Dataan perustuva rekrytointi: täydellinen opas esihenkilöille

Dataa hyödyntämällä yritykset voivat tehdä tietoon perustuvia päätöksiä, joilla parannetaan palkkausprosessin kaikkia osa-alueita aina ehdokkaiden hankinnasta tiimin jäsenten koulutuksen ja kehityksen ohjaamiseen.

Arvostetun HRIS-sertifikaatin suorittaminen auttaa sinua hallitsemaan dataan keskittyvän lähestymistavan rekrytointiin ja palkkaamiseen.

5 dataohjautuvan rekrytoinnin hyötyä

Sen lisäksi, että mikä tahansa rekrytointiprosessien auditointi helpottuu huomattavasti, dataohjautuva rekrytointi auttaa organisaatiotasi myös seuraavilla tavoilla.

1. Tehokkaampi palkkausprosessi

Rekrytointisuppilon nopeuden kaltaiset mittarit auttavat sinua tunnistamaan rekrytointiprosessisi pullonkaulat ja tehostamaan toimintaa.

Voit esimerkiksi havaita, että palkkaustiimeillä kestää liian kauan antaa haastattelupalautetta, mikä saa ehdokkaat menettämään kiinnostuksensa.

Rekrytointiohjelmistosi avulla voit myös seurata tietoja, kuten hankinta- tai markkinointikanavien tehokkuutta (ehdokkaiden määrää ja laatua), keskittää resurssisi tuottavimpiin toimintoihin ja pienentää kustannuksia.

Esimerkiksi edellisessä yrityksessäni oli paljon alustoja ja työpaikkasivustoja, joista valita, mutta budjettini ei ollut rajaton, eikä palkkaustiimin kapasiteetti riittänyt kaikkien ehdokkaiden haastattelemiseen. 

Niinpä tarkastelin palkkaamiamme ehdokkaita sekä loppuhaastatteluun edenneitä ehdokkaita (kyseessä oli kulttuurihaastattelu) selvittääkseni, mitkä alustat tuottivat teknisesti vahvimmat ehdokkaat.

Se oli perustaso, jonka palkkaustiimi ja minä päätimme ottaa tavoitteeksi, sillä kulttuurinen ja käyttäytymiseen liittyvä sopivuus ovat asioita, joita vain haastatteluprosessimme voi arvioida. 

It starts with one signal.

Each week, AI Signal takes one meaningful shift in AI and helps people leaders understand what changed, why it matters, and what to consider next.

Get Free Access

Have an account? Log In

2. Parempi ehdokaskokemus

Tehokkaampi palkkausprosessi johtaa parempaan ehdokaskokemukseen. Data voi olla myös laadullista, joten ehdokaspalautteen kerääminen on hyödyllinen tapa kehittää palkkausprosessia ja tehdä ehdokkaisiin vaikutus.

Kun rekrytoin Twitchillä, suhtauduimme esimerkiksi palkkausprosessin tehokkuuteen erittäin vakavasti, etenkin koska muokkasimme Yhdysvaltoihin keskittyneitä palkkauskäytäntöjä EMEA- ja APAC-alueille sopiviksi. 

Perehdyin dataan, joka osoitti, että EMEA-alueella ehdokkaat suhtautuvat vähemmän myönteisesti Yhdysvaltain markkinoille tyypilliseen erittäin nopeatempoiseen palkkaustyyliin, koska heidän irtisanomisaikansa ovat pidempiä.

Heidän näkökulmastaan prosessi, jonka yritimme viedä läpi 1–2 viikossa, oli aivan liian kiireinen eikä kunnioittanut heidän aikaansa ja olosuhteitaan. 

Jos en olisi toteuttanut NPS-kyselyitä määrällisen datan keräämiseksi ja haastatteluja syvällisemmän laadullisen datan saamiseksi, en olisi tiennyt, miksi muutamat ehdokkaat, joista olimme todella kiinnostuneita, vetäytyivät (onnistuimme lopulta saamaan heidät uudelleen mukaan prosessiin ja palkkasimme kaksi heistä!).

