Pilotage RH & performance

Contexte

Une société minière de taille moyenne opérant dans la région, avec 3 sites d'exploitation et plus de 800 employés (dont 60% de travailleurs terrain), faisait face à des défis croissants en gestion des ressources humaines. La masse salariale représentait plus de 40% des coûts opérationnels, mais la direction n'avait aucune visibilité analytique sur la productivité, la structure de rémunération ou la planification des effectifs.

Les décisions RH — recrutements, promotions, ajustements salariaux — étaient prises sans données structurées, sur la base de demandes individuelles des chefs de site. Le DRH manquait d'outils pour justifier ses recommandations auprès de la direction générale.

Le défi

Aucune base de données RH centralisée — Les informations étaient réparties entre 3 fichiers Excel (un par site), un logiciel de paie et des dossiers papier
Masse salariale opaque — Impossible de comprendre la répartition par catégorie, ancienneté, site ou fonction
Pas d'indicateurs de productivité — Aucun lien entre effectifs et production (tonnes extraites, voyages effectués)
Système de bonus informel — Les primes étaient attribuées sans grille formalisée, créant des inégalités et de la frustration
Turnover non mesuré — Le taux de rotation, ses causes et son coût n'étaient pas suivis

Notre approche

Phase 1 — Consolidation des données (3 semaines)

Audit complet des sources de données RH. Nettoyage et harmonisation des 3 fichiers site. Création d'une base de données RH unique dans Excel avec Power Query pour l'alimentation automatique depuis le logiciel de paie.

Phase 2 — Grille salariale & benchmarking (2 semaines)

Analyse de la structure de rémunération actuelle. Construction d'une grille salariale par fonction et ancienneté. Comparaison avec les pratiques du secteur minier dans la région. Identification des anomalies (sur/sous-rémunération).

Phase 3 — Modèle de productivité (2 semaines)

Définition des indicateurs de productivité par site et par fonction : tonnes par employé, coût RH par tonne, ratio superviseur/opérateur. Croisement avec les données de production pour une analyse de rentabilité RH.

Phase 4 — Dashboard RH (3 semaines)

Construction d'un dashboard Power BI en 5 volets : effectifs et démographie, masse salariale et rémunération, productivité par site, turnover et absentéisme, et planification des effectifs. Mesures DAX pour tous les KPI calculés.

Phase 5 — Modèle de bonus & formation (2 semaines)

Conception d'une grille de bonus formalisée liée à la performance (individuelle et collective). Formation du DRH et de 2 responsables site. Documentation et transfert de compétences.

Résultats

12% Économies identifiées sur la masse salariale (anomalies et doublons)

22 KPI RH suivis mensuellement

3 sites Unifiés dans un seul outil de pilotage

1ère fois Lien productivité-effectifs mesuré et piloté

L'impact le plus immédiat a été la découverte de 23 « employés fantômes » — des personnes figurant dans les fichiers de paie d'un site mais absentes des registres opérationnels des deux autres. Cette seule correction a représenté une économie annuelle significative.

À plus long terme, le dashboard a permis au DRH de participer activement aux comités de direction avec des données factuelles. Les décisions de recrutement et de promotion sont désormais basées sur des comparaisons structurées plutôt que sur des demandes ad hoc.

Livrables

📊Dashboard Power BI RH (5 volets)

📋Base de données RH consolidée

💰Grille salariale par fonction et ancienneté

🏆Modèle de bonus formalisé

📈Modèle de productivité par site

📖Guide utilisateur et documentation

Technologies utilisées

Power BI — Dashboard interactif multi-volets
Power Query — Consolidation et nettoyage des données multi-sources
DAX — KPI de productivité, ratios de rémunération, métriques de turnover
Excel avancé — Grille salariale dynamique et modèle de bonus

Leçon apprise

Dans le secteur minier dans la région, la première étape de tout projet d'analytics RH est la fiabilisation des données de base : qui travaille où, depuis quand, et combien est-il payé. Sans cette fondation, aucune analyse avancée n'est crédible. Nous avons consacré 40% du projet au nettoyage des données — un investissement indispensable qui a généré un ROI immédiat grâce aux anomalies découvertes.

Context

A mid-sized mining company operating in the region, with 3 operational sites and over 800 employees (60% field workers), faced growing HR management challenges. Payroll represented over 40% of operating costs, but management had no analytical visibility into productivity, compensation structure, or workforce planning.

HR decisions — hiring, promotions, salary adjustments — were made without structured data, based on individual requests from site managers. The HR Director lacked the tools to justify recommendations to senior leadership.

The Challenge

No centralized HR database — Information was spread across 3 Excel files (one per site), payroll software, and paper records
Opaque payroll — Impossible to understand the breakdown by category, seniority, site, or function
No productivity indicators — No link between headcount and production (tons extracted, trips completed)
Informal bonus system — Bonuses were awarded without a formal grid, creating inequalities and frustration
Unmeasured turnover — Turnover rate, its causes, and its cost were not tracked

Our Approach

Phase 1 — Data Consolidation (3 weeks)

Complete audit of HR data sources. Cleaning and harmonization of 3 site files. Creation of a unified HR database in Excel with Power Query for automatic feeding from payroll software.

Phase 2 — Salary Grid & Benchmarking (2 weeks)

Analysis of current compensation structure. Construction of a salary grid by function and seniority. Comparison with regional mining sector practices. Identification of anomalies (over/under-compensation).

Phase 3 — Productivity Model (2 weeks)

Definition of productivity indicators by site and function: tons per employee, HR cost per ton, supervisor/operator ratio. Cross-referencing with production data for HR profitability analysis.

Phase 4 — HR Dashboard (3 weeks)

Building a 5-panel Power BI dashboard: headcount and demographics, payroll and compensation, productivity by site, turnover and absenteeism, and workforce planning. DAX measures for all calculated KPIs.

Phase 5 — Bonus Model & Training (2 weeks)

Design of a formalized bonus grid linked to performance (individual and collective). Training for HR Director and 2 site managers. Documentation and knowledge transfer.

Results

12% Payroll savings identified (anomalies and duplicates)

22 HR KPIs tracked monthly

3 sites Unified in a single steering tool

1st time Productivity-headcount link measured and managed

The most immediate impact was discovering 23 "ghost employees" — people appearing in one site's payroll files but absent from the operational registers of the other two. This single correction represented significant annual savings.

Longer term, the dashboard enabled the HR Director to actively participate in executive committees with factual data. Recruitment and promotion decisions are now based on structured comparisons rather than ad hoc requests.

Deliverables

📊Power BI HR dashboard (5 panels)

📋Consolidated HR database

💰Salary grid by function and seniority

🏆Formalized bonus model

📈Productivity model by site

📖User guide and documentation

Technologies Used

Power BI — Multi-panel interactive dashboard
Power Query — Multi-source data consolidation and cleaning
DAX — Productivity KPIs, compensation ratios, turnover metrics
Advanced Excel — Dynamic salary grid and bonus model

Lesson learned

In the regional mining sector, the first step in any HR analytics project is ensuring foundational data reliability: who works where, since when, and how much are they paid. Without this foundation, no advanced analysis is credible. We dedicated 40% of the project to data cleaning — an essential investment that generated immediate ROI through discovered anomalies.