Méthode
Comment les modèles sont construits — et ce qu'on peut en attendre
Ce que vous observez au sein de votre organisation via vos indicateurs et votre expérience résulte de l'interaction de nombreux facteurs. Vos outils mesurent déjà certaines de ces variables plus ou moins indirectement, mais la difficulté est de comprendre comment elles se combinent. C'est ce qu'un réseau bayésien rend visible : chaque nœud est un facteur, chaque flèche une hypothèse d'influence assortie d'une intensité estimée. Cette page explique comment ces modèles sont construits, sur quoi ils reposent, et ce qu'ils ne font pas.
Le principe
Un réseau bayésien, en clair
Chaque nœud représente un facteur — charge de travail, soutien managérial, épuisement émotionnel, intention de départ. Les flèches expriment des hypothèses d'influence : « selon la littérature, A est un antécédent probable de B ». Ce n'est pas une causalité prouvée — c'est une hypothèse structurée, documentée, et discutable.
À chaque relation est associée une table de probabilités conditionnelles, estimée depuis les données ou la littérature. Le réseau répond alors à des questions du type : « si ce facteur change, qu'est-ce qui bouge, et de combien ? » — en tenant compte de toutes les variables simultanément.
Contrairement à un modèle statistique classique, chaque relation est visible et discutable. Si un lien semble inexact ou si une variable manque, on corrige la structure et on observe comment les résultats changent. C'est un outil de raisonnement, pas une boîte noire.
Le processus
Trois étapes, trois sources de connaissance
Structure
Les variables et leurs relations sont posées à partir de la littérature scientifique — méta-analyses, cadres validés, données publiques (DARES, INRS). Elles sont ensuite discutées et ajustées avec vos équipes RH, qui apportent une autre forme de donnée : l'expertise et la connaissance du terrain. La structure du modèle reflète ce croisement.
Calibration
Les paramètres du modèle sont d'abord estimés depuis la littérature, puis affinés avec vos données disponibles. Celles-ci peuvent prendre des formes variées : extraits SIRH, baromètres internes, enquêtes psychosociales existantes, ou questionnaires sur-mesures récoltés directement auprès des collaborateurs — chaque source alimente les paramètres du modèle de façon tracée. Quand les données internes sont insuffisantes, les paramètres issus de la littérature restent opérationnels là où un modèle statistique classique serait bloqué.
Simulation et restitution
Une fois calibré, le modèle explore des scénarios : « si l'on agit sur X, qu'est-ce qui change sur Y ? » Les résultats sont exprimés en distributions de probabilités, plutôt qu'en score unique et aggrégé, avec une estimation explicite de l'incertitude. Vous recevez le simulateur interactif et les résultats commentés, conçus pour être présentés en CODIR ou avec le CSE.
L'ensemble prend typiquement 4 à 8 semaines selon la disponibilité des données et le périmètre établi. Les données restent chez vous, le traitement respecte le RGPD, et les échanges sont couverts par un accord de confidentialité.
Positionnement
Ce que cette approche fait et ce qu'elle ne remplace pas
Un expert en RH apporte une lecture humaine, du recul, de l'intuition et des grilles d'analyse éprouvées. La modélisation ne vient pas concurrencer cette expertise, au contraire, elle lui donne un support structuré : tester des hypothèses sur des données réelles, quantifier ce qui restait qualitatif et rendre les arbitrages explicites et partageables.
Les enquêtes internes et les tableaux de bord mesurent déjà beaucoup. Mais ils mesurent chaque variable séparément. Ce que Noumensia permet via la modélisation bayésienne c'est de relier ces variables dans un même système pour passer du constat (« l'absentéisme a augmenté ») au diagnostic (« voici les facteurs qui y sont le plus associés, et dans quelles proportions »). Et de là, comparer plusieurs pistes sur une même base : le modèle montre comment se redéploient les probabilités quand on fixe la valeur d'un facteur — une distinction entre ce que les données montrent et ce qu'une action produirait, que chaque restitution explicite.
Fondements
Ce que chaque modèle doit à la recherche
La structure de chaque modèle repose sur des cadres de recherche publiés. Les hypothèses d'influence entre variables sont extraites de la littérature, documentées, et ouvertes à la discussion. Quelques références structurantes :
- Turnover volontaire — Rubenstein et al. (2018), méta-analyse des antécédents du turnover volontaire, Personnel Psychology ; Mobley (1977), modèle de décision de départ ; Mitchell et al. (2001), théorie de l'encastrement (job embeddedness), Academy of Management Journal
- Absentéisme et présentéisme — Miraglia & Johns (2016), méta-analyse des corrélats du présentéisme et modèle dual-path, Journal of Occupational Health Psychology ; Aronsson & Gustafsson (2000), étude empirique fondatrice sur le présentéisme-maladie, Journal of Epidemiology and Community Health
- Risques psychosociaux — Burr et al. (2019), troisième version du Copenhagen Psychosocial Questionnaire (COPSOQ III), cadre exigences-ressources ; Aronsson & Gustafsson (2000), étude empirique fondatrice sur le présentéisme-maladie ; données DARES, enquête Conditions de travail (2019)
Chaque modèle publié sur la page Modèles cite ses sources et rend visible la façon dont la littérature a été traduite en structure de réseau.
Les outils
BayesiaLab et WebSimulator
La construction et la calibration des modèles s'appuient sur BayesiaLab, logiciel de référence pour les réseaux bayésiens, utilisé en recherche et en industrie depuis plus de vingt ans.
Les modèles livrés sont rendus interactifs et accessibles sans compétences techniques via WebSimulator — une interface navigateur qui permet aux décideurs de tester des scénarios concrets, modifier une variable (charge de travail, autonomie, reconnaissance) et observer en temps réel comment les probabilités évoluent sur les indicateurs qui comptent.
État de référence
Scénario simulé
Chaque modification d'une variable recalcule instantanément les probabilités sur l'ensemble du réseau, sans compétence technique requise.
Limites
Ce qu'un modèle ne fait pas
Un réseau bayésien ne prédit pas l'avenir avec certitude. Il produit une estimation conditionnelle — « si ces facteurs sont dans cet état, tel résultat est plus probable » — dont la qualité dépend des données et des hypothèses retenues. Un modèle construit sur des données biaisées ou des hypothèses fausses produira des résultats trompeurs, comme tout outil quantitatif.
Le modèle ne remplace pas la connaissance terrain de vos équipes. Il la structure et la quantifie, pour que les arbitrages reposent sur une base plus explicite et traçable.
Point de vocabulaire important : une flèche de A vers B signifie que l'hypothèse « A influence B » a été jugée plausible d'après la littérature ou les données. Ce n'est pas une preuve de causalité au sens expérimental. La simulation de scénarios exploite cette structure pour raisonner sur des leviers probables, pas pour prédire des effets garantis. Cette distinction fait partie de chaque restitution.
Vous vous posez d'autres questions — sur les données, la confidentialité, le déroulé ou ce que vous recevez concrètement ? La FAQ y répond en détail.