К сожалению, у меня нет реальных данных, поэтому я могу показать только алгоритм расчета + показывать какие-то куски примеров. Понятно, что очень много допущений, но тем не менее.
Актуальность поста определена вами - я взял результаты опроса Актуальность методов / инструментов оценки персонала - никто не запрещает, а даже, наоборот, поощряет вас поучаствовать в опросе.
Чаще всего оценка персонала применяется в ситуации найма - итак, актуальность темы установлена. Ниже мой взгляд на то, как правильно применять оценку персонала при найме.
Цель поста - показать, что применение оценки персонала при подборе определяется финансовым расчетом, несложным, но расчетом. Основная идея - мы применяем аналитику для того, чтобы увеличить точность подбора и повысить качество отбираемого персонала. Но проблема в том, что само по себе увеличение точности подбора не всегда хорошо для компании в рублях, гривнах, долларах. Логика проста: увеличивая качества подбора, мы ужесточаем входной фильтр. Получая выигрыш в качестве подбора, мы увеличиваем затраты на подбор - просеивать надо больше. Что и как считать - ниже.
Использование логики данного поста в компании требует определенного уровня цифровизации - не только создание модели отбора персонала, но и умения считать расходы на подбор одного кандидата и типа того.
За кадром оставляю размер компании, где можно применять такой расчет, но даже по кейсу понятно, что речь про размер в сотни работников.
И да, описанное в посте имеет мало отношения к тому, что мы сейчас видим в практиках оценки персонала в наших компаниях.
В колл-центре среди 100 % поступивших 20 % отсеиваются на испытательном сроке, 33 % не проходят экзамен по результатам обучения на испытательном сроке, т.е. испытательный срок проходит 47 % от всех поступивших.
Потом пришли аналитики, которые построили модель, которая показала точность 63 % (см. подробнее пост по ссылке).
Ценность модели - 16 %. Т.е. испытательный срок теперь должны проходить не 47, а 63 % кандидатов. Это экономия средств на обучение / зарплату принятых и т.п..
Круто? не все так просто.
Аналитики понимают, а для не аналитиков скажу: чтобы увеличить точность подбора, надо кем-то пожертвовать. Т.е. чтобы набрать 158 кандидатов, которые имеют более высокую вероятность прохождения испытательного срока, нам нужно пропустить бОльшее количество кандидатов, т.е. инструмент оценки - это дополнительный фильтр. И мы можем оценить этот фильтр
*** Если есть вопросы, задавайте вопросы в комментах!
В первом случае мы выигрываем за счет меньшей воронки кандидатов. См. Воронка подбора. Три способа построения
Возьмем грубо конверсию - 5 %, т.е. один вышедший на работу кандидат требует 20 кандидатов на вершине воронки.
Для нашего случая 251 - 213 = 38 Х 20 = 760 кандидатов дополнительно.
В этом месте, кстати, очень важно знать, сколько стоит подбор одного вновь принятого. Примерно по такой формуле:
Актуальность поста определена вами - я взял результаты опроса Актуальность методов / инструментов оценки персонала - никто не запрещает, а даже, наоборот, поощряет вас поучаствовать в опросе.
Цель поста - показать, что применение оценки персонала при подборе определяется финансовым расчетом, несложным, но расчетом. Основная идея - мы применяем аналитику для того, чтобы увеличить точность подбора и повысить качество отбираемого персонала. Но проблема в том, что само по себе увеличение точности подбора не всегда хорошо для компании в рублях, гривнах, долларах. Логика проста: увеличивая качества подбора, мы ужесточаем входной фильтр. Получая выигрыш в качестве подбора, мы увеличиваем затраты на подбор - просеивать надо больше. Что и как считать - ниже.
Использование логики данного поста в компании требует определенного уровня цифровизации - не только создание модели отбора персонала, но и умения считать расходы на подбор одного кандидата и типа того.
За кадром оставляю размер компании, где можно применять такой расчет, но даже по кейсу понятно, что речь про размер в сотни работников.
