Обратный звонок
Заполните форму, и наш менеджер свяжется с вами в ближайшее время
Почему HR-данные не работают: как связать разрозненные системы и перейти к управленческой аналитике
21 июня 2026
Содержание статьи
HR-директор крупной компании знает о своих сотрудниках очень много. В системе подбора — история взаимодействия с кандидатом: источник, этапы воронки, оценки интервьюеров, комментарии по итогам встреч. В системе обучения (LMS) — данные о пройденном обучении, результаты тестов, процент завершения курсов. В системе оценки — результаты регулярной оценки эффективности за несколько лет. В Excel — текучесть по подразделениям, которую HR-аналитик собирает вручную каждый квартал. В инструменте для опросов — индекс готовности рекомендовать работодателя, оценки вовлеченности и открытые комментарии.
В российском крупном бизнесе HR-данные часто распределены между кадровой учетной системой, системой подбора, платформой обучения, модулем оценки, корпоративным порталом, Excel и системой бизнес-аналитики. Отдельная сложность — несколько юридических лиц, филиальная сеть, матричная структура, разные категории персонала и требования к защите персональных данных. Поэтому HR-аналитика начинается не с красивой панели показателей, а с архитектуры данных: единых идентификаторов, справочников, прав доступа и владельцев данных.
В российском крупном бизнесе HR-данные часто распределены между кадровой учетной системой, системой подбора, платформой обучения, модулем оценки, корпоративным порталом, Excel и системой бизнес-аналитики. Отдельная сложность — несколько юридических лиц, филиальная сеть, матричная структура, разные категории персонала и требования к защите персональных данных. Поэтому HR-аналитика начинается не с красивой панели показателей, а с архитектуры данных: единых идентификаторов, справочников, прав доступа и владельцев данных.
Данных много. Аналитики нет.
Чтобы ответить на вопрос «почему в отделе продаж за последний год ушло 34% сотрудников со стажем до двух лет», нужно вручную сшить данные из четырех-пяти систем, потратить несколько дней на выгрузки и сводные таблицы и получить картину, которая уже частично устарела. К тому моменту часть из тех, кто еще не ушел, уже приняла решение.
Чтобы ответить на вопрос «почему в отделе продаж за последний год ушло 34% сотрудников со стажем до двух лет», нужно вручную сшить данные из четырех-пяти систем, потратить несколько дней на выгрузки и сводные таблицы и получить картину, которая уже частично устарела. К тому моменту часть из тех, кто еще не ушел, уже приняла решение.
Почему изолированные данные не превращаются в аналитику
Корень проблемы не только технический. Разрозненность данных возникает на стыке архитектуры, методологии и ответственности: разные системы используют разные идентификаторы, справочники, форматы и правила обновления. Компании годами убеждали себя, что главная задача — собрать данные. Когда данные наконец собрались, выяснилось, что они несовместимы. Причины:
- Разные идентификаторы. В системе подбора сотрудник — это кандидат с ID из рекрутинговой системы. В системе обучения — слушатель с логином. В системе показателей эффективности (KPI) — исполнитель с табельным номером. Три системы, три разных способа идентифицировать одного человека. Чтобы объединить данные, нужно ручное сопоставление записей и, каждый раз, когда человек меняет фамилию, переходит в другое подразделение или получает новую роль, это сопоставление нужно переделывать.
- Разные форматы и логика хранения. Система подбора хранит дату найма как событие. Система обучения — как начало образовательного периода. HR-таблица в Excel — как дату оформления трудового договора. Все три могут отличаться на несколько дней или недель, и это делает автоматическое объединение ненадежным. Проблема не только в формате даты, но и в смысле показателя. «Дата найма», «дата выхода», «дата оформления» и «дата начала адаптации» могут быть разными событиями. Если методика не описана, аналитика начинает сравнивать несопоставимые данные.
- Разные циклы обновления. Данные о найме появляются в реальном времени. Результаты оценки компетенций обновляются раз в год. Данные об обучении — по завершении курса, которое может занять месяц или три. Опрос вовлеченности проводится раз в полгода. Когда HR пытается построить аналитику, он работает с данными разной свежести, и любой вывод содержит погрешность, которую сложно оценить.
- Отсутствие аналитического ресурса. Даже если данные удалось объединить, нужен человек, который умеет с ними работать. По данным SHRM (2023), только 15% HR-команд в компаниях с численностью до 5 000 человек имеют выделенного HR-аналитика. Остальные либо используют ресурсы IT-отдела по запросу, либо делают все вручную в Excel. Первый вариант медленный, второй — ненадежный.
Итог: данные есть, но решения принимаются на интуиции, прецедентах и опыте руководителей. Это не всегда плохо — опытный HR-директор чувствует многое. Интуиция может помогать в отдельных ситуациях, но она плохо масштабируется, не дает проверяемой методики и не позволяет заранее видеть системные риски.
