreprise pourra constater la répartition de tous les contributeurs en fonction des critères définis. 

4. Création d’un tableau de bord pour obtenir une vue d’ensemble des résultats individuels 

Ce tableau de bord comprendra les éléments suivants : 

  • Les noms des participants ; 
  • Les résultats des participants pour chaque catégorie de compétences ; 
  • La position des participants sur le graphique indiquant un résumé du score dans chaque catégorie ; 
  • Les commentaires des participants et du responsable de l’entretien. 

Comment créer ce graphique à deux axes avec ClicData ? 

Nous avons simplement créé 4 carrés à l’aide de notre widget Shape et modifié leurs couleurs. Nous avons ensuite ajouté des widgets graphiques transparents, les avons placés devant les formes et les avons ajustés de manière à ce que chaque vecteur soit positionné sur le carré correspondant. 

Exemple : Dans le graphique ci-dessous, le contributeur sélectionné a obtenu les scores les plus élevés sur les deux axes, ce qui donne une valeur de (1,1) qui correspond au carré vert. 

blog use case employee survey evaluation

Nous avons ensuite ajouté une zone de texte dynamique pour afficher les réponses des participants aux questions. 

blog use case employee survey answers

Puis nous avons inséré une autre zone de texte avec des champs dynamiques constitués d’entrées provenant d’un widget de formulaire de données mis à la disposition du responsable de l’entretien.

blog use case employee survey inputs

La valeur ajoutée : l’automatisation, la cohérence des données et des résultats exploitables 

Grâce à l’automatisation et aux règles personnalisées, notre client et ses clients ont désormais une compréhension approfondie des réponses des collaborateurs. Cela a non seulement généré des gains de temps significatifs, mais a également assuré la cohérence des données.  

Les règles et la matrice à deux axes permettent d’identifier les critères les mieux ou les moins bien notés, offrant ainsi des recommandations personnalisées et concrètes à chaque employé de la part des consultants.