Matching

  • Concept
  • Intermédiaire
  • Transversal
  • Toujours utilisé

En bref

Processus, souvent automatisé, qui rapproche un profil de candidat et une offre d'emploi selon des critères communs.

Définition complète

Le matching est un processus, souvent automatisé par un logiciel, qui consiste à rapprocher un profil de candidat avec une offre d’emploi (ou inversement) en comparant des critères comme les compétences, l’expérience, la localisation ou la disponibilité, afin d’évaluer un niveau de compatibilité entre les deux.

Par exemple, un jobboard peut afficher un score de « 85 % de compatibilité » entre le profil d’un candidat et une offre de poste, calculé à partir des compétences déclarées par le candidat et de celles mentionnées dans l’annonce.

Attention : un score de matching élevé indique une compatibilité sur des critères mesurables, pas une garantie que le recrutement fonctionnera : la personnalité, la motivation réelle ou l’ambiance d’équipe ne sont presque jamais pris en compte dans le calcul.

À quoi ça sert

Le matching sert à faire gagner du temps dans un processus de recrutement, en particulier quand le volume de candidatures ou d’offres est important. Il aide à repérer rapidement les profils les plus pertinents parmi des centaines de CV, ou à proposer à un candidat les offres qui correspondent le mieux à son profil parmi des milliers d’annonces.

Il est particulièrement utile pour prioriser l’examen des candidatures reçues sur une offre en tension, ou pour comparer objectivement plusieurs candidats sur les mêmes critères. Il ne doit toutefois jamais remplacer complètement l’analyse humaine, qui reste indispensable pour juger des éléments non mesurables par un algorithme.

Cas d'usage typiques

– Trier des candidatures : classer automatiquement les CV reçus sur une offre selon leur pertinence.
– Recommander des offres : proposer à un candidat inscrit sur un jobboard les annonces les plus proches de son profil.
– Prioriser l’examen des dossiers : concentrer le temps du recruteur sur les profils les mieux positionnés en premier.
– Comparer plusieurs candidats : évaluer objectivement des profils sur les mêmes critères pour un même poste.
– Repérer un potentiel de mobilité interne : rapprocher un poste ouvert des compétences déjà présentes dans l’entreprise.
– Identifier des candidatures atypiques : détecter des profils proches malgré une formulation différente des compétences.

Ce que tu sauras faire

Comprendre comment fonctionne un matching entre une offre et un candidat, interpréter un score de compatibilité avec discernement, et l'utiliser comme une aide plutôt que comme une décision automatique.

Mises en situation

Situation 1 : recrutement en volume dans un centre d’appel

Contexte : un centre d’appel reçoit 300 candidatures pour 15 postes de téléconseillers.

Application : un outil de matching classe automatiquement les candidatures selon leur adéquation avec les critères du poste (disponibilité, expérience en relation client).

Résultat attendu : le recruteur commence son analyse par les 40 profils les mieux classés, ce qui réduit considérablement son temps de traitement sans écarter définitivement les autres candidatures.

Situation 2 : jobboard qui recommande des offres à un candidat

Contexte : un candidat inscrit son profil sur un site d’emploi, avec ses compétences en cuisine et sa zone géographique de recherche.

Application : le site lui propose automatiquement chaque semaine les nouvelles offres de restauration correspondant à son profil et à sa zone.

Résultat attendu : le candidat gagne du temps dans sa recherche, sans avoir à parcourir manuellement toutes les offres publiées sur le site.

Situation 3 : mobilité interne repérée par matching

Contexte : un poste de chef d’équipe logistique s’ouvre dans une entreprise de 200 salariés.

Application : l’outil RH de l’entreprise repère automatiquement, parmi les salariés déjà en poste, ceux dont le profil de compétences se rapproche du poste ouvert.

Résultat attendu : deux salariés internes sont identifiés et informés de l’opportunité avant même la diffusion externe de l’offre, ce qui favorise la mobilité interne.

