Mettre la science des données au service du bien-être au travail

Mettre la science des données au service du bien-être au travail

Chez OCTO, mesurer le bien-être au travail ne se résume pas à diffuser un questionnaire et calculer une moyenne : chaque étape implique des choix méthodologiques, statistiques et éthiques.

À travers le retour d’expérience de l’OCTO Health Check (OHC), nous montrons comment la science des données peut être utilisée pour rendre visibles des dynamiques collectives de travail, soutenir une démarche de prévention RH et produire des indicateurs comparables et suivables dans le temps, sans transformer les résultats en verdicts ni sur-interpréter la réalité.

TL;DR

Le questionnaire de l’OCTO Health Check illustre comment une approche rigoureuse des données permet de lire le bien-être au travail de manière structurée.
Pour les équipes RH, l’enjeu est de disposer d’un cadre fiable pour identifier des signaux, objectiver des ressentis et nourrir le dialogue avec les collectifs et le management.

Figure 1. Représentation simplifiée des étapes de traitement et d’analyse des données de l’OHC

La valeur de l’OHC

L’OHC n’a pas vocation à produire une vérité définitive sur l’état de l’organisation.
C’est une photographie à un instant T, sensible au contexte et au moment de passation.

Sa valeur réside ailleurs :

• aider à poser les bonnes questions,
  
• outiller le dialogue collectif et la prise de décision,
  
• fournir un cadre partagé pour discuter du bien-être sans le réduire à un score.
  

La science des données ne remplace ni l’écoute terrain, ni le dialogue, ni le jugement humain. Utilisée avec méthode, elle vient les compléter en objectivant et en éclairant des dynamiques organisationnelles complexes.

Mesurer le bien-être au travail : un objet de mesure à part entière

Mesurer le bien-être au travail est devenu une pratique courante dans les organisations. En apparence, l’exercice semble simple : diffuser un questionnaire, collecter des réponses, calculer des indicateurs, puis en tirer des enseignements.

L’OCTO Health Check (OHC) s’inscrit dans cette démarche, tout en allant volontairement plus loin.
Il s’agit d’un questionnaire interne adressé à l’ensemble des collaborateurs d’OCTO, visant à mesurer, à un instant donné, plusieurs dimensions du bien-être au travail (activités, interactions, management, conditions de travail, parcours, etc.).

Administré aujourd’hui sur un rythme annuel, l’OHC combine des questions sur échelles de Likert en 7 points et des champs libres, permettant aux répondants d’exprimer leur vécu avec leurs propres mots.

Mais derrière ce qui ressemble à un simple sondage se posent rapidement des questions de méthode, d’interprétation et de responsabilité.
Chaque étape, conception du questionnaire, anonymisation, traitement des données, analyses statistiques, restitution, influence directement ce que les résultats permettent d’interpréter.

Cet article s’appuie sur le retour d’expérience du projet OCTO Health Check, mené en collaboration avec Joy Desdevises, avec qui j’ai travaillé sur l’analyse et la restitution des résultats.

Concevoir un questionnaire utile (et responsable)

La première étape de l’OHC a consisté à définir ce que nous souhaitions réellement mesurer.
Le bien-être au travail recouvre des réalités très différentes selon les personnes et les situations. Le risque est soit de multiplier les questions sans priorisation, soit de se limiter à des indicateurs trop globaux pour être exploitables.

Nous avons structuré le questionnaire autour de grandes thématiques correspondant à des leviers concrets de l’expérience de travail : activités, interactions et sentiment d’appartenance, égalité professionnelle, compétences et parcours, santé et conditions de travail, management ou encore travail au quotidien en mission ou en intercontrat.
Ces thématiques sont largement documentées dans les sciences humaines et sociales comme des déterminants majeurs du bien-être et de l’engagement au travail (Bakker & Demerouti, 2007 ; Deci & Ryan, 2008 ; Kahn, 1990 ; Schaufeli & Bakker, 2004).

