HR-аналитика без иллюзий: как цифры меняют управление людьми

69% компаний в России собирают HR-данные. И примерно столько же понятия не имеют, что с ними делать дальше. Дашборды висят для красоты, отчеты отправляются в корзину, а решения всё равно принимаются на глазок. Знакомо?

HR-аналитика превратилась в мантру. Мы говорим о ней на конференциях и в кулуарах, но когда дело доходит до реального управления — включается «чуйка». Проблема не в недостатке инструментов. Рынок завален софтом. Проблема в том, что мы пытаемся считать всё подряд, забывая задать себе один простой вопрос: «А что именно я хочу изменить этими цифрами?».

Давайте разложим по полочкам, как превратить HR-аналитику из бюрократической обузы в реальный инструмент влияния на бизнес. Без заклинаний про Big Data и без попыток угадать, уволится ли сотрудник, по выражению его лица на корпоративе.

Главный грех HR-аналитики: мы считаем не то

Типичный HR-отдел мониторит всё, что движется: текучесть, средний стаж, NPS, eNPS, средний чек обучения на человека, количество часов, затраченных на онбординг. Список бесконечен. Но есть нюанс: большинство этих метрик — vanity metrics. Говоря проще — цифры, которые приятно показывать руководству, но которые ни на что не влияют.

ГК «Алмаз» регулярно сталкивается с запросом: «Постройте нам дашборд компетенций». На вопрос «Зачем?», ответ часто один: «Хотим видеть картину в целом». Это ловушка. HR-аналитика без привязки к бизнес-задачам — это не аналитика, а дорогостоящая арт-инсталляция. Первый шаг к зрелой работе с данными — честный разговор с бизнесом о том, какая проблема решается. Высокая текучесть продавцов? Падение конверсии у новичков? Срыв сроков проектов из-за конфликтов в командах? Отлично. Вот от этих болей и пляшем.

От исторической справки к упреждающему удару

Большинство компаний застряло в «дескриптивной» фазе. Мы смотрим в зеркало заднего вида: текучесть в прошлом квартале была 22%, средний срок найма — 45 дней. Это полезно, но недостаточно. Следующий уровень — predictive-аналитика. Не констатация смерти пациента, а предупреждение о том, что он вот-вот заболеет.

Что реально работает в российских реалиях уже сегодня:

• Модели прогноза увольнений. Можно не строить нейросеть, анализирующую биометрию (это дорого и пока сомнительно с точки зрения 152-ФЗ). Достаточно отслеживать триггеры: резкое падение производительности, снижение участия в совещаниях, отказ от корпоративного обучения. Простая регрессионная модель на исторических данных часто выдает качество прогноза выше 80%.
• Предиктивная аналитика найма. Сравниваем характеристики уволившихся на испытательном сроке и тех, кто его прошел. Выявляем факторы риска — например, отсутствие опыта в проектной работе у кандидата на позицию PM. На входе в воронку сразу видим «красные флаги». Экономия времени рекрутеров колоссальная.

Но predictive — это всё ещё полдела. Prescriptive-аналитика (предписывающая) пока в РФ экзотика, но именно она обещает золотые горы: система не просто говорит «Петров уволится с вероятностью 85%», но и предлагает, что сделать — повысить оклад на 10% или перевести в другой отдел.

Рынок корпоративного обучения в РФ уже перешагнул отметку в 91 млрд рублей. А 84% компаний инвестируют в развитие персонала. Вопрос не в том, тратить ли деньги на людей. Вопрос — как перестать тратить их вслепую.

Дьявол в деталях: как считать эффект от обучения

Это вечная головная боль T&D-специалистов. «Обучили 50 руководителей, они довольны, оценки Kirkpatrick Level 1 — 4,9 из 5, обучение успешно». Нет. Обучение успешно, когда изменилось поведение на рабочем месте. Иначе это просто хорошо проведённое время.

Рабочая методика оценки, которую группа компаний «Алмаз» использует в проектах под ключ:

1. Изолируем переменную. Выбираем контрольную группу, которая не проходила обучение. Сравниваем метрики до и после. Если учим продавцов работать с возражениями — смотрим на конверсию в сделку, а не на баллы в тесте.
2. Связываем с бизнес-показателями. Обучили 20 руководителей производств проводить планерки по scrum? Отлично. Замеряем не NPS тренинга, а сокращение времени простоев оборудования. Если оно сократилось на 7% — вот он, ROI.
3. Используем технологию A/B-тестирования. Половина стажёров проходит стандартный онбординг, половина — обновлённый. Через 3 месяца сравниваем их performance review. Это не ракетостроение, это базовый маркетинговый подход, который HR почему-то игнорирует.

