Ressources Humaines
Bâtir un data warehouse RH d'avenir dans les services professionnels
Une entreprise de gestion des ressources humaines devait centraliser son environnement de données. Découvrez comment nous avons bâti un data warehouse RH prêt pour l'IA via un processus pragmatique et étape par étape, de l'analyse des données et la priorisation des rapports à la refonte de la base de données et au déploiement cloud.
Pour protéger la confidentialité, nous pouvons modifier certains détails tout en préservant l'essence de notre contribution principale.
Contexte & objectifs
Une entreprise spécialisée dans la gestion des ressources humaines souhaitait centraliser ses données pour en faciliter l'accès, notamment pour le reporting. Elle avait également besoin d'un système flexible, capable d'évoluer vers de futurs usages comme des applications IA.
Le projet a débuté lors de la transition planifiée vers un nouveau système de gestion RH, qui présentait un risque de perte de données. Pour relever ce défi, elle avait besoin d'un data warehouse RH moderne, socle solide pour une gestion des données efficace.
Approche
1. Analyse des données
Tout d'abord, nous avons analysé les données des bases sources, en nous concentrant sur :
Le volume de données
L'existence d'index
La faisabilité d'une logique incrémentale pour les mises à jour quotidiennes
Cette approche permet de mettre à jour uniquement les données modifiées au lieu de recharger l'ensemble des tables à chaque fois.
2. Organisation des données
Ensuite, nous avons analysé les rapports actuels pour prioriser nos actions tout en gardant en vue la vision cible. Cette étape comprenait :
L'organisation des données de la base SQL
La documentation de toutes les transformations réalisées
La priorisation des rapports selon leur valeur métier, leur complexité de requête et leur fréquence d'utilisation
3. Refonte de la base de données
Enfin, nous avons procédé à une refonte complète du data warehouse RH pour mettre à jour les champs de données et déployer l'infrastructure sur Azure avec un data model adapté.
Nous avons également migré les rapports clés identifiés vers la nouvelle plateforme. Ces rapports servent désormais de modèles concrets pour les utilisateurs finaux et les équipes de développement internes.
Résultats
Notre intervention a inclus les processus d'ingestion quotidienne, la logique de transformation des données, la sécurisation du réseau et un Key Vault pour stocker les accès et configurations.
La nouvelle plateforme de données offre :
Un modèle de data warehouse RH robuste hébergé sur Azure
Plusieurs options d'architecture avec nos recommandations
Une gouvernance des données forte et une documentation complète
Un framework ETL unifié consolidant plusieurs sources de données
Nous avons migré avec succès les rapports clés de l'ancien système vers la nouvelle plateforme. Ils soutiennent désormais les analyses quotidiennes des agents et du back-office.
Comment pérenniser un data warehouse RH
Trois choix stratégiques ont fait la différence et s'appliquent à presque tous les environnements de données RH.
Modéliser selon les concepts RH, pas selon les systèmes sources. Les collaborateurs, contrats, absences et cycles de paie survivent aux changements de SIRH. Le data warehouse a survécu à la migration car il ne copiait pas les tables de l'ancien système.
Charger de manière incrémentale dès le départ. Les mises à jour quotidiennes restent rapides et économiques en ne traitant que les deltas, même si les volumes augmentent.
Prioriser les rapports avant de construire les pipelines. Nous avons évalué chaque rapport existant selon son utilisation et sa valeur décisionnelle. Un tiers d'entre eux n'ont jamais été reconstruits, sans que personne ne s'en plaigne.
Ces mêmes principes guident notre travail en data engineering et s'appliquent directement à nos projets de people analytics.
Pour garantir la confidentialité, nous modifions parfois certains détails dans nos études de cas.