Представьте, что есть 19 предикторов (параметров предсказания) по которым можно узнать, как долго будущий сотрудник проработает в компании. Для компании это передовая технология, которая экономит миллионы, для кандидатов — это инструкция по поиску идеальной работы. Предсказание будущего — это не сюжет антиутопии, а аналитика больших данных, результаты которой вы уже можете использовать. Я расскажу про эти параметры, дам чек-лист, который поможет вам это повторить. Моя история о том, как мы воспроизвели систему предсказаний у себя в компании, используя Excel и палки, и за три квартала 2023 года сэкономили 1.4М рублей.

Суть вопроса

Все началось в 2022 году, когда в блоге Эдуарда Бабушкина я нашел перевод исследования, основанного на больших структурированных данных компаний Gate Gourmet (43 000+ сотрудников) и JP Morgan Chase (293 000+ сотрудников). Смысл исследования в том, что существует 19 предикторов, по которым можно еще до найма сотрудника понять два момента: как скоро он уволится, будет ли его продолжительность жизни в компании выше среднего. Мы (IT-компания в 200+ человек, которая каждый год растет по численности и должна регулярно привлекать и адаптировать сотрудников мидл- и сеньор-уровня) воспроизвели это исследование и сразу получили крутой эффект по уменьшению ранней текучести.

Слышали про дефицит кадров, борьбу за кандидатов, окупаемость персонала, срок жизни сотрудника? В экономике HR-процессов уход сотрудника, проработавшего в организации меньше срока окупаемости (точка, с которой он начинает приносить прибыль) — это большая боль, страдания и финансовые потери организации. Сотрудник начинает окупаться далеко не сразу. Выход на окупаемость может занимать год или несколько лет, в зависимости от должности и модели бизнеса. Так что предотвратить уход сотрудника на раннем этапе (до момента, когда он себя окупит) — фактически значит заработать.

По моему опыту, некоторые компании могут терять на ранних увольнениях до 4% годовой выручки. Эта проблема становится больше с глобализацией рынка труда и миграцией последних лет и демографией в целом, поэтому управление текучестью и сроком жизни — это золотая жила для компаний.

С 2023 года мы начали внедрять у себя практику структурированного сбора информации по кандидатам по 19 предикторам и уже сейчас (за три квартала) сэкономили 1 358 736 ₽ на снижении ранней текучести.

Ссылку на перевод исследования оставлю здесь (в шапке есть ссылка на оригинал).

Для чего это мне?

Зачем мне как автору рассказывать, как мы это внедрили, давать вам чек-лист и демонстрировать наши результаты?

Первая причина (это ты) очень корыстная. Чек-лист я меняю только на ваши контакты, и если вы будете внедрять у себя эту систему, я хочу обменяться с вами деперсонализированными данными об эффективности метода. Проще говоря, я хочу соотнести баллы, которые кандидат набрал, отвечая на вопросы из чек-листа, с его продолжительностью жизни в компании. Чем больше людей смогут проверить эту систему, тем проще будет понять, насколько точно она работает, но для этого нужно сравнивать результаты. Самый крутой эффект заключается в проверке гипотезы, что ты можешь сильно увеличить срок жизни сотрудника правильным отбором. Но это системная работа и игра вдолгую. Нельзя похудеть на 15 кг завтра, скачав сегодня диетическое меню. Чтобы увеличить срок жизни сотрудника с 2,5 лет до 5 уже завтра, нужно было начать это делать 5 лет назад.

В чек-листе есть параметры, которые очень сложно или невозможно оцифровать ретроспективно (задним числом, по уже имеющимся у вас сотрудникам). Как было бы прекрасно уметь двигаться во времени в обратном направлении для сбора ретро-данных. Краткосрочный эффект мы протестировали, и он точно есть, за долгосрочным эффектом я предлагаю отправиться вместе и проверить это исследование на большом количестве компаний разных форматов.