Кстати, на ассессмент-центрах мы часто видим, как компании заказывают дорогую диагностику компетенций, а потом кладут отчёты на полку. А ведь это — идеальные входные данные для предиктивной модели карьерных треков.

Оценка персонала: данные вместо галлюцинаций

«Он какой-то немотивированный». «Она не лояльна». «Лидерского потенциала маловато». Знакомые фразы? Это не оценка. Это социальная перцепция конкретного руководителя, щедро приправленная эффектом ореола и недавним опозданием сотрудника на совещание.

Задача HR-аналитики — заменить эту «чуйку» формализованной моделью. Есть два пути, и оба имеют право на жизнь:

• Классическая оценка по компетенциям. Строится модель компетенций (если её нет — начните с этого, например, с разработки кастомной модели), каждый сотрудник оценивается по индикаторам. Данные собираются, нормируются, строится карта талантов. Скучно? Да. Надёжно? Тоже да.
• Анализ цифровых следов. Почта, календари, мессенджеры (строго обезличенно, в рамках политики конфиденциальности). Время ответа на письма, доля внешних контактов, количество кросс-функциональных встреч. Это не слежка, а выявление паттернов эффективности. Лучшие коммуникаторы часто не осознают, почему они лучшие — а метрики показывают.

Важно: результаты любой оценки — это сырьё. Чтобы получить продукт, нужны регулярные встречи HR-бизнес-партнёров с руководителями. Не «у вас Иванов набрал 3,2 по шкале стратегического мышления», а «смотрите, у Иванова проседает стратегическое мышление, что мы с этим делаем — даём ему наставника или пересматриваем его KPI в проектах?». Без этого шага аналитика мертва.

Когда цифры врут: ловушки интерпретации

Даже идеально собранные данные могут привести к идиотским решениям, если интерпретировать их без контекста.

Три классические ошибки:

1. Путать корреляцию с причинностью. Выяснили, что сотрудники с низкой текучестью в среднем старше тех, кто часто увольняется. Вывод: «Надо нанимать людей постарше». Стоп. Причина не в возрасте как таковом, а в том, что у возрастных сотрудников другие карьерные ожидания и другая жизненная ситуация. Наймите 40-летнего амбициозного IT-шника без перспектив роста — и он уволится так же быстро, как 25-летний.

2. Усреднять всё подряд. «Средняя текучесть по компании — 18%. Норма». Но если в IT-департаменте она 35%, а в бухгалтерии — 4%, то средняя цифра врет. Всегда сегментируйте данные: по грейдам, по функциям, по локациям.

3. Игнорировать внешние факторы. Резко вырос NPS сотрудников после тренинга? Возможно, тренинг реально был хорош. А возможно, рынок труда просел, все боятся увольнения и хотят выглядеть лояльными. Контекст — всё.

Воронка найма как зеркало бизнес-процессов

Воронка рекрутинга — идеальный полигон для аналитического мышления. Считать её нужно не в целом, а по сегментам: источник кандидатов, должность, нанимающий менеджер.

Пример из практики: компания жаловалась, что «рынок IT-специалистов пустой, не можем закрыть вакансии». Детальный анализ воронки показал: от отклика до первого контакта проходило 5-7 дней. 40% кандидатов к тому моменту уже получали оффер от конкурентов. Проблема была не в рынке, а в скорости реакции рекрутеров. Внедрили SLA — время закрытия вакансий сократилось на 30% без увеличения бюджета. Магия цифр, не иначе.

Сейчас российский рынок труда перегрет до предела. Дефицит IT-кадров оценивается примерно в 250 тысяч человек. В таких условиях аналитика рекрутинга — не прихоть, а инструмент выживания. Особенно если ваш бизнес не в Москве, а в регионе, где конкуренция за людей ещё жёстче.

Практические рекомендации

Хватит теории. Вот пошаговый план действий на ближайший месяц для HR-директора, который хочет слезть с иглы «чуйки» и пересесть на данные.

