Я увидел, как должен выглядеть HR будущего. Это не Excel, а Drop — обзор системы для аналитики, навыков и конкурентной разведки

📍 От LinkedIn к реальности: с чего всё началось

Я впервые услышал о Talent Neuron ещё до того, как рынок заговорил о talent intelligence как об отдельной категории. Тогда это были зарубежные конкуренты, и до конца было непонятно — что именно они строят. Но сама идея была интересной: а что если анализировать рынок труда не по резюме и анкетам, а по тому, как устроены сами компании?

Ваджэй и Вамси, основатели проекта, решили начать с расчёта: сколько в регионе компаний, какого они размера — и на этой основе оценить потенциальный объём специалистов. Не по базе HeadHunter или SuperJob, а через реальную структуру экономики. Эту логику легко экстраполировать на Россию: можно взять данные ЕГРЮЛ, ФНС, классифицировать юрлица по отраслям и типу собственности — и на этом фоне уже оценивать потенциал.

Так появилась первая волна: модели, которые не зависят от того, насколько популярна платформа вроде LinkedIn в конкретной стране. Для нас это особенно важно — у нас с LinkedIn всё понятно, а данные об отраслевой структуре есть.

☁️ Когда «облака» ускорились: зачем родился Drop

К 2018 году стало понятно: данные растут быстрее, чем мы успеваем их обрабатывать. И если западный рынок стал активно подключать облачные решения, в России всё больше компаний начали собирать HR-аналитику на уровне BI-систем, собственных дэшбордов, выгрузок из кадровых систем. Но всё это было «внутри».

Drop пошёл дальше: они начали парсить внешний мир. Не только вакансии, но и статьи, новости, аналитические отчёты, сведения о стартапах. Если делать аналог в России — это как если бы ваша HR-система умела тянуть данные из «СПАРК», «Контур.Фокус», Росстата, ленты новостей, агрегировать вакансии с hh.ru, SuperJob, Avito и ещё поверх — смотреть на движения внутри компаний через открытые профили.

Впечатляющий объём. Главное — системный подход: всё оцифровывается и укладывается в единую модель.

🧩 Навыки, но не списком

Все привыкли к спискам: Excel, Python, CRM, 1С. Но в реальной жизни навыки связаны. Знание Python упрощает переход к Flask, знание CRM — к BI-системам. Drop встроил эту логику прямо в систему. Они называют это Skills Advisor.

Это особенно важно для российских HR, потому что не всегда понятно: искать кандидата под каждый софт или дообучать? Система говорит: вот 3 базовых навыка — остальное можно освоить за 2 недели. Это снимает вопрос: «а хватит ли нам компетенций внутри, чтобы запустить этот проект?»

🛰️ Workload: как упростить джоб-дескрипшены

Если вы пробовали оцифровывать профили должностей, то знаете: на одного сотрудника — 30 задач. И всё это сложно автоматизировать. В Drop пошли другим путём: они группируют задачи в смысловые блоки — workloads.

Условно: не «подготовка отчёта по ДДС», «сверка оборотов», «проверка P&L», а workload — «подготовка аудиторской отчётности». Такой блок проще анализировать, сравнивать и автоматизировать. В России это особенно актуально в крупных холдингах, где JD бывают по 3 страницы.

🕵️‍♀️ А что делают соседи?

Один из самых полезных блоков — конкурентная разведка. В России этим всерьёз пока мало кто занимается. Но потенциал огромен: знать, какие технологии внедряют конкуренты, в каких регионах растёт найм, какие навыки становятся дефицитными.

Drop позволяет сравнивать себя с компаниями похожего профиля: производственные, дистрибьюторы, ИТ, логистика. Как они растут? Где их центры разработки? Кто их нанимает? У них база из 1,5 млн компаний по миру, и хотя это в первую очередь зарубеж, логику легко применить и к российской реальности.

🤖 Чат-бот Curie: советник в облаке

Внутри Drop появился чат-бот. Его можно спросить: «Мы не можем найти AI-аналитиков — что делать?» — и он подскажет. Например, если в компании есть BI-команда — дорастить её до AI. Или переквалифицировать аналитиков в ML-инженеров. Он показывает, как это делали другие.

В российских реалиях это может пригодиться даже больше, чем на Западе: не всегда есть доступ к готовым специалистам, но можно вырастить внутри.