Science of HR

Внедряем skills-first подход Когда компании переходят к skills-based hiring, они часто сталкиваются с одинаковыми вопросами: — как измерить навыки? — как сравнить кандидатов между собой? — как встроить это в KPI найма? Все упирается в выбор методов оценки кандидатов. Крупные мета-анализы дают вполне однозначные выводы: лучше всего предсказывают успех на работе (то есть являются самыми валидными) два метода: 🔹 пробные рабочие задачи (work samples) 🔹 и структурированные интервью. 📝 Work samples / micro-tasks (рабочие задачи) Дайте кандидату кусочек реальной работы и посмотрите, как он справится. Метод особенно хорошо работает для аналитиков, рекрутеров, маркетологов и операционных ролей — там, где результат можно измерить и сравнить. Как проводить: 🔸 Выберите 2–3 короткие задачи (10–30 минут). 🔸 Подготовьте реальные данные и четкие критерии оценки (например, шкала 1–5). 🔸 По возможности проводите оценку результатов «вслепую» — без имен и резюме кандидатов. 🔸 Пусть результаты оценят два человека, затем обсудите расхождения. 🔸 Сохраняйте решения и баллы — они пригодятся для обучения и калибровки. 🗣 Структурированное интервью Все кандидаты получают одинаковые вопросы, а ответы оцениваются по заранее описанным шкалам с якорями. Такое интервью снижает субъективность и делает решения более надежными, чем свободная беседа. Оно особенно подходит для руководителей, продавцов и ролей, где важны мягкие навыки, например, коммуникации и принятие решений. Как проводить: 🔸 Определите 4–6 ключевых качеств успешных сотрудников. 🔸 Подготовьте по 1–2 вопроса на каждое качество (из прошлого опыта или гипотетических ситуаций). 🔸 Используйте шкалу оценки ответов от 1 до 5, где обязательно прописано, что значит каждый балл. 🔸 Проведите короткий тренинг интервьюеров. Также важно, чтобы на интервью присутствовали два человека, чтобы сравнить оценки. 🔸 Фиксируйте факты и цитаты, а не впечатления от ответов. 📊 Как измерить результаты и убедиться, что skills-first подход работает? 1️⃣ Quality of Hire (качество найма) Через 90 дней соберите и усредните три показателя: — выполнение плана (%), — оценку менеджера по ключевым навыкам (1–5), — поведение (надежность, командная работа). 2️⃣ Time-to-Productivity — сколько дней нужно, чтобы человек начал работать на целевом уровне. 3️⃣ Early Retention — процент сотрудников, оставшихся в компании после 6 месяцев.

📈 По данным отчета SHRM (2025), компании, которые отслеживают KPI успешности найма, на 22% чаще повышают качество подбора уже в первый год после внедрения skills-based практик.

💡 Комбинируйте методы Work samples показывают, как человек работает. Структурированное интервью — как он думает и действует. Вместе они дают сбалансированную и справедливую систему оценки. В качестве дополнительных отбора методов можно взять: — situational judgment tests (SJT) для оценки суждений и приоритизации, — когнитивные тесты для проверки обучаемости, — job knowledge tests для предметных знаний, — портфолио и структурированные рекомендации для подтверждения результатов прошлой работы. Источники: Campion et al., 1997; Levashina et al., 2014; Roth et al., 2005; Schmidt & Hunter, 1998; Sackett et al., 2022. Больше про skills-based подход: 📌 Про переход от дипломов к навыкам 📌 Почему рынок все чаще смотрит на навыки? 📌 Когда внедрять Skills-Based Hiring? 📌 Меняют ли работодатели подход к найму? 📌 ИИ в подборе и отборе: возможности и риски 📌 Как использовать ИИ для успешного найма Мы завершаем цикл постов про skills-based hiring и подготовили для вас чек-лист, который поможет протестировать этот подход в вашей команде. #наем

💰Гайд по бюджетированию расходов на персонал Многие из вас сейчас готовят бюджеты на следующий год. Для кого-то это головная боль, а для меня - любимый процесс (без шуток). Когда я переходила из HR в финансы, моей первой задачей был именно Manpower Cost бюджет. Позже, занимаясь оценкой бизнес-проектов, я снова и снова возвращалась к этим моделям, потому что рост бизнеса невозможен без людей, а значит, и без грамотной оценки затрат на персонал. Сейчас я учу экономической оценке и анализу HR расходов широкую аудиторию от студентов-бакалавров до HRD и собственников бизнеса. И сегодня хочу поделиться с вами гайдом, который поможет проверить себя и подготовиться к защите бюджета. Формат поста оказался маловат для этого материала, поэтому забирайте файл в pdf, делитесь им с коллегами и оставляйте реакции, если было полезно.

