Перевод статьи Time-to-hire rates hit at an all-time high across all industries

Автор Nicolas BEHBAHANI , People Analytics Leader | HR Analytics | Speaker | Data Analytics | Human Capital | Artificial Intelligence | Leadership | HR | Data Science | Digital HR Leader | Future of HR advocate | Future of Work

Время найма достигло рекордно высокого уровня во всех отраслях

Нанимать сотрудников во всех отраслях сложнее, чем когда-либо. Действительно, время найма увеличилось на целый день во всех отраслях в первом квартале 2023 года, и теперь для назначения людей требуется в среднем 44 дня по сравнению с 43 днями ранее, поэтому климат для глобального найма талантов продолжает испытывать значительные потрясения. . Существует увеличивающийся разрыв между «легко заполняемыми» и «трудно заполняемыми» ролями во всех отраслях. Хотя некоторые рабочие места заполняются за 14 дней, многие остаются вакантными на 2-3 месяца и более... Например, в энергетике и обороне самые длинные сроки найма - более 67 дней, в то время как Retail & Consumer может похвастаться самыми короткими сроками найма. Исследователи также заметили, что время найма постоянно росло в течение последних четырех лет, согласно новому интересному исследованию Time-to-Hire Factbook, опубликованному компанией Josh Bersin Company и глобальным бизнесом по поиску талантов AMS. четверть миллиона сотрудников в 2022 и 2023 годах из 8 отраслей и более чем 25 стран.

Дашборд Скорость время закрытия вакансий в Excel

Показываю, как строить Дашборд Скорость / время закрытия вакансий в Excel

Ранее я показывал аналогичный дашборд в Power BI с использованием R, но это не всем компаниям доступно, поэтому показываю реализацию в Excel

Каковы главные проблемы расчета сроков закрытия вакансий и построения дашбордов скорости / времени закрытия вакансий:

1. Большое количество незакрытых вакансий в моменте – как их учитывать в расчете сроков? Просто выкинуть? Нет, это неправильно
2. Разрезы. Просто посчитать срок закрытия по компании – это ниочем, это среднее по больничке. Нам надо знать, сколько в среднем закрываются такие-то позиции, такие то регионы и т.п.
3. Динамика данных. Сегодня мы посчитаем срок, а через неделю он будет уже неактуальным – часть вакансий будет закрыта, появятся новые. 

В представленном дашборде на видео все эти проблемы решены. Для того, чтобы построить такой дашборд, необходимы данные в следующем формате:

1. Дата открытия вакансии
2. Дата закрытия вакансии (если вакансия не закрыта - поле пустое)
3. И опционально разрезы: департамент, регион, позиции, уровни позиций и т.п.

Power BI: дашборд "Скорость / время / сроки закрытия вакансий"

Сам подход к реализации я показал впервые в посте Скорость закрытия вакансий - подход к анализу, визуализации, работы с Заказчиком, но там реализация была выполнена в shiny, сегодня я показываю тот же подход, но немного иная визуализация и реализация в PowerBI.
Основные предпосылки к подобной реализации:

1. время закрытия вакансия нелинейная функция; 
2. скорость закрытия вакансий зависит от уровня позиции, профессии, возможно, территории и т.п.. 

Реализация представляет из себя по сути внутренний бенчмарк - мы определяем среднее время закрытия вакансии с учетом указанных выше параметров (уровень позиции, профессия и т.п..).

Данные компании

У нас есть данные по компании - сроки закрытия вакансии (на видео я показываю пример датасета). Кроме времени закрытия вакансии, у нас есть категория позиции (данные реальные):

1. "back", 
2. "itr", 
3. 'oit', 
4. 'oz', 
5. 'sales', 
6. 'worker'

И уровень позиции

1. "employee", 
2. "high_employee", 
3. 'manager'

Думаю, понятно, что каждая компания поставит на место этих факторов свои: например, дополнит:

• регион
• размер населенного пункта
• наличие конкурента
• ...............