Какие данные действительно меняют решения
Прежде чем объединять данные, стоит ответить на вопрос: для каких решений они нужны? Это фильтр, который радикально сокращает объем работы.
Большинство HR-команд собирают операционные метрики: время закрытия вакансии, процент завершения онбординга, количество пройденных курсов, общий уровень текучести. Эти цифры описывают, что происходит, но не объясняют почему и не помогают решить, что делать дальше.
Управленческие решения требуют другого типа данных — тех, что показывают причины, паттерны и прогнозы.
Для решений о найме нужно знать не только стоимость закрытия вакансии, но и то, какие источники найма дают кандидатов с наилучшим удержанием через год. Это требует связки данных подбора, адаптации, оценки и текучести. Без единой модели данных или надежной интеграционной архитектуры такой анализ становится ручным, медленным и ненадежным.
Для решений о развитии недостаточно знать, сколько сотрудников прошли обучение. Нужно понимать, как прохождение конкретных программ коррелирует с результатами оценки компетенций и продвижением. Если курс не влияет на рост компетенции, это может говорить не только о качестве курса или методологии оценки, но и о том, что сотрудник не получил возможности применить новый навык в работе.
Для решений об удержании ключевые данные — это текучесть в сегментах: по стажу, по функции, по руководителю, по источнику найма. Компания с текучестью 12% в среднем может скрывать 30% оттока среди сотрудников со стажем 1–2 года в одном конкретном регионе, и именно там концентрируется реальная проблема.
Для кадрового планирования нужны ранние сигналы риска: где может возникнуть текучесть, какие группы сотрудников находятся в уязвимой зоне и какие факторы на это влияют. На более зрелом уровне HR-аналитика может использоваться для раннего выявления рисков текучести. Но это не «предсказание увольнения конкретного человека», а вероятностная оценка факторов риска, которую нужно интерпретировать с учетом контекста.
Разграничение операционных и управленческих данных — это практический фильтр: если метрика не меняет ни одно конкретное решение, она не стоит усилий по сбору.
Управленческие решения требуют другого типа данных — тех, что показывают причины, паттерны и прогнозы.
Для решений о найме нужно знать не только стоимость закрытия вакансии, но и то, какие источники найма дают кандидатов с наилучшим удержанием через год. Это требует связки данных подбора, адаптации, оценки и текучести. Без единой модели данных или надежной интеграционной архитектуры такой анализ становится ручным, медленным и ненадежным.
Для решений о развитии недостаточно знать, сколько сотрудников прошли обучение. Нужно понимать, как прохождение конкретных программ коррелирует с результатами оценки компетенций и продвижением. Если курс не влияет на рост компетенции, это может говорить не только о качестве курса или методологии оценки, но и о том, что сотрудник не получил возможности применить новый навык в работе.
Для решений об удержании ключевые данные — это текучесть в сегментах: по стажу, по функции, по руководителю, по источнику найма. Компания с текучестью 12% в среднем может скрывать 30% оттока среди сотрудников со стажем 1–2 года в одном конкретном регионе, и именно там концентрируется реальная проблема.
Для кадрового планирования нужны ранние сигналы риска: где может возникнуть текучесть, какие группы сотрудников находятся в уязвимой зоне и какие факторы на это влияют. На более зрелом уровне HR-аналитика может использоваться для раннего выявления рисков текучести. Но это не «предсказание увольнения конкретного человека», а вероятностная оценка факторов риска, которую нужно интерпретировать с учетом контекста.
Разграничение операционных и управленческих данных — это практический фильтр: если метрика не меняет ни одно конкретное решение, она не стоит усилий по сбору.
Как объединить данные: принципы, а не инструменты
Есть два уровня работы с HR-данными. Первый — техническая интеграция систем: обмен данными через интерфейсы, загрузки и витрины. Второй — единая модель данных: согласованные идентификаторы, справочники, владельцы данных, правила обновления и права доступа.
Техническая интеграция без единой модели данных дает красивые дашборды на несогласованных источниках. Единая модель данных без интеграций не работает в крупной компании, потому что HR-ландшафт почти всегда состоит из нескольких систем. Поэтому зрелая архитектура требует и того, и другого.
При интеграции через синхронизацию данные обмениваются через программные интерфейсы и процедуры переноса информации: сведения из системы для подбора персонала передаются в инструменты бизнес-аналитики, куда также поступают выгрузки из модулей обучения и оценки. На выходе получаются дашборды, которые обновляются раз в день или раз в неделю. Этот подход лучше, чем ручной Excel, но сохраняет фундаментальную проблему: данные все равно существуют в разных местах, синхронизируются с задержкой и требуют постоянной поддержки интеграций. Любое обновление одной из систем может повлечь сбой в синхронизации.
