Skip to main content

Algorithme et règles de matching : Chaque binôme a
une raison de se rencontrer.

Dites à RandomCoffee ce qui fait un bon binôme pour votre programme. Il associe des centaines de personnes en quelques secondes, évite les re-matchs et vous montre pourquoi chaque binôme fonctionne.

Demander une démo
Règles classées sur tout champ du profil Historique de tous les programmes Revue avant envoi Binômes, groupes ou mentorat
Cafés inter-équipes · Round 12 Démo auto · faites glisser une règle pour prendre la main
Binômes 20 membres · 10 binômes
DR David Renaud Sales · SF JB Jordan Blake Produit · SF 93 % de match
Qualité des règles de matching
  • ✓ Jamais rencontrés
  • ✓ Département · Est différent
  • ✓ Bureau · Est le plus proche
  • ✓ Ancienneté · Est la plus éloignée
  • ✗ Compétences · A le plus en commun
ML Marcus Lee Sales · Chicago AR Alex Renard Finance · Chicago 93 % de match
Qualité des règles de matching
  • ✓ Jamais rencontrés
  • ✓ Département · Est différent
  • ✓ Bureau · Est le plus proche
  • ~ Ancienneté · Est la plus éloignée
  • ~ Compétences · A le plus en commun
EK Elena Kova Engineering · NYC NP Nina Patel Sales · NYC 87 % de match
Qualité des règles de matching
  • ✓ Jamais rencontrés
  • ✓ Département · Est différent
  • ✓ Bureau · Est le plus proche
  • ~ Ancienneté · Est la plus éloignée
  • ✗ Compétences · A le plus en commun
JP Julien Prot Sales · NYC CD Chloé Dubois Finance · NYC 88 % de match
Qualité des règles de matching
  • ✓ Jamais rencontrés
  • ✓ Département · Est différent
  • ✓ Bureau · Est le plus proche
  • ~ Ancienneté · Est la plus éloignée
  • ✗ Compétences · A le plus en commun
AM Alice Martin Marketing · SF OH Omar Haddad Finance · SF 87 % de match
Qualité des règles de matching
  • ✓ Jamais rencontrés
  • ✓ Département · Est différent
  • ✓ Bureau · Est le plus proche
  • ~ Ancienneté · Est la plus éloignée
  • ✗ Compétences · A le plus en commun
LR Lucia Romero Marketing · Chicago PS Priya Shah Engineering · Chicago 87 % de match
Qualité des règles de matching
  • ✓ Jamais rencontrés
  • ✓ Département · Est différent
  • ✓ Bureau · Est le plus proche
  • ~ Ancienneté · Est la plus éloignée
  • ✗ Compétences · A le plus en commun
MT Maya Thomas Engineering · SF SN Sara Nguyen Produit · SF 86 % de match
Qualité des règles de matching
  • ✓ Jamais rencontrés
  • ✓ Département · Est différent
  • ✓ Bureau · Est le plus proche
  • ~ Ancienneté · Est la plus éloignée
  • ~ Compétences · A le plus en commun
BK Bob Kim Marketing · NYC HB Hannah Brooks Produit · NYC 90 % de match
Qualité des règles de matching
  • ✓ Jamais rencontrés
  • ✓ Département · Est différent
  • ✓ Bureau · Est le plus proche
  • ~ Ancienneté · Est la plus éloignée
  • ~ Compétences · A le plus en commun
TG Thomas Girard Finance · NYC SC Sam Carter Marketing · NYC 83 % de match
Qualité des règles de matching
  • ✓ Jamais rencontrés
  • ✓ Département · Est différent
  • ✓ Bureau · Est le plus proche
  • ~ Ancienneté · Est la plus éloignée
  • ~ Compétences · A le plus en commun
CL Claire Loeuvre Produit · Chicago EP Ethan Park Engineering · SF 73 % de match
Qualité des règles de matching
  • ✓ Jamais rencontrés
  • ✓ Département · Est différent
  • ~ Bureau · Est le plus proche
  • ~ Ancienneté · Est la plus éloignée
  • ~ Compétences · A le plus en commun

Déjà plus de 1 250 organisations dans plus de 30 pays nous font confiance :

