Statistiques et profilage au service du bien-être au travail

J’ai récemment eu l’occasion de faciliter la réalisation et l’analyse des résultats d’un sondage au sein d’une PME concernant le « bien-être au travail » de ses salariés. Les représentants du personnel de cette entreprise avaient connaissance depuis quelques temps déjà d’une situation difficile sur un des sites et d’au moins un salarié arrêté après un burn out. Ils ne savaient pas toutefois évaluer l’étendue des difficultés et ne disposaient pas d’éléments chiffrés permettant une discussion constructive avec la direction sur la base de propositions pragmatiques. Ils m’ont alors contacté pour me demander conseil.

Nous avons identifié ensemble les thèmes sur lesquels ils souhaitaient consulter l’ensemble des salariés puis trouvé un questionnaire type qui nous servirait de base de travail : le questionnaire SATIN développé par l’INRS et l’Université de Loraine. Nous avons sélectionné les questions et construit un sondage sur la plateforme MonkeySurvey. Le sondage s’est ensuite déroulé du 5 au 17 décembre 2019. Les résultats bruts et statistiques (répartition des réponses pour chaque question) fournis par MonkeySurvey ont permis d’obtenir les premières confirmations. Toutefois, MonkeySurvey ne propose pas d’outil permettant d’identifier les liens entre réponses et caractéristiques des personnes sondées (localisation, âge, ancienneté, type de métier, etc.) ou entre réponses elles-mêmes. Existe-t-il des profils de réponses types ? Un salarié ayant des problèmes de santé aura-t-il plus tendance à faire un retour négatif concernant la gestion des équipes ou l’environnement physique ?

J’ai alors proposé une approche d’analyse des données basée sur les recherches de corrélations (quand elles sont pertinentes) et l’identification de groupes cohérents (clusterisation). Cette méthode a permis de finaliser une analyse détaillée et des propositions pragmatiques (8 pages).

Elle nécessitait toutefois l’ajout de quelques pages d’explications pédagogiques. Le rapport final devait en effet servir aux discussions puis être diffusé à l’ensemble des salariés. Le support devait être suffisamment explicite. Il comprend donc une première partie « méthode » avant la présentation des résultats (5 pages).

Cette expérience fut intéressante à plus d’un titre. D’abord elle m’a permis d’échanger sur une des applications des statistiques et du profilage (« data science ») avec des personnes n’en n’ayant pas de notion et n’en percevant pas l’intérêt a priori dans un tel cas. J’ai également pu pratiquer la clusterisation basée sur la corrélation et quelques autres approches. Une fois de plus, les packages Python s’avèrent riches et efficaces, en particulier scipy et son module cluster.