Как данные помогают принимать решения в HR

Финансовая нагрузка на бизнес растет, дефицит кадров сохраняется, а удержание сотрудников обходится все дороже — в этих условиях компании ожидают от HR эффективного использования бюджетов и конкретных результатов в цифрах и метриках. Чтобы понимать, какие действия действительно работают, нужна аналитика на основе внутренних данных. Поэтому рынок постепенно переходит к data-driven подходу, когда HR-решения принимаются на базе измеримых объединенных показателей. О том, какие данные важно собирать HR-департаментам, зачем они нужны и как с ними работать, рассказывает эксперт в сфере HR Tech — Олег Демченко, директор по развитию QSOFT.

Современные ИТ-системы позволяют собирать огромное количество данных, но не все они одинаково полезны для принятия управленческих решений в HR. Чтобы не потратить время и ресурсы впустую, необходимо заранее продумать все этапы настройки. Если дашборды просто показывают цифры, которые оказываются бесполезными для принятия решений, то это некорректно настроенная система аналитики в компании.

Как действовать

1. Начните с того, что определите круг вопросов, которые вы хотите решить с помощью HR-аналитики. Чаще всего руководителей интересуют конкретные результаты: оптимизация бюджета на рекрутинг, снижение текучести кадров, повышение производительности труда, оценка эффективности обучения. Также компании хотят знать эффективность работы самой HR-службы. Насколько окупаются затраты на рекрутинг? На какие позиции выгоднее привлекать внешних исполнителей? Хорошая HR-аналитика не просто показывает цифры, а отвечает на эти и другие вопросы.


2. Следующий шаг — определите метрики, которые нужно отслеживать для определения эффективности того или иного HR-процесса. Не все данные одинаково важны для принятия управленческих решений. Например, для оценки рекрутинга нужно учитывать затраты на наем, срок закрытия вакансии, долю сотрудников, прошедших испытательный срок — зато посещаемость корпоративного портала не будет иметь значения.


3. Затем определите источники, откуда вы будете собирать метрики. Част разные процессы HR (рекрутинг, обучение, корпоративные сервисы, не говоря уже о затратах на наем) «разводятся» по разным ИТ-системам, поэтому для анализа данных их приходится либо сводить вручную, либо внедрять системы сквозной аналитики.

Подбор сотрудников — один из самых затратных HR-процессов. При этом часто компании в аналитике эффективности рекрутинга ограничиваются этапом выхода сотрудника на работу: то есть оценивают срок закрытия вакансии, конверсию в выход сотрудника, затраты — но не учитывают, сколько сотрудников проходят испытательный срок.

Как действовать

1. Определите, какие метрики, с какой целью и как вы будете отслеживать — в ручном режиме или автоматизированно. Второй вариант удобнее и надежнее, если у вас большой штат и нужна аналитика для управленческих решений в HR.

Для определения эффективности найма в целом необходимо учитывать все основные метрики:

• Время найма — количество календарных дней от публикации вакансии до принятия оффера кандидатом;

• Стоимость найма — все затраты на закрытие одной вакансии: инструменты привлечения кандидатов, площадки размещения резюме, зарплаты рекрутёров;

• Эффективность каналов привлечения — какие площадки приносят больше качественных кандидатов;

• Процент принятых офферов, который показывает привлекательность вакансии, — сколько кандидатов вышли на работу;

• Уровень удержания — процент новичков, которые остались в компании через 3, 6 или 12 месяцев.

2. В зависимости от целей аналитики сформируйте формулы для расчёта показателей эффективности рекрутинга. Например, вы хотите узнать стоимость найма одного сотрудника на определенной должности. Используйте формулу Cost per Hire. Внутренние затраты на рекрутинг суммируются с внешними, эта сумма делится на количество наймов за расчетный период. Так можно определить, что выгоднее — искать подобных специалистов самостоятельно или обратиться в агентство.

3. Выберите инструменты автоматизации рекрутинга. Это поможет избежать самой распространенной ошибки аналитики — фокусировки на отдельных метриках. Например, в компании поиском кандидата занимаются несколько эйчаров, и объявления размещены на множестве площадок, в результате — вакансия закрывается быстро. Но в итоге выясняется, что на это ушли сотни тысяч рублей — при том, что человек уволился через три месяца, а бюджета поиска хватило бы на год оплаты внештатного специалиста. Поэтому для управленческой оценки качества рекрутинга нужна полная картина с учетом дополнительных данных об эффективности сотрудника и сроке его работы в компании.