Chaque thématique a ensuite été déclinée en items précis, formulés pour mesurer des situations vécues. L’objectif n’était pas de recueillir un ressenti global, mais de permettre aux répondants de se positionner sur des éléments concrets de leur quotidien professionnel.
Un item mal formulé introduit un biais dès la collecte, qu’aucune analyse statistique ne permet ensuite de corriger complètement.

Le choix des échelles de réponse a également fait l’objet d’une attention particulière. Nous avons retenu des échelles de Likert, c’est-à-dire des échelles proposant plusieurs niveaux de réponse ordonnés (par exemple de « pas du tout d’accord » à « tout à fait d’accord »).
Ce format permet aux répondants d’exprimer des nuances dans leur perception, plutôt que de se positionner de manière binaire, et rend visibles des variations qui seraient invisibles avec des réponses trop simplifiées.
Le questionnaire a été conçu comme un outil évolutif. Certaines thématiques structurantes ont été maintenues dans le temps afin de permettre des comparaisons entre éditions. D’autres items ont été ajustés ou ajoutés pour intégrer de nouveaux enjeux organisationnels, comme l’engagement ou les risques psychosociaux.

Cette évolution relève aussi d’un pilotage par l’usage : un questionnaire, même méthodologiquement solide, n’a pas d’intérêt s’il n’est pas approprié par les personnes qui y répondent. L’OHC intègre donc les retours des Octos après chaque édition. Par exemple, des analyses factorielles menées en 2024 ont permis de réduire certains items redondants afin de diminuer le temps de complétion tout en conservant la validité de la mesure.

L’outil reste ainsi à la fois comparable dans le temps, aligné avec les cadres scientifiques existants et adapté aux besoins spécifiques d’OCTO et de ses collaborateurs.

Anonymisation : un choix éthique

Lorsque l’on collecte des données portant sur le bien-être au travail, la question de l’anonymat est centrale. Elle est souvent abordée sous un angle purement technique. En pratique, le sujet est plus complexe.

Dans le cadre de l’OHC, nous avons fait le choix de traiter l’anonymisation avant tout comme une posture éthique.
Le questionnaire ne collecte aucun nom ni prénom. Toutefois, nous sommes conscients qu’en croisant certaines variables, il serait théoriquement possible de réduire l’anonymat dans certains cas.

Plutôt que d’exploiter toutes les possibilités offertes par la donnée, nous avons fait le choix inverse : limiter volontairement certaines analyses, même lorsqu’elles seraient techniquement possibles.
Certains croisements de variables n’ont volontairement pas été réalisés parce qu’ils n’étaient pas jugés légitimes.

Toutes les analyses sont réalisées sur des données agrégées, à un niveau empêchant toute lecture individuelle. Aucun résultat individuel n’est exploité.
Ce positionnement est essentiel pour maintenir la confiance dans le dispositif et garantir que l’OHC reste un outil de lecture collective, et non d’évaluation des personnes.

Comme souvent en science des données, ce travail conduit à une conviction simple : ce n’est pas parce qu’une analyse est techniquement possible qu’elle est méthodologiquement ou éthiquement souhaitable.

De la collecte à l’analyse : rigueur et automatisation

Les données issues de l’OHC sont brutes et hétérogènes. Elles proviennent de plusieurs questionnaires correspondant à différents périmètres, avec des vocabulaires et des structures parfois légèrement différentes.

Avant toute analyse, un travail d’harmonisation est donc nécessaire : alignement des termes, des catégories et des périmètres d’analyse. Cette étape est déterminante pour garantir la cohérence des résultats et éviter des interprétations erronées.

Nous avons fait le choix de nous appuyer sur un dispositif d’analyse combinant plusieurs outils complémentaires, en utilisant chaque outil pour ce qu’il fait le mieux.
Python est utilisé pour la préparation et le traitement des données : harmonisation des variables, normalisation des items et structuration d’une base cohérente. Cette étape est automatisée afin de limiter les manipulations manuelles, réduire les risques d’erreur et garantir la reproductibilité des traitements d’une édition à l’autre.

