Share |

среда, 12 февраля 2014 г.

Главный аргумент в пользу рекомендательного рекрутинга или как управлять текучестью персонала

Желание проверить эту гипотезу возникло примерно 1,5 года назад, когда многоуважаемый мной Raghav Singh опубликовал исследования рекомендательного рекрутинга (см. Рекомендательный рекрутинг – это вообще рекрутинг?).
Главный аргумент в пользу рекомендательного рекрутинга или как управлять текучестью персоналаПосмотрите на эту диаграмму. Главная мысль исследования содержится, на мой взгляд, в этой картинке: рекомендательный рекрутинг это не модная фишка, не замануха гуру от рекрутинга, не облегчение жизни внутренним рекрутерам и даже не еще один источник трафика кандидатов, а подход в рамках интегрированного управления талантов.
Т.е, если совсем по простому, то подбор персонала через рекомендательный рекрутинг влияет не только на первичные показатели рекрутинга (скорость и качество закрытия вакансии), но и на более отдаленные показатели, такие как текучесть персонала.
Если говорить о содержательной стороне вопроса, то интерпретация на поверхности:
  1. рекомендатели сообщают кандидату о том, что их ждет (в то время, как рекрутер склонен преукрашивать действительность, и кандидат часто имеет некоторые иллюзии после собеседования);
  2. рекомендатель выступает в качестве неформального наставника новичка (реферал несет ответственность за рекомендуемого и заинтересован в его успешной адаптации).
И естественно, у меня возникло желание эту гипотезу проверить в российских условиях. Я обращался во многие компании с просьбой провести исследования, но ..... я понял, что даже на хороших знакомых надеяться нельзя.
Поэтому я и решил провести самостоятельные исследования не на уровне отдельных компаний, а в целом - через большую выборку респондентов - участников нашего опроса (если вы проникнетесь идеей статьи, то и сами поучаствуйте, и привлекайте своих коллег - это повысит ценность результатов, это по сути - бенчмаркинг текучести персонала. Исследование здесь Ключевые факторы удержания и текучести персонала).
Но помимо организационной проблемы, была проблема содержательная: в России совершенно не понятно, как спрашивать про рекомендательный рекрутинг. Поэтому я решил избежать всевозможных потенциальных кривотолков в интерпретации вопросов исследования и вопрос задал примерно просто:
Были ли у Вас хорошие знакомые в компании на момент трудоустройства?
Я не понимаю, как уважаемый мной Raghav Singh измерял текучесть среди рефералов и не рефералов, но я сделал проще: я сравнил две выборки по стажу работы в компании: тех, кто имел хороших знакомых и кто не имел.
В опросе приняло участие на сегодня 490 человек, и вот что у меня получилось
Диаграмма №1 Сравнение выборок респондентов - 1 - имевших хороших знакомых в компании на момент трудоустройства и 0 - не имевших таковых

Главный аргумент в пользу рекомендательного рекрутинга или как управлять текучестью персонала

Обозначения: как уже было сказано, 1 - те, кто имели знакомых, 0 - те, кто не имели.
По оси Y - стаж в месяцах работы.
Показатели выборок

Имевшие знакомых

  • Минимальное значение - 1 месяц работы  
  • 1-й квартиль - 13 месяцев (на графике 1-й квартиль это нижняя граница прямоугольника, 1-й квартиль - 25 персентиль, т.е. 25 % новичков, имевших хороших знакомых отработали менее 13 месяцев)
  • Медиана - 29 месяцев (толстая горизонтальная линия на графике. Медиана делит выборку пополам, т.е. половина выборки проработала менее 29 месяцев, а половина - больше)
  •  Среднее значение - 48.02    
  • 3-й квартиль - 71 месяц (или 75 -й персентиль
  • Максимальное значение - 255 месяцев

Не имевшие знакомых

  •  Минимальное значение - 1
  • 1-й квартиль - 10  
  • Медиана - 21
  • Среднее значение - 34.7
  • 3-й квартиль - 43
  • Максимальное значение - 348
Сравнили? уже можно делать выводы?

Статистические критерии

Критерий Манн Уитни показал значимость p-value = 0.001512
Посчитал также уравнение регрессии
Coefficients:
            Estimate Std. Error t value Pr(>|t|)  
(Intercept)   34.699      2.330  14.891  < 2e-16 ***
d1            13.322      4.344   3.067  0.00228 **
Residual standard error: 43.53 on 488 degrees of freedom
Multiple R-squared:  0.01891, Adjusted R-squared:  0.0169
F-statistic: 9.406 on 1 and 488 DF,  p-value: 0.002283

R^2, не спорю, маленький, но я и не вижу фактор наличия знакомого самым весомым в уравнении текучести персонала компании (тем более, что переменная категориальная!). Главное, что он значим и может использоваться в моделировании процессов управления персоналом.
Что это значит? Это значит, что имея такой показатель (конечно, не только этот показатель) про своей компании, вы можете планировать текучесть персонала, вы можете управлять ей, внедряя программу рекомендательного рекрутинга и т.п... Вы можете, зная ключевые факторы, предсказывать стаж конкретного человека. Именно эту технологию имел ввиду Джон Салливан, говоря, что в Google умеют предсказывать увольнение сотрудника до того, как он сам это осознает (читай В Head-Hunting Big Data может быть не такой уж сложной задачей).
Хотите сделать тоже самое в своей компании? Обращайтесь или регистрируйтесь на семинар Аналитика HR (см. актуальное расписание семинаров).
ПыСы. Пост очень простенький с т.з. методологии, но даже на таких вещах можно показывать преимущества hr-аналитики.

2 комментария:

  1. На мой взгляд очень интересная и актуальная тема. Я давно в своей компании выступил с инициативой, что каждый из ведущих менеджеров в числе результатов за год, должен дать, как минимум, одного кандидата на работу в компанию. И не просто дать, а отработать с этим человеком по специальному плану подготовки на вакантную и претендуемую должность.

    ОтветитьУдалить
    Ответы
    1. спасибо! Владимир, у меня большая просьба: пригласите ваших знакомых и коллег к голосованию, мы проверим гипотезы и по другим факторам
      http://hrm.ru/db/hrm/6FA6295DF265FA2E44257C55005A5473/quest.html

      Удалить

рек