Les offres d’emploi en ligne (OEL) sont partout\u00a0: sur LinkedIn, Indeed et d’autres plateformes, sur les sites Web d’entreprises\u2026 De plus en plus de personnes int\u00e9ress\u00e9es par le march\u00e9 du travail y ont recours afin d’obtenir des informations \u00e0 jour. Cela soul\u00e8ve une question essentielle\u00a0: dans quelle mesure ces offres refl\u00e8tent-elles v\u00e9ritablement la demande de main-d’\u0153uvre?<\/strong><\/p>\r\n Les donn\u00e9es issues des OEL servent souvent \u00e0 combler les lacunes bien r\u00e9elles des statistiques sur le march\u00e9 du travail de Statistique Canada. Elles permettent d’obtenir des informations plus d\u00e9taill\u00e9es et plus r\u00e9centes. Toutefois, comme toute source \u00e9mergente, elles pr\u00e9sentent certaines limites, particuli\u00e8rement en ce qui a trait \u00e0 leur repr\u00e9sentativit\u00e9. C’est pourquoi le CIMT a cherch\u00e9 \u00e0 \u00e9valuer s’il \u00e9tait possible d’en am\u00e9liorer la fiabilit\u00e9. Pour ce faire, nous avons compar\u00e9 les donn\u00e9es des OEL \u00e0 celles de l’Enqu\u00eate sur les postes vacants et les salaires (EPVS) de Statistique Canada.<\/p>\r\n Le r\u00e9sultat? Un projet pilote prometteur qui offre des rep\u00e8res concrets pour interpr\u00e9ter cette source de donn\u00e9es potentiellement riche de mani\u00e8re \u00e9clair\u00e9e, rigoureuse et pertinente.<\/strong><\/p>\r\n Les entit\u00e9s gouvernementales, les \u00e9tablissements d’enseignement et les milieux de la recherche d\u00e9pendent de plus en plus des donn\u00e9es provenant des OEL pour \u00e9clairer leurs d\u00e9cisions. Les parties prenantes du CIMT soulignent par ailleurs souvent les avantages de ces donn\u00e9es\u00a0: elles s’obtiennent rapidement et en temps quasi r\u00e9el et sont plus d\u00e9taill\u00e9es que celles de Statistique Canada.<\/p>\r\n Paradoxalement, les principales limites des donn\u00e9es de Statistique Canada, telles que les d\u00e9lais de diffusion, d\u00e9coulent pr\u00e9cis\u00e9ment de leurs plus grandes qualit\u00e9s. Ces donn\u00e9es font l’objet d’une v\u00e9rification statistique rigoureuse et sont soumises \u00e0 des proc\u00e9dures complexes de pond\u00e9ration, qui assurent leur repr\u00e9sentativit\u00e9 \u00e0 l’\u00e9chelle des r\u00e9gions, des secteurs d’activit\u00e9 et des groupes d\u00e9mographiques. Des r\u00e8gles strictes de confidentialit\u00e9 sont appliqu\u00e9es pour prot\u00e9ger les individus et \u00e9viter les interpr\u00e9tations erron\u00e9es bas\u00e9es sur de petits \u00e9chantillons.<\/p>\r\n Ces garanties sont essentielles. Sans elles, nous risquerions de tirer des conclusions erron\u00e9es, surtout dans le cas de petites collectivit\u00e9s ou de groupes sous-repr\u00e9sent\u00e9s. Cette rigueur statistique a toutefois ses contreparties : une granularit\u00e9 r\u00e9duite et des d\u00e9lais de diffusion plus longs.<\/p>\r\n \u00c0 l’inverse, les donn\u00e9es tir\u00e9es des offres d’emploi en ligne s’obtiennent presque instantan\u00e9ment et offrent un niveau de d\u00e9tail plus \u00e9lev\u00e9. Elles ne font cependant pas l’objet des m\u00eames pr\u00e9cautions m\u00e9thodologiques, ce qui pose la question de leur fiabilit\u00e9 et de leur valeur pour \u00e9clairer les d\u00e9cisions.<\/p>\r\n Les donn\u00e9es tir\u00e9es des offres d’emploi en ligne compl\u00e8tent celles de Statistique Canada. Elles donnent acc\u00e8s \u00e0 des informations plus r\u00e9centes et plus adaptables sur les tendances du march\u00e9 du travail. Elles sont particuli\u00e8rement pr\u00e9cieuses pour les personnes vivant dans des collectivit\u00e9s de petite taille ou isol\u00e9es, o\u00f9 les donn\u00e9es peuvent \u00eatre rares ou d\u00e9su\u00e8tes.<\/p>\r\n Les donn\u00e9es des OEL sont g\u00e9n\u00e9ralement soumises \u00e0 moins de restrictions en mati\u00e8re d’utilisation et de confidentialit\u00e9 que celles provenant de Statistique Canada. Elles sont de haute fr\u00e9quence et dynamiques, et offrent un portrait quasi instantan\u00e9 de l’\u00e9tat de la demande de main-d’\u0153uvre. Cet aspect constitue un atout particuli\u00e8rement utile en p\u00e9riode de transformation rapide du march\u00e9 du travail.