L’importance de la corroboration des résultats des sondages

Le problème avec les sondages auprès des employés vient souvent du fait que le groupe interne qui en a la charge ne dispose d’aucune ressource pour effectuer un suivi; les résultats du sondage, après une analyse superficielle, sont considérés comme définitifs. Pourtant, nous savons à la fois que les perceptions des employés peuvent être passablement erronées et que les résultats des sondages sont sujets à des lacunes et à des biais. À titre d’exemple, les employés sont susceptibles de répondre avec moins de franchise s’ils pensent pouvoir être identifiés, ou bien d’être plus motivés à répondre au sondage s’ils sont insatisfaits ou moins motivés s’ils estiment que les résultats ne feront l’objet d’aucun suivi. En outre, si l’analytique peut révéler des associations intéressantes, association ne signifie pas causalité.

Bien qu’elle apporte aux auditeurs des éclairages précieux, l’approche analytique des résultats des sondages avec Python qui est proposée dans cet article ne leur fournit pas d’éléments probants suffisants pour tirer des conclusions d’audit. Les auditeurs doivent également rechercher des éléments probants corroborants. Ils doivent compléter les sondages par leurs propres observations tirées d’entrevues, de documents et d’autres sources.

Considérations relatives à la conception des sondages

Cette approche analytique fondée sur Python peut être appliquée à la quasi-totalité des sondages auprès des employés pour faire ressortir des informations importantes qui, autrement, resteraient cachées dans les données. Toutefois, cette approche comporte deux facteurs qu’il convient de garder à l’esprit afin d’en améliorer l’applicabilité. Au besoin, les auditeurs doivent être prêts à travailler avec la direction pour prendre en compte ces facteurs lors de la conception de sondages auprès des employés.

1. Bien que la fonction de Gini ne dépende pas strictement du nombre de groupes, elle produira des résultats plus fiables si les groupes d’employés sont plus nombreux. Vingt semble être le bon nombre de groupes car cela donne des distributions dans une matrice deux par deux qui sont facilement discernables à l’œil nu. Par conséquent, les questions démographiques doivent être formulées de sorte à distinguer une vingtaine de groupes mutuellement exclusifs ou plus.
2. Cette approche analytique repose sur la possibilité de trouver des associations pertinentes entre les réponses aux questions du sondage. À cette fin, plus le sondage intègre les divers aspects de la culture organisationnelle, plus l’approche sera efficace. Les questions doivent être basées sur un modèle solide de dynamique organisationnelle et organisées en thèmes. Le Sondage auprès des fonctionnaires fédéraux mené chaque année par le gouvernement du Canada constitue un bon exemple en termes de conception.

Il arrive qu’un seul sondage ne permette pas de couvrir tous les thèmes possibles ou tous les groupes organisationnels. Dans ce cas, à condition que les groupes organisationnels ou les questions soient appariés et que les groupes soient mutuellement exclusifs, des sondages réalisés séparément peuvent être combinés ultérieurement. Cette opération peut être réalisée assez facilement à l’aide d’un tableur, mais si le processus doit être répété, il serait judicieux de procéder par programmation en utilisant Python.

Il est recommandé d’utiliser, dans les sondages, une échelle de réponse à cinq points allant de « tout à fait en désaccord » à « tout à fait d’accord ». Toutefois, des sondages distincts utilisent parfois des échelles de réponse différentes, par exemple une échelle à quatre points au lieu de cinq. Dans ce cas, à condition que les groupes organisationnels soient appariés, les sondages peuvent néanmoins être combinés après conversion des scores agrégés à quatre points sur l’échelle à cinq points. Cette conversion est une opération mathématique anodine facile à réaliser avec Python.

Et maintenant?

Il est clair que Python peut être utilisé pour coder des modules innovants qui appliquent l’analytique aux données des sondages auprès des employés aux fins d’utilisation dans les audits de la culture organisationnelle. Les résultats obtenus à l’aide de cette technique peuvent apporter un nouvel éclairage ou corroborer les constatations dégagées au moyen de techniques d’audit plus conventionnelles. Ils peuvent également étayer l’analyse des causes profondes et faciliter la formulation de recommandations applicables et bien ciblées, ce qui constitue l’objectif des activités d’audit interne.

Il reste à élaborer une trousse d’analyse des sondages qui serait ensuite diffusée auprès de la communauté Python, dans l’environnement à source ouverte, aux fins d’examen. La réalisation de ce projet de publication est conditionnée à une collaboration future entre les auditeurs internes, les auditeurs de performance et les codeurs Python. En tant qu’auditeur expérimenté et développeur Python de niveau intermédiaire, je m’efforce activement de concrétiser cette collaboration. J’espère que cet article y contribuera.

Conclusion

Étant donné que la culture organisationnelle est le mécanisme de contrôle informel le plus important dont dispose une organisation, les activités d’audit de la culture organisationnelle méritent d’être prises au sérieux. La réalisation de sondages auprès des employés à intervalles réguliers peut grandement contribuer aux audits de la culture organisationnelle, mais pour en exploiter pleinement la valeur, il convient de recourir à l’analytique des données afin de trouver des associations entre les réponses des employés. L’analytique des données peut être facilement mise en œuvre avec Python, mais cela nécessite une collaboration entre les auditeurs internes, les auditeurs de performance et les développeurs Python. Cet article entend contribuer à promouvoir cette collaboration.

Références

A. Anyaeche, Programming for Accountants, Start it up, 2 juin 2020, disponible sur : https://medium.com/swlh/programming-for-accountants-27f4d48d722d (en anglais seulement).