Далее смотрим видео

Динамика скорости закрытия вакансий (кейс компании)

Реальный кейс. Реальной компании. Спорный, готов спорить.
Работаю сейчас плотно с темой скорости закрытия вакансий (см, например, Скорость закрытия вакансий - подход к анализу, визуализации, работы с Заказчиком)
Одной из метрик работы рекрутера является скорость закрытия, и задача HR службы сократить эти сроки. Ниже показываю диаграмму динамики скорости закрытия вакансий одной компании (по понятным причинам не могу открыть название компании).
У меня нет задачи какую мораль привнести через пост, я хочу просто показать кейс. Если вам интересно считать такие же показатели, пишите контакты

Также видео в дополнение к теме

Общие данные

На диаграмме:

• по оси X - время закрытия вакансий в днях;
• ось Y - вероятность того, что вакансия не будет закрыта к такому то сроку (например, если найти отметку 0, 2 на оси Y, провести мысленно вправо линию до пересечения с кривой, а потом отложить вниз до оси X, то эта точка на оси X будет равна примерно 55-60 дней, это означает, что вероятность того, что вакансия не будет закрыта в течение 60 дней составляет 20 % - или каждая пятая вакансия закрывается дольше 60 дней);
• желтая линия отвечает за 2018, голубая за 2019 год;
• пунктиром показано среднее (медианное) время закрытия вакансии. 
• Для 2018 года среднее время закрытия вакансии составляет 34 дня, 
• для 2019 года - 33. 

Т.е. в 2019 году ситуация казалось бы лучше, но поскольку различия статистически не значимы, то мы говорим, что скорость закрытия вакансий не различается. Это уже не плохо, потому что

• в 2018 году было закрыто 1437 вакансий, 
• а в 2019 - 1664. 

Т.е. при увеличении числа вакансий скорость закрытия вакансий не упала.
На самом деле я взял только три первых месяца 2018 года и первых три месяца 2019 года.

Через HH

Эта диаграмма обозначает все тоже самое, что и выше, но здесь взяты вакансии только с HH.ru. Т.е. те вакансии, которые были закрыты кандидатами с ХХ.
И здесь картина иная:

• среднее время закрытия вакансии в 2018 году (первые три месяца) - 36 дней;
• 2019 год - 33 дня. 

И различия значимы - 0.0121.
В 2018 через ХХ было закрыто 737 вакансий (или 51 % от общего числа - 1437 вакансий)
В 2019 через ХХ было закрыто 1015 вакансий (или 61 % от общего числа закрытых вакансий 1664)

Результат

Мы констатитруем, что значимых изменений в скорости вакансий не произошло в 2019 в сравнении с 2018, но при этом произошло статистически значимое увеличение скорости закрытия вакансий кандидатами с ХХ.
Информация передана заказчику, будут обсуждаться гипотезы. Как варианты гипотез:

1. улучшение работы сервисов ХХ
2. улучшение работы HR службы компании с ХХ

И компания может подсчитать ROI от выигрыша трех дней сокращения времени закрытия вакансий 

__________________________________________________________
мы в фейсбуке, телеграмме и вконтакте

Скорость закрытия вакансий - подход к анализу, визуализации, работы с Заказчиком

Warning: рекомендую посмотреть вот этот пост - Power BI: дашборд "Скорость / время / сроки закрытия вакансий"
Задача быстрого закрытия вакансий - одна из актуальных задач HR-аналитики. См. Актуальные задачи HR-аналитики Вашей компании (и поучаствуйте в опросе, пожалуйста).
В каком-то смысле это продолжение поста Что влияет на скорость подбора (обязательно прочтите перед этим постом). Один из самых крутых постов нашего блога от Людмилы Роговой. Но я хочу предложить вариант, как можно это усовершенствовать.

Методология

Скорость закрытия вакансий у нас переменная / функция времени, распределение времени носит не нормальный характер, к тому же часть вакансий находится в работе, не закрыты, следовательно, мы не можем включить их в уравнение регрессии.
Кроме того, и это самое важное (!!!), я предлагаю сменить акцент в уравнении регрессии с попытки предсказать время закрытия вакансии на определение критических точек.
Ну т.е. а зачем нам вообще предсказывать время закрытия вакансии? 
Попроще: я хочу использовать прогнозную модель, чтобы показать рекрутеру, Заказчику, менеджеру и т.п. среднее время закрытия (и не только среднее время) конкретно данной вакансии как бенчмарк, как ориентир.
Мы получаем три реперные точки