А вторая (все твои мечты) — хочется сделать мир лучше, ну или хотя бы HR-сферу. Это исследование появилось, поскольку две очень большие компании предоставили доступ к своим данным. Может, вы заметили, что практически все такие исследования делаются компаниями из Европы и Америки. Культура оцифровки информации в HR-сфере, ее исследование, обмен результатами исследований только развиваются в России. Компании часто не адаптируют под себя готовые изученные HR-процессы, а переизобретают их с нуля на основании статей типа «10 советов, как сделать подбор эффективным». Статей, которые написал копирайтер для того, чтобы гнать трафик на сайт HR-CRM системы, а за основу он взял статьи в интернете, которые написали другие копирайтеры для других HR-CRM систем. Слышали про концепт симулякра Жоржа Батая? Хочется, чтобы HR воспринимали как серьезную сферу, приносящую ощутимую и понятную пользу бизнесу.

Поэтому буду рад, если те из вас, кто воспользуется предложенным готовым рецептом, найдут время сообщить о результатах мне в телеграм.

Простые индикаторы

В статье даны 19 параметров, по которым можно предсказать будущие ранние увольнения. Они разделены на три группы.

Группа #1. Предикторы раннего ухода. Кандидат, который наберет больше всего галочек, скорее всего, уйдет раньше, чем тот, у кого таких предикторов будет меньше.

1. Время в пути от дома до работы.

2. Обнаружение резких различий между объявлением о вакансии и реальной работой.

3. Слабая адаптация.

4. Отсутствие начального обучения.

5. Руководитель имеет историю высокой текучести кадров.

6. Вы стали свидетелем негативного поведения кандидата во время найма.

7. Предыдущие причины текучести кадров, скорее всего, повторятся.

8. Уровень з/п — главный аргумент при выборе вашей компании.

9. Коллеги предсказывают ранний уход новичка.

Группа #2. Предикторы, говорящие, что продолжительность жизни кандидата будет выше среднего. В первой группе находятся наиболее значимые для продолжительности жизни предикторы.

1. Кандидат был рефералом.

2. Кандидат специально ориентировался на вашу организацию.

3. Здесь работает лучший друг.

4. Ваша внутренняя скорость движения выше их прошлой скорости движения.

5. Кандидат находится на более позднем этапе своей карьеры.

Группа #3. Тоже предикторы, говорящие, что продолжительность жизни кандидата будет выше среднего, но другие. Говорят нам то же самое, что и прошлые пять. Но имеют куда меньший вес, меньше влияют на продолжительность жизни, чем параметры из второй группы.

1. Частая смена работы.

2. Кандидат говорит, что намерен остаться.

3. Число рекомендаций, полученных кандидатом на компанию.

4. Финалист с очень высоким рейтингом.

5. Яркие качества кандидатов (никогда не останавливаться на достигнутом, высокая адаптивность, самомотивация, целеустремленность).

Оценку кандидатов по критериям мы «упаковали» в чек-лист в виде таблицы (да, я Excel-старовер). Чек-лист мы начали использовать летом 2023 года и уже получили 1.4М экономии. Чтобы показать вам более интересные цифры про увеличение продолжительности жизни и эффективность факторов второй и третьей групп, должно пройти больше времени. Минимум год, в идеале — 3-6 лет. Собственно, вот почему я делюсь этим знанием, чтобы сделать эту систему более точной и надежной.

Как «продать» методику бизнесу (или владельцу компании)

Чтобы внедрить подобное у себя, обычно нужно обосновать бизнесу лишние телодвижения. Если вам не нужно показывать бизнесу цифры или неинтересно это для себя, можете просто пропустить этот раздел. Опять же, проникнитесь мыслью: ранние увольнения это очень, очень дорого для компании.

Мы посчитали стоимость подбора и онбординга нового сотрудника. Может, звучит пугающе, но делается весьма просто.

