Цифра может быть рассчитана правильно, а управленческий вывод — оказаться ошибочным. HR всё чаще принимает решения на основе данных: где растёт текучесть, почему падает конверсия найма, работает ли обучение, какие команды теряют людей. Ниже — 20 проверок, которые стоит сделать до того, как цифра попадёт в презентацию руководству.
HR-аналитикаМетрикиДашбордыИсследованияУправленческие решения
Главное правило: данные показывают, что произошло. Причину, масштаб эффекта и управленческий вывод нужно проверять отдельно.
20 ошибок — короткая навигация
1. Ошибки в логике вывода
Цифры могут быть верными, а объяснение — нет. Это самый дорогой класс ошибок: на основании правильного расчёта бизнес получает неправильную причину.
01
Корреляция принимается за причинность
Два показателя движутся вместе, и один сразу объявляют причиной другого.
Например, в командах с высоким eNPS текучесть ниже. Это полезный сигнал, но он не доказывает, что рост eNPS сам по себе снизит увольнения. На оба показателя могут одновременно влиять руководитель, уровень оплаты, нагрузка, состав команды или ситуация на рынке труда.
Слабый вывод«Если повысим вовлечённость на 10 пунктов, снизим текучесть».Связь между показателями превращена в причинную модель без проверки.
Корректнее«В командах с более высоким eNPS текучесть ниже. Нужно проверить, сохраняется ли связь при сопоставимых условиях».Сначала сегментация и проверка альтернативных факторов.
Что проверить: есть ли временная последовательность, альтернативные объяснения и данные, позволяющие отделить эффект фактора от особенностей группы.
02
Среднее скрывает сегменты
Общий показатель выглядит спокойно, хотя внутри компании уже есть зона риска.
Текучесть 14% по компании может выглядеть приемлемо. Но если в офисе она составляет 7%, а на производственной площадке — 31%, среднее описывает компанию формально и почти бесполезно для решения.
На уровне компанииТекучесть — 14%Кажется, что проблема умеренная.
После сегментацииОфис — 7% · Продажи — 13% · Производство — 31%Становится понятно, где нужен разбор причин.
Что проверить: подразделение, локацию, профессию, стаж, руководителя, тип занятости и другие признаки, которые могут скрывать разные сценарии внутри среднего.
03
Слишком маленькая база превращается в «тренд»
Чем меньше наблюдений, тем сильнее одно событие меняет процент.
Если из команды в 10 человек ушёл один сотрудник, показатель увольнений уже составляет 10%. Второй уход удвоит его. Это реальные события, но по такой базе опасно строить широкие выводы о политике удержания.
1 уход из 10=10%и2 ухода из 10=20%
Что проверить: абсолютное число наблюдений. Для маленьких групп показывайте одновременно процент и количество людей, а выводы подтверждайте на более длинном периоде.
04
Ошибка выжившего: анализируются только те, кто остался
Из данных исчезает именно та группа, которая могла бы объяснить проблему.
Компания изучает характеристики «успешных» сотрудников через год после найма и строит профиль кандидата. Но сотрудники, которые не прошли испытательный срок или ушли через три месяца, в анализ уже не попали. Модель начинает описывать выживших, а не весь поток найма.
ВыборкаТолько сотрудники, работающие 12+ месяцевПотери первых месяцев невидимы.
Нужная картинаВся когорта выхода: остались, ушли, не прошли испытательный срокМожно сравнивать траектории разных исходов.
Что проверить: кто исчез из набора данных к моменту анализа и отличается ли эта группа от тех, кого вы продолжаете наблюдать.
05
Смещение отбора: выборка не представляет всю аудиторию
Ответили не все, но вывод распространяется на всех.
В опросе о качестве обучения приняли участие 38% сотрудников. Средняя оценка — 4,7 из 5. Если чаще отвечали самые вовлечённые участники, результат может заметно переоценивать реальное отношение всей аудитории.
Что проверить: долю ответивших и профиль неответивших. Сравните подразделения, должности, стаж, результаты обучения и активность — нет ли систематического перекоса.
2. Ошибки сравнения
Сравнение имеет смысл только тогда, когда периоды, группы и условия действительно сопоставимы.
06
Сравниваются несопоставимые периоды и игнорируется сезонность
Неполный период сопоставляют с полным или обычное сезонное изменение принимают за новый тренд.