• 25 % - время, когда закрывается 25 % похожих вакансий на эту - это зеленая зона, когда все супер
• 50 % - это и есть среднее время закрытия для данной вакансии, т.е. 50 % вероятность закрытия данной вакансии. Или мы говорим, что 50 % похожих вакансий были закрыты к этому времени. Это желтая зона, когда нас в целом все устраивает.
• 75 % - это красная зона, если мы проходим время 75 %, мы попадаем в долгострой / долгозакрывальщик. И наверное, это повод задуматься, что не так мы делаем, дать звиздюлей рекрутеру (шутка), рекрутеру повод подумать, какой Заказчик чудак ну и т.п..

Реализация

Я вам дам ссылку, чтобы вы сами посмотрели, как это может выглядеть, но обращаю внимание: моя задача показать идею, "продать" ее рынку, а наводить красоту и марафет будут уже внутренние аналитики.

Скорость закрытия вакансии - рекомендую перейти по ссылке и самим понажимать на кнопки, выглядит это так. Но имейте ввиду, что я удалю эту страницу недели через две, поэтому она не будет работать, останется видео (см. ниже)

Данные компании

У нас есть данные по компании - сроки закрытия вакансии (на видео я показываю пример датасета). Кроме времени закрытия вакансии, у нас есть категория позиции (данные реальные):

1. "back", 
2. "itr", 
3. 'oit', 
4. 'oz', 
5. 'sales', 
6. 'worker'

И уровень позиции

1. "employee", 
2. "high_employee", 
3. 'manager'

Думаю, понятно, что каждая компания поставит на место этих факторов свои: например, дополнит:

1. регион
2. размер населенного пункта
3. наличие конкурента
4. ...............

Вернемся к кейсу. Представьте, что Вы Заказчик, который подбирает себе 'back' & 'employee'. Вы самостоятельно на дашборде выбираете соответствующие опции и получаете ответ (вы можете или посмотреть на сайте -см. выше или сразу перейти к видео ниже).

Здесь внизу показаны - 25 / 50 / 75 % процентили времени закрытия вакансии. Т.е. для данной компании специалист 'back' & 'employee' в среднем закрывается 1, 74 месяца, 75 % это 3, 18 месяца, Вы как Заказчик знаете это, и, например, два месяца вы можете не жужжать на рекрутера, но через два месяца вопросы о том, доколе. могут быть вполне уместны.

И мне хочется надеяться, что само по себе наличие буйка, реппера, светофора, ориентира будет являться мотиватором для всех участников процесса. 

И посмотрите видео, так будет, надеюсь, понятней

Кроме того, руководитель отдела рекрутинга может иметь под рукой информацию, на каких стадиях закрытия вакансий в целом находится компания. 

Ну как-то так.
Вам это кажется интересным и Вы хотите реализовать у себя в компании? Пишите>> 

__________________________________________________________

мы в фейсбуке, телеграмме и вконтакте

Что влияет на скорость подбора

      Поступила реальная задача - мои коллеги из подбора попросили меня построить модель, предсказывающую время, необходимое для закрытия вакансии. Они перекраивают свои процессы, и одним из изменений должно стать информирование  заказчика об ожидаемом сроке подбора еще на этапе подачи заявки на этот самый подбор. Хорошее желание - формирование адекватных ожиданий у руководителей. Помимо прогноза, хотим показывать историю закрытия вакансий в его городе - куда же без описательной статистики... Но возможно, некоторым людям прошлое позволит легче принять будущее) Хотя не факт...
      В итоге у нас родился такой прообраз дашборда. Потребитель - линейный руководитель, подавший заявку на подбор. Предполагается, что этот отчет будет формироваться для него индивидуально, сразу после подачи заявки на поиск сотрудника. Ниже первый лист этого отчета.

