Insights ML RH — Tableau de Bord Predictif

Le Tableau de Bord Insights ML transforme les donnees operationnelles en analyse predictive grace a 3 services Machine Learning : performance multi-dimensionnelle, productivite par facteurs, et risque de depart (turnover).

Reference Big 5 : tous les ERP enterprise (SAP SuccessFactors, Oracle HCM, Workday HCM) exposent les predictions IA sur un tableau de bord dedie. Ce module aligne Kaltiv sur ce standard.

Acces

Route : /dashboard/analytics/ml-insights Roles : Admin, Manager, Administrateur RH Module : Analytics & Performance > ML Insights Permission : module analytics actif

Architecture ML

3 services Machine Learning alimentent le tableau de bord :

Service	Source	Sortie
HRMLPerformanceService	evaluations, daily_work_entries, salaries	Score performance 6 dimensions
LaborProductivityService	daily_work_entries, time_tracking, plantation_operations	Score productivite 5 facteurs (0-100)
TurnoverPredictionService	employees, salaries, leaves, evaluations	Probabilite de depart + strategies de retention

4 KPIs Cles

1. Productivite Moyenne

• Mesure : Score moyen sur 100 sur les 30 derniers jours
• Calcul : Moyenne ponderee de 5 facteurs (presence, production, qualite, tendance, experience)
• Indicateur visuel : Vert (>=70), Jaune (45-69), Rouge (<45)

2. Haute Performance

• Mesure : Nombre d'employes avec score >= 70
• Action recommandee : Reconnaissance, mentoring, opportunites d'evolution

3. A Risque

• Mesure : Nombre d'employes avec score LOW (25-44) ou CRITICAL (<25)
• Action recommandee : Accompagnement renforce, plan d'amelioration

4. Total Analyse

• Mesure : Nombre total d'employes evalues sur la periode

3 Onglets

Productivite

• Distribution des Niveaux : Repartition HIGH / MEDIUM / LOW / CRITICAL avec barres de progression et pourcentages
• Top Performers : Top 5 employes avec score >= 70

Risques

• Liste des employes a risque : Tous les employes LOW ou CRITICAL avec detail des facteurs (presence, production, qualite)
• Cas limite : Si zero risque detecte, message de confirmation positif

Recommandations

• Intervention requise : Compte d'employes necessitant un accompagnement (score < 25)
• Reconnaissance : Compte d'employes meritant une reconnaissance (score >= 70)
• Formation : Suggestion de prioriser la formation sur les facteurs les plus bas

5 Facteurs de Productivite

Le score productivite (0-100) est calcule sur 5 dimensions :

Facteur	Poids	Source
Presence	25%	time_tracking (taux de presence sur la periode)
Production	25%	daily_work_entries (volumes realises)
Qualite	20%	evaluations (notes qualite)
Tendance	15%	Evolution sur 30 jours glissants
Experience	15%	Anciennete + competences validees

Niveaux de Score

Niveau	Score	Code couleur	Action
HIGH	>= 70	Vert	Reconnaissance
MEDIUM	45-69	Jaune	Surveillance
LOW	25-44	Orange	Accompagnement
CRITICAL	< 25	Rouge	Intervention immediate

Sources de Donnees

Table	Utilisation
daily_work_entries	Production realisee, presence terrain
time_tracking	Taux de presence
evaluations	Scores qualite et performance
salaries	Donnees salariales (TurnoverPredictionService)
leaves	Conges et absences (TurnoverPredictionService)
employees	Anciennete, position, departement

Multi-Tenant

Toutes les requetes respectent l'isolation RLS. Le service LaborProductivityService filtre par tenant_id via Supabase. Chaque tenant voit uniquement les insights ML de ses propres employes actifs.

Cache Strategy

Les predictions sont mises en cache 5 minutes (staleTime: 5 * 60 * 1000 dans TanStack Query). Cela permet une experience reactive tout en evitant la sur-sollicitation des modeles ML lors d'un usage intensif.

Performance

• Modeles ONNX : Les modeles sont charges via onnxruntime-web (lazy-loaded, ~110 KB compresses)
• Worker Web : Predictions executees dans un Web Worker dedie (worker.format: 'es')
• Batching : LaborProductivityService.scoreAllEmployees() traite tous les employes actifs en une passe

Interpretation

Un score < 25 ne signifie pas qu'un employe est "mauvais" — il indique que les donnees operationnelles sur la periode revelent un signal faible. Les recommandations doivent toujours etre validees par le superviseur direct et croisees avec le contexte humain (sante, charge personnelle, conflits internes).

Aller Plus Loin

• Module connexe : Productivite — Tableau de Bord
• Pipeline ML : voir src/services/hr/LaborProductivityService.ts
• Documentation API : modele ProductivityScore dans la page (lignes 35-48)