Client 1
Client 2
Client 3
Client 4
Client 5
Client 6
Client 7
Client 8
Client 9
Client 10
Client 11
Client 12
Client 13
Client 1
Client 2
Client 3
Client 4
Client 5
Client 6
Client 7
Client 8
Client 9
Client 10
Client 11
Client 12
Client 13
Client 1
Client 2
Client 3
Client 4
Client 5
Client 6
Client 7
Client 8
Client 9
Client 10
Client 11
Client 12
Client 13
Client 1
Client 2
Client 3
Client 4
Client 5
Client 6
Client 7
Client 8
Client 9
Client 10
Client 11
Client 12
Client 13
Client 14
Client 15
Client 16
Client 17
Client 18
Client 19
Client 20
Client 21
Client 22
Client 23
Client 24
Client 25
Client 26
Client 14
Client 15
Client 16
Client 17
Client 18
Client 19
Client 20
Client 21
Client 22
Client 23
Client 24
Client 25
Client 26
Client 14
Client 15
Client 16
Client 17
Client 18
Client 19
Client 20
Client 21
Client 22
Client 23
Client 24
Client 25
Client 26
Client 14
Client 15
Client 16
Client 17
Client 18
Client 19
Client 20
Client 21
Client 22
Client 23
Client 24
Client 25
Client 26
Ça vous parle ?

Un mauvais binôme coûte plus qu’un café gênant.

Ceux qui n’accrochent pas ne reviennent pas, et c’est tout le programme qui perd en crédibilité.

Aujourd’hui

« Encore Julien ? On s’est vus le mois dernier. »

Les mêmes têtes reviennent à chaque round, et les gens se désinscrivent d’un programme qui semble tiré au hasard.

Avec RandomCoffee

Chaque round vérifie d’abord l’historique de tous vos programmes, pour que chacun rencontre quelqu’un de nouveau.

Historique des rencontres
Aujourd’hui

« Constituer 150 binômes me prend deux jours. »

Un tableur, une dizaine de filtres, beaucoup d’intuition, et tout recommence le mois suivant.

Avec RandomCoffee

Classez vos règles une fois. Chaque round est généré en quelques secondes, prêt à être relu.

Règles de matching
Aujourd’hui

« Mon mentor ne peut pas m’aider sur ce dont j’ai besoin. »

Les mentors sont attribués selon leurs disponibilités, pas selon ce que le mentoré veut apprendre.

Avec RandomCoffee

Croisez les compétences des mentors avec les objectifs des mentorés : chaque binôme démarre avec un vrai sujet.

Recouvrement de catégories
Un moteur, tous vos programmes

Des objectifs différents. Les bons binômes pour chacun.

Mélangez les équipes autour d’un café, placez les buddies près de leur nouvel arrivant et donnez à chaque mentoré un mentor qui maîtrise ce qu’il veut apprendre.

Règles de matching
1 Historique Jamais rencontrés
2 Département Est différent

Chaque round crée des liens entre équipes qui ne se parlaient pas.

MT Maya Thomas Engineering · San Francisco JP Julien Prot Sales · New York Engineering × SalesPremière rencontre
BK Bob Kim Marketing · New York TG Thomas Girard Finance · New York Marketing × FinancePremière rencontre
CL Claire Loeuvre Produit · Chicago EP Ethan Park Engineering · San Francisco Produit × EngineeringPremière rencontre
HB Hannah Brooks Produit · New York NP Nina Patel Sales · New York Produit × SalesPremière rencontre
Règles de matching
1 Bureau Est le plus proche
2 Département Est différent

Chaque nouvel arrivant a un buddy à côté, hors de sa propre équipe.

EK Elena Kova Engineering · New York HB Hannah Brooks Produit · New York Même bureau · New YorkAutre équipe
ML Marcus Lee Sales · Chicago PS Priya Shah Engineering · Chicago Même bureau · ChicagoAutre équipe
JB Jordan Blake Produit · San Francisco AM Alice Martin Marketing · San Francisco Même bureau · San FranciscoAutre équipe
OH Omar Haddad Finance · San Francisco SN Sara Nguyen Produit · San Francisco Même bureau · San FranciscoAutre équipe
Règles de matching
1 Compétences du mentor ↔ souhaits du mentoré Maximiser le recouvrement
2 Département Est différent

Chaque mentoré est accompagné par quelqu’un qui maîtrise ce qu’il veut apprendre.

EK Elena Kova Engineering · New York LR Lucia Romero Marketing · Chicago LeadershipPrise de parole
ML Marcus Lee Sales · Chicago MT Maya Thomas Engineering · San Francisco Data vizPython
JB Jordan Blake Produit · San Francisco DR David Renaud Sales · San Francisco NégociationLeadership
OH Omar Haddad Finance · San Francisco HB Hannah Brooks Produit · New York DesignLeadership
Règles de matching

Votre définition d’un bon binôme, en quelques règles.