Единая модель данных не обязательно означает одну физическую базу. Важно, чтобы процессы работали с единым профилем сотрудника, согласованными справочниками и понятным источником правды по ключевым данным: сотрудник, должность, подразделение, руководитель, статус, обучение, оценка, компетенции, карьерные события. Нет синхронизации, потому что нет отдельных источников: рекрутинг, адаптация, обучение, оценка и аналитика используют один профиль, который обновляется в реальном времени по мере того, как что-то происходит. Это принципиально другая архитектура, и именно она делает аналитику возможной без аналитика на полную ставку.
Для перехода к единой модели данных нужны 5 элементов:
Техническая интеграция без единой модели данных дает красивые дашборды на несогласованных источниках. Единая модель данных без интеграций не работает в крупной компании, потому что HR-ландшафт почти всегда состоит из нескольких систем. Поэтому зрелая архитектура требует и того, и другого.
При интеграции через синхронизацию данные обмениваются через программные интерфейсы и процедуры переноса информации: сведения из системы для подбора персонала передаются в инструменты бизнес-аналитики, куда также поступают выгрузки из модулей обучения и оценки. На выходе получаются дашборды, которые обновляются раз в день или раз в неделю. Этот подход лучше, чем ручной Excel, но сохраняет фундаментальную проблему: данные все равно существуют в разных местах, синхронизируются с задержкой и требуют постоянной поддержки интеграций. Любое обновление одной из систем может повлечь сбой в синхронизации.
Единая модель данных не обязательно означает одну физическую базу. Важно, чтобы процессы работали с единым профилем сотрудника, согласованными справочниками и понятным источником правды по ключевым данным: сотрудник, должность, подразделение, руководитель, статус, обучение, оценка, компетенции, карьерные события. Нет синхронизации, потому что нет отдельных источников: рекрутинг, адаптация, обучение, оценка и аналитика используют один профиль, который обновляется в реальном времени по мере того, как что-то происходит. Это принципиально другая архитектура, и именно она делает аналитику возможной без аналитика на полную ставку.
Для перехода к единой модели данных нужны 5 элементов:
- Единый идентификатор сотрудника. Один код, который используется во всех процессах от момента, когда человек стал кандидатом, до его последнего дня в компании.
- Единая таксономия. Одинаковые справочники для должностей, подразделений, локаций, навыков. Если в рекрутинговой системе подразделение называется «Отдел продаж Москва», а в системе оценки — «Продажи / МСК», автоматический анализ невозможен.
- Права доступа на уровне данных. Руководитель видит данные своей команды, HR-бизнес-партнер — данные закрепленных подразделений, топ-менеджмент — агрегированные показатели. Без этого единая база данных становится либо закрытой, либо небезопасной.
- Владельцы данных. У каждого ключевого набора данных должен быть владелец: кто отвечает за корректность должностей, подразделений, руководителей, причин увольнения, результатов оценки, учебных статусов и карьерных событий.
- Единая методика расчета. Нужно заранее определить, как считаются текучесть, ранний отток, стоимость найма, завершение адаптации, выход на продуктивность, эффективность обучения. Без методики разные подразделения будут считать один и тот же показатель по-разному.
Два сценария, где аналитика меняет решения
Прогноз текучести
Сценарий: раннее выявление риска текучести.
Компания видит, что ежегодный опрос вовлеченности слишком запаздывает: между сигналом и реакцией проходит несколько месяцев. В едином аналитическом контуре HR может смотреть не один показатель, а сочетание факторов: результаты пульс-опросов, длительное отсутствие карьерного движения, невыполненные действия по ИПР, изменения в руководстве, перегрузку, динамику оценки и текучесть в аналогичных ролях.
Компания видит, что ежегодный опрос вовлеченности слишком запаздывает: между сигналом и реакцией проходит несколько месяцев. В едином аналитическом контуре HR может смотреть не один показатель, а сочетание факторов: результаты пульс-опросов, длительное отсутствие карьерного движения, невыполненные действия по ИПР, изменения в руководстве, перегрузку, динамику оценки и текучесть в аналогичных ролях.
Ни один сигнал сам по себе не означает, что сотрудник уйдет. Но их сочетание помогает HR-бизнес-партнеру увидеть команду или сегмент, где нужен разговор с руководителем, корректировка нагрузки, обсуждение развития или проверка условий адаптации.
Эффективность найма
Операционная метрика «стоимость найма» показывает, сколько компания потратила на закрытие вакансии. Управленческая метрика — сколько из нанятых людей остались в компании через год и вышли на ожидаемый уровень производительности.