<\/p>\r\n Comme pour les donn\u00e9es de Statistique Canada, celles provenant des OEL pr\u00e9sentent certaines limites.<\/p>\r\n Le principal inconv\u00e9nient de ces donn\u00e9es est qu’elles ne sont pas pond\u00e9r\u00e9es, ce qui peut entra\u00eener un manque de repr\u00e9sentativit\u00e9. Cela pose probl\u00e8me lorsqu’on les utilise comme indicateur indirect des postes vacants, une mesure parfois utilis\u00e9e pour estimer la demande de main-d’\u0153uvre. Les postes vacants sont en effet une construction \u00e9conomique encadr\u00e9e par des crit\u00e8res stricts \u00e9tablis par Statistique Canada, garantissant ainsi leur interpr\u00e9tation rigoureuse et fiable. Les donn\u00e9es des OEL, quant \u00e0 elles, proviennent d’une m\u00e9thode d’\u00e9chantillonnage diff\u00e9rente, ce qui peut entra\u00eener une surrepr\u00e9sentation ou une sous-repr\u00e9sentation de certaines professions. Des biais ou des erreurs d’interpr\u00e9tation peuvent en d\u00e9couler lorsque ces donn\u00e9es sont mal comprises ou mal utilis\u00e9es.<\/p>\r\n Cela dit, la surrepr\u00e9sentation et la sous-repr\u00e9sentation sont fr\u00e9quentes dans les sources de donn\u00e9es et ne constituent pas n\u00e9cessairement une faiblesse. En fait, ces techniques sont couramment utilis\u00e9es dans les enqu\u00eates de Statistique Canada afin d’obtenir des renseignements plus fiables sur les petites collectivit\u00e9s ou les groupes sous-repr\u00e9sent\u00e9s. Elles sont essentielles au processus de collecte de donn\u00e9es. Un jeu de donn\u00e9es est consid\u00e9r\u00e9 comme repr\u00e9sentatif s’il a \u00e9t\u00e9 pond\u00e9r\u00e9.<\/p>\r\n Dans le cas d’une surrepr\u00e9sentation ou d’une sous-repr\u00e9sentation d\u00e9lib\u00e9r\u00e9e, la pond\u00e9ration permet d’ajuster les r\u00e9sultats afin que l’analyse refl\u00e8te fid\u00e8lement la population r\u00e9elle, et non la structure biais\u00e9e de l’\u00e9chantillon initial.<\/p>\r\n Imaginons une province o\u00f9 une communaut\u00e9 donn\u00e9e repr\u00e9sente 5\u00a0% de la population. Pour garantir la confidentialit\u00e9 et recueillir un nombre suffisant de r\u00e9ponses en vue d’une analyse fiable et repr\u00e9sentative, les chercheurs et chercheuses peuvent d\u00e9cider de sur\u00e9chantillonner ce groupe afin qu’il forme 10\u00a0% de l’\u00e9chantillon total, soit le double de sa proportion r\u00e9elle. Une fois les donn\u00e9es recueillies, une pond\u00e9ration permet de ramener ce pourcentage \u00e0 5\u00a0%, afin que les r\u00e9sultats refl\u00e8tent fid\u00e8lement la r\u00e9alit\u00e9 d\u00e9mographique. Sans cette pond\u00e9ration, la repr\u00e9sentation de ce groupe – et, par ricochet, de l’ensemble de la population – serait fauss\u00e9e.<\/p>\r\n Dans les ensembles de donn\u00e9es statistiques solides, plusieurs niveaux de pond\u00e9ration peuvent \u00eatre appliqu\u00e9s pour tenir compte de facteurs comme l’\u00e2ge, la r\u00e9gion ou le revenu. La pond\u00e9ration ne constitue donc pas un simple ajustement technique : elle est indispensable \u00e0 la fiabilit\u00e9 des analyses. Or, c’est pr\u00e9cis\u00e9ment ce qui fait d\u00e9faut \u00e0 la plupart des donn\u00e9es extraites des offres d’emploi en ligne, qui ne sont g\u00e9n\u00e9ralement pas pond\u00e9r\u00e9es.\u00a0<\/p>\r\n Le CIMT a test\u00e9 une combinaison de mod\u00e8les statistiques avanc\u00e9s et d’algorithmes d’apprentissage machine, en appliquant diff\u00e9rentes fonctions de pond\u00e9ration, afin d’\u00e9valuer s’il \u00e9tait possible d’am\u00e9liorer la qualit\u00e9 des donn\u00e9es issues des offres d’emploi en ligne –\u00a0notamment en les comparant aux r\u00e9sultats de l’Enqu\u00eate sur les postes vacants et les salaires (EPVS) de Statistique Canada.