Datadrevet rekruttering: Komplett veiledning for ansettelsesledere

Ved å bruke data kan selskaper ta mer informerte beslutninger for å forbedre alle aspekter ved ansettelsesprosessen, fra kandidatsøk til veiledning av teammedlemmers opplæring og utvikling.

En fremragende HRIS-sertifisering hjelper deg med å mestre den datasentriske tilnærmingen til rekruttering og ansettelser.

5 fordeler med datadrevet rekruttering

Bortsett fra de åpenbare fordelene ved å gjøre enhver revisjon av rekrutteringsprosesser enklere, er dette noen andre måter datadrevet rekruttering vil hjelpe organisasjonen din på.

1. Mer effektiv ansettelsesprosess

Måledata som hastigheten gjennom rekrutteringsløpet hjelper deg med å identifisere eventuelle flaskehalser i rekrutteringsprosessen og øke effektiviteten.

Du kan for eksempel oppdage at det tar for lang tid før ansettelsesteamene gir tilbakemeldinger etter intervjuer, og at dette fører til at kandidatene mister engasjementet.

Ved hjelp av rekrutteringsprogramvaren kan du også følge med på data som effektiviteten til søke- eller markedsføringskanaler (antall og kvalitet på kandidater), slik at du kan konsentrere ressursene dine om de mest givende aktivitetene og redusere kostnadene.

For eksempel var det i min forrige bedrift mange plattformer og stillingsnettsteder å velge mellom, men budsjettet mitt var ikke ubegrenset, og det var heller ikke ansettelsesteamets kapasitet til å intervjue alle kandidatene. 

Derfor så jeg på kandidatene vi ansatte, og kandidatene som gikk videre til det siste intervjuet (som var kulturintervjuet), for å finne ut hvilke plattformer som ga de teknisk sterkeste kandidatene.

Dette ble utgangspunktet som ansettelsesteamet og jeg bestemte oss for å bruke, ettersom ting som kulturell og atferdsmessig tilpasning er noe bare intervjuprosessen vår kan vurdere. 

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. Bedre kandidatopplevelse

En mer effektiv ansettelsesprosess vil føre til en bedre kandidatopplevelse. Data kan også være kvalitative, så innhenting av tilbakemeldinger fra kandidater er en nyttig måte å bidra til å forbedre ansettelsesprosessen og imponere kandidater på.

Da jeg rekrutterte hos Twitch, tok vi for eksempel effektiviteten i ansettelsesprosessen svært alvorlig, særlig fordi vi tilpasset ansettelsespraksis med fokus på USA til EMEA- og APAC-regionene. 

Jeg gikk gjennom dataene, som viste at kandidater i EMEA er mindre åpne for den ekstremt raske ansettelsesstilen som kjennetegner det amerikanske markedet, fordi de har lengre oppsigelsestid.

For dem var prosessen på 1–2 uker som vi forsøkte å gjennomføre, altfor forhastet og tok ikke tilstrekkelig hensyn til tiden og omstendighetene deres. 

Hvis jeg ikke hadde gjennomført NPS-undersøkelser for kvantitative data og intervjuer for mer dyptgående kvalitative data, ville jeg ikke ha visst hvorfor noen få kandidater vi var svært interessert i, trakk seg (vi fikk dem til å engasjere seg igjen og ansatte to av dem!).

3. Redusere skjevheter i ansettelser og ta mer objektive ansettelsesbeslutninger

Vi har alle forutinntatte oppfatninger, inkludert våre nye KI-kolleger. Ferdighetstester, vurderinger av arbeidsprøver og strukturerte intervjuer kan for eksempel standardiseres for alle kandidater, slik at påvirkningen fra subjektive meninger reduseres.

Data kan også bidra til å identifisere de mest effektive kanalene for å finne kandidater med ulik bakgrunn.

Jeg husker for eksempel en situasjon der vi hadde et frafall på 80 % av kandidatene mellom første og andre trinn. 

Etter å ha gjennomgått tilbakemeldingene fra intervjuene opp mot jobbkravene, oppdaget vi at det første intervjuet ble gjennomført av en av økonomilederne, mens det andre ble gjennomført av den faktiske ansettelseslederen, som var økonomidirektøren.