3. Palkkaamiseen liittyvien ennakkoluulojen vähentäminen ja objektiivisempien palkkauspäätösten tekeminen

Meillä kaikilla on ennakkoluuloja, myös uusilla tekoälykollegoillamme. Esimerkiksi taitotestit, työsuoritusten näytteisiin perustuvat arvioinnit ja jäsennellyt haastattelut voidaan standardoida kaikkien ehdokkaiden osalta, mikä vähentää subjektiivisten mielipiteiden vaikutusta.

Data voi myös auttaa tunnistamaan tehokkaimmat kanavat monimuotoisten ehdokkaiden hankintaan.

Muistan esimerkiksi erään tilanteen, jossa ehdokkaiden määrä väheni 80 prosenttia ensimmäisen ja toisen vaiheen välillä. 

Kun vertasimme haastattelupalautetta ja työn vaatimuksia, havaitsimme, että ensimmäisen haastattelun oli pitänyt yksi talousosaston esihenkilöistä ja toisen varsinainen palkkaava esihenkilö, joka oli talousjohtaja.

Talousosaston esihenkilöt päästivät prosessiin henkilöitä, joilla oli täsmälleen heidän kanssaan samanlainen profiili (sama koulu, pätevyydet ja samankaltaiset yritykset), vaikka tehtävä edellytti erilaista osaamista, jota ei arvioitu lainkaan.

Tämä paljasti tuttuusharhan, jonka vallassa kyseinen haastattelija toimi – asia oli uutinen jopa hänelle itselleen!

Pidä silmällä tällaisia toimintamalleja, sillä ne voivat muuttaa monimuotoisen ehdokasjoukon rekrytointisuppilon alkupäässä täysin yhdenmukaiseksi joukoksi suppilon loppupäässä. 

4. Parempi suunnittelu

Vertailumittareiden, kuten keskimääräisen vaihtuvuuden ja tietyn tehtävän täyttämiseen tarvittavan keskimääräisen hakijamäärän, tarkastelu auttaa rekrytoinnin suunnittelussa ja resurssien kohdentamisessa.

Vanha sanonta, jonka mukaan 10 hakijaa on seulottava yhden palkkauksen tekemiseksi, on hyvä lähtökohta, mutta jos kyseessä on erityisempi tai senioritason tehtävä, määrä voi olla lähempänä 20:tä seulottua hakijaa palkkausta kohden tai jopa enemmän.

Nykyisessä yrityksessäni seuloin 25 hakijaa yhden erittäin erikoistuneen asiantuntijainsinöörin tehtävän täyttämiseksi, ja nyt tiedän, että tämä on uusi vertailuarvo, jos meidän tarvitsee korvata saman senioriteettitason työntekijä tai palkata toinen henkilö. 

5. Työntekijäkokemuksen parantaminen

Hakijoilta keräämäsi data voi auttaa parantamaan nykyisten työntekijöiden työntekijäkokemusta. Esimerkiksi: käännyttävätkö joustavien työskentelymahdollisuuksien puute hakijoita pois, ja voiko tämä vaikuttaa myös vaihtuvuuteen?

Kuinka hyödyntää dataa rekrytoinnissa kolmessa vaiheessa

1. Valitse oikea data ja oikeat mittarit

Aloita määrittämällä keskeiset mittarit ja keskeiset suorituskykyindikaattorit (KPI:t), jotka ovat olennaisia rekrytointitavoitteidesi kannalta.

Voit tarkastella asiaa niin yksityiskohtaisesti kuin haluat, mutta kuten korostan rekrytointimittareita käsittelevässä artikkelissani, on parasta aloittaa muutamasta keskeisestä mittarista ja perehtyä edistyneempiin mittareihin sitä mukaa, kun osaamisesi kehittyy.