Когда данные рекрутинга объединены с данными адаптации и результатами первой оценки эффективности, картина меняется. Выясняется, например, что кандидаты с hh.ru закрывают вакансии быстрее и дешевле, но через год их остается 58%. Кандидаты по реферальной программе обходятся дороже по стоимости найма, но через год остается 84% — и их результаты первой оценки выше в среднем на 15%. Это не означает, что весь бюджет нужно немедленно перенести в реферальную программу. Но такая аналитика меняет разговор: HR оценивает источники не по стоимости отклика или скорости закрытия, а по качеству найма, удержанию и результативности через 6–12 месяцев.
Когда данные рекрутинга объединены с данными адаптации и результатами первой оценки эффективности, картина меняется. Выясняется, например, что кандидаты с hh.ru закрывают вакансии быстрее и дешевле, но через год их остается 58%. Кандидаты по реферальной программе обходятся дороже по стоимости найма, но через год остается 84% — и их результаты первой оценки выше в среднем на 15%. Это не означает, что весь бюджет нужно немедленно перенести в реферальную программу. Но такая аналитика меняет разговор: HR оценивает источники не по стоимости отклика или скорости закрытия, а по качеству найма, удержанию и результативности через 6–12 месяцев.
Роль HR-платформы: не еще один инструмент, а среда для данных
Система бизнес-аналитики помогает визуализировать данные, но сама по себе не решает проблему качества источников. Если в исходных системах разные идентификаторы, справочники и правила обновления, дашборд лишь ускоряет отображение несогласованных данных.
В Websoft HCM данные накапливаются последовательно в едином профиле сотрудника: история найма из e-staff, данные адаптации, результаты оценки компетенций, прогресс в обучении и результаты оценки эффективности — все в одной среде. Это означает, что для построения аналитики не нужны интеграции и выгрузки: данные уже связаны.
Практически это выглядит так. HR-бизнес-партнер открывает дашборд по своему кластеру подразделений и видит не набор отдельных метрик — текучесть отдельно, результаты обучения отдельно, оценки отдельно, — а сквозную картину: как соотносится динамика развития навыков с результатами оценки, в каких командах концентрируется риск текучести, где онбординг заканчивается выходом на продуктивность, а где — уходом на испытательном сроке. Это рабочий инструмент, с которым HR работает постоянно.
Отдельный момент — доступ руководителей к данным своих команд. Один из системных барьеров HR-аналитики: данные есть у HR, но не у тех, кто принимает управленческие решения каждый день. Руководитель должен видеть не «риск увольнения конкретного человека», а управленческие сигналы по команде: где проседает адаптация, где давно не обновлялись ИПР, где сотрудники не получают обратную связь, где растет нагрузка или снижается вовлеченность. Персональные чувствительные данные должны быть доступны только в рамках согласованных ролей и правил.
Практически это выглядит так. HR-бизнес-партнер открывает дашборд по своему кластеру подразделений и видит не набор отдельных метрик — текучесть отдельно, результаты обучения отдельно, оценки отдельно, — а сквозную картину: как соотносится динамика развития навыков с результатами оценки, в каких командах концентрируется риск текучести, где онбординг заканчивается выходом на продуктивность, а где — уходом на испытательном сроке. Это рабочий инструмент, с которым HR работает постоянно.
Отдельный момент — доступ руководителей к данным своих команд. Один из системных барьеров HR-аналитики: данные есть у HR, но не у тех, кто принимает управленческие решения каждый день. Руководитель должен видеть не «риск увольнения конкретного человека», а управленческие сигналы по команде: где проседает адаптация, где давно не обновлялись ИПР, где сотрудники не получают обратную связь, где растет нагрузка или снижается вовлеченность. Персональные чувствительные данные должны быть доступны только в рамках согласованных ролей и правил.
Что делать сейчас
Переход к управлению HR на основе данных не начинается с выбора платформы. Он начинается с инвентаризации того, какие решения сейчас принимаются на интуиции, и какие данные нужны, чтобы принимать их на фактах.
Три вопроса для такой инвентаризации:
Три вопроса для такой инвентаризации:
- Какое кадровое решение за последний год оказалось неверным или запоздалым, и какие данные позволили бы его принять раньше?
- Сколько времени HR-команда тратит на сборку отчетов вручную? Что остается на анализ?
- Какие вопросы бизнеса к HR сейчас остаются без ответа. Не потому что HR не знает, а потому что данные нельзя быстро собрать?
Ответы на эти вопросы обычно указывают на два-три конкретных разрыва. Именно с них начинается реальная работа по выстраиванию аналитической инфраструктуры не как IT-проект, а как управленческий приоритет.
Алексей Корольков
Генеральный директор компании Websoft
Смотрите также
Мы обсудим ваши задачи, проведем презентацию и ответим на все вопросы
Запросить демонстрацию продуктов Websoft
Заполните форму, и наш менеджер свяжется с вами в ближайшее время