Masse salariale à venir et rétention du personnel

Chaque jeudi, la paie vide le compte de banque. Dans la construction, avec des équipes qui grossissent au printemps et fondent à l'automne, savoir combien sortira dans les trois prochains mois n'est pas un luxe : c'est ce qui décide d'une marge de crédit, d'un achat d'équipement ou d'une embauche. Et derrière la masse salariale, une autre question coûte cher : combien d'employés partent, et où, avant même d'être rentables.

Dans cette recette, nous allons bâtir un tableau de bord de la masse salariale : les paies des 13 prochaines semaines calculées à partir de l'historique d'Acomba, la répartition du coût du dernier trimestre par département, et le roulement du personnel de l'année.

Ce que vous allez apprendre

prévoir les salaires nets et le coût employeur des prochaines paies, et juger la fiabilité de la prévision ;

répartir le coût employeur par département, heures supplémentaires comprises ;

mesurer le roulement du personnel et repérer les départements à surveiller ;

savoir quand une prévision repose sur un historique trop ancien.

Avant de commencer

une clé API en lecture : cette recette n'écrit rien dans Acomba ;

le module Paie actif, avec au moins quelques mois de paies inscrites (une année civile complète pour les variations saisonnières) ;

pour la liste nominative des départs, une clé autorisée aux données sensibles de paie (la recette s'en passe).

D'où viennent les chiffres

Avant de lire les résultats, voyons comment ils se calculent. La prévision part des paies récentes d'Acomba : une moyenne pondérée des six dernières (les plus récentes pèsent davantage, les paies anormales sont écartées), ajustée par un facteur saisonnier par mois et par la croissance de l'effectif, puis répétée à la fréquence de paie déduite de l'historique. Le sommaire de la paie additionne les paies réelles d'une période ; le roulement compte les départs (date de départ saisie, sinon dernière paie d'un employé inactif) sur l'effectif moyen.

Étape 1 : prévoir les paies des 13 prochaines semaines

Commençons par ce qui sortira du compte. La prévision donne, paie par paie, le net versé aux employés et les charges de l'employeur payées avec les remises.

cURL

Réponse 200 (extrait)

forecast_net : les dépôts et chèques de la paie ; forecast_employer_burden_cash : les charges de l'employeur décaissées (RRQ, assurance-emploi, CNESST, CCQ…).

confidence_score : de 0 à 100 ; il baisse quand l'historique est court, la fréquence incertaine ou l'historique figé.

history.is_stale : vrai quand la dernière paie date de plus de trois périodes. La prévision recopie alors un passé qui ne reflète plus l'équipe actuelle : inscrivez les paies récentes avant de vous y fier.

anomalies_excluded : les paies écartées de la base parce qu'elles sortaient de l'ordinaire (une paie partielle, un rattrapage).

Ce résultat s'intègre directement à la prévision de trésorerie : voir Rapport de trésorerie.

Étape 2 : répartir le coût du dernier trimestre

La prévision dit combien ; voyons où va l'argent. Le sommaire de la paie d'une période donne, par département, le coût employeur décaissé, l'effectif et la part d'heures supplémentaires.

cURL

Réponse 200 (extrait)

Le coût employeur existe en deux versions : décaissé (total_employer_cost_cash, ce qui sort réellement du compte) et comptable (total_employer_cost_accrued, avec les provisions de vacances et de CNESST).

Étape 3 : mesurer le roulement du personnel

Reste la question humaine, qui est aussi une question d'argent. Le roulement de l'année se calcule en un appel, pour l'entreprise et par département, avec la répartition des départs selon l'ancienneté.

cURL

Réponse 200 (extrait)

turnover_rate : départs ÷ effectif moyen × 100 sur la période.

cohorts.onboarding_lt_6m : la part des départs survenus avant six mois d'ancienneté ; élevée, elle pointe l'accueil et l'intégration plutôt que les conditions de travail.

vs_company_avg.is_outlier : vrai quand un département s'écarte de plus de 50 % de la moyenne de l'entreprise.

La liste nominative des départs (include_departures=true) exige une clé autorisée aux données sensibles de paie.

Le script complet

Assemblons le tableau de bord : ce script affiche les paies des 13 prochaines semaines (avec un avertissement si l'historique est figé), la répartition du coût du dernier trimestre par département et le roulement de l'année.

Python

JavaScript (Node.js)

Exemple de sortie :

Paies prévues sur 13 semaines (confiance 80 %) :
  2026-08-13  net    32,894.42 $   charges   13,714.56 $
  2026-08-20  net    32,894.42 $   charges   13,714.56 $
  …
  Total : salaires nets 427,627.46 $, coût employeur décaissé 920,580.31 $

Coût employeur du 2026-05-08 au 2026-08-07, par département :
  Chantier                    767,518.51 $ (83%), 49 employés, heures sup. 0.12 %
  Rénovation                  142,468.07 $ (15%), 25 employés, heures sup. 1.17 %
  Bureau                       20,076.31 $ (2%), 2 employés, heures sup. 0.0 %

Roulement 2026 : 72.73 % (40 départs, effectif moyen 55.0)
  Départs avant 6 mois : 42.5 % ; ancienneté médiane au départ : 330 jours
  À surveiller : Rénovation — 200.0 % (+175 % par rapport à l'entreprise)

Bon à savoir

La saisonnalité demande du recul. Tant que l'historique ne contient pas au moins une année civile complète de paies (janvier à décembre), les facteurs saisonniers restent neutres (1,0) et chaque paie prévue vaut la base récente ; la prévision s'affine avec les années.

Un historique figé se voit. Si les paies récentes ne sont pas encore inscrites, history.is_stale le signale et la confiance baisse de 30 points.

Fréquence de paie. Elle est déduite de l'historique ; imposez-la avec frequency si votre calendrier a changé (le calendrier théorique d'un département se lit avec GET /api/payroll/calendar).

Le roulement dépend des fiches. Saisissez la date de départ des employés qui quittent : sinon elle est déduite de leur dernière paie, une fois leur fiche inactive.

Après une correction de paie, ajoutez force_refresh=true : les résultats sont gardés en cache quelques heures.

Codes d'erreur : voir Codes d'erreur.

Et voilà

Votre tableau de bord de la masse salariale est en place : les paies des trois prochains mois prévues à partir de l'historique d'Acomba, avec leur degré de confiance, le coût du dernier trimestre réparti par département, et le roulement du personnel qui montre où les départs coûtent le plus. Vous savez aussi reconnaître une prévision bâtie sur un historique trop ancien.

Pour aller plus loin

Rapport de trésorerie : les paies prévues dans la prévision de trésorerie complète.

Vérifier une paie avant de la fermer : le contrôle de chaque paie réelle.

Power BI et Excel : ces mêmes chiffres dans vos rapports.

Masse salariale à venir et rétention du personnel

D'où viennent les chiffres#

Étape 1 : prévoir les paies des 13 prochaines semaines#

Étape 2 : répartir le coût du dernier trimestre#

Étape 3 : mesurer le roulement du personnel#

Le script complet#

Bon à savoir#

Et voilà#

D'où viennent les chiffres

Étape 1 : prévoir les paies des 13 prochaines semaines

Étape 2 : répartir le coût du dernier trimestre

Étape 3 : mesurer le roulement du personnel

Le script complet

Bon à savoir

Et voilà