На самом деле всё это — следствие одного явления: решения в HR принимаются на основе ощущений, традиций и чужого опыта, а не на основе фактических данных. Компания тратит миллионы на людей, но не измеряет, приносит ли это результат. Это как управлять портфелем акций, не глядя на котировки.

Data-driven подход в HR — это простое переключение: вместо того чтобы гадать, вы считаете. Вместо того чтобы верить рассказам, вы проверяете цифры. Вместо того чтобы запускать программы «потому что все так делают», вы запускаете их, потому что данные показывают наибольший ROI.

Когда люди говорят «я не верю статистике», они часто имеют в виду одно: они не доверяют плохо собранным данным. Но когда вы видите в дашборде, что стоимость найма через агентство выросла на 40% за полгода, а через реферальную программу снизилась на 20%, это уже не статистика, а ваш конкретный бизнес. Это факты, к которым нельзя закрывать глаза. И вот здесь начинается реальная трансформация: HR перестаёт быть "отделом обслуживания" и становится стратегическим партнёром, который говорит на языке CFO и CEO.

Путь к data-driven HR состоит из четырёх этапов, каждый из которых открывает новые возможности понимания.

Первый этап — описательная аналитика. Вы собираете базовые данные: сколько людей работает, сколько нанято, сколько уволилось. Это как посмотреть на базовый витамин Д — уже хорошо, что вы знаете, высокий он или низкий. На этом этапе вы создаёте простые отчёты и видите, что в Q2 текучесть была 8%, а в Q3 вскочила на 12%. Тревожный звонок, но еще не понятно, почему это произошло.

Как собрать первичные данные о найме и удержании?

На этом этапе главное — настроить источники данных: ATS (система управления кандидатами), HRIS (кадровая информационная система), опросы сотрудников. Каждый источник должен быть надёжным и автоматизированным. Ручной учет в Excel кажется дешёвым, но на самом деле это самый дорогой вариант: ошибки, задержки, потерянные данные.

Второй этап — диагностическая аналитика. Теперь вы копаете глубже: почему уходят люди? Из какого отдела больше всего текучести? На какой должности? Как долго они работали перед уходом? Вы запускаете exit-интервью, анализируете причины, сегментируете данные. Картина становится чётче: выяснилось, что из отдела продаж за полгода уволилось 15 человек, в среднем через 4 месяца, и половина из них жалуются на менеджмент и неясные критерии оценки.

На какие метрики смотреть при анализе причин увольнений?

Ключевые показатели на этом этапе — добровольная vs принудительная текучесть, анализ стажа (куда уходят люди в первые 90 дней?), причины по категориям (плохой менеджер, неподходящий проект, низкая зарплата, отсутствие развития). Каждая метрика открывает своё окно в проблему.

Третий этап — предиктивная аналитика. Вы начинаете прогнозировать: кто из моих текущих сотрудников рискует уйти? Какой кандидат, вероятнее всего, проработает 2 года? Если я увеличу бюджет на обучение на 500k, на сколько процентов упадёт текучесть? На этом уровне вы уже работаете с моделями, иногда привлекаете специалиста по аналитике, но чаще — просто грамотно анализируете тренды в ваших собственных данных.

Четвёртый этап — предписывающая аналитика. Это уже не вопрос «что произойдёт?», а вопрос «что мне делать?». Система подсказывает: «Вероятность ухода этого специалиста — 75%. Рекомендуем провести беседу, обсудить условия, предложить проект, который его мотивирует». Или: «Канал рекрутинга A неэффективен. Перенесите 60% бюджета на канал B и D, ожидаемое улучшение — 25%».

Когда вы начинали, вы собирали данные в Excel, строили графики, отправляли отчёты руководству по электронной почте. Это занимало целый день в конце месяца и создавало риск ошибок. Но теперь рынок предлагает инструменты, которые автоматизируют весь этот процесс.

Вместо ручной выгрузки из ATS, HRIS и разных систем опросов вы подключаете всё через API в единую платформу. ATS автоматически обновляет данные по найму, HRIS отправляет информацию по зарплате и удержанию, система опросов заливает результаты eNPS. Всё это собирается в одном месте, и дашборд обновляется в реальном времени. Вы открываете утром планшет — и сразу видите, как менялась текучесть за неделю, какова конверсия по источникам найма, сколько стоит каждый наняший специалист.

Для автоматизации аналитики по найму можно использовать платформу Аналитика по персоналу, которая объединяет все источники данных и создаёт дашборды за часы, а не за дни. На её основе вы легко считаете стоимость найма по каждому источнику, отслеживаете качество кандидатов и строите прогнозы.

Для более сложной аналитики и моделирования вы можете подключить BI-инструменты (Power BI, Tableau), которые позволяют строить сценарии: «Если я закрою реферальную программу, на сколько упадёт качество найма в ближайшие два квартала?» или «Какой бюджет на развитие лидеров даст мне максимальный ROI?».

Многие компании начинают с простых решений и постепенно расширяют экосистему: сначала дашборд по найму, потом по удержанию, затем интегрируют опросы сотрудников и данные о производительности. Ключ — не пытаться внедрить всё сразу, а начать с одного критически важного процесса и растить от туда.

