AI w rekrutacji · Warsztat 7

Raportowanie i analityka rekrutacji

Zamień eksport z ATS w decyzje: lejek, wskaźniki i raporty, które ktoś naprawdę czyta.

Po co rekruterowi dane

Rekrutacja bez danych to opowiadanie anegdot: „ten portal chyba działa", „kandydaci jakoś odpadają po rozmowach". Z danymi te same zdania brzmią inaczej: „portal X dał nam 3 z 5 ostatnich zatrudnień przy najniższym koszcie", „tracimy 78% kandydatów między rozmową a ofertą — dwa razy więcej niż kwartał temu". Druga wersja wygrywa budżet i uwagę zarząduZasada z tego modułu: liczby zbiera arkusz, wzorce znajduje AI, ale interpretacja i decyzja zostają po twojej stronie — dokładnie tak samo jak przy selekcji CV..

Dobra wiadomość: nie potrzebujesz działu analityki. Wystarczy eksport z ATS, arkusz kalkulacyjny i model językowy, który policzy konwersje, znajdzie wąskie gardło i napisze pierwszą wersję raportu. W tym module przechodzimy całą tę ścieżkę. Do modelu wklejaj wyłącznie dane zagregowane lub zanonimizowane: liczby per etap, źródło, stanowisko. Imiona, e-maile i telefony kandydatów nigdy nie są potrzebne do analityki.

Wskaźniki, które warto znać

Zanim cokolwiek policzysz, ustal z zespołem wspólny słownik. Największym wrogiem analityki rekrutacji nie jest brak danych, tylko dwie osoby liczące „czas zatrudnienia" na dwa różne sposobyTime-to-fill liczy się od otwarcia rekrutacji do przyjęcia oferty; time-to-hire — od pierwszego kontaktu z kandydatem, który ostatecznie przyjął ofertę, do jego decyzji. Pierwszy mierzy proces, drugi doświadczenie zwycięskiego kandydata..

Orientacyjne poziomy — traktuj jako punkt odniesienia, nie normę; rynek, seniority i branża mocno je przesuwają.
Wskaźnik Co mierzy Jak policzyć Orientacyjnie
Time-to-fill tempo całego procesu dni od otwarcia wakatu do przyjęcia oferty 30–50 dni
Konwersja lejka szczelność między etapami kandydaci na etapie n+1 ÷ kandydaci na etapie n zależna od etapu
Koszt zatrudnienia efektywność budżetu suma kosztów rekrutacji ÷ liczba zatrudnień bardzo różny
Źródło zatrudnień skąd przychodzą najlepsi zatrudnienia per kanał ÷ wszystkie zatrudnienia polecenia zwykle wygrywają
Akceptacja ofert trafność ofert i widełek oferty przyjęte ÷ oferty złożone 85–90%
cNPS kandydatów doświadczenie procesu % promotorów − % krytyków w ankiecie po procesie dodatni = dobrze
Prompt · słownik wskaźników dla zespołu
Jesteś doświadczonym liderem rekrutacji, który wdrażał analitykę w kilku firmach.

Kontekst: prowadzę zespół rekrutacji w firmie z branży e-commerce, ok. 200 pracowników. Korzystamy z ATS eRecruiter. Do tej pory nie raportowaliśmy nic poza liczbą zatrudnień.

Zadanie: przygotuj słownik 8 wskaźników rekrutacyjnych (m.in. time-to-fill, time-to-hire, konwersje lejka, koszt zatrudnienia, źródło zatrudnień, akceptacja ofert, cNPS). Dla każdego podaj:
- definicję jednym zdaniem, po polsku, bez żargonu,
- dokładny wzór,
- skąd wziąć dane w typowym ATS,
- jedną pułapkę interpretacyjną.

Format wyjścia: tabela z kolumnami Wskaźnik | Definicja | Wzór | Źródło danych | Pułapka. Pod tabelą zaproponuj 3 wskaźniki, od których warto zacząć, i uzasadnij wybór.