AI, BI, дашборды – как использовать новые технологии в подборе, чтобы они упрощали процессы, а не наоборот?   Сегодня, чтобы опережать конкурентов, мало просто размещать вакансии и ждать откликов — нужно уметь работать с данными, использовать AI и строить управляемую воронку.   📘 Чтобы разобраться в том, как работают современные инструменты в рекрутменте, мы подготовили материал с практическими лайфхаками, которые уже помогают компаниям ускорять подбор и снижать его стоимость.   Что внутри презентации – конкретные практические решения:  ✅ Рабочая воронка с измеряемыми действиями на каждом этапе: звонки, диалоги, приглашения, согласования ✅ Автоматизация первичных интервью и обработки откликов через AI-ассистентов и голосовых роботов  ✅ BI-дашборды с уже собранной аналитикой, которые показывают точные данные, эффективность каналов и узкие места   📌 Получите презентацию и узнайте, как быть на шаг впереди конкурентов, управляя подбором с помощью современных технологий.   #реклама О рекламодателе

Я работаю с ИИ каждый день — использую его и в рабочих, и во внерабочих ситуациях для решения самых разноплановых задач. И, честно говоря, крайне довольна результатом. Но так было не всегда. Мои первые попытки чаще всего заканчивались разочарованием: ИИ выдавал либо банальщину, либо откровенные фантазии. Тогда я искренне не понимала, откуда весь этот восторг вокруг нейросетей. Со временем я осознала, что проблема была не в нём. ИИ, как и любой другой высокотехнологичный инструмент, требует умения с ним работать. Увы, инструкции к нему мне никто не дал — пришлось разбираться методом проб и ошибок. Зато сейчас, когда накоплен коллективный опыт, разбираться с ИИ стало намного проще. Даже если вы только начинаете этот путь, вам не придётся проходить его с нуля. Например, можно воспользоваться гайдом с ИИ-промтами для HR, который подготовила команда Neon HRM. Я посмотрела этот материал и могу сказать, что он во многом совпадает с моим опытом. В гайде собраны: – советы, как формулировать запросы, чтобы ИИ понял задачу правильно, – как задать контекст, чтобы получить осмысленный и точный ответ, – как использовать ИИ для брейнсторминга и аналитики, А также конкретные промты, заточенные под HR-задачи. В общем, стоит попробовать. Гайд можно скачать бесплатно по ссылке. Реклама, АО «НЭКСАЙН», ИНН 7801019126

