Accueil / Factory / Use cases / RH RH · CRÉDIT À LA CONSOMMATION · 5 oct. 2026

Prédire le turnover des agents de recouvrement avant la vague de départs

Un modèle de survie anticipe les départs des conseillers recouvrement pour sécuriser la continuité du service client.

RHCRÉDIT À LA CONSOMMATIONComplexité : MOYENNEMise en production : 10 à 14 semaines

LE PROBLÈME

Les plateaux de recouvrement et de relation client des organismes de crédit à la consommation connaissent un turnover élevé. Le métier est exigeant, exposé aux tensions avec les clients en difficulté, et souvent occupé par des profils juniors. Chaque départ coûte cher : recrutement, formation de 4 à 8 semaines, perte de productivité le temps de la montée en compétence, et risque accru d'erreurs de traitement sur des dossiers sensibles au plan réglementaire.

Aujourd'hui, les RH et les managers de plateau découvrent les départs au moment de la démission, sans signal d'alerte en amont. Les plans de rétention sont réactifs, uniformes, et mal ciblés. Si le turnover touche en priorité les meilleurs profils ou les équipes en sous-effectif chronique, le coût du statu quo se traduit directement en surcoût d'intérim, en dégradation de la qualité de traitement des dossiers et en risque de non-conformité sur les délais réglementaires de recouvrement.

LES DONNÉES

  • SIRH : ancienneté, poste, rémunération, historique de mobilité interne
  • Données d'activité du plateau : volume d'appels, taux de décroché, durée moyenne de traitement
  • Résultats d'entretiens annuels et comptes rendus de one-to-one managériaux
  • Absentéisme, arrêts maladie, demandes de congés non posés
  • Enquêtes de satisfaction interne et verbatims libres
  • Données d'organisation : taille d'équipe, ancienneté du manager, charge de dossiers par agent

LES MÉTHODES

  • Modèle de Cox à risques proportionnels : base interprétable du risque de départ dans le temps
  • Random survival forest : capture des interactions non linéaires entre facteurs RH
  • Analyse de sentiment sur verbatims (modèle de langue fine-tuné) : signal faible issu des entretiens
  • SHAP : explication individuelle des facteurs de risque pour chaque collaborateur
  • Clustering k-prototypes : segmentation des profils à risque pour des plans d'action différenciés

L'APPROCHE

Le projet modélise le risque de départ comme un problème de survie plutôt qu'une simple classification binaire, car l'enjeu RH est autant de prédire le départ que d'estimer le délai avant celui-ci, pour prioriser les actions de rétention dans le temps.

Un modèle de Cox à risques proportionnels sert de base interprétable pour identifier les facteurs structurants (charge de dossiers, ancienneté du manager, écart de rémunération versus marché interne). Un random survival forest vient capter les interactions non linéaires que le modèle de Cox ne détecte pas, avec un arbitrage explicite entre performance et explicabilité pour les RH.

Les verbatims d'entretiens sont traités par un modèle de classification de sentiment fine-tuné sur corpus RH interne, pour enrichir le score sans attendre la fin d'un cycle d'entretien annuel. Les sorties sont restituées sous forme de courbe de risque individuelle et de facteurs explicatifs SHAP, à l'usage exclusif des RH et des managers, jamais des équipes de notation client.

MISE EN ŒUVRE

  1. Cadrage avec RH et managers de plateau : définir les signaux observables et les actions de rétention possibles
  2. Audit RGPD et consultation CSE sur l'usage de données RH sensibles dans un modèle prédictif
  3. Constitution de l'historique de départs sur 3 à 5 ans et nettoyage des données SIRH
  4. Entraînement et validation du modèle de survie, test de stabilité par ancienneté et par site
  5. Construction du tableau de bord managérial avec courbes de risque et facteurs explicatifs
  6. Pilote sur un plateau avant généralisation, avec plan d'action RH associé à chaque segment
  7. Suivi trimestriel de la dérive du modèle et réentraînement sur les nouveaux départs observés

GAINS ATTENDUS

Si 20 % des départs sont évitables par une action RH ciblée en amont, et si chaque départ coûte l'équivalent de 3 à 4 mois de salaire chargé en recrutement et formation, le modèle pourrait réduire le coût de turnover de 10 à 15 % sur les plateaux pilotes. Ce gain suppose une adhésion réelle des managers aux alertes et des marges de manœuvre RH suffisantes pour agir avant le départ.

KPIS À SUIVRE

  • Taux de turnover annuel sur les plateaux pilotes versus plateaux témoins
  • Délai moyen entre alerte modèle et départ effectif
  • Taux de rétention des collaborateurs identifiés à risque élevé après action RH
  • Coût de remplacement évité, rapporté au coût du projet
  • Taux d'adoption du tableau de bord par les managers de plateau

LA STACK

  • Python (lifelines, scikit-survival) pour les modèles de survie
  • BigQuery pour l'entrepôt de données RH et activité
  • dbt pour la transformation et la traçabilité des données
  • Vertex AI pour l'entraînement et le monitoring de dérive
  • LLM du marché fine-tuné pour l'analyse de sentiment des verbatims
  • Looker Studio pour le tableau de bord managérial

RISQUES ET CONFORMITÉ

  • Conformité RGPD : données RH sensibles, nécessité d'un cadre de traitement limité et d'une information des salariés
  • Risque de biais : le modèle peut sur-cibler certains profils (âge, ancienneté, site) si l'historique de départs est déséquilibré
  • Effet Big Brother : un usage perçu comme surveillance individuelle dégraderait la confiance plutôt que de la renforcer
  • Dérive du modèle : les causes de départ évoluent avec le marché du travail, nécessitant un réentraînement régulier
  • Mésusage managérial : un score mal interprété peut conduire à des décisions RH inéquitables sans revue humaine

QUESTIONS FRÉQUENTES

Ce modèle remplace-t-il les entretiens RH individuels ?

Non, il les enrichit. Le modèle priorise les situations à regarder en premier, mais la décision et l'action restent humaines, portées par le manager et les RH.

Comment éviter que les collaborateurs se sentent surveillés ?

Le dispositif doit être annoncé en toute transparence, limité aux RH et managers, validé par le CSE, et présenté comme un outil d'amélioration des conditions de travail, pas de contrôle individuel.

Quel est le risque si le modèle se trompe ?

Un faux positif déclenche un entretien RH superflu, coût faible. Un faux négatif retarde une action de rétention. Le modèle doit rester un signal d'alerte, jamais une décision automatique.

CE USE CASE CHEZ VOUS ?

Nous le cadrons, le construisons et le mettons en production. Ou nous formons vos équipes à le faire.

Parlons de votre projet →
← Tous les use cases