Lejek rekrutacyjny: jedna liczba to za mało

Suma aplikacji niczego nie mówi. Dopiero konwersje między etapami pokazują, gdzie proces przecieka. Spójrz na przykładowy lejek jednej rekrutacji — problem nie leży tam, gdzie podpowiada intuicjaNie porównuj swoich konwersji z „benchmarkami z internetu" wprost — inna branża, inne etapy, inna definicja screeningu. Najlepszy punkt odniesienia to twoje własne rekrutacje sprzed kwartału..

Lejek rekrutacyjny: z 240 aplikacji do 6 zatrudnień; najniższa konwersja, 22 procent, między rozmowami a ofertą Aplikacje Selekcja CV Rozmowy Oferty Zatrudnienia 240 96 36 8 6 ↓ 40% ↓ 38% ↓ 22% — wąskie gardło ↓ 75%
Rozmowy wypadają dobrze, oferty są przyjmowane — ale między rozmową a ofertą znika 78% kandydatów. To tu trzeba szukać przyczyny: powolny feedback? za wąskie widełki? za długi proces decyzyjny?
Prompt · analiza lejka i wąskie gardło
Jesteś analitykiem rekrutacji. Pracujesz wyłącznie na danych, które podam — nie zmyślaj brakujących liczb.

Kontekst: poniżej wklejam zanonimizowane dane z ATS dla stanowiska Specjalista ds. sprzedaży (kolumny: etap, liczba kandydatów, mediana dni na etapie).

Zadanie:
1. Policz konwersję między każdą parą sąsiednich etapów.
2. Wskaż jedno wąskie gardło — etap o najniższej konwersji względem pozostałych.
3. Postaw 3 hipotezy przyczyn tego wąskiego gardła i do każdej zaproponuj jeden tani eksperyment, który ją potwierdzi lub obali w 2 tygodnie.
4. Jeśli w danych czegoś brakuje do rzetelnej analizy, wypisz to wprost.

Format wyjścia: tabela konwersji, potem sekcja „Wąskie gardło", potem lista hipotez z eksperymentami.

Dane:
[wklej dane: etap; liczba kandydatów; mediana dni]
Prompt · skuteczność źródeł kandydatów
Jesteś specjalistą od marketingu rekrutacyjnego, który liczy każdą złotówkę.

Kontekst: poniżej dane z ostatnich 6 miesięcy — dla każdego źródła (portal, polecenia, LinkedIn, strona kariery) liczba aplikacji, liczba zatrudnień i poniesiony koszt. Miesięczny budżet na ogłoszenia to 8 000 zł.

Zadanie:
1. Policz dla każdego źródła: koszt aplikacji, koszt zatrudnienia i konwersję aplikacja → zatrudnienie.
2. Uszereguj źródła od najbardziej do najmniej opłacalnego — osobno pod kątem wolumenu i pod kątem jakości.
3. Zaproponuj realokację budżetu na kolejny kwartał z konkretnymi kwotami i uzasadnieniem.

Format wyjścia: tabela wyników, potem 3 rekomendacje po jednym zdaniu każda, na końcu jedno ryzyko proponowanej zmiany.

Dane:
[wklej dane: źródło; aplikacje; zatrudnienia; koszt]

Arkusz jako baza: porządek przed analizą

Eksport z ATS rzadko nadaje się do analizy od razu: statusy nazwane po swojemu, puste daty, kandydaci policzeni podwójnie. Model językowy świetnie sprawdza się jako pomocnik przy sprzątaniu danych i pisaniu formuł — pod warunkiem, że opiszesz mu strukturę arkusza zamiast wklejać dane osobowe.

Prompt · czyszczenie eksportu z ATS
Jesteś analitykiem danych HR z doświadczeniem w sprzątaniu brudnych eksportów.

Kontekst: wklejam zanonimizowany eksport CSV z ATS Traffit. Kolumny: id kandydata, stanowisko, status, data aplikacji, data zmiany statusu, źródło. Statusy są niespójne (np. „rozmowa 1", „interview", „spotkanie z HM" to ten sam etap).

Zadanie:
1. Zmapuj wszystkie statusy na pięć kanonicznych etapów: aplikacja / selekcja CV / rozmowa / oferta / zatrudnienie. Pokaż tabelę mapowania do mojej akceptacji.
2. Wypisz problemy jakości danych: duplikaty, braki dat, daty w złej kolejności.
3. Zwróć poprawiony CSV z dodatkową kolumną „etap kanoniczny".