Økonomilederne lot stadig personer gå videre som hadde nøyaktig samme profil (samme skole, kvalifikasjoner og lignende selskaper) som dem selv, men rollen krevde et annet sett med ferdigheter som ikke ble vurdert i det hele tatt.

Dette avdekket den såkalte likhetsbiasen som denne intervjueren arbeidet under, noe som til og med var nytt for dem selv!

Vær oppmerksom på slike mønstre, for de kan gjøre en mangfoldig kandidatgruppe øverst i prosessen om til en fullstendig homogen kandidatmasse mot slutten av prosessen. 

4. Bedre planlegging

Ved å se på referansetall som gjennomsnittlig turnover-rate og gjennomsnittlig antall søkere som trengs for å fylle en bestemt stilling, får man hjelp til rekrutteringsplanlegging og ressursallokering.

Det gamle ordtaket om at du må sile ut 10 kandidater for å få én ansettelse, er en god start, men hvis du har mer spesifikke eller senior stillinger, kan det være nærmere 20 kandidater som må vurderes per ansettelse – eller enda flere.

I min nåværende virksomhet vurderte jeg 25 kandidater før jeg ansatte én svært spesialisert staffingeniør, og nå vet jeg at dette er den nye referansen dersom vi trenger å erstatte eller ansette en annen person på dette senioritetsnivået. 

5. Forbedre medarbeideropplevelsen

Data du samler inn fra kandidater, kan bidra til å forbedre medarbeideropplevelsen for eksisterende talenter. For eksempel: Blir kandidater avskrekket av mangelen på fleksible arbeidsmuligheter, og kan dette også påvirke turnover?

Slik integrerer du data i ansettelsesprosessen på tre trinn

1. Velg riktige data og måltall

Begynn med å fastslå hvilke nøkkeltall og sentrale resultatindikatorer (KPI-er) som er relevante for ansettelsesmålene dine.

Du kan gå så detaljert til verks som du ønsker her, men som jeg fremhever i artikkelen min om rekrutteringsmåltall, er det best å begynne med noen få nøkkeltall og deretter fordype seg i mer avanserte måltall etter hvert som ferdighetene dine utvikler seg.

Viktige måltall omfatter:

• Tid til ansettelse: Gjennomsnittlig tid det tar å fylle en stilling.
• Antall ansettelser (mot antall ledige stillinger): Hvor mange personer du ansetter per måned/kvartal/år sammenlignet med bemanningsplanen din.
• Konverteringsgrad: Hvor mange kandidater som går videre fra hvert trinn, sammenlignet med hvor mange kandidater som kom til trinnet.
• Hastighet gjennom rekrutteringsprosessen: Hvor lang tid kandidatene tilbringer på hvert trinn i prosessen. 
• Kostnad per ansettelse: Den totale kostnaden forbundet med å ansette en ny medarbeider.
• Rekrutteringskilde: Hvor effektive ulike rekrutteringskanaler er (stillingsportaler, sosiale medier, anbefalinger osv.).

Alle disse måltallene må ses i forhold til hverandre. Jeg liker å begynne med konverteringsgraden fordi den gir meg en idé om hvilke andre måltall jeg bør følge tettere for å avdekke hele bildet.

Hvis konverteringsgraden for eksempel er god, men det likevel tar lang tid å ansette, bør du se på antallet kandidater. Er toppen av prosessen sterk nok? Er hastigheten gjennom rekrutteringsprosessen høy nok?

Hvis toppen av prosessen ikke er sterk nok (slik tilfellet er i mange oppstartsbedrifter i såkornfasen, inkludert min), bør dette være hovedprioriteten, ettersom hastigheten gjennom prosessen kan være uvesentlig hvis det ikke finnes kandidater å føre videre.

2. Bestem hvordan du skal samle inn data

Deretter må du bestemme hvordan du skal samle inn og analysere dataene. I praksis trenger du en form for programvare for rekrutteringsanalyse til dette. 

Det er sannsynlig at systemet for søkersporing (ATS) er stedet der mesteparten av rekrutteringsdataene samles inn, og mange løsninger leveres med forhåndsdesignede, ofte tilpassbare, rekrutteringsdashbord som gjør det enklere å presentere data.

En annen nyttig ATS-funksjon er muligheten for å melde seg på, for eksempel kandidatundersøkelser for NPS eller innsamling av tilbakemeldinger fra kandidater.