Keskeisiä mittareita ovat:

• Palkkaukseen kuluva aika: Keskimääräinen aika, joka tehtävän täyttämiseen kuluu.
• Palkkausten määrä (avointen tehtävien määrään verrattuna): Kuinka monta henkilöä palkkaat kuukaudessa, vuosineljänneksessä tai vuodessa henkilöstösuunnitelmaasi verrattuna.
• Konversiosuhde: Kuinka moni hakija läpäisee kunkin vaiheen verrattuna siihen, kuinka moni hakija eteni kyseiseen vaiheeseen.
• Rekrytointiprosessin nopeus: Kuinka kauan hakijat viettävät aikaa prosessin kussakin vaiheessa. 
• Palkkauksen kustannus: Uuden työntekijän palkkaamiseen liittyvät kokonaiskustannukset.
• Palkkauksen lähde: Eri rekrytointikanavien (työpaikkasivustot, sosiaalinen media, suosittelut jne.) tehokkuus.

Kaikki nämä mittarit liittyvät toisiinsa. Aloitan mielelläni konversiosuhteesta, koska se antaa minulle käsityksen siitä, mitä muita mittareita kannattaa seurata tarkemmin kokonaiskuvan selvittämiseksi.

Jos esimerkiksi konversiosuhde on hyvä, mutta palkkaamiseen kuluu silti paljon aikaa, tarkastele hakijoiden määrää. Onko prosessin alku riittävän vahva? Onko rekrytointiprosessi riittävän nopea?

Jos prosessin alku ei ole riittävän vahva (kuten monissa siemenvaiheen startup-yrityksissä, myös omassani), sen pitäisi olla tärkein prioriteetti, sillä prosessin nopeudella ei välttämättä ole merkitystä, jos sen läpi ei ole hakijoita vietäväksi.

2. Päätä, miten keräät dataa

Seuraavaksi on päätettävä, miten keräät dataa ja analysoit sitä. Käytännössä tarvitset tähän jonkinlaisen rekrytoinnin analytiikkaohjelmiston. 

On todennäköistä, että hakijoiden seurantajärjestelmäsi (ATS) on paikka, johon suurin osa rekrytointidatasta kerätään, ja moniin ratkaisuihin kuuluu valmiiksi suunniteltuja, usein muokattavia rekrytoinnin koontinäyttöjä datan esittämisen tueksi.

Toinen hyödyllinen ATS-ominaisuus ovat valinnaiset toiminnot, kuten hakijakyselyt NPS-arvon selvittämistä varten tai hakijapalautteen kerääminen.

Voit yhdistää ATS:ään kerätyn datan HRIS-järjestelmäsi/HRMS-järjestelmäsi dataan saadaksesi kattavamman kuvan: esimerkiksi kuinka moni tietyn rekrytoijan hakijoista ei läpäise koeaikaa tai päätyy huippusuoriutujaksi?

Muita hyödyllisen datan lähteitä voivat olla hakijasuhteiden hallintaohjelmistosi tai rekrytointimarkkinointialustasi.

3. Seuraa ja optimoi

Seuraa rekrytointimittareitasi ja suorituskykymittareitasi arvioidaksesi rekrytointiprosessisi tehokkuutta.

Hyödynnä työkaluja korostaaksesi datan trendejä ja kaavoja sekä tunnistaaksesi kehityskohteita. Jos esimerkiksi palkkaamiseen kuluva aika on haluamaasi pidempi, perehdyt asiaan tarkemmin ja selvität, miten voit sujuvoittaa tiettyjä vaiheita.

4 datalähtöisen rekrytoinnin parasta käytäntöä

1. Määrittele selkeät mittarit

Monet sekoittavat keskenään tehtävän täyttämiseen kuluvan ajan ja palkkaamiseen kuluvan ajan mittarit. Teknisen määritelmän mukaan tehtävän täyttämiseen kuluva aika on ajanjakso tehtävän avaamisesta henkilön palkkaamiseen.