И да, описанное в посте имеет мало отношения к тому, что мы сейчас видим в практиках оценки персонала в наших компаниях.
Итак,
В качестве отправных данных я возьму данные поста Кейс по оценке эффективности подбора и адаптации персонала.
В колл-центре среди 100 % поступивших 20 % отсеиваются на испытательном сроке, 33 % не проходят экзамен по результатам обучения на испытательном сроке, т.е. испытательный срок проходит 47 % от всех поступивших.
Потом пришли аналитики, которые построили модель, которая показала точность 63 % (см. подробнее пост по ссылке).
Ценность модели - 16 %. Т.е. испытательный срок теперь должны проходить не 47, а 63 % кандидатов. Это экономия средств на обучение / зарплату принятых и т.п..
Первое упражнение
Допустим нам нужно заполнить 100 вакансий. Заполнением считается факт прохождения испытательного срока.- До создания модели нам требовалось 213 кандидатов (100 / 0, 47).
- После создания модели нам потребуется 158 кандидатов (100 / 0, 63)
Круто? не все так просто.
Аналитики понимают, а для не аналитиков скажу: чтобы увеличить точность подбора, надо кем-то пожертвовать. Т.е. чтобы набрать 158 кандидатов, которые имеют более высокую вероятность прохождения испытательного срока, нам нужно пропустить бОльшее количество кандидатов, т.е. инструмент оценки - это дополнительный фильтр. И мы можем оценить этот фильтр
Второе упражнение
- До создания модели мы набираем также 213 кандидатов
- После создания модели, чтобы отобрать требуемых 158 кандидатов, нам нужно на финальной стадии тестирования допустить 251 кандидата (из финальных кандидатов тест отсекает 37 % кандидатов, следовательно, чтобы набрать 158, нам надо пропустить 251).
Подсчитаем
1) Домодельная цифра: 213 (приняты все) vs 2) Модельная цифра: 251 (приняты 158).*** Если есть вопросы, задавайте вопросы в комментах!
В первом случае мы выигрываем за счет меньшей воронки кандидатов. См. Воронка подбора. Три способа построения
Возьмем грубо конверсию - 5 %, т.е. один вышедший на работу кандидат требует 20 кандидатов на вершине воронки.
Для нашего случая 251 - 213 = 38 Х 20 = 760 кандидатов дополнительно.
В этом месте, кстати, очень важно знать, сколько стоит подбор одного вновь принятого. Примерно по такой формуле:
(Зарплата рекрутеров + затраты на рекламу (джоб сайты и т.п.) + время службы безопасности + время руководителей и экспертов на собеседования) / число принятых.Во втором случае мы выигрываем на обучении и зарплатах вновь принятых.
213 - 158 = 55 Х на их зарплату на испытательном сроке + затраты на обучение + расходы на рабочее место + на их обслуживание (например, установка компьютера и т.п.).Итого: применение инструмента оценки персонала определяется тем, перекрывается ли выигрыш экономии от затрат на обучение / зарплату новичков расходами на увеличение затрат на их подбор.
На этом не конец
В этом месте многие могут решить, что стоимость увеличения подбора перевесит выгоды от экономии обучения. Но надо помнить, что оценка персонала это лишь точка на линии Employee Journey Maps. Мы можем пойти от этой точки как влево, так и вправо, т.е.- Мы можем посчитать эффект от внедрения инструмента оценки персонала не только на испытательном сроке. Можно взять текучесть работников, их эффективность до применения модели отбора и после - если мы докажем значимые различия, например, в текучести, то расходы на подбор у нас снизятся (кстати, как вам кейс - сколько рублей на подбор персонала экномит рубль, потраченный на снижение текучести персонала?)
- Мы можем поработать с воронкой подбора. Понимая, какие кандидаты у нас чаще попадают в компанию, мы можем затачивать воронку на необходимые каналы, акцентируя внимания на необходимых источниках. См, например Зачем нужна воронка подбора кандидатов или оценка эффективности подбора. Ну и так далее.... Таким образом, мы можем увеличить конверсию кандидатов
