Aller au contenu principal

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 · Montréal JB Jordan Blake Produit · Montréal 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 · Lyon AR Alex Renard Finance · Lyon 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 · Paris NP Nina Patel Sales · Paris 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 · Paris CD Chloé Dubois Finance · Paris 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 · Montréal OH Omar Haddad Finance · Montréal 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 · Lyon PS Priya Shah Engineering · Lyon 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 · Montréal SN Sara Nguyen Produit · Montréal 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 · Paris HB Hannah Brooks Produit · Paris 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
AG Andrew Girard Finance · Paris SC Sam Carter Marketing · Paris 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 · Lyon EP Ethan Park Engineering · Montréal 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 :

Spotify
Electronic Arts
TotalEnergies
Ubisoft
Disney
Allianz Global Investors
Fanatics
Brightly
Warner Music Group
Trimble
Kering
Amazon
Workday
Spotify
Electronic Arts
TotalEnergies
Ubisoft
Disney
Allianz Global Investors
Fanatics
Brightly
Warner Music Group
Trimble
Kering
Amazon
Workday
Spotify
Electronic Arts
TotalEnergies
Ubisoft
Disney
Allianz Global Investors
Fanatics
Brightly
Warner Music Group
Trimble
Kering
Amazon
Workday
Spotify
Electronic Arts
TotalEnergies
Ubisoft
Disney
Allianz Global Investors
Fanatics
Brightly
Warner Music Group
Trimble
Kering
Amazon
Workday
JLL
Cox Enterprises
Orange
lululemon
SAP
United Nations
BNP Paribas
AXA
Cisco
CNN
TikTok
Schneider Electric
Deloitte
JLL
Cox Enterprises
Orange
lululemon
SAP
United Nations
BNP Paribas
AXA
Cisco
CNN
TikTok
Schneider Electric
Deloitte
JLL
Cox Enterprises
Orange
lululemon
SAP
United Nations
BNP Paribas
AXA
Cisco
CNN
TikTok
Schneider Electric
Deloitte
JLL
Cox Enterprises
Orange
lululemon
SAP
United Nations
BNP Paribas
AXA
Cisco
CNN
TikTok
Schneider Electric
Deloitte
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 · Montréal JP Julien Prot Sales · Paris Engineering × SalesPremière rencontre
BK Bob Kim Marketing · Paris AG Andrew Girard Finance · Paris Marketing × FinancePremière rencontre
CL Claire Loeuvre Produit · Lyon EP Ethan Park Engineering · Montréal Produit × EngineeringPremière rencontre
HB Hannah Brooks Produit · Paris NP Nina Patel Sales · Paris 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 · Paris HB Hannah Brooks Produit · Paris Même bureau · ParisAutre équipe
ML Marcus Lee Sales · Lyon PS Priya Shah Engineering · Lyon Même bureau · LyonAutre équipe
JB Jordan Blake Produit · Montréal AM Alice Martin Marketing · Montréal Même bureau · MontréalAutre équipe
OH Omar Haddad Finance · Montréal SN Sara Nguyen Produit · Montréal Même bureau · MontréalAutre 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 · Paris LR Lucia Romero Marketing · Lyon LeadershipPrise de parole
ML Marcus Lee Sales · Lyon MT Maya Thomas Engineering · Montréal Data vizPython
JB Jordan Blake Produit · Montréal DR David Renaud Sales · Montréal NégociationLeadership
OH Omar Haddad Finance · Montréal HB Hannah Brooks Produit · Paris 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 · Montréal AM Alice Martin Marketing · Montréal
100 % de match
BK Bob Kim Marketing · Paris CL Claire Loeuvre Produit · Lyon HB Hannah Brooks Produit · Paris
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 · Lyon LR Lucia Romero Marketing · Lyon
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.
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.
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.
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.
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.
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
4,7/5 satisfaction client (enquête interne)