Как использовать ИИ для успешного найма. Краткий гайд по работе с данными Вчерашний опрос показал, что многие из вас сейчас присматриваются к ИИ, поэтому сегодня мы решили поговорить о технической стороне вопроса. ИИ в подборе и отборе — это мощный инструмент, который будет эффективен, если: 1️⃣ продуманы критерии и метрики успешного найма; 2️⃣ есть качественные данные (навыки, результаты, контекст); 3️⃣ соблюден этичный и прозрачный подход. 🎯 Зачем вообще собирать данные Наша цель — улучшить качество решений о найме, т.е. снизить вероятность ошибки найма. Без данных невозможно понять, почему одни сотрудники успешны, а другие — нет, и невозможно научить этому ИИ. Если мы будем обучать ИИ на наших собственных решениях о найме, ИИ будет банально автоматизировать наши ошибки и усугублять те проблемные зоны, которые уже есть в нашей системе отбора. Именно поэтому ИИ нужно учить на объективных данных о результативности сотрудников, сопоставляя их с тем, что нам было известно об этих сотрудниках до найма. Такие данные позволяют строить модели, надежно предсказывающие успех кандидата. Лучше всего ИИ учится на структурированных данных с высокой степенью валидности (результаты профессиональных тестов и структурированных интервью, биографические данные). 📌 Про валидность методов отбора 📌 Подробнее про биографические данные (biodata) 📌 Как улучшить процесс подбора и отбора на основе данных 📊 Какие данные собирать? Важно собирать данные, связанные с результатами работы: 🔸Навыки и задачи, а не должности (“ведение переговоров”, “CRM-анализ” вместо “менеджер по продажам”); 🔸Количественные достижения — конкретные цифры и результаты; 🔸Результаты структурированных оценок — баллы, тесты, шкалы; 🔸Контекст опыта — компания, масштаб, инструменты, уровень ответственности. 📂 Как подготовить данные 🔸Стандартизируйте форматы. Используйте единый словарь навыков (можно опираться на O*NET, ESCO или разработать свой справочник навыков с помощью того же ИИ). 🔸Исключайте показатели, собранные после найма. Модель должна видеть только те характеристики, которые были доступны на этапе подбора и отбора, и сопоставить их с успешностью сотрудника после найма. 🔸Следите за качеством. Проверяйте заполненность, убирайте дубли, корректируйте даты. 🔸Обновляйте модели. Требования к ролям меняются, поэтому алгоритмы нужно регулярно пересматривать. 🧠 Как ИИ использует данные 1️⃣ Распознает закономерности. ИИ анализирует, какие навыки, типы опыта, формулировки ответов или результаты тестов чаще встречаются у успешных сотрудников [Sackett et al., 2021]. 2️⃣ Строит предсказания. Когда поступает новый кандидат, ИИ сравнивает его профиль с историей данных и оценивает вероятность успеха [NIST AI, 2023]. 3️⃣ Тестирует гипотезы и сценарии. Модели можно использовать для A/B-экспериментов: как разные формулировки вакансий, каналы или критерии влияют на отклики и успешность подбора [Li, Raymond & Bergman, 2020]. 4️⃣ Самообучается и уточняется. После каждого цикла найма данные о фактических результатах сотрудников возвращаются в систему. ИИ “сверяет” прогнозы с реальностью и обновляет свои модели. 🛡 Как снизить юридические и репутационные риски 🔸Создайте рабочую группу по ИИ-этике, документируйте ответы модели. 🔸Финальный выбор должен быть всегда за человеком, а не за алгоритмом. 🔸Предупреждайте кандидатов и соблюдайте правовые требования. ИИ помогает систематизировать опыт, исключить субъективность и сфокусироваться на навыках и результатах кандидатов. Но необходимо учитывать и ограничения алгоритмов. Например, ИИ плохо оценивает мотивацию, культурные аспекты, невербальное поведение, особенно когда контекст сложный [Hunkenschroer & Kriebitz, 2022]. А еще алгоритм может “предпочитать” кандидатов, чьи резюме отформатированы / сгенерированы той же моделью [Li et al., 2025]. Поэтому ИИ — это не замена рекрутера, а инструмент, который важно научиться грамотно использовать. Подсветите 🔥 чтобы мы понимали, полезны ли вам такие обзоры. #AI #наем #новыетехнологии

