Outil de diagnostic et de prévention de l'insatisfaction des employés

La rétention d'employés dans le domaine de la santé, notamment dans les centres de soins à domicile, est un des problèmes majeurs du secteur depuis la fin du XXe siècle. De nombreuses études se sont déjà penchées sur ce problème afin de mieux comprendre ce phénomène. Les facteurs identifiés peuvent être regroupés en 5 catégories : — les caractéristiques de l'employé — la planification des visites et des horaires — les caractéristiques du métier — les interactions sociales inter-professionnelles et avec les patients — l'impact de la structure dans laquelle l'employé travaille Ces études tentent de qualifier la satisfaction des employés dans leur emploi à travers des questions adressées sous forme de sondages. Les réponses sont ensuite analysées avec des méthodes statistiques afin de déterminer les causes du problème de la rétention d'employés. Cette étude propose une nouvelle approche du départ des employés en soins à domicile en utilisant directement leurs données d'activité : heures de travail, patients vus, disponibilités... Notre partenaire industriel AlayaCare est une compagnie montréalaise qui collecte depuis 2014 l'activité de ses clients : des centres de soins à domicile au Canada, aux États-Unis et en Australie. Les utilisateurs principaux de la plateforme sont les gestionnaires ou les coordonnateurs. Afin de répondre aux besoins en visites des patients, ils peuvent assigner des visites à des employés et ainsi avoir un outil efficace pour gérer les emplois du temps de chacun. En exploitant diverses informations comme la quantité de visites à chaque période, les distances parcourues, la variété des tâches réalisées ou encore les plages horaires travaillées, l'objectif est d'extraire les variables qui ont un impact sur la satisfaction des employés. La modélisation proposée est un problème de classification à deux classes. Un des défis de ce projet est qu'aucune mesure évidente de l'intention de départ d'un employé au cours du temps n'est disponible. La solution envisagée est de distinguer les périodes qui ont précédé le départ d'un employé de celles plus anciennes. Ainsi, l'objectif est de relever et d'identifier les variables qui ont évolué au fil des périodes et qui pourraient expliquer pourquoi la situation d'un employé s'est détériorée, amenant à un départ volontaire. Une étape de pré-traitement et de mise en forme des données a d'abord été mise en place afin de créer des ensembles d'entraînement pour les modèles de classification. Différents découpages temporels ont été testés afin de déterminer celui qui est le plus adapté à notre modélisation. Les modèles utilisés pour répondre au problème de classification sont : — la régression logistique — modèles d'arbres (forêts aléatoires, XGBoost) — les réseaux de neurones L'objectif est de sélectionner le modèle le plus adapté au problème de rétention d'employés tel que nous l'avons défini et d'explorer des espaces de paramètres pour obtenir les meilleures performances possibles. Ces expériences sont effectuées pour 10 agences de soins à domicile différentes, dont 6 se situent au Canada, 2 aux États-Unis et 2 en Australie. Comparer les résultats à travers les différents clients permet de généraliser les observations effectuées. La stratégie de sélection de modèle implémentée a montré que l'architecture XGBoost obtient généralement les meilleures performances. Le découpage qui apportait le plus de signal utilise les données des 24 dernières semaines d'un employé. Les solutions ne permettent pas de répondre parfaitement au problème modélisé, mais les résultats obtenus permettent d'apporter des éléments de réponse. La variable la plus significative est liée au nombre de visites sur une période qui doit être élevé : ce résultat s'est généralisé à travers les différents clients et semble capital. Intuitivement, cette variable est directement relié à la rémunération, un grand nombre de visites apporte plus de sécurité. Les autres conclusions dépendent généralement d'un client à l'autre, on relève les pratiques suivantes qui ont permis d'augmenter la satisfaction des employés de manière générale : — varier les durées de visites — avoir des visites plus longues — communiquer ses indisponibilités aux gestionnaires chaque semaine Les autres critères mesurés ont soit une importance faible dans la classification, soit les résultats varient d'une structure à l'autre et sont difficiles à généraliser. De cette manière, on est capable de faire un diagnostic personnalisé pour chaque agence de soins ayant suffisamment de données afin d'identifier les facteurs ayant le plus d'impact sur la satisfaction de ses employés. Le dernier chapitre propose d'appliquer ces résultats dans un algorithme d'optimisation présent chez AlayaCare. Celui-ci permet de prendre en compte les besoins et disponibilités des patients et des employés sur un horizon de plusieurs jours afin de créer les emplois du temps qui minimisent une fonction de coût. Une nouvelle formulation du coût associé aux routes prenant en compte les facteurs qui influencent le départ des employés identifiés par notre méthode est proposée. En améliorant l'algorithme d'optimisation, on souhaite créer des emplois du temps attentifs aux besoins des patients et aux préférences des employés. On pourrait alors espérer voir le taux de rétention augmenter et une meilleure satisfaction globale à travers les employés afin d'aider un secteur qui a plus que jamais besoin de main-d'œuvre.