Séries temporelles
Une série temporelle est une suite de données mesurées à intervalles réguliers dans le temps, où le temps constitue la variable de référence. L’objectif de l’analyse : prévoir les valeurs futures à partir des valeurs passées, en identifiant tendance, saisonnalité et cycles récurrents dans les données.
Deux familles de méthodes coexistent. Les modèles statistiques traditionnels (ARIMA, lissage exponentiel) modélisent explicitement ces composantes à partir de techniques mathématiques établies. Les modèles de machine learning et de deep learning — dont les LSTM, adaptés aux séquences longues — identifient des motifs plus complexes que les modèles traditionnels ne captent pas toujours, au prix d’un besoin de données d’entraînement plus important.
En RH, l’analyse de séries temporelles s’applique directement à la prévision d’effectifs (évolution des besoins de recrutement mois par mois), à l’anticipation de pics d’absentéisme saisonniers, ou au suivi de l’évolution de la masse salariale dans le temps. Point de vigilance méthodologique : un historique de données insuffisant limite la fiabilité du modèle — l’entraînement nécessite généralement plusieurs mois à plusieurs années de données selon la fréquence des événements à prédire.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.
Sources : IBM (10/11/2025, 27/04/2026), Akwari Coop (09/03/2023).