惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

大猫的无限游戏
大猫的无限游戏
S
SegmentFault 最新的问题
The Cloudflare Blog
博客园_首页
WordPress大学
WordPress大学
有赞技术团队
有赞技术团队
人人都是产品经理
人人都是产品经理
爱范儿
爱范儿
罗磊的独立博客
酷 壳 – CoolShell
酷 壳 – CoolShell
钛媒体:引领未来商业与生活新知
钛媒体:引领未来商业与生活新知
Jina AI
Jina AI
美团技术团队
博客园 - 【当耐特】
博客园 - Franky
T
Tailwind CSS Blog
雷峰网
雷峰网
小众软件
小众软件
阮一峰的网络日志
阮一峰的网络日志
Apple Machine Learning Research
Apple Machine Learning Research
Last Week in AI
Last Week in AI
V
V2EX
让小产品的独立变现更简单 - ezindie.com
让小产品的独立变现更简单 - ezindie.com
博客园 - 三生石上(FineUI控件)

Все публикации подряд на Хабре

Ловим музу за клавиатуру: как айтишнику стать автором Что умеет Midjourney в 2026? Мой немного грустный разбор этого шикарного инструмента Никто не любит писать тесты, но ИИ может исправить это IPv8 выглядит как мечта. Поэтому почти наверняка не взлетит Производители вернули в продажу материнки с DDR3. Что происходит? Управление агентом с телефона через Telegram теперь в KodaCode От координации к лидерству: как меняется роль руководителя разработки Я сделала родителям бизнес вместо пенсии: зарабатываем 70 тысяч, мама не даёт продать В три раза быстрее приемка товара и оптимизация трудозатрат на 73%: как «РСТ-Инвент» помог Gulliver Group ИИ-шечный мир победил? О влиянии искусственного интеллекта на игропром Кремль снижает давление на Телеграмм пока Европа строит интернет по паспорту Как CEO, CTO и CIO за 8 часов собрали ИИ-директора, который умеет держать позицию под давлением Как (не) потерять домен за выходные Вместо 8 разных VPS: как я организовал практику студентам на одном сервере Почему твой Open Source проект не замечают? R&D: искусство управления неопределенностью в разработке AI-дефляция: вакансий для разработчиков больше, а рост зарплат — худший за 15 лет Мы отдали управление роботами OpenClaw. Что из этого вышло Галактический ID: система идентификации для всех форм разумной жизни Шесть основ бизнес-анализа: начинаем с вопроса «Кто в игре?» Код-ревью, в котором дело не в коде Данные переехали. Команда — нет Системной подход к сдаче OSWE в 2025 Почему комната управления реактором покрашена в цвет морской пены 4 YAML-файла вместо PySpark: как аналитикам строить пайплайны без разработчиков LLM-агент для поиска свободных доменов: автоматизируем подбор Когда, зачем и как правильно начинать новую сессию в Claude Code? Как я заставил нейросеть писать макросы для FreeCAD Анатомия ИИ‑агента для подбора персонала. От тысячи резюме к топ‑10 за минуты Опыт разработчика как экономика внимания
Почему ваша HR-аналитика бесполезна и как научиться задав...
Natalia_Prok · 2026-05-01 · via Все публикации подряд на Хабре

Уровень сложностиПростой

Время на прочтение4 мин

Охват и читатели759

Мнение

Всем привет!

Меня зовут Прокопович Наталья, я руковожу направлением зарплатной аналитики в Сбере и работаю на стыке HR, данных и бизнеса. Также являюсь амбассадором исследовательских подходов в people analytics. Еще преподаю в МГИМО и пишу о том, как превращать данные в практические решения для бизнеса. Сегодня поговорим о базе вопросах, с которыми к нам приходят.

Многие современные компании напоминают адептов карго-культа: они возводят алтари из BI-систем, приносят в жертву миллионы на сбор метрик и рисуют дашборды, надеясь, что боги эффективности ниспошлют им правильные решения. В целом, компании продолжают принимать катастрофические решения не потому, что у них «мало данных», а потому, что они используют аналитику как «одеяло безопасности», пытаясь легитимизировать интуицию руководства вместо того, чтобы заниматься реальным исследованием.

Как раз HR-аналитика - это не отчеты. Это процесс принятия качественных управленческих решений.

В основе практически любой аналитической неудачи лежит «плохой вопрос». Если вы неправильно определили проблему на старте, никакие нейросети и продвинутая статистика не спасут ваш бюджет, который вы потратили.

Ошибка №0: Почему математика не спасет плохой вопрос

В методологии доказательного менеджмента (Evidence-Based Management) аналитика - это строгая цепочка. Но, вопреки линейным представлениям новичков, это итеративный процесс с внутренними циклами:

  1. Вопрос (постановка «отвечаемого» вопроса - answerable question).

  2. Гипотезы (пространство альтернативных объяснений).

  3. Данные (сбор под конкретные задачи).

  4. Анализ (проверка гипотез).

  5. Вывод (интерпретация).

  6. Решение (управленческое действие).

Ошибки аналитики очень часто возникают не в математике, не в статистике и не в BI, а на самом первом этапе - когда организация неправильно определяет, что именно она хочет понять.

