Аналитика в подборе

12 августа мы провели вебинар, посвященный посвященный ключевым метрикам в аналитике подбора персонала. Спикером выступил Максим Королёв, директор по продуктам компании «Поток».

Этот вебинар — практическое руководство для рекрутеров и HR-руководителей о том, как выстроить аналитику подбора в условиях «расколотого» рынка труда: производственный персонал найти всё труднее, а офисных кандидатов — избыток, но отобрать сильных сложнее прежнего. Спикер разобрал, как искусственный интеллект меняет поведение обеих сторон процесса найма и почему из-за этого растет значимость метрик качества подбора.

1. Производственный персонал стало сложнее искать — у таких кандидатов часто нет резюме, а привычные каналы связи вроде мессенджеров работают хуже, чем раньше. Нехватка рабочих специальностей растет, и стандартные площадки для подбора не закрывают спрос. И здесь важно подключать нестандартные каналы — платформы гиг-занятости и объявлений, а также вести отдельную аналитику конверсии и стоимости найма по каждому источнику.

2. Резюме и сопроводительные письма офисных кандидатов всё чаще создаются с помощью искусственного интеллекта, из-за чего сложнее оценить кандидата по документам и даже по итогам собеседования. В этом случае полезно переносить точку реальной оценки кандидата на более поздние этапы — использовать структурированные карточки оценки по компетенциям и системно собирать обратную связь от заказчиков.

3. Компании всё активнее пилотируют инструменты на основе искусственного интеллекта — автоматический скоринг, обзвон, интервью, — но часто оценивают только конверсию отдельного этапа. Важно сравнивать пилотные вакансии с обычными не только по конверсии конкретного шага, но и по итоговым показателям найма, чтобы не упустить снижение контакта с кандидатом на автоматизированных этапах.

В начале вебинара Максим Королёв обозначил ключевые вызовы, с которыми сейчас сталкиваются рекрутеры и HR-специалисты.

Первая проблема связана с производственным персоналом. Рынок труда «расколот»: искать неквалифицированных и особенно квалифицированных рабочих — сварщиков, крановщиков, стропальщиков — стало заметно труднее. Мигранты из ближнего зарубежья уже не закрывают дефицит, поэтому растут программы релокации рабочих из более дальних стран.

Вторая проблема касается офисных позиций. На большинство вакансий откликаются десятки и сотни кандидатов с почти идеальными резюме и сопроводительными письмами, потому что тексты для отклика всё чаще создаёт искусственный интеллект. То же происходит и на собеседованиях: кандидаты используют ИИ-подсказки, иногда нелегально, и распознать это удаётся не всегда.

Третья проблема — стремительный рост числа инструментов автоматизации с обеих сторон процесса. У рекрутеров появляются десятки внешних решений — системы скоринга, проверки кандидатов, ИИ-ассистенты для интервью, а также внутренние разработки: команды создают собственных небольших агентов и надстройки поверх больших языковых моделей. Одновременно кандидаты автоматизируют отклики и подготовку к интервью. Это ускоряет процесс с обеих сторон, но осложняет сравнение результатов и требует новых метрик зрелости автоматизации.

Четвертая проблема касается самого способа измерения скорости подбора. Среднее или медианное время прохождения этапа воронки не показывает, что стоит за цифрой: стабильно работающий процесс или широкий разброс результатов, где часть кандидатов проходит этап мгновенно, а часть — застревает на недели.

Спикер предложил разбирать аналитику подбора на основе трех последовательных задач: найти кандидатов, продвинуть их по воронке максимально быстро и без потерь, а затем оценить качество найма и замкнуть цикл для будущих решений.

На этом этапе ключевое решение — точная аналитика по источникам. Рекомендуется вести таблицу с количеством кандидатов и нанятых по каждому источнику за период, а в идеале — считать конверсию по шагам воронки и стоимость привлечения кандидата из каждого канала. Отдельная воронка по каждому источнику помогает находить точечные проблемы: например, если кандидаты с одной площадки массово отсеиваются на этапе оффера, вероятно, там указаны недостоверные условия вакансии.

Вторая рекомендация — учитывать растущее число каналов, особенно нестандартных: платформ гиг-занятости и лидогенерации. Полезная метрика здесь — доля каналов, из которых реально нанимают хотя бы несколько процентов кандидатов, а не только тестируются.