Срок найма в сентябре составил 24 дня, а «в прошлом квартале» — 31 день. Формально улучшение есть, но длительность окна, состав вакансий и число закрытий отличаются. Аналогичная ошибка возникает, когда декабрь сравнивают с январём и сезонное снижение увольнений объявляют эффектом новой программы удержания.
Что проверить: одинаковы ли длина периода, правило включения событий и дата среза. Для сезонных метрик дополнительно сравните тот же месяц или квартал прошлых лет.
07
Регрессия к среднему принимается за эффект программы
После экстремально плохого результата следующий замер часто становится ближе к обычному уровню даже без вмешательства.
Компания выбирает десять подразделений с самой высокой текучестью, запускает программу удержания и через квартал видит снижение. Это ещё не доказывает эффект программы. Часть экстремальных значений могла возникнуть из-за случайных колебаний, а следующий период — естественно оказаться ближе к среднему уровню.
Слабый вывод«В проблемных командах текучесть снизилась после программы — значит, программа сработала».Не проверено, что произошло бы с этими командами без вмешательства.
КорректнееСравнить динамику с похожими командами и несколькими периодами до запускаТак проще отделить эффект инициативы от естественного возврата показателя к обычному уровню.
Что проверить: не были ли участники выбраны именно из-за экстремально плохого результата. Нужны несколько точек до вмешательства и, по возможности, сопоставимая группа без программы.
08
Используется неправильный знаменатель
Числитель посчитан верно, но база для деления не соответствует вопросу.
Классический пример — текучесть. 120 увольнений сами по себе не дают уровень текучести. Деление на численность на конец года может искажать результат, если компания быстро росла или сокращалась. Для ряда задач нужна средняя численность за период, а для ранней текучести — число сотрудников соответствующей когорты найма.
Увольнения нужной группы÷релевантная база риска× 100%
Что проверить: отвечает ли знаменатель на вопрос «среди кого могло произойти это событие?». Один универсальный знаменатель для всех HR-метрик почти всегда плохая идея.
09
Смешиваются разные когорты
Людей с разной точкой старта объединяют в одну группу.
Адаптацию сотрудников, вышедших в январе, марте и июне, оценивают одним показателем на конец июня. У январской когорты было шесть месяцев для прохождения программы, у июньской — несколько недель. Сравнение неизбежно искажено временем наблюдения.
Что проверить: формируйте когорты по дате найма, обучения, повышения или другому событию и сравнивайте их на одинаковой дистанции: 30, 90, 180 дней.
10
Среднее используется там, где распределение искажено выбросами
Несколько экстремальных значений делают «типичного сотрудника» несуществующим.
Средний срок закрытия вакансии — 46 дней. Но половина вакансий закрывается за 24 дня, а несколько сложных позиций висят 150–200 дней. Среднее корректно математически, но плохо описывает обычный процесс.
Только среднееСрок закрытия вакансии (time to fill) — 46 днейНепонятно, это норма для большинства вакансий или эффект нескольких долгих поисков.
ПолнееМедиана — 24 дня · P75 — 39 · P90 — 91Видны типичный срок и длинный хвост.
Что проверить: медиану, квартили или перцентили и распределение значений. Для времени найма, зарплат и отсутствий они часто информативнее одного среднего.
Промежуточная проверкаЕсли после сегментации, выравнивания периода и проверки базы вывод заметно меняется, первоначальная цифра была не «неправильной». Она отвечала на слишком общий или другой вопрос.
3. Ошибки масштаба и расчёта
Проценты хорошо сжимают информацию, но легко скрывают реальный масштаб изменения.
11
Проценты показываются без абсолютных значений
«Рост на 100%» может означать переход с одного случая на два.
Доля отказов после оффера выросла на 50%. Звучит как серьёзное ухудшение. Но если было 2 отказа из 40 офферов, а стало 3 из 42, управленческий масштаб совсем другой, чем при росте с 200 до 300 отказов.
Что проверить: показывайте рядом процент, числитель и знаменатель, особенно при небольших базах и резких относительных изменениях.
12
Процентные пункты путаются с процентами
Изменение с 10% до 15% — это разные величины в зависимости от способа описания.
10% и 15%=+5 п.п.или+50% относительно исходного уровня
В HR-презентациях эта путаница легко делает изменение визуально драматичнее или слабее, чем оно есть. Особенно это заметно в текучести, вовлечённости, конверсии и доле закрытий.