<\/p>\r\n Les r\u00e9sultats sont prometteurs. En combinant certaines m\u00e9thodes, nous avons r\u00e9ussi \u00e0 r\u00e9duire les marges d’erreur de 15\u00a0%, ce qui d\u00e9montre un fort potentiel d’am\u00e9lioration de la fiabilit\u00e9 de ces donn\u00e9es. Bien que notre mod\u00e8le actuel n’int\u00e8gre pas encore de pond\u00e9rations propres \u00e0 un secteur ou \u00e0 une r\u00e9gion, nous pensons qu’un tel raffinement permettrait d’obtenir des r\u00e9sultats encore plus pr\u00e9cis, rendant les donn\u00e9es des OEL plus fiables pour \u00e9clairer les d\u00e9cisions fond\u00e9es sur les donn\u00e9es.<\/p>\r\n Les donn\u00e9es issues des offres d’emploi en ligne offrent d\u00e9j\u00e0 un compl\u00e9ment utile dans l’ensemble des outils qui permettent de mieux comprendre le march\u00e9 du travail. Leur souplesse et leur accessibilit\u00e9 ouvrent la voie \u00e0 de nouvelles possibilit\u00e9s d’innovation –\u00a0particuli\u00e8rement lorsque des m\u00e9thodes statistiques sont mises en \u0153uvre pour en am\u00e9liorer la fiabilit\u00e9.<\/p>\r\n Alors que le march\u00e9 du travail canadien traverse une p\u00e9riode potentiellement instable, il est dans l’int\u00e9r\u00eat de toutes et tous de veiller \u00e0 ce que les donn\u00e9es des OEL soient non seulement accessibles, mais aussi fiables et dignes de confiance. Les cons\u00e9quences d’une mauvaise interpr\u00e9tation des donn\u00e9es ne sont pas th\u00e9oriques\u00a0: elles sont concr\u00e8tes, et elles touchent de vraies personnes.<\/p>\r\n Ce travail aura des retomb\u00e9es consid\u00e9rables :<\/p>\r\n Une lecture plus rigoureuse des donn\u00e9es des OEL am\u00e9liore la planification, l’orientation et les retomb\u00e9es pour l’ensemble de la soci\u00e9t\u00e9 canadienne.\u00a0<\/p>\r\n Ce rapport pr\u00e9sente une preuve de concept claire\u00a0: il montre qu’il est bel et bien possible de d\u00e9velopper une m\u00e9thode de pond\u00e9ration fiable et cr\u00e9dible pour les donn\u00e9es tir\u00e9es des offres d’emploi en ligne. Mais cette avanc\u00e9e marque le d\u00e9but du travail, non sa fin.<\/p>\r\n Nous esp\u00e9rons que cette d\u00e9marche pose les bases d’un cadre concret pour am\u00e9liorer la qualit\u00e9 et la fiabilit\u00e9 des donn\u00e9es issues des OEL. La m\u00e9thode combin\u00e9e que nous avons test\u00e9e a permis de r\u00e9duire les marges d’erreur de 15\u00a0%, ce qui t\u00e9moigne d’un r\u00e9el potentiel. Avec des ajustements suppl\u00e9mentaires, ces approches pourraient permettre de rapprocher des donn\u00e9es \u00e0 haute fr\u00e9quence et en temps quasi r\u00e9el des estimations du march\u00e9 du travail fond\u00e9es sur des m\u00e9thodes statistiques \u00e9prouv\u00e9es.<\/p>\r\n Ce travail est particuli\u00e8rement utile pour les gouvernements, les milieux de l’\u00e9ducation et de la recherche qui cherchent \u00e0 enrichir les sources de donn\u00e9es existantes. Pour en savoir plus sur les m\u00e9thodes, les r\u00e9sultats et leurs applications, consultez le rapport complet<\/a> (disponible en anglais; une version fran\u00e7aise sera publi\u00e9e prochainement). Nous publierons bient\u00f4t un guide sur les OEL, un outil con\u00e7u pour aider les utilisateurs et utilisatrices \u00e0 interpr\u00e9ter et \u00e0 exploiter ces donn\u00e9es de mani\u00e8re \u00e9clair\u00e9e et responsable.<\/p>\r\nLes donn\u00e9es des OEL\u00a0: pourquoi sont-elles utiles?\u00a0<\/h2>\r\n
Quel est le potentiel de ces sources?<\/h2>\r\n
Des donn\u00e9es imparfaites\u00a0: quels compromis?<\/h2>\r\n
Pourquoi la pond\u00e9ration est-elle essentielle?\u00a0<\/h2>\r\n
Peut-on am\u00e9liorer la fiabilit\u00e9 des donn\u00e9es tir\u00e9es des offres d’emploi en ligne?<\/h2>\r\n
Pourquoi l’am\u00e9lioration de la qualit\u00e9 des offres d’emploi en ligne est dans notre int\u00e9r\u00eat collectif<\/h2>\r\n
Des retomb\u00e9es concr\u00e8tes<\/h2>\r\n
\r\n
Une d\u00e9monstration concluante, mais le travail ne fait que commencer<\/h2>\r\n
Inscrivez-vous \u00e0 notre infolettre<\/h2>\r\n