Pourquoi s’intéresser au risque absentéisme ?
L’absentéisme est devenu un enjeu préoccupant et croissant dans le monde du travail. Avec des objectifs de réduction des coûts liés aux absences pour les entreprises et des enjeux de réduction des risques pour les assureurs, l’absentéisme peut être étudié, modélisé et anticipé grâce à l’exploitation des données DSN (Déclaration Sociale Nominative). L’étude de l’absentéisme passe par la création d’indicateurs permettant de quantifier et qualifier le risque au sein d’un portefeuille de salariés.
Dans cette nouvelle publication nous adresserons les problématiques suivantes :
Comment modéliser et expliquer le risque absentéisme grâce à l’apport de la data science et aux algorithmes prédictifs ?
A partir de diverses informations (caractéristiques des entreprises et des salariés, consommation santé, données Open Data etc.), une modélisation du risque absentéisme est possible au travers de la modélisation d’une variable cible.
Comment passer de la modélisation traditionnelle au forecasting ?
L’absentéisme comporte une dimension temporelle difficilement prise en compte par les modèles classiques de Machine Learning, réputés « statiques » dans l’apprentissage.
Quelles nouvelles variables peut-on utiliser pour s’adapter au contexte de pandémie qui perturbe l’évolution du risque absentéisme ?
Des modèles de Machine Learning préalables ont permis de connaître les variables les plus influentes dans la prédiction du risque absentéisme.
Téléchargez dès maintenant notre Data Insights sur le « Risque Absentéisme et Forecasting » :
Cette publication a été rédigée par nos experts :
Nabil RACHDI
Head of Data Science
Alexandra BARRAL
Senior Manager
Jean-Pascal HERMET
Consultant
Fabien TRAVAILLOT
Consultant
Découvrez nos autres contenus sur la thématique Machine Learning
Exposition en Machine Learning et modèles GLM
Les méthodes de Machine Learning réputées pour leur performance et leur adaptabilité concurrencent les méthodes GLM et GAM.