Application guidée : interpréter un score de matching

Contexte : pour un poste de comptable, un logiciel de matching donne un score de 92 % à un candidat qui n’a jamais utilisé le logiciel comptable spécifique de l’entreprise, et un score de 68 % à un candidat qui l’a déjà utilisé pendant trois ans mais dont le CV est moins bien formulé.

Question : faut-il se fier uniquement au score le plus élevé pour choisir le candidat à recevoir en priorité ?

Résultat attendu : non, il faut relire les deux dossiers en détail : le score dépend beaucoup de la façon dont chaque candidat a formulé son CV, et un score plus bas ne signifie pas forcément un profil moins pertinent, surtout sur un critère aussi précis que l’expérience d’un logiciel donné.

Application guidée : détecter un biais de matching

Contexte : une entreprise remarque que, sur les 6 derniers mois, l’outil de matching a systématiquement classé en tête des profils issus des mêmes grandes écoles, alors que des candidats autodidactes très compétents apparaissaient plus bas dans le classement.

Question : que doit faire l’entreprise face à ce constat ?

Résultat attendu : l’entreprise doit interroger les critères utilisés par l’outil (peut-être trop centrés sur le nom des écoles ou des intitulés de postes précédents) et compenser ce biais potentiel par une relecture humaine systématique, plutôt que de laisser l’algorithme décider seul.

Pour bien le retenir

L'analogie

Le matching fonctionne un peu comme un site de rencontre : il propose des profils compatibles selon des critères déclarés (centres d’intérêt, localisation, âge), mais il ne garantit jamais que la rencontre en vrai se passera bien. C’est un premier tri utile, pas un jugement final sur la compatibilité réelle des deux parties.

« Un bon score de matching aide à choisir, il ne choisit pas à la place de l'humain. »

Pièges à éviter

À ne pas confondre avec

Une erreur fréquente est de croire qu'un bon score de matching garantit la réussite d'un recrutement : le score mesure une compatibilité sur des critères déclarés et mesurables, pas la personnalité, la motivation réelle ou l'entente future avec l'équipe.

Autre piège : laisser l'algorithme décider seul, sans relecture humaine des dossiers écartés. Un bon profil peut être mal classé simplement parce qu'il a formulé ses compétences différemment de ce qu'attend l'outil.

Il faut aussi rester vigilant sur les biais possibles : un outil de matching entraîné sur des recrutements passés peut reproduire, sans le vouloir, des habitudes de sélection peu diversifiées.

Évolution historique

Apparition : Matching par mots-clés dans les années 1990-2000, matching sémantique renforcé par l'IA à partir des années 2015-2020

Quels changements depuis l’arrivée de l’IA ?

Le matching est l’une des notions RH les plus directement transformées par l’intelligence artificielle, sur toute la dernière décennie.

Avant

Les premiers outils de matching fonctionnaient surtout par recherche de mots-clés exacts entre le CV et l’offre, ce qui écartait souvent de bons candidats utilisant un vocabulaire légèrement différent.

Aujourd’hui

Les outils actuels s’appuient sur des techniques de traitement du langage (NLP) et des modèles d’IA capables de repérer des compétences proches même formulées différemment (par exemple relier « gestion de la relation client » et « CRM »). Cela améliore la pertinence du matching, mais renforce aussi la nécessité d’une vigilance sur les biais algorithmiques, qui peuvent reproduire des discriminations présentes dans les données d’entraînement.

Évolution historique

Années 1990-2000 : apparition des premiers jobboards avec recherche par mots-clés simples.

Années 2000-2010 : développement des logiciels de suivi de candidatures (ATS) intégrant un premier scoring automatique.

Vers 2015 : arrivée des techniques de machine learning appliquées au matching de profils.

2018-2020 : diffusion du matching sémantique fondé sur le traitement du langage naturel.

Années 2020 : les modèles de langage et l’IA générative affinent encore la compréhension des compétences et des parcours atypiques.