Когда задачи сформулированы, а данные собраны, наступает ключевой этап — анализ. Здесь важно не просто уметь работать с диаграммами, а понимать, какие методы подходят под разные цели. Эта статья — своеобразная карта, помогающая HR-специалисту сориентироваться: где хватит Excel, а где лучше подключать Power BI или SQL.
Уровни зрелости HR-аналитики
HR-аналитику можно разделить на четыре уровня зрелости по HR Analytics Maturity Model:
-
Описательный анализ (Descriptive): Что уже произошло? Например, уровень текучести по департаментам или процент завершивших обучение сотрудников.
Кейс: В IT-компании выявили, что уровень текучести в отделе поддержки почти вдвое выше, чем в других подразделениях. Это стало первым шагом к пересмотру условий труда. -
Диагностический анализ (Diagnostic): Почему это произошло? Например, зависимость текучести от стажа или менеджера.
Кейс: В розничной сети выяснилось, что большинство увольняющихся сотрудников работали под двумя конкретными руководителями. После дополнительного опроса была проведена работа по улучшению менеджерских практик. -
Прогнозный анализ (Predictive): Что может случиться в будущем? Пример — модель оттока персонала.
Кейс: Производственная компания разработала модель предиктивного анализа увольнений. Она предсказывала, кто может уйти в ближайшие 3 месяца, с точностью 78%. На основе модели пересмотрели программы наставничества. -
Прескриптивный анализ (Prescriptive): Что с этим делать? Например, рекомендации по удержанию сотрудников.
Кейс: После прогноза увольнений были внедрены точечные меры: повышение бонусов в уязвимых группах, корректировка графиков — текучесть снизилась на 15%.
Для большинства HR-команд актуальны первые два уровня — они дают наибольшую отдачу при разумных ресурсах.
Методы описательного анализа
-
Динамика: анализ изменения показателей во времени.
Пример: В образовательной платформе отметили рост текучести в ноябре–декабре три года подряд. Это помогло заранее спланировать сезонные кампании удержания. -
Разрезы и группировки: сравнение показателей по подразделениям, регионам и ролям.
Пример: Анализ показал, что конверсия из отклика в выход на работу в филиале в Новосибирске — в 1.5 раза ниже, чем в Москве. Причина — устаревшие шаблоны вакансий. -
Воронки и конверсии: особенно актуально при найме.
Пример: HR-отдел техкомпании построил воронку: от просмотра вакансии до выхода. Выяснилось, что почти 60% кандидатов «теряются» после технического собеседования. Провели дообучение интервьюеров.
Инструменты: Excel, Google Sheets, Power BI, Tableau, встроенные отчёты из ATS и HRIS.
Методы диагностического анализа
-
Сводные таблицы с фильтрами: выявляют закономерности.
Пример: В банке оказалось, что сотрудники, не проходившие вводный тренинг, увольняются в 2 раза чаще. Ввели обязательный онбординг — текучесть упала. -
Корреляции: поиск связи между показателями.
Пример: В логистике обнаружили умеренную корреляцию между числом отгулов и скоростью увольнения. Это стало триггером для запуска программы психологической поддержки. -
Кросс-анализ: позволяет учитывать несколько факторов.
Пример: В медиахолдинге выявили, что текучесть особенно высока среди молодых специалистов в регионах, работающих под начинающими руководителями. Это помогло сфокусировать усилия на менторстве.
Инструменты: Excel с Power Query, Power BI, Python (для более зрелых команд).
Где использовать прогнозные методы
Прогноз требует качественных, чистых данных и осторожного подхода. Используйте его, когда уже выстроена регулярная отчётность и накоплена статистика:
-
Пример 1: В ритейле предсказывали увольнения на основании поведенческих паттернов (частые больничные, отказ от обучения, жалобы).
-
Пример 2: В туристической компании — прогнозировали рост потребности в подборе перед сезоном отпусков и заранее увеличили резерв кандидатов.
-
Пример 3: В EdTech-проекте оценивали будущие затраты на обучение, исходя из ожидаемого роста команды разработки.
Обычно такие модели строятся аналитиками с навыками Python, SQL и ML-библиотек, но HR-специалисту важно понимать, как формулировать задачу и интерпретировать результаты.
Как выбрать инструмент
| Инструмент | Когда использовать | Комментарий |
| Excel / Google Sheets | Для быстрых проверок, небольших данных | Прост в использовании, но плохо подходит для масштабных проектов |
| Power BI / Tableau | Для регулярной отчётности и визуализации | Позволяют наглядно демонстрировать тренды и управлять доступом к данным |
| SQL | При необходимости обращаться к «сырой» информации | Даёт контроль, но требует опыта |
| Python / R | Для прогнозов и сложной обработки | Подходит для аналитических команд или внешних подрядчиков |
Начинайте с простого
Важная ошибка многих компаний — сразу браться за BI-системы или сложные модели, не наладив базовый учёт. Лучше идти по шагам: данные → таблицы → выводы.
Кейс: В HR-отделе логистической компании хотели внедрить Power BI, но отчёты в Excel в разных филиалах были абсолютно разными. Пришлось потратить два месяца на унификацию шаблонов и создание единого справочника. Только после этого BI-система заработала полноценно.
Мини-гайд: пошаговый подход
-
Чётко сформулируйте вопрос (например: что влияет на успешный найм?).
-
Подберите нужные метрики и источники.
-
Выберите доступный инструмент — Excel или Power BI.
-
Проведите базовый анализ: таблицы, фильтры, графики.
-
Сформулируйте гипотезы, проверьте их (например, через корреляции).
-
Сделайте выводы, подкрепив их цифрами и визуализацией.
Не существует универсального инструмента для HR-аналитики. Важнее — задавать точные вопросы и системно искать ответы в данных. Даже с Excel можно получить серьёзные инсайты, если использовать его грамотно. А уже потом — BI, прогнозы и автоматизация. В следующей статье поговорим о том, как визуализировать результаты, чтобы они были понятны бизнесу и превращались в реальные управленческие решения.
Политика конфиденциальности HR-данных
Ключевые показатели эффективности (KPI) HR-отдела
Должностная инструкция HR-аналитика
Поделиться
