Вмикаємо GPS у прийнятті рішень: як впровадити data driven рекрутинг у вашій компанії

Дивитись детальніше

«Якось у нас замало резюме». «Ми б могли наймати швидше». «Через заплутаний процес наймання ми втрачаємо кандидатів». Можливо, ці думки є правдивими, однак їм не вистачає аргументації. Все тому, що вони — не data driven. Саме цей підхід допомагає посилити думку, прийняти зважене рішення, зберегти бюджет (і нерви). Так згідно з Harvard Business Review Report, 51% лідерів вважають, що data-driven культура — критично важлива частина корпоративної стратегії.

Про те, як приймати data driven рішення у рекрутингу, щоб покращувати процес на боці і кандидатів, і hiring-менеджерів — розповідають фахівці Everstake та ITExpert.

Який рекрутинг називають Data driven і чому варто перебудувати ваше наймання вже зараз

Рекрутинг у кожній компанії проходить етап інтуїтивних рішень та суб’єктивних оцінок формату «наш соцпакет слабкий» чи «давайте переглянемо ще кандидатів». Але не кожен бізнес переходить на наступну сходинку — дата-орієнтований підхід.

Data driven рішення — це потреба сучасного наймання, а не просто тренд чи базворд. Так називають спосіб приймати управлінські рішення, орієнтуючись на великі дані та об’єктивні фактори. Цей підхід мінімізує помилки та дає змогу звернути увагу на важливі інсайти, про які важко задуматися в «операційці».

«Data driven підхід потрібен завжди! Маючи досвід у минулому, ми отримуємо розуміння, як діяти зараз чи в майбутній схожій ситуації. Наприклад, якщо раніше з найманням FinOps Engineer платформа X не дала потрібних результатів, ми не використовуємо її повторно, а ще знаємо, що “перебирати” кандидатами не вийде» — Марія Куцевол

У рекрутингу data driven метод допомагає:

• Знаходити вузькі місця у процесах на рівні одного фахівця та усієї компанії.

• Робити менеджмент стейкхолдерів ефективним: аргументувати необхідність підвищити заробітну плату на позицію DevOps чи переузгодити вимоги, якщо більше немає зацікавлених кандидатів.

• Знизити cost-per-hire: зрозуміти, які інструменти дають результат, а які — ні, як оптимізувати роботу рекрутерів і скоротити витрати загально тощо.

• Покращити якість наймання та конверсію рекрутинговою воронкою, а отже й пришвидшити рекрутинг.

• Прогнозувати — який реалістичний показник time-to-fill, як спланувати співбесіди, розуміючи завантаження менеджера, і чи справді вийде закрити hiring-план.

• Покращити враження від вашого бренду роботодавця: більше не буде загублених кандидатів чи затримки зворотного зв’язку на тижні, тоді як персоналізовані і точкові пропозиції точно опиняться у топі.

• Встановити KPI та SMART цілі для рекрутинг-відділу, які будуть приносити прозору цінність для бізнесу. Кількісні та якісні метрики стають основою бонусів та комісій, які підвищують мотивацію рекрутерів. Так згідно з дослідженням People First Club, у якому взяли участь понад 3 тис. фахівців, зарплатня 64% спеціалістів у рекрутингу містить бонусну частину, на яку зокрема впливають рівень закритих вакансій, особисті цілі та профіль позицій.

Марія Сидоришина

Technical Recruiter в ITExpert

«Data driven підхід ефективний при побудові стратегії пошуку. Наприклад, коли я починала роботу із позицією .NET, то розуміла, що зараз досить багато спеціалістів відкритих до розгляду вакансій, адже вони активно відповідають на пропозиції в Linkedin. Якщо надіслати умовно 25 листів, то близько 5–7 кандидатів виявлять свій інтерес. У таких випадках можна заощадити час на сорсинг і опублікувати вакансію на job-порталах. Так в перший же день я отримала близько 20 відгуків, змогла провести скринінг досвіду айтівців та назначити технічні співбесіди.

Для порівняння: на позицію DevOps Engineer відгукнулося б усього 1–2 людини (або й зовсім ніхто). Такі вакансії, за моїм досвідом, потрібно закривати точковими та персоналізованими пропозиціями, які займають значно більше часу.

