
Les algorithmes de recommandation sont omniprésents sur le marché du e-commerce. Ils permettent de connaitre les préférences des utilisateurs et d’utiliser leurs interactions pour optimiser les prédictions et leur offrir ainsi une recommandation issue de la comparaison entre leurs activités sur le web et celles des autres internautes ayant des comportements similaires. Les algorithmes s’immiscent désormais dans l’univers du recrutement en ligne, évaluant le comportement et la motivation des candidats et mesurant la compatibilité entre leurs profils et les postes à pourvoir.
"Un algorithme de recommandation permet à un utilisateur de dénicher le produit ou le service de son choix sans que celui-ci perde du temps dans des infructueuses recherches", explique Aurélien Hervé, CTO de la start-up Hunteed, spécialisée dans le profilage algorithmique et le "matching" des compétences. Tout comme dans le secteur du e-commerce, les algorithmes de recommandation permettent aux DRH d’optimiser leurs processus de recrutement en ligne. Les moteurs de recommandation utilisés désormais par les startups de recrutement permettent de recommander des profils que les entreprises et les chasseurs de tête n’auraient pu détecter, mais pas seulement. Les algorithmes de recommandation sont considérés comme des supports d’aide à la décision, car ils permettent aux DRH de fiabiliser le processus de recrutement et d’étayer chaque candidature, en mettant en avant une série d’arguments qui consolident les chances du candidat tout en répondant aux critères des recruteurs.
Pour qu’ils soient efficaces, les algorithmes de recommandation doivent passer par trois étapes essentielles :
Les entreprises peuvent choisir entre différentes formes de calcul et différents algorithmes, en fonction du secteur d’activité et des objectifs attendus. Chez Assessfirst, une entreprise spécialisée dans le recrutement prédictif, une fois le profil du candidat est défini par les variables qualitatives et quantitatives, l’algorithme mesure le taux de son adéquation avec les attentes des recruteurs. "Nous utilisons des variables statistiques - pour les curieux le Khi2 et le V de Cramer - pour effectuer des tests de significativité. A partir d’un taux d’adéquation de 60 %, on recommande le profil au client". Certes, les algorithmes de recommandation ne permettent pas d’obtenir un taux de compatibilité de 100 %, mais ils permettent de réduire largement le taux de turnover et de générer une short liste pertinente de candidats ou de postes à pourvoir.