Что проверить: если сравниваются две доли, указывайте процентные пункты для абсолютной разницы и проценты — для относительного изменения.
13
Игнорируется изменение состава группы
Общий показатель изменился, потому что изменились веса сегментов.
Средняя текучесть компании выросла после активного найма линейного персонала, где текучесть исторически выше. При этом внутри каждого сегмента ситуация могла не ухудшиться вообще. Это близко к парадоксу Симпсона: агрегированный показатель способен двигаться иначе, чем показатели внутри групп.
Общий показательТекучесть компании вырослаКажется, что ситуация ухудшилась во всех командах.
После разложенияОфис: 8% → 8% · линейный персонал: 25% → 25%Но доля линейного персонала выросла с 20% до 40% штата — поэтому изменился общий показатель.
Что проверить: сравните метрику внутри одинаковых сегментов и посмотрите, не объясняется ли общая динамика изменением структуры персонала.
14
Сравниваются несопоставимые группы
Разные роли, локации или типы персонала объединяют в один KPI и сравнивают как одинаковые.
Средний срок найма вырос с 28 до 36 дней, и рекрутмент признают менее эффективным. Но в новом периоде доля инженерных и руководящих вакансий могла вырасти вдвое. Та же ошибка возникает при сравнении офиса с производством, Москвы с регионами, новых сотрудников со всем штатом. Без поправки на структуру групп вывод слаб.
Что проверить: роль, уровень позиции, регион, тип занятости, стаж, дефицитность и другие признаки, которые делают группы структурно разными. Сравнивайте сопоставимые сегменты или учитывайте изменение их состава.
15
Метрика становится целью: закон Гудхарта
Когда KPI жёстко привязан к оценке, люди начинают оптимизировать сам показатель.
Когда показатель превращается в жёсткую цель, процесс начинает оптимизироваться под сам показатель — иногда в ущерб результату, ради которого его ввели. Например, рекрутерам ставят цель сократить срок закрытия вакансии (time to fill). Срок падает, но одновременно может расти доля увольнений на испытательном сроке или снижаться качество найма.
Один KPIЗакрывать вакансии быстрееСтимулирует скорость независимо от последствий.
БалансСрок + выход + прохождение испытательного срока + удержаниеСкорость рассматривается вместе с качеством результата.
Что проверить: какой нежелательный эффект можно получить, если команда начнёт максимально улучшать выбранный KPI.
4. Ошибки оценки эффекта
После программы, обучения или изменения процесса хочется быстро показать результат. Именно здесь особенно легко приписать инициативе то, что произошло бы и без неё.
16
Нет контрольной группы или хотя бы базовой линии
Изменение после вмешательства автоматически считается его эффектом.
После обучения продажи участников выросли на 8%. Но в компании одновременно запустили новую продуктовую линейку, а продажи сотрудников без обучения выросли на 7%. Тогда наблюдаемый дополнительный эффект программы значительно меньше первоначальных 8%.
До / после+8% после обученияВесь рост приписан программе.
СравнениеУчастники +8% · сопоставимая группа +7%Нужно разбирать разницу, а не весь рост.
Что проверить: что происходило с сопоставимой группой без вмешательства. Если контроль невозможен, используйте хотя бы несколько точек до и после и фиксируйте внешние изменения.
17
Слишком короткое окно наблюдения
Эффект измеряется раньше, чем он физически может проявиться.
Через две недели после программы развития руководителей компания проверяет текучесть команд и не видит изменений. Это не доказывает отсутствие эффекта. Для разных показателей нужен разный лаг: знания можно измерить сразу, изменение поведения — позже, удержание и производительность — ещё позже.
Что проверить: через какое время ожидаемый механизм действительно должен повлиять на метрику. Задайте окно измерения до запуска инициативы, а не после получения первых цифр.
18
Пропуски в данных считаются нейтральными
Отсутствующие значения могут быть систематическими, а не случайными.
У 22% сотрудников нет оценки руководителя. Если просто исключить их из анализа, средний балл может выглядеть выше. Возможно, оценки чаще отсутствуют именно у новых сотрудников, удалённых команд или подразделений с проблемной управленческой дисциплиной.
Что проверить: долю пропусков, их распределение по сегментам и причину появления. «Нет данных» — иногда отдельный аналитический сигнал.