Інший “інсайт” з мого досвіду роботи за data driven підходом. Дані показали, що IT-фахівці більш активно відповідають у LinkedIn, тоді як люди на C-level позиціях надають перевагу електронній пошті. Тому важливо завжди аналізувати, які платформи та канали працюють для вашої вакансії. Це дає змогу адаптувати свою стратегію сорсингу та ефективно розподілити зусилля».

А ще data driven recruitment (DDR) — це про створення стандартизованих процесів, які легко відтворити та масштабувати. Можливо, у команді з 30 осіб з найманням по кілька кандидатів на пів року, ви й зможете працювати без детального брифу вакансії чи аналітики по кожному етапу рекрутингу. Однак коли ви захочете вирости у хедкаунті до 150 фахівців, без data driven не обійтися.

Які дані можна використовувати для Data driven підходу в рекрутингу

Розуміти кількість розісланих пропозицій, кандидатів на різних етапах наймання чи оферів — лише перший етап на шляху до data driven підхід. На які ще дані звертати увагу?

👉 Швидкість рекрутингу:

• час подачі першого резюме від заповнення брифу вакансії,
• кількість днів для рішення про запрошення фахівця на співбесіду після отримання резюме,
• час для переходу фахівця на наступний етап рекрутингу,
• кількість днів для прийняття рішення за офером,
• загальний час наймання (time-to-hire та time-to-fill).

👉 Якість процесу:

• відсоток відповідей на листи рекрутерів,
• найчастіші причини відмов кандидатів/відмов менеджера за резюме,
• конверсія зі співбесід в офер або необхідна кількість резюме для наймання,
• OAR або відсоток прийнятих джоб оферів,
• відсоток успішно закритих вакансій за період (fill rate),
• відсоток проходження випробувального терміну новачками і як довго вони залишалися у компанії.

👉 Джерела та вартість:

• джерела отримання якісних резюме (applications per channel),
• джерела/платформи, на яких відгукнулися фахівці, які отримали офери,
• вартість отриманого резюме з платформи та загальна вартість наймання (cost-per-hire),
• витрати на додаткове просування вакансій.

👉 Дані про ринок талантів:

• кількість фахівців з потрібним стеком чи навичками,
• ринкові заробітні плати для подібних позицій,
• ставлення до сфери розробки вашого продукту,
• важливі плюшки та соцпакет для айтівців та інші тренди.

Топ інструментів для data driven рекрутингу

У пригоді стануть:

1. ATS з розгорнутою аналітикою рекрутингу або можливістю побудови кастомізованих звітів: People Force (PeopleRecruit), Breezy, HURMA, Zoho, CleverStaff та інші.

2. Інструменти для побудови дашбордів: Tableau, Looker Studio або Power BI.

3. Розгорнута аналітика у просунутих версіях LinkedIn Recruiter. Можна переглянути дані за кількістю відповідей, активність команди рекрутингу чи воронку. А Talent Insights дасть більше фактів для прийняття стратегічних рішень: про попит на таланти, місткість ринку, схильність фахівців змінювати роботу, а також можливі компанії-донори для переманювання.

Дивитись детальніше

Звіт LinkedIn Talent Insights для позицій у Java розробці

4. Трекінг інструменти для електронної пошти. Наприклад, Mailtrack показує, коли й скільки разів ваші листи були відкриті, надсилає сповіщення, коли відбувається активність з листами та пропонує щоденну аналітику.

5. Інструменти для збирання фідбеків від кандидатів: Trustcruit, SurveyMonkey та інші.

6. Тулзи для моніторингу згадок про роботодавця у мережі. До прикладу, MediaMonitoringBot.

Наталія Шевченко

HRD BP в Everstake

«На мою думку, data-driven рішення — важливий елемент аналітики про стан ринку талантів. Правильно зібрані та оброблені дані прямо впливають на вірність побудови рекрутингової воронки, і, як результат, швидкого та максимально точного закриття вакансії.

В компанії Everstake ми відстежуємо такі дані, як рівень активності кандидатів на різних позиціях та рекрутингових майданчиках, зарплатні очікування залежно від позиції, грейду, платформи, вплив економічних та соціальних факторів на динаміку/коливання/системні патерни на ринку кандидатів, насиченість ринку талантів в певних доменах та багато іншого.