Для автоматизации подбора и контроля HR-метрик используйте ATS-систему (Applicant Tracking System). Она упрощает рутину HR-специалиста и объединяет все этапы найма в едином цифровом пространстве — от публикации вакансии до выхода нового сотрудника на работу. ATS делает скрининг резюме, оценивает кандидатов по заданным параметрам, мониторит статус соискателей, проводит предварительные собеседования в чат-боте, фиксирует время закрытия вакансий, показывает эффективные источники поиска и процент выбытия кандидатов на этапах от отклика до выхода на работу.

Среди популярных «коробочных» ATS-систем можно назвать следующие: Skillaz, Huntflow, FriendWork, Potok, Talantix от HeadHunter. ATS можно интегрировать не только с федеральными и региональными job boards (HH, Superjob, Работа.ру и пр.), но и с другими источниками: профессиональными сообществами и соцсетями, например LinkedIn, а также с корпоративной CRM и Telegram-ботами для автоматического сбора анкет.

При выборе ATS оцените технические возможности интеграции: наличие готовых коннекторов и API-модулей для подключения job-площадок. Можно ли будет в дальнейшем добавлять новые каналы, есть ли поддержка мультиканальных рассылок и автоматическая публикация вакансий? Выбор подходящей системы всегда зависит от соответствия ее функционала запросам рекрутинга конкретной компании.

Однако даже самая продвинутая ATS не сформирует полную аналитику рекрутинга, потому что с ее помощью нельзя посчитать общие затраты на наем. Система не знает, сколько в компании рекрутёров, какие у них зарплаты, сколько из них трудилось над поиском специалиста и каков результат — вакансия закрыта или сотрудник ушел через месяц. Она дает только часть аналитических данных, но не считает стоимость рекрутинга и не определяет качество — динамику KPI новых сотрудников через 3, 6 или 12 месяцев.

Для составления полной картины эффективности рекрутинга возьмите недостающие данные в других системах. В «1С:ЗУП» посмотрите зарплату рекрутёров и затраты на закрытие вакансий, в других ИТ-системах или у бухгалтера узнайте расходы на обучение новичков и прочие затраты на адаптацию персонала. Чтобы не делать это вручную в таблицах, ATS можно интегрировать в BI-систему (Business Intelligence), где автоматизировано создаются полные отчеты по эффективности найма.

Как использовать данные

В результате анализа вы получаете информацию, которая не только позволит оценить эффективность рекрутинга и окупаемость затрат на него, но и увидеть слабые места и исправить их. Например, если много кандидатов «отваливается» в процессе подбора, это повод детальнее изучить, на каком этапе это происходит.

Например:

• Процесс согласования занимает слишком много времени, и соискатели успевают откликнуться на оффер конкурентов.

• В процессе технического собеседования специалисты оказываются недостаточно квалифицированными. Стоит внимательнее посмотреть на описание вакансии и первичный сорсинг: вероятно, вы указали недостаточно требований либо рекрутеры не учитывают их во время просмотра откликов.

• Вы слишком вкладываетесь в площадки, которые дают очень слабый эффект, и стоит перенаправить бюджет на другие.

Причин может быть очень много, и понимание картины даст только анализ реальных данных. Вооружившись этой информацией, можно скорректировать процесс и изучить, как это отразится на показателях. В итоге вы сможете более точно прогнозировать время на поиск специалиста и нужное количество кандидатов для выбора.

Для принятия управленческих решений мало просто знать уровень мотивации. Важно понимать, как вовлеченность сотрудника соотносится с динамикой его KPI — иначе говоря, как показатели влияют на отношение к работе.

Как действовать

Проводите регулярные замеры вовлеченности сотрудников. Данные о вовлеченности сотрудников проще всего собирать на корпоративном портале с помощью опросов, замеров eNPS, фиксации участия в корпоративных активностях и других методов — например, анализа тональности общения в корпоративных чатах с помощью ИИ (об этом ниже). Это позволит на ранних этапах выявлять снижение мотивации и первые признаки выгорания. Если у вас не настроена HRM-система, используйте электронное анкетирование, например, в сервисе Google Forms или других цифровых опросниках.

Компании с большим штатом могут автоматизировать аналитику вовлеченности сотрудников с помощью BI-системы, в которой делается сквозная аналитика данных и результаты выводятся на общие и визуально понятные дашборды. Другой вариант — настроить интеграцию систем сбора данных: опросников, корпоративного портала и других источников.