Чтобы понять стоимость онбординга:

Разложите онбординг на части → перечислите задействованных специалистов исполнителей→ посчитайте время на каждый этап → выясните, сколько стоит час работы каждого исполнителя → умножьте затраченное количество времени по каждому этапу на цену за часа работы исполнителя → суммируйте.

Узнайте, сколько исполнители тратят времени на онбординг. Если ваши процессы оцифрованы, вы легко найдете эту информацию. Если нет — то просто спросите исполнителей примерное время.

Историю с онбордингом мы посчитали на минималках — многое я поленился вычислять, принял во внимание только время сотрудников — итого у нас получилось 79 836,18 ₽. Если сюда же включить лицензии на ПО/доступы к сервисам, рабочее место/пересылку документов, компенсацию/амортизацию техники, то к этой цифре можно легко прибавить 100К рублей.

Для расчетов стоимости подбора есть два варианта. Если ваш HR-менеджер занимается не только рекрутингом, но и корпоративными мероприятиями, оценкой, обучением, онбордингом, и нужно вычислить отдельно цену подбора, сделайте декомпозицию, как с онбордингом.

Сложите ФОТ отдела подбора за год, другие траты (HR-CRM / доступы и публикации вакансий) за год, стоимость часов, затраченных на интервью нанимающими менеджерами. Разделите получившееся значение на число нанятых сотрудников в год и таким образом получите цену подбора одного кандидата.

Стоимость подбора получится очень точная, для нас это 90 005,47 ₽. Конкретно для нашей компании есть нюанс: с прошлого года, в рамках ZeBrains, мы начали оказывать новую услугу — подбор персонала для других компаний. Это отдельная история, о которой в другой раз. Смысл отступления только в том, что наше бутиковое кадровое агентство вышло на самоокупаемость, и подбор персонала для ZeBrains по факту стал бесплатным.

Допустим, мы бы платили за подбор. Тогда 90 005,47 + 79 836,18 = 169 841,65 ₽ — это самый скромный, минималистичный расчёт затрат на хантинг и онбординг. Если сотрудник уйдет сразу после онбординга, это и есть сумма скрытых затрат компании, дополнительно к его з/п, упавшей ему на карту. Думаю, из описания того, как получилась эта цифра, вы понимаете, что с учетом з/п и прочих расходов каждое раннее увольнение нам обходится в 250К+, поэтому я говорю, что расчёт очень скромный. Не будем сейчас усложнять дополнительными параметрами, просто держите этот факт в голове.

Примеры расчетов

Игра «Найди себя», точнее, свою компанию. В таблице ниже — примерная зависимость реальных потерь от преждевременного увольнения исходя из среднесписочной численности и процента текучки. Упражнение по составлению этой таблицы мы сделали скорее для наглядности — какими потерями могут грозить издержки от ранних увольнений, даже из нашего расчета потерь 169 841,65 ₽/человек.

Я очень люблю деньги, даже не свои, и не хочется, чтобы кто-то терял такие суммы просто так.

Собственно чек-лист и как это работает

Это самая интеллектуально потная задача, которую я решал за последние лет шесть. Мы постарались переложить предикторы ранней текучки на вопросы чек-листа. 

Важно адаптировать вопросы чек-листа для своей компании. У нас уже был процесс работы с адаптивной текучестью. Это ежемесячные собрания подбора с «внутренними HR» (отвечают за онбординг/адаптацию и exit-интервью) где разбирались причины ухода сотрудников. Цель собраний — понять, можно ли было предвидеть уход сотрудника на испытательном сроке еще на этапе подбора. По итогу собраний мы корректировали списки обязательных вопросов для кандидатов и презентацию компании на интервью. Многое из этого помогло в адаптации чек-листа.

Так, вопрос про «время в пути до работы» (предиктор №1 первой группы) я не исключил (хотя, учитывая удаленную работу, есть желание поставить 0 баллов по шкале рисков), а заменил его на «опыт работы на удаленке», поскольку на основании наших прошлых данных у нас был определенный процент увольнений из-за смены формата работы (с офисной на дистанционную), когда сотрудник понимал, что удаленная работа ему не подходит.

