People-аналитика: HR с цифрами против HR "по чуйке"

Свежий тренд этого сезона: компании массово хотят "HR с аналитикой". У нас руководство требует объяснять текучку и эффективность найма цифрами, а не ощущениями. Я классический HRBP, с данными на вы.

Насколько глубоко HR будущего реально надо лезть в данные? Это уже отдельная профессия People-аналитика или навык для каждого эйчара?

И то, и другое. В крупных компаниях People-аналитик — отдельная роль, ближе к дата-аналитику с HR-доменом. В средних это навык внутри HRBP. Минимум, который надо уметь всем: посчитать текучку по правильной формуле, увидеть, где в воронке найма теряем людей, и не врать себе средними по больнице.

Со стороны данных: HR-данные — это боль, они грязные и разрозненные. Хороший People-аналитик наполовину дата-инженер, потому что сначала надо собрать данные из пяти систем, а потом уже считать. Это недооценивают.

А с чего начать классическому HRBP, чтобы не утонуть? Питон сразу или сначала табличками?

Сначала разберись с метриками и нормальными таблицами, потом BI, питон в самом конце. Большинство HR-задач закрывается грамотным сводным отчётом, а не машинным обучением. Не ведись на хайп про "ИИ предскажет увольнения" — сначала научись считать честно.

Как рекрутер скажу: цифры в найме отрезвляют. Когда показал руководству реальную конверсию по этапам, разговоры "наймите быстрее" сменились на "почему кандидаты отваливаются после нашего же интервью". Аналитика меняет диалог.

Только осторожно с аналитикой людей. Предсказывать увольнения и "скорить" сотрудников — скользкая этическая дорожка. People-аналитик будущего обязан понимать, где данные помогают, а где превращаются в слежку и дискриминацию.

Спасибо, особенно за последнее. Начну с честных метрик и BI, а к предсказаниям отнесусь с оглядкой на этику.