Когда вы начинаете собирать данные, соблазнительно измерять всё подряд. Но это ошибка. Нужно сфокусироваться на метриках, которые действительно говорят о здоровье бизнеса и дают вам рычаги для управления.

Коэффициент добровольной текучести показывает, какой процент ваших сотрудников уходит сам по себе. Это самый важный HR-индикатор. Если в вашей отрасли норма 10-15% в год, а у вас 25%, это как сигнальная лампа на панели приборов. Нужна диагностика. Если вы её снизите с 25% на 15% за два года — это означает, что вы сохраните порядка 30-50 человек в год, которые не будут уходить. Стоимость замены одного специалиста на среднее место — 200-500k. Итого: 6-25 млн экономии. Это серьёзные деньги.

Стоимость найма на одну позицию считается просто: сумма всех затрат на рекрутинг за период делится на количество нанятых. Но когда вы посчитаете эту метрику по источникам, вы получите инсайт, меняющий всю стратегию. Например: через агентства стоимость позиции разработчика — 300k, через LinkedIn direct sourcing — 150k, через реферальную программу — 80k. Вы сразу видите, куда инвестировать.

Качество найма измеряет, насколько ценным оказался сотрудник через 6-12 месяцев. Это комбинация: остался ли он в компании (удержание), какова его производительность, насколько он соответствует культуре. Эта метрика показывает, что простой подсчёт нанятых — неправда. Нанять 100 человек, из которых 30 уйдут в первые три месяца, а оставшиеся будут низкопроизводительны — это провал. Нанять 50 человек, 45 из которых проработают 2+ года с высокой оценкой — это успех. Quality of Hire напрямую связана с ROI бизнеса: качественный найм означает меньше переделок, быстрее результаты, выше доход проектов, которыми занимаются эти люди.

Время закрытия вакансии показывает, сколько дней проходит от опубликования вакансии до первого дня работы нового сотрудника. Если у вас это 60 дней, а у конкурента 30, вы теряете время выхода на рынок и позволяете лучшим кандидатам договариваться с другими компаниями. Каждый день простоя — потеря продуктивности и потеря денег. Сокращение Time to Fill с 60 дней на 40 экономит компании в масштабе года значительные суммы на заработной плате и убытках.

Каждая из этих метрик трансформируется в цифры, которые говорят на языке финансов: экономия затрат, рост прибыли, снижение риска потери ключевых людей. Это язык, который понимает топ-менеджмент.

Первая фатальная ошибка — измерять не то. HR-директор начинает собирать данные о всём подряд: количество резюме, количество собеседований, количество отправленных предложений, и забывает про самое главное — качество и ROI. Компания гордится тем, что "провели 1000 интервью в месяц", но не смотрит на то, что из этих 1000 нанял только 50, а из 50 через три месяца осталось 35. Это как отчитываться о количестве пациентов в больнице, не глядя на процент выздоровления.

Вторая ошибка — собирать данные, но не действовать. Вы построили красивый дашборд, видите, что стоимость найма через канал A в два раза выше, чем через канал B, но продолжаете финансировать оба поровну "потому что так принято" или "на всякий случай". Данные без решений — это как изучение погоды: интересно, но не полезно. Нужно каждый квартал сессия, где вы смотрите на метрики и перераспределяете ресурсы: сокращаем неэффективные каналы, масштабируем хорошие, тестируем новые гипотезы.

Третья ошибка — совсем не менять управление, даже если данные кричат. Вы видите, что в отделе продаж текучесть 30% (когда в компании в среднем 12%), что люди уходят в среднем через 6 месяцев, и самая частая причина в exit-интервью — "невозможно работать с менеджером". Но вы не меняете менеджера, не проводите его коучинг, не пересматриваете систему управления в отделе. Вместо этого вы просто нанимаете больше людей, чтобы перекрыть утечку. Это как заливать воду в разбитое ведро: можешь наливать бесконечно, но содержимое никогда не будет полным.

Data-driven HR — это не сложная наука и не требует пятилетнего опыта аналитика. Это просто внимание к цифрам, которые уже есть в вашей компании. Вы начинаете видеть, где теряются деньги, какие инвестиции в людей работают, какие нет. Вы получаете язык, на котором говорить с CFO и CEO, чтобы добиться ресурсов для своих инициатив.

Главный эффект data-driven подхода — снижение потерь и увеличение ROI. Компании, которые грамотно управляют HR-аналитикой, сокращают текучесть на 20-30%, снижают стоимость найма на 30-40%, повышают качество найма на 40-50%. Это переводится в миллионы рублей экономии и роста в год.

Начать можно прямо с понедельника: возьмите три базовые метрики (текучесть, стоимость найма, качество найма), соберите данные за последний год, построите простой график в Excel, покажите руководству. Уже вы увидите закономерности, которые раньше были скрыты. Потом добавьте дашборд по опросам, затем интегрируйте данные о производительности. Расширяйте постепенно.

Если ваша компания слишком большая для Excel, или вам не хватает экспертизы в аналитике, обратитесь к специалистам. На hh-shka.ru есть готовые решения для HR-аналитики и консалтинга: от простых дашбордов до полноценных стратегических проектов. Но главное — не откладывать. Каждый месяц, когда вы работаете без данных, это потерянные возможности для оптимизации и потерянные деньги.