ИИ в подборе и отборе: возможности и риски Генеративный искусственный интеллект меняет #наем, и это вызывает одновременно воодушевление и беспокойство — пишет в недавнем эссе профессор Лондонской школы бизнеса Изабель Фернандес-Матео. И компании, и кандидаты уже используют ИИ инструменты на всех этапах воронки найма: формулирование роли → формирование пула кандидатов → отбор внутри пула. При этом ИИ влияет на выбор обеих сторон, а они — друг на друга, трансформируя наем. Давайте посмотрим, какие возможности и риски #AI есть на каждой стадии и что по поводу использования ИИ в найме говорят научные данные: 📝 Описание вакансии Возможности: 🔸 ИИ быстро генерирует и переводит описания на язык конкретных задач, что помогает перейти к найму по навыкам. 🔸 Легко делать A/B-тесты разных формулировок описаний [Fernandez-Mateo, 2025; Li et al., 2020]. Риски: 🔸 Если модель училась на старых описаниях, она повторит скрытые и зачастую необоснованные требования. 🔸 Массовое использование типовых подсказок ИИ уменьшает различия в формулировках вакансий между компаниями — фокус смещается на формат резюме, а не на содержание роли [Cowgill, 2019; Fernandez-Mateo, 2025]. 📂 Формирование пула кандидатов Возможности: 🔸 Персонализированный подход (адаптация сообщений под кандидата) и оптимизация каналов поиска в реальном времени расширяют охват нужных профилей [Fernandez-Mateo, 2025; Li et al., 2020]. Риски: 🔸 ИИ-алгоритмы и платформы могут показывать объявления по-разному разным группам, а это уже скрытая дискриминация. 🔸 Рост автоматических откликов ведет к увеличению отказов, что ухудшает отношение кандидатов к компании и уменьшает вероятность повторных откликов [Brands & Fernandez-Mateo, 2017; Fernandez-Mateo et al., 2023]. 🔸 Работодатели адаптируются быстрее, чем кандидаты. Это стимулирует кандидатов имитировать требуемые форматы (например, использовать ChatGPT для генерации резюме) и усложняет оценку [Raghavan et al., 2020; Fernandez-Mateo, 2025; Cowgill, 2019]. 🤝 Отбор внутри пула Возможности: 🔸 ИИ помогает стандартизировать найм (структурированные интервью и автоматические тесты), сокращая субъективность и повышая валидность результатов оценки [Hoffman, Kahn & Li, 2018]. 🔸 Алгоритмы, настроенные на «исследование» (например, contextual bandits или UCB), целенаправленно пробуют малоизвестные или редко встречающиеся профили, что помогает обнаружить скрытые таланты [Li et al., 2020]. Риски: 🔸 «Selective labels» — мы видим результаты только тех, кого приглашали на интервью, а алгоритмы, обученные на предвзятых решениях, закрепляют предубеждения; 🔸 «Signal-washing» — рекрутеру становится сложнее отличить действительно опытного человека от того, кто просто умеет попросить модель написать за него [Fernandez-Mateo, 2025; Cowgill, 2019]. Исследования последних лет показывают, что использование алгоритмов в отборе может повысить качество найма, если они спроектированы с учетом политики исследования (exploration, т.е. поиска и тестирования малоизвестных профилей) и валидации по долгосрочным метрикам, а не просто "подгоняют" кандидатов под прошлые решения [Li et al., 2020]. В противном случае алгоритмы легко закрепляют исторические предубеждения и создают юридические и репутационные риски [Cowgill, 2019]. Кроме того, при использовании ИИ инструментов полезно думать про все этапы найма. Оптимизация одного шага (например, только скоринг резюме) без контроля за текстом вакансии, пулом и поведением кандидатов может создать неожиданные побочные эффекты. Используете ли вы ИИ в найме? Поделитесь своими кейсами. #новыетехнологии 📌 Может ли ИИ помочь в поиске работы? 📌 Подборка ИИ инструментов для HR 📌 Реальные примеры кейсов ИИ в HR

Как хорошо уметь считать: 10 расчетных кейсов На прошлой неделе мы с коллегами завершили марафон #HR_умеет_считать. 10 дней, много цифр, вопросов, споров и инсайтов. Мы вместе считали, сравнивали, делали выводы — и сделали еще один шаг навстречу HR, который умеет опираться на данные, а не на мнения. Умение считать — это не столько про знание формул и выбор корректных метрик, сколько про умение находить общий язык с бизнесом. Когда за решениями стоят конкретные цифры, HR становится частью бизнес-логики, в которую можно и нужно инвестировать, а не поддерживающей функцией-растратчицей бюджета. Для тех, кто не успел пройти марафон с нами или хочет вернуться к отдельным кейсам, я собрала все ссылки в одном посте #дайджест #кейсы 🔸 Снижать текучесть или снижать потери от текучести? Считаем и выбираем вместе 🔸 Как оценить состояние кадрового резерва 🔸 Как оценить потери компании при увольнении и замене 🔸 Как рассчитать истинную стоимость работы с подрядчиком 🔸 Внедряем корпоративный портал с доступом к LLM 🔸 Как обосновать внедрения ЭДО по отпускам 🔸 Как НЕ нужно считать показатели. Работа над ошибками 🔸 Как обосновать новый бонус и перевыполнить план продаж 🔸 Когда экономических расчетов не достаточно 🔸 Рекомендации для тех, кто планирует бюджет

Выиграют только те, кто почувствует боль клиента и найдет общий язык с коллегами Коллеги из команды Mozlab дарят приглашения на бизнес-игру. (действительны только для HR и руководителей) 📌14 октября 16.00 — 18.30 мск Онлайн Игра-хит из арсенала коллег из Mozlab— «Счастливый Клиент» Что будет: 1. Настоящий челлендж на прочность вашего системного мышления и клиентоориентированности 2. Усиление навыка принимать решения, от которых зависят все, но которые не нравятся никому 3. Раскрытие потенциала договариваться там, где идеального решения нет 4. Безопасная зона для экспериментов — почувствуйте последствия своих решений без ущерба для бизнеса 5. Азарт на 200% — сможете ли вы найти тот самый баланс, чтобы «все были счастливы»? Занять место можно по ссылке Свободных осталось совсем немного. P.S. А ещё это классный способ «прочувствовать» услугу, прежде чем тратить бюджеты на что-то подобное 😉 Реклама. ООО "Центр повышения эффективности", ИНН 7705365356