Ми збираємо інформацію за допомогою налаштованих воркфлоу в наших внутрішніх рекрутингових Slack-каналах. Наприклад, кандидати для команди маркетингу презентуються в спеціальному каналі “Slack – Marketing hiring”. За допомогою налаштувань усі кандидати, які були презентовані у цьому каналі через воркфлоу, автоматично потрапляють у відповідну Google-таблицю. Залежно від потреб додані дані можна сортувати/групувати. До прикладу, за платформою, де вони відгукнулися, чи наявністю вакансій та зарплатними очікуваннями. За тими даними автоматично будується графік — ми можемо відстежити ситуацію за будь-яким параметром в реальному часі.

Також, багато платформ рекрутингу надають корисні функції вбудованої аналітики. Такою зокрема є Djinni, де зручно відстежувати динаміку пропозицій кандидатам або рівень зарплатних очікувань за відповідними вакансіями.

Коли кандидат потрапляє на випробувальний термін до компанії, ми використовуємо нашу CRM — BambooHR. Вона допомагає відстежувати аналітику щодо успішності випробувального терміну та інше.

А ще інколи нам на допомогу приходить наш Data science department (Everstake — блокчейн компанія, ми щодня обробляємо значні масиви інформації). Тому є можливість звернутися за допомогою до наших професіоналів в аналітиці та роботі з великими данними.

Розуміючи, як змінюється ринок і які фактори на це впливають, ми підлаштовуємо рекрутингові процеси під сезонність, а тому й можемо розширяти команду найбільш ефективним способом. Це є частиною HR-планування, яка впливає на стратегію компанії та планування проєктної активності».

🔗 Більше інструментів рекрутингу для аналітики і не тільки — вже за посиланням.

Як приймати data driven рішення: поради і кейси

Sad, but true: 82% рекрутерів стикалися з нереалістичними очікуваннями хайринг менеджера. Саме пропозиції, в основі яких лежать дані, допоможуть вам аргументувати необхідність змін та сформувати правильні уявлення про рекрутинг. Ділимося порадами, щоб зробити ваші ідеї data driven.

1. Заздалегідь оберіть дані, які допоможуть вам прийняти або аргументувати рішення.

Для цього поставте собі такі запитання:

• Що ви б хотіли знати про процес наймання?
• Які доступні дані для аналізу ви вже маєте?
• Які дані допомогли б вам бути більш продуктивними під час рекрутингу?
• Які ви бачите проблеми та вузькі місця у воронці (bottlenecks), як їх перевірити?
• Які джерела та підходи сорсингу ви використовуєте? А яких уникаєте? Як перевірити їх ефективність?
• Які дані важливі для hiring менеджера? На що він/вона звертає особливу увагу, приймаючи рішення?
• Як виглядає успішний і якісний процес наймання для вас? Як довго він має тривати, як має бути побудована комунікація? А які характеристики неякісного процесу?

Трапляється, що потрібні дані отримати не так легко, як хотілося б. Саме тому важливо заздалегідь налаштувати інструменти аналітики так, щоб накопичувати важливу інформацію.

2. Звертайте увагу не лише на кількість, але й на якість процесу.

Марія Куцевол

Recruitment Team Lead & Account Manager в ITExpert

«Data driven — це про сініорність. Досвідчений рекрутер знає, що більше кандидатів — не завжди краще, а для аналізу будь-якої вакансії треба брати до уваги не тільки кількість надісланих листів, відповіді кандидатів та проведені співбесіди, але й такі метрики, як час, вартість, джерело наймання, співвідношення інтерв’ю до оферів, OAR. З досвідом стає очевидним, що ці метрики будуть відрізнятись у різних локаціях навіть для, здавалося б, однакових вакансій. Інсайти на основі аналітики рекрутингу допомагають прогнозувати результати, розуміти, чи є у найманні проблеми та як їх виправити.

Дані — наш GPS на шляху до закриття вакансії. Вони дозволяють прийняти рішення не за відчуттям, а об’єктивно — враховуючи воронку рекрутингу, оминаючи ботлнеки та можливі проблеми, розуміючи, куди рухатись далі, щоб показати кандидатів. А ось без змоги підготуватись, можна потрапити у неприємні пригоди чи поїхати неправильною дорогою, витратити кілька годин на затори або ж взагалі не досягти пункту призначення».