Принцип «Неправильный вопрос → Неправильное решение» означает, что аналитик, покорно взявший в работу сырой запрос, просто помогает организации быстрее и дороже совершить ошибку.

Ловушка «Сырого запроса»

Профессиональный аналитик не «берет задачу в работу». Он проводит деконструкцию. То, что менеджеры называют «задачей», обычно является «сырым управленческим запросом» - смесью тревоги и политики.

Каждый такой запрос содержит пять слоев, которые нужно «распаковать». Приведу гиперболизированный пример:

  1. Симптом: «у нас падает вовлеченность».

  2. Эмоция: паника руководителя из-за цифр в отчете.

  3. Готовое решение: «нам нужен тимбилдинг».

  4. Скрытая гипотеза: «если мы попрыгаем в мешках, производительность вырастет».

  5. Политический интерес: необходимость оправдать расходы перед акционерами.

Когда к вам приходят с фразой «Нам нужно повысить вовлеченность», вы обязаны задать вопросы: «Где именно она падает?», «У кого?», «По сравнению с чем?», «Какое конкретное решение вы планируете принять по итогам?» и, наконец, «Почему это важно для бизнеса именно сейчас?». Без этих границ вы занимаетесь не аналитикой, а «BI-галлюцинациями».

Факт против интерпретации

Интеллектуальная честность аналитика проверяется умением отделять наблюдаемые факты от их субъективной оценки. Любимый опять же гиперболизированный аттракцион - «Молодежь не хочет работать».

  • Факт: У сотрудников до 25 лет текучесть кадров выше среднего показателя по компании.

  • Интерпретация: «Они инфантильны, ленивы и нелояльны».

  • Решение: «Усилить контроль, штрафы и отбор на входе».

Если аналитик соглашается с этой логикой, он просто обслуживает предвзятость подтверждения. Эксперт по доказательному менеджменту обязан выдвинуть альтернативные гипотезы для того же факта, например:

  • Зарплатная вилка не конкурентна именно для этой группы.

  • Система адаптации рассчитана на людей с другим бэкграундом.

  • Стиль «директивный хаос»токсичен для поколения Z.

  • Разрыв между обещаниями рекрутера и реальностью.

Методика «3 гипотезы + 1 критическая»

Чтобы не стать жертвой аналитического театра, используйте методику «3+1». Для любого бизнес-симптома сформулируйте три стандартных объяснения (например: процессы, деньги, люди) и одну «запретную» (критическую) гипотезу.

Шаблон гипотезы: «Если [условие], то [результат], особенно у [группа]».

Критическая гипотеза (H4) - это то, что мы хотим игнорировать. Например: «Они бы все равно ушли, что бы мы ни делали, из-за структурного сдвига на рынке труда». Проверка такой гипотезы требует интеллектуального мужества, так как она может доказать, что планируемое «дорогое вмешательство» абсолютно бесполезно.

Аналитическое айкидо

«Плохой заказчик» по-вашему мнению - это норма. Ваша роль - «профессионализировать» его запрос, используя приемы «аналитического айкидо».

Тип запроса

Как это звучит

Риск для бизнеса

Стратегия «Айкидо»

Решение вместо проблемы

«Нужно повысить вовлеченность»

Аналитика обслуживает случайное действие.

«Какое решение вы примете на основе этих цифр?»

Причина вместо вопроса

«Люди уходят из-за денег»

Игнорируются реальные факторы, бюджет сливается на пересмотры.

«Давайте проверим эту версию как одну из четырех возможных».

Слишком широкий запрос

«Разберитесь с текучестью»

Анализ без границ, «смерть от Excel».

Уточнение сегмента, периода и конкретного бизнес-эффекта.

Политический запрос

«Подтверди, что программа сработала»

Аналитика как инструмент манипуляции.

«Чтобы вывод был устойчив к вопросам заказчика, давайте проверим и альтернативы».

Важный нюанс: В этой игре всегда есть скрытый участник - это рядовой сотрудник, который в итоге испытает на себе последствия вашего «анализа». Если вы ошиблись в вопросе, именно он пострадает от внедрения ненужных KPI.

В общем, я для себя свела первичный бриф почти до 6 вопросов, от которых потом можно сплясать:

  1. Что вы хотите понять или решить?

  2. Какое конкретно управленческое решение будет принято по итогам анализа?

  3. Кто является конечным бенефициаром этого решения?

  4. Каковы границы проблемы (какая группа сотрудников, какой период)?

  5. Какие объяснения (гипотезы) у вас уже есть?

  6. Как мы поймем, что ответ полезен для бизнеса?

Заключение

В аналитике правит принцип "Garbage in → garbage out" . Если на вход подана неверная интерпретация реальности, на выходе вы получите математически безупречное, но абсолютно бесполезное или даже вредное решение.

В следующий раз, когда вам принесут «очевидную причину» или «готовое решение», сделайте паузу. Проявите когнитивную гигиену. Спросите себя: «А какую проблему мы на самом деле решаем, и кто пострадает, если мы ошибаемся?». Возможно, этот вопрос станет самым ценным активом вашей компании в этом году.