Une expérience intéressante d’utilisation de modèles prédictifs prenant avantage des possibilités de l’intelligence artificielle et des analytiques des données pour améliorer les résultats du recrutement de nouveaux étudiants à l’Université de l’Oklahoma a attiré mon attention. Dans un contexte de restrictions budgétaires imposées par l’état – restrictions associées à une nette tendance à la baisse des inscriptions d’étudiants – , une réflexion sur la manière de rendre le processus de recrutement plus efficient par l’utilisation judicieuse de données était tout indiquée. Elle a permis de mettre de l’avant une solution informatique pouvant guider les efforts de recrutement.
Les données provenant de deux années précédentes ont donc été analysées à l’aide du logiciel d’analyse de statistiques SAS, bien connu des milieux universitaires. Cette analyse a permis, à partir de différentes sources de données, de dégager 20 variables (incluant les scores obtenus par les étudiants aux tests standardisés d’admission tel que le SAT, les besoins financiers non comblés, les bourses obtenues, la présence/absence à des événements de recrutement, etc.) pouvant servir à bâtir des modèles prédictifs utilisant les techniques suivantes:
- arbres décisionnels;
- régression logistique;
- régression progressive;
- régression inversée.
L’utilisation des résultats avait pour but de cibler des actions à prioriser par les agents de recrutement pour mener à bien leur travail, ce qui a effectivement donné un élan positif aux objectifs de recrutement :
The models, which achieved 89-92 percent accuracy, drove recruitment strategies in 2015. For instance, the decision trees helped recruitment officers as a visual aid to help them to determine the most appropriate actions. Say, if a student was from Oklahoma and had an unmet need of between $10,500 and $20,000, the recruiter could offer a scholarship of $1500 to increase the student’s likelihood to enroll from 50 percent to 90 percent.
The resulting freshman class was the largest in the university’s history, and the most academically prepared. The class included more students ranked number one in their class, and more with a 4.0 GPA, than ever before. The class contained more National Merit Scholars than any other public of private university.
Ce qui est plus intéressant encore, c’est l’effet contraire observé lorsque ces modèles ont dû être mis temporairement de côté en 2016 (en raison de coupures budgétaires additionnelles), soit une baisse des effectifs. Depuis, le système a été remis en fonction et amélioré par de nouvelles données utiles pouvant offrir de meilleures prédictions.
Sources:
Mariani, Georgia. How one university reached a new enrollment record with 4 predictive analytics models. eCampus News, 5 septembre 2017.
Understanding SAT Scores: 16 Frequently Asked Questions. C2Education, page consultée le 10 avril 2020.