3. Працюйте в команді. Рекрутер не може бути відірваним від бізнесу. Так data driven HR-менеджер — ще один помічник у процесі прогнозування наймання та аргументованих рішеннях. Простий приклад: у компанії відома плинність кадрів, плани на розширення команди (нові локації чи продукти), внутрішню мобільність кадрів. За допомогою цих даних потрібно скласти річний план на наймання. Працюючи у команді рекрутери та HR’и правильно спланують та спрогнозують відкриття вакансій, виходи новачків на роботу, онбординг. А компанія своєю чергою досягне необхідних планових показників.

4. Порівнюйте зібрані дані з ринковими показниками, а не лише з внутрішньою аналітикою. Які бенчмарки можна взяти до уваги:

📎 Responce rate. За даними Salesflow, кандидати у середньому відповідають на 20% листів. Збільшити показник можуть короткі тексти та персоналізація.

📎 Applicants per opening. У середньому на Fullstack вакансію відгукується 36 фахівців. Переглянути дані за іншими вакансіями можна в інтерактивному блоці на Djinni.

📎 Cost-per-hire. Середня вартість закриття позиції становить $4,7 тис., але й може сягати до 3–4 місячних зарплат фахівця, за дослідженням SHRM.

📎 Time-to-hire. Згідно Workable, щоб успішно найняти кандидата на IT та Engineering позиції потрібно 27–29 днів. Водночас The Josh Bersin ділиться інсайтами: Tech та Media компанії потребують до 20 днів для наймання, тоді як бізнеси зі сфери надання послуг (зокрема IT-аутсорси чи аутстафи) — до 47.

5. Не робіть однозначні висновки. Використовуючи будь-які дані, майте на увазі, що вони не розкажуть всю історію. Вам слід глибше зануритися в «чому» у тому, що ви знаходите в цифрах. До прикладу, якщо 80% оферів припадає на один ресурс, не потрібно відмовлятися від інших. Можливо, нові позиції будуть більш рідкісні за стеком та потребуватимуть доступу до нішевих джерел пошуку.

Розглянемо на практичних прикладах — як data driven підхід допоможе успішно закрити вакансію.

Кейс 1. Компанія активно масштабується. Потрібно найняти 15+ фахівців високого грейду, тоді як ринок талантів за цим стеком — обмежений.

✅ Рішення: Рекрутер ще до початку пошуку попереджує hiring-менеджера про те, з якою кількістю кандидатів вийде поспілкуватися протягом перших місяців та пів року пошуку. Фахівець знає середню конверсію за воронкою всередині компанії та особливості спілкування з технічними менеджерами — тому проговорює про необхідність наймати, проводячи на 20% менше співбесід, та зазначає альтернативу (наприклад, наймання фахівців зі схожими технологіями та reskilling).

Як результат, менеджер розуміє обмеження ринку та не відмовляє кандидатам за «кольором очей».

Кейс 2. Кандидати відповідають на листи рекрутера, але пропозиція їм нецікава. Опубліковані вакансії не збирають достатньо відгуків.

✅ Рішення: Рекрутер запитав фідбек щодо опису вакансії у свого нетворку у сфері. Виявилося, що текст сухий та формальний, а це не привертає увагу фахівців, які й без того заспамлені іншими пропозиціями. Саме тому рекрутер розробив кілька варіантів коротких описів — у дружньому стилі та з акцентом на бенефіти від роботи в компанії. Після A/B тестування вдалося обрати кращий варіант і підвищити конверсію на 25%. Без цього ресерчу рекрутер не отримав би більше відповідей від кандидатів.

Кейс 3. OAR одного з рекрутерів вашої команди значно нижче за інших.

✅ Рішення: Аналіз показав, що показник не залежить від команди чи складності позиції, а отже варто заглибитися у те, як рекрутер обробляє заперечення кандидатів. Колеги допомогли розібрати останні відмови від оферів та порадили низку корисних матеріалів. Можливо, до 100% offer acceptance rate треба більше часу й практики, однак результати покращилися вже у комунікації з наступним фахівцем. Якби цей аналіз не провели, результати б лишалися низькими, а рекрутер, можливо, був би під загрозою звільнення.

Навіть якщо ваші команди рекрутингу та hiring менеджери звикли приймати рішення на основі інтуїції, дані стануть для них підсиленням. Data driven рекрутинг покаже, що спрацювало на практиці, а що ні, а також як прогнозувати результати у майбутньому. Почніть з правильного накопичення інформації, налаштуйте аналітику та звертайте увагу на цифри, які свідчать про ефективність підходів. Так ви й не помітите, як збудуєте наймання на основі data-driven!