D. Bhuyan, Auditing the data using Python, LinkedIn, 10 janvier 2019, disponible sur : https://www.linkedin.com/pulse/auditing-data-using-python-dhiraj-bhuyan-msc-b-tech/ (en anglais seulement).

Fondation canadienne pour l’audit et la responsabilisation, L’intelligence artificielle et les activités d’audit : Aperçu de l’impact potentiel sur les auditeurs du secteur public, 2019, disponible sur : https://www.caaf-fcar.ca/fr/ressources-en-audit-de-performance/recherche-et-methodes/regards-sur-la-recherche-fr/3456-regards-sur-la-recherche-3.

Fondation canadienne pour l’audit et la responsabilisation, Auditer la culture organisationnelle dans la fonction publique, 2020, disponible sur : https://www.caaf-fcar.ca/images/content/performance-audit/ResearchHighlights/PDF/AuditingOrganizationalCulture-PublicSectorFR.pdf.

Fondation canadienne pour l’audit et la responsabilisation, Mieux intégrer l’analyse des causes profondes à l’audit de performance dans le secteur public – Deuxième édition, 2020, disponible sur : https://www.caaf-fcar.ca/images/pdfs/research-publications/RootCauseAnalysisFR.pdf

M. Capozzi, Poser les bonnes questions : La réalisation de sondages dans les audits de performance, Fondation canadienne pour l’audit et la responsabilisation, 2020, disponible sur : https://www.caaf-fcar.ca/fr/ressources-en-audit-de-performance/recherche-et-methodes/sur-le-terrain/terrain-numero-8.

CPA Canada, Pourquoi les CPA doivent apprendre à coder?, s.d., disponible sur : https://www.cpacanada.ca/fr/ressources-en-comptabilite-et-en-affaires/domaines-connexes/technologies-et-gestion-de-linformation/publications/importance-codage-pour-les-cpa.

C. Dogas, Internal Audit Still Lags in Use of Data Analytics, Internal Audit 360°, 2020, disponible sur : https://internalaudit360.com/internal-audit-still-lags-in-use-of-data-analytics/ (en anglais seulement).

Gouvernement du Canada, Résultats du Sondage auprès des fonctionnaires fédéraux de 2019 par thème pour la fonction publique, 2019, disponible sur : https://www.tbs-sct.gc.ca/pses-saff/2019/results-resultats/bd-pm/00/org-fra.aspx

IDEA, Trois caractéristiques indispensables d’une solution d’analyse de données en 2020, s.d., disponible sur : https://idea.caseware.com/fr/audit-data-analytics-3-must-have-features/.

Institut des auditeurs internes (IAI), « Auditer la culture d’une organisation – Examiner, avec rigueur, un concept mou », Perspectives internationales, 2016, numéro 3, disponible sur : https://global.theiia.org/translations/PublicDocuments/2016-Feb-GPI-French.pdf.

Matplotlib, Creating annotated heatmaps, s.d., disponible sur : https://matplotlib.org/3.1.1/gallery/images_contours_and_fields/image_annotated_heatmap.html (en anglais seulement).

J. Pett et S. Pundmann, Care and feeding of the company’s culture, juin 2016, disponible sur : https://www2.deloitte.com/us/en/pages/audit/articles/care-and-feeding-of-the-company-culture.html (en anglais seulement).

Python Software Foundation, About Python, 2021, disponible sur : https://www.python.org/about/ (en anglais seulement).

J. Roth, « Soft and Strong: A Best-practice Paradox », Institut des auditeurs internes, Tone at the Top, mars 2011, numéro 50 (en anglais seulement).

J. Roth, « Auditing Culture: History and Principles », Institut des auditeurs internes, Internal Auditor, mars 2019 (en anglais seulement).

J. Roth, « Auditing Culture: Bumps in the Road », Institut des auditeurs internes, Internal Auditor, mai 2019 (en anglais seulement).

J. Roth, « Auditing Culture: Where to Begin », Institut des auditeurs internes, Internal Auditor, juin 2019 (en anglais seulement).

J. Roth, « Auditing Culture: Observation and Data », Institut des auditeurs internes, Internal Auditor, août 2019 (en anglais seulement).

J. Roth, « Auditing Culture: Audit Project Surveys », Institut des auditeurs internes, Internal Auditor, novembre 2019 (en anglais seulement).

J. Roth, « Auditing Culture: Employee Surveys », Institut des auditeurs internes, Internal Auditor, janvier 2020 (en anglais seulement).

J. Roth, « Auditing Culture: Conducting an Entitywide Survey », Institut des auditeurs internes, Internal Auditor, décembre 2020 (en anglais seulement).

J. Seago, « Toxic Leaders, Toxic Culture », Internal Auditor, juin 2016 (en anglais seulement).

J. Tabuena, « Auditing Corporate Culture: A New Imperative », The Why and How of Auditing Corporate Culture, MIS Training Institute, 23 juillet 2016, disponible sur : https://www.experis.ca/Website-File-Pile/Whitepapers/Experis/auditing-corporate-culture.pdf (en anglais seulement).

S. Tahsildar, Gini Index For Decision Trees, blogue de QuantInsti, 18 avril 2019, disponible sur : https://blog.quantinsti.com/gini-index/ (en anglais seulement).

Page 3 de 3

AVIS : Les opinions exprimées dans cet article sont celles de l’auteure et ne reflètent pas nécessairement le point de vue de la Fondation.

Consultez les autres articles de la série Sur le terrain