Здесь спикер выделил несколько решений.
Первое — контролировать время на каждом этапе и настраивать SLA: если кандидат задерживается на этапе дольше установленного порога, вакансия подсвечивается как проблемная.

Второе — отдельно измерять время первого контакта с кандидатом, особенно в массовом подборе, где цикл найма может занимать один-два дня и конкуренция за скорость реакции критична.

Третье, и наиболее концептуальное решение, — анализировать не среднее или медиану, а квартильное распределение времени на этапе: минимум, максимум и границы 25, 50 и 75 процентов кандидатов. Такой подход, основанный на принципах статистического управления процессами, показывает, какие этапы работают предсказуемо, а какие — хаотично.

Четвертое — сравнивать распределение зарплатных ожиданий откликнувшихся кандидатов с предложенной вилкой, чтобы аргументированно обсуждать бюджет с заказчиком.

На этом этапе спикер предложил три решения.
Первое — использовать структурированные карточки оценки кандидата по компетенциям, которые позволяют сравнивать кандидатов между собой на основе единых критериев, а не только субъективного впечатления от интервью.

Второе — системно запрашивать обратную связь у всех участников подбора, в первую очередь у заказчиков, после того как кандидат уже вышел на работу, и автоматизировать такие опросы при закрытии позиции.

Третье — расширить аналитику на этап адаптации: отслеживать долю сотрудников, покинувших компанию в первые один-три месяца, а также интегрировать данные о выполнении целей на испытательном сроке и о работе наставников с новыми сотрудниками.

Спикер дал несколько прикладных рекомендаций, которые можно внедрить без больших доработок системы. Начать стоит с базовой таблицы по источникам подбора: даже вручную собранные данные о количестве кандидатов и нанятых по каждому каналу за период уже дают основу для решений о перераспределении бюджета. Там, где есть возможность, полезно добавить конверсию по шагам воронки для каждого источника отдельно — это помогает быстро находить площадки с недостоверными условиями вакансии.

Для массового подбора — розницы, курьерских и сезонных позиций — стоит отдельно отслеживать и, по возможности, регламентировать время первого контакта с кандидатом, поскольку решение о трудоустройстве в этом сегменте кандидаты принимают быстро, а первый, кто вышел на связь, получает преимущество.

При работе с распределением времени на этапах спикер рекомендовал сначала находить и корректировать этапы с самым широким разбросом результатов — как правило, это отклик и ранние шаги воронки, — и только после этого заниматься общим ускорением процесса.

Компаниям, которые тестируют автоматизацию — скоринг, обзвон, ИИ-интервью, — стоит закладывать в пилот сравнение не только конверсии автоматизированного этапа, но и итоговых показателей найма по вакансии в целом, чтобы вовремя заметить, если снижение живого контакта с кандидатом ухудшает результат.

Для метрики найма из базы кандидатов имеет смысл заранее определить внутри компании чёткий критерий: например, кандидат считается найденным из базы, если с ним не было контакта по вакансиям в течение последних трех месяцев. Такой критерий позволяет сравнивать показатель во времени, даже если он ещё не автоматизирован в используемой системе.

В завершение вебинара Максим Королёв свёл разобранные метрики в три категории.

• Первая — источники: количество каналов подбора продолжает расти, поэтому важно отслеживать конверсию и, по возможности, стоимость привлечения по каждому из них, а также долю найма из базы кандидатов и долю кандидатов, найденных автоматически.

• Вторая— воронка: кандидатов нужно продвигать быстро и без потерь, для чего важны время первого контакта, квартильное распределение времени на этапах вместо среднего значения, анализ причин отказов по этапам и доля автоматизированных шагов подбора.

• Третья — качество найма: поскольку резюме и интервью всё меньше позволяют отличить сильного кандидата от слабого, оценивать результат нужно через обратную связь заказчиков и кандидатов, а также через показатели прохождения испытательного срока и адаптации.

Спикер подчеркнул, что базовый каркас аналитики подбора — воронка, источники, скорость закрытия вакансий — остается прежним, но вес отдельных метрик смещается вместе с рынком: растет значимость автоматизации на старте воронки, метрик найма из базы кандидатов и метрик качества, опирающихся на данные после выхода сотрудника на работу.

Этот вебинар также можно посмотреть на нашем канале в Rutube