Kennzahlen 29 Zum anderen gilt es, konkrete Fragen zu stellen, um die eigene Recruiting-Performance optimieren zu können. Diese Fragestellungen können zum Beispiel lauten: • Haben wir genug Bewerberinnen und Bewerber auf eine bestimmte Position? • Bei welcher Zielgruppe funktioniert das neue Produkt von der Jobbörse X oder die neue Jobbörse besser als die bisher verwendeten Produkte? • Wie können wir schneller im Prozess werden? Wo verlieren wir die meisten Bewerbenden? Analytics und Kennzahlen Ziel von Recruiting Analytics sollte es sein, datengestützt besser zu werden, um mehr Wert fürs Business zu schaffen. Das gelingt Recruiterinnen und Recruitern dann am besten, wenn sie schneller und gezielter passende Kandidatinnen und Kandidaten gewinnen als der Wettbewerb. Die Nichtbesetzung einer Stelle kostet Geld, denn fehlende Mitarbeiterinnen und Mitarbeiter können keinen Wert schaffen. Diese „Cost of Vacancy“ übersteigt in Schlüsselpositionen rasch die Recruitingkosten um ein Vielfaches. Zwei Kennzahlen eignen sich besonders, um den Recruitingprozess zu steuern: die Time-to-Hire und die Cost per Qualifed Applicant (siehe Beschreibung auf Seite 27). Die Time-to-Hire muss wettbewerbsfähig sein, die Cost per Qualified Applicant darf nicht explodieren. Recruiting-Analytics-Maßnahmen sollten darauf gerichtet sein, beide Kennzahlen mit kleinen und großen Veränderungen positiv zu beeinflussen. Datenquellen und Verknüpfung Wo kommen die Daten für Recruiting Analytics her? Entscheidend sind zunächst zwei Datenquellen: • Das Bewerbermanagementsystem (BMS), auch genannt Applicant Tracking System (ATS) liefert Informationen dazu, dass sich jemand beworben hat, wie schnell Bewerbungen in den Prozess gelangen und bis zu welcher Stufe Bewerbende den Auswahlprozess durchlaufen. • Jobbörsendaten geben Auskunft dazu, wie oft Anzeigen in der Suchergebnisliste eingeblendet und von Interessenten angeklickt wurden. Jedes zeitgemäße Bewerbermanagementsystem liefert heute grundsätzlich schon eine Menge Daten. Nach unserer Erkenntnis haben die meisten Arbeitgeber die entsprechenden Prozesse jedoch nicht implementiert. Jobbörsen-Performance-Daten werden von den Bewerbermanagementsystemen in der Regel nicht zur Verfügung gestellt. Von den Jobbörsen kommen zwar unverzichtbare Daten wie Klickzahlen, das Erscheinen in Trefferlisten et cetera. Was Jobbörsen aber nicht liefern, sind vergleichbare Daten und die Verbindung zum Bewerbermanagementsystem. Ohne diese Verbindung und ohne Vergleichbarkeit (gleiche Datenstruktur für alle Jobbörsen) sind diese Daten für die gezielte Steuerung des Prozesses weitgehend nutzlos. Für zeitgemäßes Recruiting Analytics werden Daten aus beiden Quellen im Data Warehouse miteinander verknüpft. Bewerbungen über eine bestimmte Jobbörse werden zum Beispiel mit einer ID versehen und sind so (natürlich datenschutzkonform) im Bewerbermanagementsystem als solche nachverfolgbar. Das Unternehmen kann erkennen, wie weit Bewerbende von der Jobbörse X im Vergleich zu solchen von der Jobbörse Y im Bewerbungsverfahren kommen. Auch Webanalysetools wie Google Analytics können zusätzliche recruitingrelevante Daten liefern: etwa um die Vorgänge auszuleuchten, die sich vor dem Klicken des Bewerbungsbuttons abspielen (zum Beispiel bei der Bewerbung über die Karriereseite oder bei Social-Media-Kampagnen). Unternehmen müssen den Prozess kontinuierlich optimieren Drei Fallbeispiele zu verschiedenen Recruiting-Fragestellungen (siehe Kästen) zeigen: Mit gutem Recruiting Analytics ist das Recruiting dauerhaft in der Lage, den Prozess kontinuierlich zu optimieren und sein Standing in der Unternehmensorganisation einschneidend zu verbessern. Der Weg dahin ist lang, aber ohne Alternative. Sonst droht das Recruiting zur letzten analogen Insel im digitalen Meer der Unternehmensfunktionen und damit zum Problemfall zu werden. Posting-Performance in Blick haben Situation Es kommt immer wieder vor, dass Anzeigen auf Jobbörsen nicht wie gewohnt performen. Das kann daran liegen, dass der Titel oder Text der Anzeige nicht funktioniert. Es kann aber auch sein, dass die falschen Kanäle ausgewählt wurden. Wichtig ist, die Performance der Anzeige in den ersten Tagen nach Veröffentlichung im Blick zu behalten, um zu verhindern, dass am Ende der Laufzeit nicht genügend Bewerbungen da sind und die Anzeige (zulasten der Time-toHire) erneut geschaltet werden muss. Weg Grundlage für das Dashboard sind in diesem Fall historische Daten. Anhand dieser Daten können Unternehmen per Knopfdruck erkennen, dass eine vergleichbare Anzeige auf demselben Kanal für dieselbe Zielgruppe tatsächlich früher besser performt hat – und mögliche Schwachstellen identifizieren, zum Beispiel einen falschen Jobtitel. Oder das Recruiting erkennt anhand der Daten, dass eine frühere Schaltung auf einer anderen Jobbörse bessere Ergebnisse gebracht hat. Erkenntnis und Nutzen Schlecht performende Anzeigen gehen auf Kosten von Time-to-Hire und Cost per Qualified Applicant. Gerade im laufenden Betrieb ist es wichtig, schnell an belastbare Informationen zu Daten heranzukommen, die Auskunft über mögliche Fehlerquellen ermöglichen. Fallbeispiel drei
RkJQdWJsaXNoZXIy Mjc4MQ==