Combinez autant de règles que nécessaire et classez-les par importance. Ni tableur ni formule : l’ordre fait la stratégie.

  • Faites glisser les règles pour les prioriser : celle du dessus l’emporte toujours
  • Matchez sur du texte, des listes, des dates ou des nombres, issus du SIRH, des formulaires ou des audiences
  • Les mêmes règles s’appliquent à chaque round, automatiquement
1

Catégorie

Rapprochez ou éloignez les membres sur n’importe quel champ du profil : texte, liste, date, nombre, choix ou oui/non.

  • Est identique
  • Est différent
  • Est le plus proche
  • Est le plus éloigné
  • A le plus en commun
  • A le moins en commun

Date d’arrivée · Est la plus proche

2

Valeurs de catégorie

Associez ou séparez des valeurs précises, par exemple un département avec un autre.

  • Matcher avec
  • Ne pas matcher avec

Sales · Matcher avec · Engineering

3

Recouvrement de catégories

Comparez deux listes qui partagent les mêmes options, comme les compétences des mentors et les objectifs des mentorés.

  • Maximiser le recouvrement
  • Minimiser le recouvrement

Compétences du mentor ↔ objectifs du mentoré

4

Audience

Associez ou séparez des audiences, pour relier deux cohortes ou deux entités.

  • Matcher avec
  • Ne pas matcher avec

Nouveaux arrivants · Matcher avec · Buddies

5

Membres précis

Gérez une exception nominative, sans toucher au reste du programme.

  • Matcher avec
  • Ne pas matcher avec

Nina Patel · Ne pas matcher avec · Marcus Lee

Toujours actif

  • L’historique passe en premier : ceux qui se sont déjà rencontrés, dans n’importe quel programme, rencontrent quelqu’un de nouveau dès que possible
  • Les préférences choisies par les membres sont respectées
Revue

Relisez chaque groupe avant la moindre mise en relation.

Voyez à quel point chaque groupe respecte vos règles, repérez ceux qui se sont déjà rencontrés et corrigez-les en un clic. Envoyez le round quand il vous convient.

  • Avec la revue admin, chaque round est généré en brouillon à prévisualiser avant envoi
  • Un score de match sur chaque groupe, avec les règles respectées
  • Une alerte quand deux personnes se sont déjà rencontrées
  • Générez de nouveaux binômes, mélangez ou importez les vôtres
Binômes à valider Round 12 · envoi prévu lundi 9 h
Valider et envoyer
MT Maya Thomas Engineering · SF AM Alice Martin Marketing · SF
100 % de match
BK Bob Kim Marketing · NYC CL Claire Loeuvre Produit · Chicago HB Hannah Brooks Produit · NYC
67 % de match 100 % de match Déjà mis en relation avec Claire Loeuvre Corrigé : nouveau binôme
Qualité des règles de matching Département · Est différent Bureau · Est le plus proche Ancienneté · Est la plus éloignée
PS Priya Shah Engineering · Chicago LR Lucia Romero Marketing · Chicago
100 % de match
Formats

Binômes, groupes, mentors ou tirage au sort.

Choisissez le mode de matching adapté au moment. Vos règles et l’historique des rencontres s’appliquent à tous.

Aléatoire

Cafés inter-équipes

Des binômes ou des groupes qui changent à chaque round, guidés par vos règles.

Inter-groupes

Relier deux entités

Chaque groupe réunit des membres de plusieurs audiences, par exemple le siège et le terrain.

Composition de groupes

Mentorat et buddies

Définissez chaque place : un mentor et un mentoré, un buddy et un nouvel arrivant. Un mentor peut suivre plusieurs mentorés par round, jusqu’au maximum que vous fixez ou qu’il choisit.

Tirage au sort

Café avec la direction

Tirez un groupe parmi les participants, ajoutez-y des personnes fixes comme un dirigeant, et programmez un tirage toutes les 1 à 4 semaines.

Rencontres mystère

Défis et moments festifs

Chacun est associé à quelqu’un sans être présenté, et vous choisissez quand révéler les binômes.

