Le problème : un départ n'a presque jamais une seule cause
Les analyses RH classiques cherchent souvent « la » raison d'un départ. Mais la plupart des enquêtes de satisfaction mesurent chaque dimension séparément — la rémunération d'un côté, le management de l'autre, l'engagement encore ailleurs — et ratent précisément ce qui déclenche la décision : la façon dont ces dimensions se combinent.
Une charge élevée ne fait pas partir si la reconnaissance compense. Une rémunération dans la moyenne ne pose pas problème tant qu'aucune alternative crédible n'apparaît. À l'inverse, un ensemble de signaux modérés — un peu moins d'autonomie, un management qui se dégrade, un événement personnel — peut suffire à faire basculer une intention en décision. Le turnover est un phénomène de système, pas de facteur isolé.
On ne prédit pas un départ en regardant la variable la plus visible, mais en regardant comment plusieurs facteurs, chacun modéré, s'alignent — et un réseau bayésien est fait pour raisonner exactement là-dessus.
Le modèle : une structure causale rendue explicite
Le modèle représente les facteurs du turnover volontaire et les hypothèses d'influence qui les relient, sous forme d'un graphe orienté. Il s'organise autour de trois grandes forces : la satisfaction au travail (charge, reconnaissance, autonomie), l'engagement organisationnel (management, justice perçue, perspectives internes) et l'attractivité du marché externe (rémunération relative, employabilité, opportunités).
Concrètement, une douzaine de facteurs observables — charge de travail perçue, reconnaissance managériale, latitude décisionnelle, qualité du management, justice organisationnelle, rémunération relative, employabilité, ancienneté, événement-choc déclencheur… — alimentent des variables latentes (qualité de vie au travail, satisfaction, lien organisationnel, intention de départ, coût de sortie perçu) qui convergent vers l'indicateur cible : le risque de départ volontaire. Chaque nœud a au plus deux parents — une contrainte qui garde le réseau lisible — et chaque flèche est une hypothèse d'influence extraite de la littérature scientifique, jamais un coefficient opaque.
Ce modèle public est construit uniquement à partir de la littérature scientifique (méta-analyses et cadres validés). En mission, la même structure est ensuite enrichie de vos données et de l'expertise de vos équipes.
Les nœuds sont à la fois les facteurs observables (charge, reconnaissance, autonomie…), les variables intermédiaires et le nœud cible (le risque de départ volontaire). Suivez le sens des flèches : elles remontent d'antécédent en antécédent et convergent vers ce nœud cible.
Les flèches se lisent « A influence B ». Une flèche n'est pas une preuve de causalité expérimentale : c'est une hypothèse d'influence jugée plausible d'après la littérature ou les données, et assumée comme telle.
Les chemins comptent autant que les nœuds. Un facteur peut peser fortement de façon indirecte — en passant par la satisfaction ou le lien organisationnel — même si son lien direct avec le départ paraît faible. C'est précisément ce qu'une liste de corrélations ne montre jamais.
Le simulateur : tester un levier, voir tout le réseau réagir
Une fois le modèle calibré, il devient interactif via le WebSimulator. À gauche, vous ajustez les facteurs (curseurs par niveau : faible / moyen / élevé). À droite, chaque indicateur — risque de départ, coût de sortie perçu, qualité de vie au travail, satisfaction — se recalcule instantanément et affiche une probabilité, pas un score figé.
Les curseurs de gauche fixent l'état d'un facteur. Les modifier revient à poser une question : « si l'autonomie passait de faible à élevée, toutes choses égales par ailleurs, que deviendrait le risque ? »
Les jauges de droite affichent une probabilité entre 0 et 1. On ne lit pas une valeur absolue comme une vérité : on lit un écart entre deux scénarios comparés sur la même base.
Cela permet de hiérarchiser les leviers accessibles : le facteur le plus corrélé au départ n'est pas toujours le plus actionnable, et un levier moins spectaculaire mais atteignable peut, cumulé à un autre, produire plus d'effet.
Ce que le modèle permet de faire
- Comparer deux équipes sur l'ensemble des facteurs et classer ceux qui expliquent le mieux un écart de turnover observé.
- Comparer des plans d'action à budget équivalent : le modèle montre lequel déplace le plus le risque, sur une même base chiffrée.
- Distinguer le direct de l'indirect : repérer les facteurs qui pèsent surtout par leurs chemins, invisibles à une lecture par corrélations.
- Rendre l'arbitrage partageable : une restitution qui explicite les hypothèses, pour un CODIR ou un CSE.
Explorer ce modèle
Le graphe et le simulateur ci-dessous sont construits uniquement à partir de la littérature scientifique. Les valeurs affichées servent la démonstration ; un modèle sur-mesure intégrerait ensuite vos données et l'expertise de vos équipes.
Fondements scientifiques
La structure du réseau et l'orientation de chaque relation reposent sur des cadres théoriques et des méta-analyses publiés. Les principales références :
- Bakker & Demerouti (2007) — modèle Job Demands-Resources (JD-R) : équilibre entre exigences et ressources au travail.
- Karasek (1979) — modèle demande-contrôle : la latitude décisionnelle comme ressource protectrice.
- Colquitt (2001) — justice organisationnelle, prédicteur robuste de l'intention de départ (r ≈ −0,45).
- Adams (1965) — théorie de l'équité : la rémunération jugée relativement au marché.
- Mitchell et al. (2001) — encastrement professionnel (job embeddedness), Academy of Management Journal.
- Lee & Mitchell (1994) — unfolding model : le rôle des « chocs » déclencheurs (30-40 % des départs volontaires).
- Farrell & Rusbult (1986) — modèle de l'investissement : le coût de sortie perçu comme frein au départ.
- Forrier & Sels (2003) ; De Cuyper & De Witte (2011) — employabilité perçue.
- Gajendran & Harrison (2007) — télétravail et flexibilité (effet positif sur la satisfaction).
- Steel & Ovalle (1984) — relation entre intention et départ effectif (r ≈ 0,50).
- Ozkan et al. (2020) — méta-analyse des antécédents de l'intention de départ (N ≈ 312 000).
- Rubenstein et al. (2018) — méta-analyse des antécédents du turnover volontaire, Personnel Psychology.
- Mobley (1977) — modèle séquentiel de la décision de départ.
La page Méthode détaille comment la littérature est traduite en structure de réseau, puis simulée — et ce qu'un modèle ne fait pas.