      Мы хотим показать в одном месте прошлое и будущее. Потому что это удобно. А еще мы хотим объяснить, как получилась наша прогнозная цифра (2-й блок дашборда). И там где это возможно, дать руководителю шанс  самому "поиграться" факторами, чтобы принять свое решение. И родить кучу новых задач (видимо из блока 3).
      Осталось сделать немного - построить модель, предсказывающую нужную метрику; начать собирать оценки по рекрутерам (совсем скоро в нашем кино); ну и запилить дашборд в систему отчетности для быстрого формирования (это отдельная песня).
      У меня есть около 15 тыс. записей с реальным сроком закрытия - история с начала 2016 года и по текущий момент. 2015 год не стала брать сознательно - "мутное" время после очередной встряски. Оставила только вакансии массового подбора, убрала проблемные записи. В итоге выборка похудела до ~ 10 тысяч.
      Модель решила построить в R: после семинара "HR - аналитика в R" стараюсь закрепить полученные знания.
      Первое, что проверила - а есть ли различия в сроке закрытия в разрезе городов. А то может одним универсальным отчетом обойдемся? :-) Да, различия между городами есть - Kruskal-Wallis chi-squared = 1081.2, df = 108, p-value = 2.2e-16 - отличия статистически значимы.

Одних городов для модели мало, что еще взять? Первое, что сразу пришло в голову - это характеристики самих городов - общая численность, уровень безработицы, количество ВУЗов в городе, количество экономически активного населения. Правда тут есть нюансище - корреляции между признаками, что логично. Надо брать или сам город как фактор, или все его характеристики.
Сейчас использовала две модели - обычную линейную регрессию и дерево решений. Первая мне была интересна потому, что там легко интерпретировать результаты - увидеть какие факторы влияют и насколько сильна их взаимосвязь с целевой переменной. От второй модели я ожидала более точный прогноз, но к моему удивлению, линейная регрессия показала лучший результат.

      В этом посте я покажу линейную модель, обученную на выборке с перечисленными ниже факторами. В этой модели использовала только характеристики городов.

• Численность населения в городе
• Уровень безработицы
• Количество ВУЗов
• Количество экономически активного населения
• Количество вакансий в работе у рекрутера
• Подбор был удаленный (рекрутер и соискатели находятся в разных городах) или нет
• Месяц подачи заявки в подбор (почему бы и не посмотреть?)
• "Укрупненный функционал"
• Уровень позиции
• Доля отказов СЭБ за последний календарный год по каждому городу (Мои коллеги из подбора жаловались на количество отказов после проверки СЭБ, что им приходиться иногда начинать поиск заново - добавила долю отказов СЭБ в разрезе городов. Но наверное для многих компаний этот пункт не имеет критичного значения. )
• Причина появления вакансии

Одна печаль при использовании многих факторов из перечисленных - мы, как HR, врядли сможем повлиять на них, чтобы ускорить сроки. А вот эти факторы на нас влияют и хочется оценить масштаб этого влияния.
Использовала lm из caret, разделение на обучающую и тестовую выборку 0.75/0.25. Что получилось. R-squared:  0.336, standard error: 16 дней при среднем  сроке 28 дней. Далеко не идеальный результат, но для начала, да еще с учетом качества данных, пойдет. Первые выводы все равно уже можно сделать.
Ниже 20 самых значимых факторов + (Intercept). (Intercept) оказался не значим (p-value 0,707), поэтому в модели использовать его нельзя.

Фактор	Уровень фактора (где есть)	Коэффициент в модели	p-value	Важность фактора
(Intercept)		6,251	0,707
Количество вакансий в работе у рекрутера		0,413	6,052E-310	100.00
Уровень позиции		1,755	5,183E-57	39.97
Причина появления вакансии	Конфиденциальная замена	14,172	1,320E-05	10.81
Уровень безработицы		-0,745	1,785E-04	9.29
Причина появления вакансии	Декретная позиция	2,233	0,003	7.34
Дата подачи заявки в подбор	Фев	2,945	0,004	7.05
Дата подачи заявки в подбор	Ноя	4,002	0,005	6.89
Доля отказов СЭБ в городе		10,803	0,007	6.66
Дата подачи заявки в подбор	Май	2,263	0,017	5.91
Дата подачи заявки в подбор	Апр	2,265	0,020	5.76
Численность  населения		-1,67E-06	0,039	5.12
Дата подачи заявки в подбор	Март	1,973	0,041	5.07
Удаленный поиск	Да	1,202	0,048	4.90
Причина появления вакансии	Увольнение сотрудника	1,061	0,050	4.59
Дата подачи заявки в подбор	Дек	2,183	0,129	3.75
Количество ВУЗов		0,029	0,280	2.67
Дата подачи заявки в подбор	Окт	1,421	0,309	2.51
Дата подачи заявки в подбор	Сен	-1,176	0,316	2.47
Дата подачи заявки в подбор	Янв	0,853	0,438	1.91
Укрупненный функционал	Перевод	-12,763	0,441	1.90