Информацию о вовлеченности сотрудников важно соотносить с другими данными — об их производительности, с размером заработной платы, организационной структурой. Так, если мотивация и лояльность проседают в одном отделе, это повод обратить внимание на процессы внутри и руководителя.

Как использовать данные

Если в целом климат в компании позитивный, но отдельные сотрудники проявляют признаки выгорания и снижения мотивации, есть смысл обратить на них внимание точечно, чтобы узнать, где кроется причина — в рабочих моментах или за пределами офиса.

Если же проблема вовлеченности более масштабная, нужно изучить закономерности во взаимосвязях показателей — например, сложности наблюдаются у специалистов с низким уровнем зарплаты, в отдельном департаменте, на каком-то проекте.

Полезно также смотреть на показатели в динамике: если в какой-то момент вовлеченность начала падать, посмотрите, какие нововведения совпадают с этим временным отрезком. Возможно, дело в новой системе премирования, смене руководства или новом сложном клиенте.

Данные о текучести кадров становятся управленческим инструментом, когда показывают, в каких подразделениях, на каких этапах и по каким причинам сотрудники уходят. Такая аналитика позволяет HR-службе предсказывать риск увольнения и действовать проактивно.

Этот анализ тесно связан с замером уровня вовлеченности — поскольку увольнению обычно предшествует падение мотивации.

Как действовать

1. Изучите, на каких должностях самая большая текучесть относительно всех остальных позиций в компании. Далее возьмите следующие метрики:

• соотношение заработной платы в компании и на рынке труда для этой должности;

• уровень лояльности по компании в целом и на должности;

• причины ухода, которые сотрудники указывают во время exit-интервью.

2. Сведите полученные данные. В компании с небольшим штатом сводите аналитику вручную, например, в таблицах Excel. Среднему и крупному бизнесу понадобится BI-система, так как данных много.

Для автоматизированного расчета коэффициента текучести система берет информацию на корпоративном портале — результаты опросов, exit-интервью, замеры eNPS (Employee Net Promoter Score), статистику по зарплатам и стажу работы.

Как использовать данные

Проанализируйте полученные данные. Если в отделе с высокой текучестью уровень зарплат ниже рынка, повысьте оклад. Если с выплатами все хорошо, но лояльность на этой должности ниже средней по компании, то пересмотрите условия труда, присмотритесь к непосредственному начальнику или обратитесь к данным exit-интервью. Если причина не находится, а выходные собеседования не проводились, можно запустить анонимный опрос внутри команды — что именно устраивает и не устраивает специалистов в их работе.

Еще один важный фактор текучести, который нужно учитывать, — выгорание и стресс. Отслеживайте эти показатели по внутренним устным или письменным опросам. Однако ответы сотрудников не всегда отражают реальную картину: не каждый готов честно рассказать HR-специалисту о своем состоянии.

Для повышения достоверности опросов используйте аналитическую модель, построенную на базе искусственного интеллекта, где основой для анализа становятся данные о переписках в корпоративных чатах. Сначала алгоритм анализирует типичные коммуникативные паттерны сотрудника и строит на них модель нормативного поведения для каждого члена команды. Если в какой-то момент ИИ видит отклонения от этой модели, он подает сигнал HR-специалисту — возможно, речь идет о выгорании и сотрудник нуждается во внимании со стороны руководителя.

Таким образом, каждый этап жизненного цикла сотрудника требует аналитики на основе показателей из различных систем — иначе невозможно получить целостную и достоверную картину происходящих процессов. На определенном этапе роста бизнеса ручной сбор метрик с обработкой в таблицах или разрозненных ИТ-системах становится ресурсно затратным, начинает страдать качество аналитики.

В такой ситуации компания принимает решение автоматизировать процессы и внедряет HRM-систему, которая объединяет информацию из нескольких источников. Это позволяет видеть реальные процессы в HR и использовать данные как основу для управленческих решений.

Сейчас на рынке существует большое разнообразие HRM, их можно классифицировать по разным признакам: степени автоматизации, функционалу, интеграции с другими системами, по стоимости и гибкости внедрения.

Чтобы не ошибиться с выбором и не переплатить, компании нужно хорошо изучить внутренние бизнес-процессы и определиться, какие из них и в какой степени требуют цифровизации.