Service de placement : l’utilité des programmes varie d’une personne à l’autre.

Les modèles de décision fondés sur les données peuvent-ils améliorer le placement ? Dans le cadre du Programme national de recherche PNR 77, Michael Lechner (Université de Saint-Gall) et son équipe ont exploré cette question qui a son importance à l’heure de la transformation numérique.

L’objectif était de mieux cibler les offres d’aide à l’emploi proposées aux personnes au chômage grâce à des données et des algorithmes. L’équipe a utilisé à cet effet les méthodes les plus modernes d’apprentissage automatique causal – un type d’apprentissage automatique capable de reconnaître les liens de cause à effet – et a développé un système algorithmique visant à mieux sélectionner les programmes proposés. Ces offres comprennent par exemple des cours de formation continue, des ateliers de recherche d’emploi ou des emplois subventionnés, qui doivent améliorer les chances de trouver un emploi.

Les principaux constats

Grâce au processus d’apprentissage automatique, l’équipe est parvenue à déterminer très précisément l’utilité individuelle des différents programmes et à mesurer ainsi l’efficacité d’une partie de la politique suisse du marché du travail.

L’analyse a mis en évidence des différences considérables : de nombreux programmes améliorent sensiblement les chances de certains groupes de personnes de retrouver un emploi ou d’obtenir un meilleur revenu, mais n’ont pratiquement aucun effet sur d’autres groupes. Un groupe a par exemple tiré un grand bénéfice d’un cours de formation continue, tandis qu’un autre groupe a plutôt été aidé par un autre type de programme. De tels résultats confirment l’importance de prendre en compte les individualités : ce qui est utile pour la moyenne des participants ne l’est pas toujours pour chacun d’entre eux.

L’équipe a développé sur cette base un système algorithmique de recommandations qui propose pour chaque personne nouvellement inscrite et présentant des caractéristiques spécifiques le programme le plus intéressant pour elle. Le système tient aussi compte de contraintes pratiques telles qu’un nombre de places limité ou un plafond budgétaire.

L’équipe tenait également à la transparence des recommandations. Le processus d’attribution se présente ainsi sous la forme d’un arbre de décision clair, afin que les gens de terrain puissent facilement identifier les critères sur lesquels reposent les recommandations. Ce système garantit l’interprétation des résultats et permet aux responsables de l’utiliser en toute confiance.

Importance pour la politique de l’emploi et la pratique

Ces résultats offrent des pistes prometteuses pour la politique du marché du travail et l’activité de placement. En recourant à des algorithmes décisionnels basés sur les données, les services de placement pourraient à l’avenir proposer des mesures plus ciblées et donc plus efficaces. Ils disposeraient d’un outil les aidant à identifier les programmes adaptés à chaque personne en recherche d’emploi, avec à la clé une répartition optimale de ressources limitées – places de cours ou aides – et une utilité maximale.

Les résultats de ce projet montrent cependant clairement que certaines conditions doivent être réunies pour garantir l’efficacité du système : il faut des données complètes et une infrastructure informatique adaptée, mais aussi et surtout des spécialistes compétents qui comprennent le fonctionnement des algorithmes et savent interpréter les recommandations.

Trois messages essentiels :

1. L’apprentissage automatique causal permet de mieux comprendre quel programme public est efficace pour une personne donnée.
2. Le recours à des algorithmes décisionnels guidés par les données permet d’améliorer l’orientation des personnes en recherche d’emploi vers des programmes spécifiques.
3. Il devrait idéalement exister un pipeline décisionnel alimenté par des données intégrées et actualisées : un flux de données continu ainsi qu’une actualisation semi-automatisée des résultats d’évaluation et des recommandations qui en découlent.

Vous trouverez des informations sur la méthode utilisée par l’équipe de recherche et d’autres indications relatives au projet sur la page Web de ce projet du PNR 77 :

D’autres projets de recherche sur la « Transformation numérique » menés dans le cadre du Programme national de recherche PNR 77 figurent ici :