19
Из нескольких метрик выбирается та, которая подтверждает желаемый вывод
Результат выглядит убедительно, потому что неудобные показатели остались за пределами слайда.
После программы адаптации удовлетворённость новичков выросла, но ранняя текучесть и время до самостоятельной производительности не изменились. Если показать только удовлетворённость, бизнес получит слишком сильное утверждение об эффективности программы.
Что проверить: какие метрики успеха были определены заранее. Не меняйте главный критерий после того, как увидели результаты.
20
Статистическая значимость путается с бизнес-эффектом
Разница существует, но может быть слишком мала, чтобы менять решение.
В большой компании даже небольшое отличие между группами может быть устойчивым. Но руководителю важно другое: сколько людей, часов или рублей это меняет и окупает ли действие стоимость вмешательства. Статистическая устойчивость результата и его практическая ценность для бизнеса — разные вопросы.
Только аналитика«Различие подтверждено»Неясно, стоит ли ради него менять процесс.
Бизнес-контекст«Эффект эквивалентен 18 сохранённым сотрудникам и X ₽ предотвращённых потерь»Решение можно сопоставить со стоимостью действия.
Что проверить: размер эффекта, доверительный диапазон, масштаб в людях и деньгах, а затем стоимость управленческого решения.
Фразы, после которых стоит перепроверить данные
Некоторые формулировки звучат убедительно, но сами по себе ещё не доказывают управленческий вывод.
01
«Показатель вырос на 70%». От какой базы и сколько это в абсолютных значениях?
02
«После обучения производительность увеличилась». Что произошло с сопоставимой группой без обучения?
03
«В подразделении самая высокая текучесть». Сопоставимы ли размер, роли и состав сотрудников?
04
«Сотрудники с высоким eNPS увольняются реже». Это связь или доказанная причина?
05
«Новая система сократила срок найма». Не изменились ли одновременно вакансии, рынок, сезонность или процесс?
Проверка HR-аналитики за 5 минут
Перед презентацией руководству пройдите короткую проверку. Она не заменяет полноценный анализ, но помогает поймать большинство дорогих ошибок до того, как цифра станет решением.
| Если вы видите | Сначала проверьте | Почему это важно |
|---|
| Рост или падение процента | Абсолютные значения и знаменатель | Резкое изменение может быть следствием маленькой базы. |
| Разницу между подразделениями | Размер, состав и тип ролей | Группы могут быть структурно несопоставимы. |
| Изменение после HR-проекта | Базовую линию, сезонность, внешние события | Изменение могло произойти и без проекта. |
| Связь двух показателей | Третьи факторы и временную последовательность | Корреляция сама по себе не объясняет причину. |
| Среднее значение | Медиану, распределение и сегменты | Среднее может скрывать выбросы и локальные проблемы. |
| Результат опроса | Долю ответивших (response rate) и их профиль | Ответившие могут отличаться от всей аудитории. |
01
Какой конкретный вопрос должна подтвердить эта метрика?
02
Кто входит в числитель и кто — в знаменатель?
03
Сколько наблюдений стоит за процентом?
04
Сопоставимы ли периоды, группы и условия?
05
Что скрывается внутри среднего: сегменты, выбросы, разные когорты?
06
Могла ли динамика быть сезонной или вызванной изменением состава персонала?
07
Не выдаём ли мы связь между показателями за доказанную причину?
08
Кто не попал в выборку и могут ли эти люди системно отличаться?
09
Достаточно ли времени прошло, чтобы ожидаемый эффект проявился?
10
Насколько эффект велик в людях, времени и деньгах?
11
Какие альтернативные объяснения могут дать тот же результат?
12
Изменится ли управленческое решение, если вывод окажется слабее, чем кажется?
Сильная HR-аналитика начинается не с более сложных моделей, а с более строгих вопросов к данным
Перед тем как объяснять руководству рост текучести, эффективность обучения или качество найма, полезно проверить четыре вещи: кого именно мы измерили, с чем сравнили, что могло повлиять на результат и насколько эффект важен для бизнеса. Эта дисциплина защищает от уверенных выводов, которые цифры на самом деле не подтверждают.
Автор: Редакция HR-КУХНИ
Полезные ссылки HR-КУХНИ
Подписывайтесь, читайте и общайтесь в MAX
Подписывайтесь, читайте и общайтесь в Telegram