2 à 10 personnes par groupe
4 options pour les groupes incomplets, avec un simulateur : personne ne reste seul
Chaque round repart de l’historique de toute l’entreprise

Plébiscité par les équipes RH modernes

Écoutez les témoignages de nos clients qui avancent plus vite avec RandomCoffee.

Reece Portwood
Reece Portwood
@Cox Enterprises
"L'un des points forts de mon année : j'ai rejoint RandomCoffee Chats, un programme conçu pour encourager le networking et les échanges informels avec des collègues d'autres équipes."
Antoine Chapin
Antoine Chapin
@Crédit Agricole
"Ce que j'apprécie avec RandomCoffee, c'est que quand je croise des gens qui y ont participé, ils me remercient de l'avoir mis en place :)"
Savannah Charles
Savannah Charles
@Informa
"Avec l'intention de connecter nos collègues du monde entier et d'en apprendre davantage sur nos cultures respectives, nous avons créé un programme avec RandomCoffee appelé Cross-Cultural Conversations."
Felipe Gonzales
Felipe Gonzales
@Trimble
"J'ai eu l'opportunité de me connecter avec des collègues sur cinq continents différents grâce à RandomCoffee !"
Michael Shea
Michael Shea
@Finalsite
"Je ne pourrais pas être plus satisfait de RandomCoffee. Ce que vous proposez est essentiel à toute forme de culture d'entreprise dans un environnement à distance comme le nôtre."
Jo Shen
Jo Shen
@Electronic Arts
"C'est un outil brillant pour connecter et engager les collaborateurs de différentes fonctions et localisations afin qu'ils apprennent à se connaître."
Andreea Corendea
Andreea Corendea
@Flocert
"Nous adorons les cafés virtuels et beaucoup de collègues l'utilisent pour des échanges informels. C'est exactement ce dont nous avions besoin pour renforcer notre culture d'entreprise."
Sarah Hatfield
Sarah Hatfield
@DisabilityIn
"Une excellente façon de créer des liens dans un environnement à distance, et nos employés en sont ravis ! Je ne peux que vous recommander chaleureusement ce produit."
Isabel Shaw
Isabel Shaw
@HgCapital
"L'équipe RandomCoffee est excellente. Elle est réactive, facile à contacter et a rendu la phase de mise en place initiale très simple. Merci RandomCoffee !"
Hannah Wilson Baffoni
Hannah Wilson Baffoni
@Freshworks
"RandomCoffee nous a permis d'en apprendre davantage sur les différents parcours et leçons de vie dans notre secteur."

Questions fréquentes sur le matching

Comment fonctionne l’algorithme de matching de RandomCoffee ?

Vous classez vos règles de matching par priorité. À chaque round, l’algorithme évalue les binômes ou groupes possibles selon ces règles, la règle du dessus l’emportant toujours sur celles du dessous, et retient la combinaison au meilleur score pour tout le programme.

Sur quels critères puis-je matcher ?

N’importe quel champ du profil : département, bureau, ancienneté, langue, compétences, objectifs ou réponses à un formulaire d’inscription. Les règles peuvent rapprocher ou séparer les personnes, et vous pouvez aussi cibler des audiences ou des membres précis.

Les participants peuvent-ils retomber sur la même personne ?

L’historique passe en premier. L’algorithme vérifie qui s’est déjà rencontré dans tous vos programmes et associe chacun à quelqu’un de nouveau dès que possible. Dans les petits groupes où tout le monde s’est déjà vu, les rencontres les plus anciennes redeviennent possibles.

Puis-je relire les binômes avant leur envoi ?

Oui. Avec la revue admin, chaque round est généré en brouillon : vous voyez chaque groupe avec son score de match et les règles respectées, êtes alerté quand deux personnes se sont déjà rencontrées, et pouvez régénérer, mélanger ou modifier les groupes avant tout envoi.

Est-ce adapté au mentorat et aux buddies d’onboarding ?

Oui. La composition de groupes définit chaque place, par exemple un mentor et un mentoré, et une règle de recouvrement croise les compétences des mentors avec les objectifs des mentorés. Un mentor peut suivre plusieurs mentorés.

Que se passe-t-il avec un nombre impair de participants ?

Les groupes vont de 2 à 10 personnes. Vous choisissez comment gérer les groupes incomplets et simulez la répartition pour n’importe quel nombre de participants : personne ne reste seul.

Commencez à connecter vos équipes, gratuitement.

Demander une démo
UbisoftXBNPAmazonWarnerCNN
5 stars 4.7 plus de 215 avis