Du kan kombinere dataene som samles inn i ATS-et, med data fra HRIS/HRMS for å få et mer helhetlig bilde, for eksempel hvor mange kandidater fra en bestemt rekrutterer som ikke består prøvetiden, eller som senere blir svært gode medarbeidere.

Andre kilder til nyttige data kan være programvare for kandidatrelasjonshåndtering eller en plattform for rekrutteringsmarkedsføring.

3. Følg med og optimaliser

Følg med på rekrutteringsmålingene og KPI-ene dine for å vurdere hvor effektiv ansettelsesprosessen er.

Bruk verktøyene til å fremheve trender og mønstre i dataene for å identifisere områder som kan forbedres. Hvis det for eksempel tar lengre tid enn ønsket å ansette noen, kan du undersøke nærmere og finne ut hvordan du kan effektivisere enkelte trinn.

4 beste praksiser for datadrevet rekruttering

1. Utvikle tydelige måltall

Mange blir forvirret av forskjellen mellom måltallene tid til å fylle stillingen og tid til ansettelse. Teknisk sett er tid til å fylle stillingen perioden fra du oppretter en stilling, til du ansetter noen.

Tid til ansettelse er tiden det tok for den spesifikke kandidaten du ansatte, fra søknad til ansettelse. 

Dette viser hvor viktig det er å alltid definere måltall tydelig, samt hvordan de beregnes og hvilke datakilder du bruker.

2. Bruk ulike typer data

Jeg var inne på dette ovenfor, men vil gjerne understreke det igjen. Mesteparten av dataene du kommer til å bruke, er kvantitative, noe som betyr at de kan representeres numerisk.

Du må imidlertid ikke overse kvalitative data, som tilbakemeldinger fra kandidater eller ansettelsesteam. Dette er like verdifullt og kan føre til forbedringer som styrker medarbeiderbevaringen, for eksempel forbedret total kompensasjon.

Som Sarah Lovelace, personaldirektør i Airbase, understreker: «Ved å kombinere data og analyse i talentforvaltningen kan vi ta informerte beslutninger og kommunisere dem effektivt til den øvrige organisasjonen.»

3. Presenter data på en meningsfull måte

Datavisualisering er en viktig del av datadrevet rekruttering. Når du presenterer data for å skape handling, er det viktig å tenke nøye gjennom dataene og hvilken samtale du prøver å sette i gang med målgruppen din. Det er her det blir relevant å lage interne personaprofiler.

Markedsføringsteam bruker personaprofiler til å tegne et bilde av målgruppens kunder når de utvikler markedsføringskampanjer, og de er også et nyttig verktøy for datavisualisering.

Alle trenger for eksempel ikke å vite alt, og hver interessent vil trenge ulik grad av hjelp til å analysere det som presenteres for dem.

Et eksempel kan være forskjellen mellom typen data du presenterer for en ansettelsesansvarlig for å forbedre et bestemt aspekt ved ansettelsesprosessen, og dataene du presenterer for et medlem av toppledelsen for å få godkjenning til et nytt verktøy for rekrutteringsprogramvare.

For ytterligere veiledning på dette området anbefaler jeg på det sterkeste Liam Reeses utmerkede artikkel om dataanalyse for HR.

4. Sørg for god datahygiene

Du trenger data av god kvalitet som gjenspeiler virkeligheten. En gang hadde jeg en midlertidig konsulent som «lukket» alle stillingene som tidligere var åpne og ikke merket som besatt, og hevdet at vedkommende hadde plassert 80 personer i løpet av 4 måneder … i en virksomhet med 90 ansatte. 

Hvis teamene tidligere hadde lukket stillingene da de faktisk ble lukket, ville det ha gjenspeilet virkeligheten bedre.

Av slike grunner anbefaler jeg å innføre noen beste praksiser for data for å opprettholde høy kvalitet.

Den beste måten å gjøre dette på er å følge opp regelmessig og holde kontakt med teamet og de ansettelsesansvarlige for å hjelpe dem med å etablere en vane med å registrere og oppdatere data. 

For å sikre at innledende telefonsamtaler blir registrert i systemet kan du for eksempel sette en KPI for dem og følge opp regelmessig.

Hvis du vil sikre at ansettelsesansvarlige registrerer tilbakemeldingene sine, følger du opp etter hvert intervju og kontrollerer at tilbakemeldingen er av god kvalitet.