Palkkaamiseen kuluva aika on aika, joka sillä tietyn palkkaamasi ehdokkaan hakemuksen jättämisestä palkkaamiseen. 

Tämä osoittaa, että mittarit on aina määriteltävä selkeästi samoin kuin niiden laskentatapa ja tietolähteet.

2. Käytä erityyppistä dataa

Viittasin tähän jo edellä, mutta halusin korostaa asiaa vielä uudelleen. Suurin osa käyttämästäsi datasta on määrällistä, eli se voidaan esittää numeerisesti.

Älä kuitenkaan laiminlyö laadullista dataa, kuten ehdokkaiden tai rekrytointitiimien palautetta. Se on aivan yhtä arvokasta ja voi johtaa henkilöstön pysyvyyttä parantaviin kehitystoimiin, kuten parempaan kokonaispalkitsemiseen.

Kuten Airbasen henkilöstöstä vastaava johtaja Sarah Lovelace korostaa, “Lähestymällä osaamisen johtamista datan ja analyysin yhdistelmällä voimme tehdä perusteltuja päätöksiä ja viestiä niistä tehokkaasti koko organisaatiolle.”

3. Esitä data merkityksellisellä tavalla

Datan visualisointi on olennainen osa datalähtöistä rekrytointia. Kun esität dataa toiminnan ohjaamiseksi, on tärkeää pohtia huolellisesti sekä dataa että keskustelua, jonka haluat saada aikaan yleisösi kanssa. Tässä sisäisten persoonien luominen astuu kuvaan.

Markkinointitiimit käyttävät persoonia luodakseen kuvan kohdeasiakkaistaan markkinointikampanjoita suunnitellessaan, ja ne ovat hyödyllinen työkalu myös datan visualisointiin.

Kaikkien ei esimerkiksi tarvitse tietää kaikkea, ja jokainen sidosryhmä tarvitsee eritasoista tukea analysoidakseen heille esitettyä tietoa.

Esimerkkinä voisi olla ero sen välillä, millaista dataa esität rekrytoivalle esihenkilölle tietyn rekrytointiprosessin osa-alueen parantamiseksi ja millaista dataa esität ylimmän johdon jäsenelle saadaksesi hyväksynnän uudelle rekrytointiohjelmistolle.

Suosittelen lämpimästi Liam Reesen erinomaista HR-datan analytiikkaa käsittelevää artikkelia, josta saat lisäohjeita tähän aiheeseen.

4. Huolehdi datan laadusta

Tarvitset hyvälaatuista dataa, joka vastaa todellisuutta. Kerran määräaikainen konsultti sulki kaikki aiemmin avoinna olleet tehtävät, joita ei ollut merkitty täytetyiksi, ja väitti palkanneensa 80 henkilöä neljän kuukauden aikana… 90 henkilön yrityksessä. 

Jos tiimit olisivat sulkeneet tehtävät aiemmin silloin, kun ne todella oli täytetty, data olisi vastannut paremmin todellisuutta.

Tällaisten syiden vuoksi suosittelen ottamaan käyttöön datan laadun parhaita käytäntöjä korkean laadun ylläpitämiseksi.

Paras tapa tehdä tämä on seurata tilannetta säännöllisesti ja olla yhteydessä tiimiisi ja rekrytoiviin esihenkilöihin, jotta he omaksuvat tavan syöttää ja päivittää dataa. 

Varmista esimerkiksi, että seulontapuhelut kirjataan järjestelmään, asettamalla niille suorituskykymittari ja tarkistamalla tilanteen säännöllisesti.

Jos haluat varmistaa, että rekrytoivat esihenkilöt syöttävät palautteensa, ole yhteydessä jokaisen haastattelun jälkeen ja varmista, että palaute on laadukasta.