Datadriven rekrytering börjar ofta vid ansökningar, intervjuer och time-to-hire. Då saknas en viktig del av tratten: vilka delar av kandidatmarknaden ni faktiskt har sett. Teamtailor är starkt på processrapportering. Yena kan äga datan före pipeline.
Luckan som en allmän systemsida lämnar
Konkurrenternas guider fokuserar på time-to-hire, källor och konvertering. De måtten är användbara men börjar sent. Den här sidan lägger till discoverylagret och visar hur searchteam kan se om de undersökt rätt marknad.
Gör uppdraget till granskningsbara belägg
Bestäm vilka beslut varje mätetal ska ändra. Om täckning per segment är låg breddar ni marknaden. Om många profiler saknar belägg ändrar ni söklogiken. Om relevanta personer avstår av samma skäl ändrar ni erbjudandet.
- Marknadsdata: Segment, täckning, källor och luckor
- Evidensdata: Fakta, osäkerhet, expertgranskning och korrigering
- Relationsdata: Budskap, svar, invändningar och nästa steg
Bygg en marknad, inte en namnlista
Skapa segment per bransch, rollfamilj, geografi, senioritet och övergångshypotes. Registrera profilens källa, kontrollerat belägg, osäkerhet och granskningsbeslut. Håll persondata på den minsta nivå som behövs.
Koppla svar till den hypotes som budskapet testade. Neutral eller korrigerande respons är också lärande. Optimera inte öppningsgrad genom sensationella ämnesrader; följ kvalitet, invändningar och relation.
| Område | Belägg | Beslut |
|---|---|---|
| Marknadsdata | Segment, täckning, källor och luckor | Styr nästa search |
| Evidensdata | Fakta, osäkerhet, expertgranskning och korrigering | Styr shortlist |
| Relationsdata | Budskap, svar, invändningar och nästa steg | Styr outreach och CRM |
En fyra veckor lång sprint för aktiv kandidatsökning
Vecka ett beskriver rekryterare och rekryterande chef resultat, miljö, beslut och granskningsbara belägg. Hårda villkor skiljs från kunskap som kan byggas efter anställning.
Vecka två delar teamet upp företag och närliggande roller i delmarknader. För varje profil sparas källa, belägg, öppen fråga och övergångshypotes. En ämnesexpert granskar det första urvalet innan volymen ökar.
Vecka tre får små grupper olika personliga budskap. Kontakten beskriver problem, mandat och den kontrollerade anledningen till relevans. Automatisering beslutar inte själv vem som ska kontaktas.
Vecka fyra blir svar och invändningar marknadsdata. Teamet ändrar uppdrag, erbjudande eller geografi innan det skalar. ATS och CRM stödjer relationen efter upptäckt; de skapar inte kandidatmarknaden.
Gör en separat beläggsgranskning före shortlisten. Skilj faktum från hypotes för varje person, ange källa och datum och beskriv den viktigaste luckan. Ett känt bolag, en liknande titel eller en AI-poäng bevisar inte personligt ansvar. Kandidat och ämnesexpert ska kunna rätta en felaktig tolkning.
Efter samtalet sparar ni kandidatens rättelser, preferenser och grunden för en möjlig framtida kontakt. CRM ska hjälpa teamet att minnas relationen, inte starta om en kampanj automatiskt. En invändning, inaktuell uppgift eller irrelevant roll ska stoppa outreach.
Ge uppdragsgivaren mer än namn. Visa vilka delmarknader som granskats, vilka belägg som finns, vad som ännu inte kan bekräftas och varför vissa profiler inte kontaktades. Då blir shortlisten ett förklarbart beslut och nästa search blir bättre.
Mät täckning och beslutskvalitet
En bra dashboard visar marknadstäckning, granskade profiler, belägg, svarskvalitet, orsaker till avslag, ändringar i briefen och sedan pipelineutfall. Volym utan kontext är inte datadriven rekrytering.
Mät först marknadstäckning, underlagskvalitet, hypoteser, personlig kontakt och kandidaternas korrigeringar. Mät sedan ATS-flödet. Data ska förbättra nästa beslut, inte bara beskriva aktivitet i en redan fylld pipeline.
Källor och marknadskontext
Praktiska frågor
Vilket sourcingmått bör komma först?
Marknadstäckning per relevant segment, följt av andelen profiler med kontrollerbara belägg.
Är svarsfrekvens tillräcklig?
Nej. Dela svar efter kvalitet, invändning och den hypotes som testades.
Hur kopplas ATS-data in?
Efter discovery för beslutstid, stegkonvertering, feedback, erbjudande och anställning.
Ska AI-poäng styra urvalet?
Nej. Poäng behöver förklaring, kontroll och ett mänskligt beslut.