Каждый отказ кандидату или каждый отказ кандидата от оффера рассказывает историю. Проблема в том, что большинство компаний эти истории не слушают. Между тем современные системы отслеживания кандидатов собирают массу информации, которая может радикально изменить подход к найму. Давайте разберемся, как превратить данные об отказах в инструмент для улучшения процесса подбора.
Когда человек выходит на работу, все вроде бы довольны. Но сколько потенциально отличных специалистов отсеялось на пути к этому найму? Может, их было десятки, а может, сотни. И каждый из них ушел по какой-то причине.
Классическая ошибка рекрутеров и менеджеров по найму заключается в том, что они фокусируются только на успехах. Нашли человека, закрыли вакансию, переключились на следующую. А ведь именно отказы показывают слабые места в процессе: завышенные ожидания, нереалистичные требования, проблемы в коммуникации или неконкурентные условия.
ATS хранит все эти данные. Осталось только научиться их читать и правильно интерпретировать.
Первое, на что стоит обратить внимание, это воронка отказов. На каком этапе отсеивается больше всего кандидатов? Если люди массово уходят после первого интервью, возможно, проблема в том, как менеджер проводит встречу или какую информацию доносит. Если отказы случаются после оффера, скорее всего, дело в условиях или ожиданиях от компенсации.
Второй важный срез данных связан с конкретными требованиями. Допустим, вы ищете специалиста со знанием пяти технологий и минимум семилетним опытом. Но если на этапе скрининга резюме проходит только 2% кандидатов, а остальные отсеиваются именно по этим критериям, возможно, пора пересмотреть список требований.
Еще один показатель, который многие игнорируют, это скорость процесса. Если между откликом и первым контактом проходит две недели, а до оффера доходят только через полтора месяца, не удивляйтесь, что сильные кандидаты уходят к конкурентам. Данные ATS покажут, где именно возникают задержки.
Иногда цифры выявляют неочевидные закономерности. Например, кандидаты с определенным бэкграундом систематически не проходят техническое интервью. Это может означать, что ваши задания слишком специфичны или оценка идет не по тем критериям.
Или другая ситуация: резюме женщин отсеиваются чаще на этапе первичного отбора. Возможно, в описании вакансии используется язык, который неосознанно отпугивает часть аудитории, или критерии оценки содержат скрытые предубеждения.
Бывает и так, что кандидаты из конкретных компаний или с определенным опытом отказываются сами после знакомства с условиями. Это сигнал о том, что ваше предложение не соответствует рыночным реалиям в этом сегменте.
Собирать статистику бесполезно, если она лежит мертвым грузом в отчетах. Нужен системный подход к анализу и готовность что-то менять по результатам.
Начать стоит с регулярного разбора метрик. Раз в месяц или квартал садитесь вместе с нанимающими менеджерами и смотрите на цифры. Где больше всего отсеивается людей? Какие причины отказов встречаются чаще всего? Что изменилось по сравнению с предыдущим периодом?
Дальше идет работа с конкретными вакансиями. Если по одной позиции месяцами не находится подходящий человек, а отказов сотни, пора пересматривать требования. Возможно, менеджер хочет найти единорога: человека с редким набором навыков за зарплату обычного специалиста. Данные помогут это увидеть и аргументированно обсудить.
Отдельная история с обратной связью от кандидатов. Если в ATS есть информация о причинах отказов (а в хороших системах она должна быть), анализируйте ее. Люди говорят, что зарплата ниже ожиданий? Это факт, с которым надо работать. Жалуются на долгий процесс найма? Ищите узкие места и оптимизируйте.
Один из самых ценных результатов аналитики отказов, это возможность создавать реалистичные профили позиций. Нанимающие менеджеры часто составляют список требований, исходя из идеального представления о будущем сотруднике. В реальности такие люди либо не существуют, либо стоят совсем других денег.
Данные показывают, какие требования реально выполнимы, а какие отсекают 95% рынка. Может оказаться, что три года опыта работают так же хорошо, как пять, и нет смысла терять кандидатов из-за этих двух лет. Или что знание одной конкретной технологии не так критично, если человек быстро учится.
Это не про то, чтобы опускать планку. Это про то, чтобы фокусироваться на действительно важном и не требовать лишнего.
Самая сложная часть работы с данными об отказах заключается в том, что часто они указывают на проблемы в ожиданиях самих нанимающих менеджеров. И тут начинается тонкая игра.
С одной стороны, менеджер знает свою область и понимает, какой человек нужен команде. С другой стороны, он может не знать реалий рынка труда, быть оторванным от того, сколько на самом деле стоят специалисты или какие навыки сейчас распространены.
Аналитика дает рекрутеру аргументы для диалога. Вместо абстрактного "так не бывает" можно показать конкретные цифры: за три месяца откликнулось 200 человек, из них под требования подошло только 5, и все они отказались на этапе обсуждения условий. Вот данные по зарплатам в этом сегменте. Вот статистика по опыту. Давайте обсудим, что можно скорректировать.
Хорошая новость в том, что большинство менеджеров готовы слушать, если предоставить факты вместо мнений.
Рынок труда меняется быстро. То, что работало полгода назад, может не работать сейчас. Поэтому анализ отказов должен быть непрерывным процессом, а не разовой акцией.
Настройте в ATS автоматические отчеты, которые будут показывать ключевые метрики. Отслеживайте динамику по времени. Тестируйте гипотезы: измените формулировку требований в вакансии и посмотрите, как это повлияет на количество и качество откликов.
Главное, помните: каждый отказ несет информацию. Системы отслеживания кандидатов собирают эту информацию автоматически. Осталось только научиться ее слышать и действовать на основе полученных инсайтов.
Когда компания начинает работать с данными об отказах системно, процесс найма становится более предсказуемым, быстрым и результативным. Вы перестаете искать вслепую и начинаете понимать, что реально работает на вашем рынке, в вашей нише, для вашей компании.