Варианты ответа на этот вопрос тоже имеют большое значение. В расчётах им довольно осознанно присваивается определенный вес.

Не все предикторы получилось уместить в один вопрос. Например, вопрос про скорость движения кандидата (если грубо, речь про разницу в скорости и объёме пересмотров з/п между последним местом работы и нашей компанией) состоит из нескольких вопросов, которые нужно уточнить, прежде чем можно будет сделать вывод про скорость движения.

Я стал делать не общую оценку, а шкалу, которая показывает вероятность по каждой группе предикторов отдельно.

Последнее — о том, какой проходной процент нам нужен, чтобы принять соискателя на работу или чтобы отказать ему. Возможно, 20% рисков по факторам второй группы — это отличный результат, и человека нужно срочно устраивать к нам, а может и нет. Пока мы с командой договорились не принимать решение по кандидату, глядя на этот экран, хотя в изначальном исследовании есть мысли на этот счет. Но тогда откуда тогда уменьшение адаптивной текучести? Несколько гипотез об этом я скажу в конце.

Еще одно важное замечание. Даже если мы наберем достаточно данных, правильно расставим вес и выясним пороговое значение, чек-лист без адаптации не получится использовать для другой компании. Допустим, мы поняли, что пороговое значение риска раннего увольнения — 60%. Все, что выше, — это кандидаты, которые не проходят испытательный срок. Если помните, в начале заметки мы говорили, что на срок жизни влияют и внутренние факторы компании. Возможно, в вашей компании настолько сильная система адаптации и обучения, что у вас испытательный срок будут проходить люди даже с 80% вероятности раннего увольнения по чек-листу. Поэтому вам в любом случае нужно начать оценивать эти факторы и их влияние на жизненный цикл кандидата самостоятельно.

Следующая часть — это текстовое заключение по кандидату. Обычно данный артефакт рекрутер делает руками для нанимающих менеджеров и других участников процесса согласования офера.

На основании заполненных полей, чек-боксов и раскрывающихся списков чек-лист генерирует два варианта заключения по кандидату.

Первый вариант («Характеристика для нанимающего менеджера» слева на рисунке выше) мы используем для принятия решения о найме, сравнивая кандидата с другими кандидатами. Дополнительно там есть административный блок информации (гражданство, наличие военника, город реального проживания).

Второй вариант («Характеристика для внутреннего HR» справа на рисунке выше) включает рекомендации для внутреннего HR. На что стоит обратить внимание при сопровождении человека в период адаптации. Эти рекомендации как раз генерируются на основании выявленных рисков.

Последняя часть, которая вам понадобится — это вся информация про оценки по чек-листу, но представленная в виде строки на отдельной вкладке в чек-листе. Она неудобна для чтения человеком, но вы сможете очень просто скопировать эти строки из чек-листов разных кандидатов и сложить их в одну общую таблицу, которую можно будет использовать для аналитики и более удобной работы с данными.

Все формулы и расчёты вы сможете найти в скрытых столбцах и строках чек-листа.

Этапы внедрения

Это будет самая короткая часть, но я хочу отметить несколько важных моментов.

Первый этап — научить рекрутеров. Не все предикторы сразу понятны (например, негативное поведение — предиктор 6 группы #1). Рекрутеры должны знать, как переложить предикторы в вопросы и правильно использовать их на интервью, понимать, что оценка ранней текучести — это отдельная ось оценки, не связанная с хард-скилами или с ценностной оценкой. В общем, прозрачно понимать всю механику.

Второй этап — научить нанимающих менеджеров. Предикторы ранней текучести включают вопросы команде или нанимающему менеджеру. Вопрос рекрутера менеджеру в стиле «видишь ли ты этого кандидата частью своей команды?» может быть неправильно истолкован или вовсе оказаться неожиданным — не исключено, что нанимающий менеджер как бизнес-заказчик ждет ответа от вас. Обговорите такие моменты заранее: почему и в каком контексте вы задаете и будете задавать подобные вопросы.

