People analytics для воронки найма продаж
Тот же LATAM, что в кейсе про онбординг. Лидершип хотел вернуться к найму продажников на чистую сделку, а текучка в отчете была 1491% годовых. Принимать решения на таких числах было нельзя.
Проблема
Три вопроса возвращались снова и снова, и ответить на них цифрами никто не мог: кто реально доходит до линии, кого из ушедших стоило удержать и окупается ли оклад на старте. Формула текучки делила ушедших на 13 человек, которые стояли в этапе, через который прошли 200.
Решение
Собрала аналитику воронки продаж LATAM: один чистый датасет, дашборд конверсий, честная текучка, признаки кандидатов с оговорками и калькулятор окупаемости.
- остались работать: оклад против сделки
- 61% vs 14%
- остались работать: оклад против сделки
- признаков кандидата × показателей
- 22 × 10
- признаков кандидата × показателей
- людей × полей в дата-лейке
- 209 × 83
- людей × полей в дата-лейке
Результат
- Отстояла оклад: окладники дошли до линии в 67.7% случаев против 21.6% на сделке и остались работать в 58-61% против 12-14%.
- Половину ушедших (12 из 23) стоило удерживать.
- Опыт колл-центра убрали из скоринга, он ничего не предсказывает.
Тут я больше всего горжусь не дашбордом, а тем, что на него реально сослались в споре)
Что сделала
- Собрала дата-лейк: 209 человек, 83 поля, у каждого числа источник.
- Агентами разобрала 175 резюме и 108 комментариев к увольнениям, отдельно проверила каждое решение.
- Развела метрики: текучка для линии, отвал по этапам для онбординга и пробейшна.
- Дашборд конверсий, когорты по неделям, портрет кандидата: 22 признака на 10 показателей, у каждого честная оговорка про выборку.
- Калькулятор окупаемости продажника и симуляция правила пробейшна.
Экраны
Моя роль
Вела анализ целиком: от чистки данных до выводов для HRD и CEO.
Стек
Google Sheets · Claude (артефакты и агенты) · Supabase + Next.js · Huntflow API.
Следующий кейс
Автоматизация воронки найма