• Проведите аудит текущих метрик. Выпишите всё, что считаете. Против каждой цифры ответьте на вопрос: «Какое бизнес-решение мы меняем на основе этой метрики?». Всё, на что нет ответа — вычёркивайте. Это vanity metrics.
• Выберите одну больную точку бизнеса. Только одну! Например, высокая текучесть на испытательном сроке. Соберите исторические данные по всем уволенным и оставшимся. Постройте простую корреляционную матрицу в Excel или Google Sheets. Найдите 3-4 фактора, по которым группы различаются.
• Внедрите пилотный predictive-проект. На основе найденных триггеров сделайте чек-лист для рекрутеров или скоринговую карту кандидата. Через квартал сравните текучесть. Если она упала на 15-20% — масштабируйте.
• Пересмотрите оценку обучения. Откажитесь от шаблонных форм обратной связи в стиле «оцените тренера по шкале от 1 до 5». Привяжите результаты каждого курса к конкретному KPI участников. Без связки обучение-KPI денег на развитие не давайте. Это жёстко, но справедливо.
• Наладьте ритм data-driven-встреч. Раз в месяц HR-бизнес-партнёры встречаются с руководителями подразделений. Не с отчётом на 50 слайдов, а с тремя ключевыми цифрами и одной рекомендацией. Например: «Текучесть — 12%, на 5% выше нормы. Триггер — отсутствие повышений дольше 18 месяцев. Рекомендация — пересмотр грейдов для группы риска в Q2.»
• Запустите стратегическую сессию по data-driven HR. Соберите топ-менеджмент и договоритесь о единых принципах работы с данными. Без поддержки сверху любой аналитический проект обречён остаться в Excel-файле на рабочем столе аналитика.

Заключение

HR-аналитика — это не софт. Это образ мышления. Навык задавать правильные вопросы и готовность признать, что твоя интуиция ошибалась. Компании, которые внедряют data-driven подход в управление персоналом, не просто экономят на текучести и найме. Они радикально повышают качество решений о людях. А люди — это единственный актив, который в долгосрочной перспективе определяет, выживет бизнес или нет.

Не пытайтесь оцифровать всё сразу. Начните с одной проблемы. Соберите данные. Постройте гипотезу. Проверьте. Если сработало — масштабируйте. Если нет — значит, ваша аналитика сработала как надо: не дала вам совершить очередную дорогостоящую ошибку на основе благих намерений.

Часто задаваемые вопросы

С чего начать внедрение HR-аналитики, если в компании вообще нет культуры работы с данными?

С одной маленькой победы. Не пытайтесь строить корпоративное хранилище данных и нанимать команду data scientist’ов. Выберите понятную бизнес-проблему (например, слишком долгий найм на ключевые позиции), соберите данные в Excel, найдите узкое место в воронке и предложите решение. Когда оно сработает — у вас появится кейс, который убедит скептиков лучше любых презентаций о важности Big Data.

Какие метрики самые важные для HR-аналитики?

Никакие. Важность метрики определяется бизнес-контекстом. Для производственной компании критичен показатель прогулов и травматизма. Для IT-компании — текучесть разработчиков. Для ретейла — скорость онбординга массового персонала. Универсального списка не существует. Есть универсальное правило: каждая метрика должна быть привязана к конкретному бизнес-решению.

Не нарушает ли HR-аналитика приватность сотрудников?

Всё зависит от подхода. Анализ обезличенных агрегированных данных — этичен и законен. Анализ личной переписки без уведомления — нет. Правило хорошего тона: получать письменное согласие на сбор и анализ данных, объяснять сотрудникам, что именно анализируется и зачем. Прозрачность снимает 90% возражений.

Как посчитать ROI обучения, если его эффект отсрочен во времени?

Изолируйте контрольную группу и договоритесь о промежуточных метриках — поведенческих индикаторах, которые меняются быстро. Например, после тренинга продаж измеряем не рост выручки через год, а изменение структуры звонков клиентам (доля времени на выявление потребностей vs. презентация) уже через две недели. Это прокси-метрика, по которой можно прогнозировать долгосрочный эффект.

Чем HR-аналитика отличается от People Analytics?

Исторически сложилось, что термины используют как синонимы. Но есть нюанс: People Analytics чаще подразумевает более широкий взгляд — данные не только о сотрудниках, но и о кандидатах, бывших сотрудниках, внешнем рынке труда. HR-аналитика традиционно больше сфокусирована на внутренних процессах. В любом случае, спор о терминах менее важен, чем реальное применение данных.

Нужно ли нам покупать дорогую HR-аналитическую платформу?

Скорее всего, нет. 80% аналитических задач среднего бизнеса решается в Excel, Google Таблицах и бесплатных BI-инструментах вроде Metabase. Платформа имеет смысл, когда объём данных превышает возможности ручной обработки, а запросов от бизнеса больше, чем способен удовлетворить один аналитик. Начните с малого, масштабируйте по потребностям.