На первом месте бесспорный лидер -
количество вакансий в работе у рекрутера. Коэффициент 0,411, p-value практически равен нулю. Это означает, что с увеличением на единицу количества вакансий, которое рекрутер ведет одновременно,  срок закрытия всех вакансий у него увеличивается в среднем на 0,4 дня. Учитывая, что обычно в работе может находиться несколько десятков вакансий, то получается весьма ощутимо. Картинка слева.

На втором месте оказался уровень позиции, что в принципе было ожидаемо. Чем выше уровень, тем больше срок закрытия. Уровень был перекодирован как метрическая переменная - 1, 2,3 и т.д. То есть, с переходом на 1 уровень выше, срок закрытия увеличивается на 1,755 дня. С p-value не поспоришь.

Третье место - одна из причин появления вакансии "конфиденциальная замена". Причины появления вакансии далее еще встретятся, но тут скажу, что если причина появления была в подобной замене, то срок закрытия увеличивается в среднем на 14 дней по сравнению с базовым уровнем. Хотя если смотреть на картинку, то срок кажется бОльшим. Но картинкам верить нельзя))) За базу в модели была принята причина "ввод новой ШЕ" (покрашена оранжевым). Все сравнения ведутся именно с ней. Никакого скрытого смысла в таком выборе не было, базовый уровень определялся исходя из названий, программа просто выбрала тот уровень, который по алфавиту был первым.
Следующее место - уровень безработицы. Тут вроде тоже противоречий не возникает. Чем выше безработица, тем легче закрыть вакансию. С увеличением безработицы в городе на 1%, скорость закрытия уменьшается на 0,7 дня.
Пятое место - следующая причина увольнения "декретная позиция". Срок закрытия такой позиции увеличивается на 2,2 дня по сравнению с базовой. Что в очередной раз подтверждает, что люди не так охотно соглашаются идти в компанию на срочные трудовые договора.

На следующих нескольких местах оказалось время подачи заявки в подбор. Картинка где-то слева. За базу принят август (первый по алфавиту, ничего более). По картинке можно сказать, что наиболее быстро закрываются позиции, открытые в период июль-сентябрь. Не знаю, что точно является причиной этого, но моя гипотеза простая  - народ отдохнул в отпусках и активнее откликается на вакансии. А декабрьские вакансии закрываются медленнее, так как мало кто хочет лишаться годового бонуса, выплата которого происходит как правило весной. Но что мне странно, что значимыми в модели оказались далеко не все месяца, и тот же декабрь просто "вылетел".

На восьмом месте появилась доля отказов после проверки СБ в разрезе городов. Логично, что чем яростнее СБ, тем срок закрытия больше, вот только не очень понятно как с этим бороться))) Зависимость нелинейная. poly(Доля.отказов.СБ.город, degree=4) привело к увеличению R-squared ~ на 0.01, но тут я это не показываю.
Следующее место - численность населения в городе. Тоже ничего нового. Чем крупнее город, тем быстрее закрывается вакансия.
Был ли подбор удаленным. Если да, то срок будет больше в среднем на 1,2 дня.
И последний значимый фактор - причина появления вакансии "увольнение сотрудника". Но значим он уже с натяжкой - p-value прям на грани.
Все остальное в таблице, что выделено серой заливкой, уже не имеет значения, так как  p-value у этих факторов оказался больше 0,05.
Работа над этой моделью только начинается, и по мере появления новых данных буду включать их в модель. И следующее, что я сделаю - добавлю характеристики руководителя и рекрутера (например стаж в должности, тесты и т.д. и т.п.). И очень хочется поймать взаимодействие между двумя этими персонами.

__________________________________________________________

читайте нас в фейсбуке и телеграмме