Les analyses statistiques descriptives et inférentielles sont réalisées avec jamovi.
Les statistiques descriptives décrivent les scores observés (moyennes, distributions, évolutions), tandis que les statistiques inférentielles évaluent la robustesse des écarts entre groupes et permettent de distinguer un écart réel d’une variation due au hasard.

Cette combinaison permet :

• d’éviter de sur-interpréter des écarts faibles ou instables,
  
• de ne pas sacraliser une moyenne globale,
  
• et, à l’inverse, de faire apparaître des différences pertinentes, même lorsque les scores restent globalement élevés.
  

Autrement dit, les statistiques inférentielles servent à poser un cadre de lecture plus rigoureux, qui limite les conclusions hâtives et renforce la qualité des restitutions.

L’automatisation contribue à sécuriser certaines étapes sensibles, comme l’agrégation des données, et à limiter les biais liés aux traitements manuels. Elle ne supprime pas tous les biais, ceux liés à la collecte ou à la conception demeurent mais renforce la rigueur et la traçabilité du processus.

Lire et restituer sans sur-interpréter

Les résultats de l’OHC reposent sur des données quantitatives et qualitatives qui nécessitent un cadre de lecture explicite.
Une moyenne peut masquer des disparités importantes, et une comparaison entre groupes peut devenir trompeuse si elle n’est pas replacée dans son contexte (effectifs, périmètres, significativité statistique).

Des écarts statistiquement significatifs peuvent apparaître entre certains groupes, même lorsque les scores restent globalement élevés. Par exemple, une thématique peut présenter une moyenne générale satisfaisante tout en affichant un score significativement plus bas pour une tranche d’ancienneté donnée.
Ce type d’écart ne remet pas en cause la tendance globale, mais met en lumière un signal robuste qui mérite d’être rendu visible. Il ne s’agit pas d’expliquer la situation ni d’en identifier les causes, mais d’affiner la compréhension de la situation et nourrir le dialogue avec les équipes concernées.

Les champs libres font l’objet d’une analyse qualitative distincte des analyses statistiques.
Ils sont utilisés pour éclairer les tendances observées, identifier des sujets récurrents ou des signaux faibles et donner du contexte aux résultats chiffrés. Les commentaires sont analysés et restitués de manière agrégée et thématique, sans attribution individuelle.

Restituer des résultats est un exercice d’interprétation qui engage une responsabilité particulière lorsqu’il s’agit de sujets sensibles comme le bien-être au travail.

Conclusion - mesurer pour éclairer, pas pour juger

À travers l’OCTO Health Check, nous avons fait le choix de mobiliser la science des données pour éclairer le collectif. Les données peuvent être utiles, à condition de reconnaître leurs limites et de les utiliser avec retenue.

Mesurer le bien-être au travail n’est pas une fin en soi. C’est un moyen imparfait mais précieux pour rendre visibles des tensions, des écarts ou des évolutions dans l’organisation.

Pour aller plus loin

L’OCTO Health Check s’inscrit dans une approche du bien-être au travail qui considère les données comme un outil d’éclairage, et non comme une vérité absolue.
Plusieurs travaux de recherche ont nourri notre réflexion, tant sur la manière de mesurer le bien-être que sur la posture à adopter face aux résultats :

• Ryan, R. M., & Deci, E. L. (2001). On happiness and human potentials: A review of research on hedonic and eudaimonic well-being. Annual Review of Psychology.
  
• Diener, E., Wirtz, D., Tov, W., et al. (2010). New well-being measures: Short scales to assess flourishing and positive and negative feelings. Social Indicators Research.
  
• Kahn, W. A. (1990). Psychological conditions of personal engagement and disengagement at work. Academy of Management Journal.
  
• Boyd, d., & Crawford, K. (2012). Critical questions for Big Data. Information, Communication & Society.
  
• CNIL. Anonymisation des données personnelles.