Лупа подбора: бизнес-анализ без шор

Я веду внутренний аудит отдела подбора для холдинга со смешанным штатом. Схема проверки складывалась десять лет, поэтому изложение идёт строго по шагам, без украшательств и эзотерики.

Я разбираю компанию, словно часовщик разбирает турбийон: механизм мельче волоса, запас хода зависит от каждой шестерни. Точность — не роскошь, а гарантия экономии фонда оплаты труда.

Диагностический каркас

Сначала строю воронку. Каждый переход — фильтр: просмотры вакансии, отклики, скрининг, интервью, оффер, выход. Считаю конверсию, время простоя, вклад источников. Долю отклика вывожу через квантиль 0,5, избавляясь от искажений хайповыми специальностями.

Затем смотрю скорость. Для этого применяю формулу TTH = Σ(tn)/N, где tn — дни на этапе n, N — число закрытых заявок. Если куртозис распределения превышает 3,5, значит отдел буксует на редких, но затяжных позициях, ввожу временной каппинг.

Я захожу глубже — в когорты. Беру месяц выхода сотрудника, фиксирую текучесть на 3-й, 6-й, 12-й месяц. Разница между кумулятивными кривыми свежих и годовалых сотрудников — лакмусовый показатель качества. Если дельта превышает 8 %, запускаю ретроинтервью для выявления скрытой «коррозии культуры».

Источник и канал

Вторым слоем идёт анализ каналов. Строю матрицу «качество-цена»: по оси X — cost per hire, по оси Y — средний балл перфоманса за первый квартал. Канал, попавший в правый нижний квадрант, подлежит выведению из бюджета. Для визуализации применяю гиперкьюб Lego Plot: три оси, третья — число закрытых позиций, кубики — каналы.

Затраты фиксирую не по прямым расходам, а по методу full cost: сюда входятдят комиссии площадок, зарплата сорсера, амортизация ATS-лицензий. Такой подсчёт убирает иллюзию «бесплатных» социальных сетей.

Финансовый рентген

Закончив с конверсией, перехожу к ROI. Чистый денежный поток считаю от дельты EBITDA до и после выхода сотрудника. Период окупаемости (PP) вывожу аналогом payback period, но заменяю выручку на маржинальную прибыль, связку оклада и страховых взносов кодирую как gamma-фактор. Если PH выше девяти месяцев, рекрутинг фактически субсидирует конкурентов: люди уходят, не отработав вложений.

Предиктивный слой

Математика без прогноза — архив. Используют логистическую регрессию, обученную на 38 параметрах: от медианного расстояния кандидата до офиса до длины комментария после интервью. Модель предсказывает вероятность оффера с точностью 0,81 AUC. Порог энтропии подбираю по точке Юдина: баланс чувствительности и специфичности. Выше порога включаю автописьма, ниже — ручную доводку.

Эмоциональный фон

Числа без слов сотрудников — глянец без сути. Пропускаю отзывы через BERT-модель, метрику тональности квантифицирую от –1 до +1. Корреляция –0,46 между негативом интервью и долей отказов от оффера запускает цикл усовершенствования скриптов общения.

Контрольные последствия

После внедрения методики холдинг ушёл от хаотичного подбора. Средний TTH сократился c 42 до 29 дней, PPH упал ниже шести месяцев, а текучесть первых шести месяцев снизилась на 5,3 %. Команда получила не абстрактные советы, а управляющие рычаги — убрать медленных подрядчиков, поднять мобильный скрининг, автоматизировать письма.

Я сравниваю аналитика с хронометристом на ррегате: ветер одинаков для всех, выигрывает тот, кто меряет скорость по сотым. То же происходит с рекрутингом — победа даётся точкой данных, занесённой вовремя.