Contexte

Les organisations sont désormais en concurrence sur deux plans : leurs produits et services ainsi que les talents requis pour les produire ou les exécuter.
Le succès d’une organisation sur ses marchés est déterminé par sa capacité à acquérir et retenir des talents. Au moment même où les marchés des entreprises sont en expansion, ce marché des talents semblent se rétrécir.
Alors que les connaissances requises pour construire des produits et des services augmente, l’attractivité mais surtout la rétention d’employés expérimentés devient essentielle pour améliorer la productivité et le délai de mise à disposition des offres sur leur marché.

Mission

Votre mission consiste à identifier les caractéristiques des populations de salariés qui vont rester ou quitter l’entreprise « Xcorp » puis de proposer des solutions pour réduire le turnover des collaborateurs.

Déroulement

Le Data Challenge se déroulera en 3 phases :

  1. une phase d’apprentissage (entraînement)
  2. une phase de soumission (test)
  3. une phase de préconisations

Les candidats peuvent former des équipes de 2 membres.

Livrables

Pour participer au challenge, chaque candidat doit s’inscrire au préalable sur le site web de Management & Data Science, en indiquant un prénom, un nom, une adresse email et une institution d’affiliation (université, école de commerce, entreprise, etc.).

A la fin de l’étape d’entraînement, les candidats soumettent leurs résultats.

La première soumission comportera :

  1. les noms, prénoms et affiliation de chaque membre du groupe
  2. en pièce jointe, le fichier soumission avec les prévisions définitives (format .csv, UTF8, séparateur virgule, noms des colonnes).

La deuxième soumission comportera :

  • les noms, prénoms et affiliation de chaque membre du groupe
  • en pièce jointe, une notice explicative de 3 pages au format pdf avec :
    • un titre et un résumé de 100 mots
    • une introduction qui rappelle le contexte, la problématique et ses enjeux,
    • une présentation du jeu de données utilisé,
    • la méthode et les étapes utilisées pour réaliser les prédictions (transformation des données, modélisation, comparaisons des algorithmes utilisés, stratégie d’optimisation du modèle, évaluation du modèle) ;
    • une analyse des résultats (typologie et profil des collaborateurs, facteurs déterminants et prédiction du turnover) et les limites de l’étude;
    • des préconisations à l’entreprise pour réduire turnover de ses collaborateurs (stratégies de rétention);
    • une conclusion rapide qui montre l’intérêt de la data science dans la gestion des ressources humaines;
    • des références bibliographiques (éventuellement)
Évaluation

1) les prévisions

A partir du fichier soumission où les candidats auront remplacé les valeurs vierges par leurs prédictions (fichier qui contient l’identifiant de la transaction et la variable à prédire), les soumissions sont comparées aux valeurs réelles.

Plus les soumissions sont précises, plus les candidats obtiennent un score élevé.

La métrique d’évaluation principale sera l’exactitude (accuracy), c’est-à-dire le nombre de prédictions justes rapporté au nombre de cas de test dans le jeu de test.

La précision sur les défauts de paiement permettra d’affiner l’évaluation : celle-ci est le nombre de défauts de paiement prédits correctement rapporté au nombre total de défauts proposés dans le jeu de données de test.

Une péréquation est ensuite réalisée pour obtenir un score et réaliser le classement du challenge entre les équipes.

2) La notice explicative

La qualité du document d’accompagnement de la soumission sera évaluée suivant les critères suivants

  • Respect des consignes, qualité des illustrations et clarté des explications
  • Mise en évidence que la méthode utilisée
  • « Traçabilité » des étapes de la méthode utilisée :
    • Hypothèses et essais effectués, réorientation des travaux, tactiques et stratégies …
    • Étapes de traitement des données
    • Paramétrage de l’outil (et/ou des algorithmes)
  • Reproductibilité de l’analyse
  • Interprétation des résultats
  • Pertinence des préconisations proposées
Classement

L’ensemble des propositions sera évalué et classé. Les 3 meilleures propositions iront en finale. Les candidats finalistes présenteront leurs préconisations à un jury.

Le jury désignera le groupe vainqueur en fonction du classement au challenge et de la qualité des préconisations.

Description

Les candidats ont accès à un jeu de données comprenant dix attributs et plus de 10000 instances (une ligne par collaborateur dont on sait s’il a quitté ou pas l’entreprise). Ce jeu de donné est le fruit d’une collecte l’information effectué dans un contexte international.

La liste des variables est la suivante :

  • satisfaction_level
  • last_evaluation
  • number_project
  • average_montly_hours
  • time_spend_company : time spent at the company
  • Work_accident, whether they have had a work accident
  • promotion_last_5years whether they have had a promotion in the last 5 years
  • job (sales – tech – other)
  • salary
  • left, whether the employee has left

Il vous appartient d’interpréter vous-même la signification de ces données : en effet, en situation réelle la sémantique précise d’une information n’est pas toujours explicite et vos stratégies d’interprétations des résultats seront alors conditionnées à diverses hypothèses quant à la signification portée par chaque colonne de vos fichiers.

Fichiers

Les fichiers suivants sont remis aux candidats :

  1. le fichier d’entrainement : chaque ligne comporte les caractéristiques d’un collaborateur et s’ils a ou pas quitté l’entreprise (« left »)  Téléchargement
  2. un fichier dédié à la soumission dont la colonne à prédire est vierge mais qui comporte les caractéristiques d’autres collaborateurs : la colonne « left » n’est pas renseignée, votre objectif sera de fournir en retour un fichier où les collaborateurs seront dans le même ordre que ce fichier d’origine, mais qui comportera une dernière colonne « left » stipulant si, d’après votre modèle, ce collaborateur aura quitté ou pas l’entreprise Xcorp. Téléchargement

Les résultats ne sont pas disponibles.