Не пытайтесь делать категоричные предсказания на основании экрана оценки вероятности раннего увольнений, пока не соберете достаточно данных. Вы только испортите себе воронку подбора. И не показывайте эти оценки нанимающим менеджерам. Они еще больше захотят видеть точные понятные заключения по кандидату в цифрах, и их уже будет не остановить уверениями, что оценка пока не валидная.

Третий этап — наладить сбор структурированных данных. В этом вам как раз и поможет чек-лист. Но его нужно обязательно адаптировать под свою компанию. Его необязательно использовать в виде Excel-таблицы, многие HR-CRM предлагают встроенный функционал чек-листов, что еще удобней.

Четвертый этап — протестируйте по итогам двух недель и первого месяца, что все корректно работает. Речь не только про чек-лист — не сломался ли, продолжает ли собирать информацию. В основном — про рекрутеров и нанимающих менеджеров: что они понимают, что и зачем они делают для этой оценки. Если есть ошибки, пусть лучше они вскроются на ранних этапах, чем через полгода.

Пятый этап — собрать данные; больше данных богу данных. По окончании года у вас накопятся данные, на основании которых уже можно будет сказать нечто конкретное о влиянии этой оценки на прохождение кандидатами испытательного срока. Тогда вы сможете скорректировать вес вопросов первой группы предикторов. Возможно, на этом этапе даже получится установить пороговое значения вероятности раннего увольнения. Через два/три/четыре года вы сможете проделать это с предикторами второй и третьей группы. Ну или раньше, если напишете мне и поделитесь своими результатами.

Шестой этап — презентация заказчику экрана оценки рисков. Когда у вас накопятся данные о валидности этой оценки и для пороговых значений экрана оценки рисков, только тогда эту систему можно будет презентовать нанимающим менеджерам как рабочий инструмент для принятия управленческих решений.

Гипотезы на тему того, почему мы уменьшили адаптивную текучесть практически сразу:

• Понятно, что рекрутеры нет-нет, да и посмотрят в итоговый процент рисков, и это скажется на их аргументации при общении с нанимающим менеджером.

• Большой эффект дает понимание механики оценки по этим предикторам и осознание, что срок жизни — это отдельное направление для оценки. Подробно и несколько раз обсудите это с рекрутерами, и вы уже увидите результат.

• Правильная система мотивации. У нас рекрутеры получают премию только за тех кандидатов, которые прошли испытательный срок. Традиционно считается, что уход на испытательном сроке — это так называемая «ошибка подбора». Не буду сейчас рассказывать, почему, как и что на это влияет, просто пока примите как данность. В нашей системе мотивации рекрутеры хорошо понимают, зачем им нужно оценивать риск раннего увольнения.

Чего добились мы

Вот такой результат в процентном снижении адаптивной текучести по сравнению с прошлым годом, хотя систему онбординга и другие процессы мы не меняли.

Это то же самое, но в количестве сотрудников.

И еще общие цифры ранних увольнений за три первых квартала прошлого года и этого.

Сделаем самый примитивный расчёт: 2 207 946,00 ₽ - 849 210,00 ₽ = 1 358 736,00 ₽. Столько мы сэкономили для компании за три квартала этого года, начав более строго работать с оценкой рисков раннего увольнения.

Дотошный читатель обратит внимание, что этот расчёт не совсем некорректный. Так и задумано: я просто не хотел выносить на публику прямо все наши данные. Но поверьте, на самом деле экономия была больше.

Чек-лист вы можете скачать по ссылке через телеграм-бота. Напишите в поле «Вакансия» «Хочу чек-лист» и робот все вам вышлет. В письме будут мои контакты, пишите по любым вопросам. Но помните: в обмен на чек-лист я приду к вам по оставленным контактам через квартал и узнаю, как ваши дела. Буду очень рад, если мы сможем в итоге обменяться данными.