Format wyjścia: najpierw tabela mapowania statusów, potem lista problemów, na końcu poprawiony CSV w bloku kodu.

Dane:
[wklej zanonimizowany CSV]
Prompt · formuły do arkusza
Jesteś ekspertem od Arkuszy Google i pomagasz rekruterce, która zna podstawy, ale nie pisze skomplikowanych formuł.

Kontekst: mam arkusz „Rekrutacje 2026" z kolumnami: A — id kandydata, B — stanowisko, C — etap kanoniczny, D — data aplikacji, E — data zatrudnienia (pusta, jeśli brak), F — źródło.

Zadanie: napisz gotowe formuły, które policzą:
1. medianę time-to-fill w dniach dla zatrudnionych kandydatów,
2. liczbę aktywnych kandydatów na każdym etapie,
3. konwersję z etapu „rozmowa" do etapu „oferta",
4. udział każdego źródła w zatrudnieniach.

Do każdej formuły dodaj objaśnienie jednym zdaniem i jedną pułapkę (puste komórki, format dat, wartości tekstowe).

Format wyjścia: tabela z kolumnami Wskaźnik | Formuła | Objaśnienie | Pułapka. Formuły podaj w polskiej lub angielskiej notacji funkcji — zapytaj mnie najpierw, której używa mój arkusz.

Raporty, które ktoś czyta

Raport rekrutacyjny ma jednego wroga: nadmiar. Zarząd czyta go trzy minuty, hiring manager — trzydzieści sekund. Dlatego każdy raport w tym module ma limit długości i kończy się decyzją, której od odbiorcy potrzebujesz. Ustal też stały rytm: pipeline co tydzień, pełny raport co miesiąc, trendy co kwartał.

Przepływ danych: eksport z ATS, czyszczenie w arkuszu, analiza z AI, na końcu raport i decyzja człowieka Eksport z ATS surowe dane Arkusz anonimizacja danych Analiza z AI lejek, trendy, hipotezy Raport i decyzja człowiek Rytm: pipeline co tydzień · pełny raport co miesiąc · przegląd trendów co kwartał
Ostatnie ogniwo jest czerwone z tego samego powodu co zawsze: AI liczy i podpowiada, ale wnioski do zarządu i decyzje o procesie podpisujesz ty.
Prompt · miesięczny raport dla zarządu
Jesteś dyrektorem HR, który pisze zwięzłe raporty dla zarządu. Zarząd poświęca na lekturę 3 minuty i nie zna rekruterskiego żargonu.

Kontekst: poniżej zagregowane dane rekrutacyjne za czerwiec 2026 oraz miesiąc poprzedni (do porównania). Firma: branża logistyczna, 350 osób.

Zadanie: napisz raport na maksymalnie jedną stronę:
1. Pięć liczb nagłówkowych z porównaniem miesiąc do miesiąca (strzałka i procent zmiany).
2. Trzy wnioski — każdy jedno zdanie, poparty konkretną liczbą z danych.
3. Dwa ryzyka na kolejny miesiąc.
4. Jedna decyzja, której potrzebuję od zarządu, z rekomendacją.

Format wyjścia: markdown z nagłówkami sekcji. Nie dodawaj nic ponad te cztery sekcje. Jeśli dane nie pozwalają czegoś policzyć, napisz „brak danych" zamiast szacować.

Dane:
[wklej zagregowane dane za dwa miesiące]
Prompt · tygodniowy update dla hiring managera
Jesteś rekruterem prowadzącym i piszesz cotygodniowy status do hiring managera. On czyta go w 30 sekund na telefonie.

Kontekst: rekrutacja na stanowisko Księgowa / Księgowy, tydzień 28. Poniżej stan pipeline'u obecny i sprzed tygodnia.

Zadanie: napisz update złożony z trzech sekcji:
1. „Stan": liczba kandydatów na każdym etapie.
2. „Zmiany": co się wydarzyło od zeszłego tygodnia (nowe rozmowy, odpadnięcia, oferta).
3. „Potrzebuję od ciebie": konkretne działania z terminami, np. zaległy feedback po rozmowach z podaniem liczby dni oczekiwania.

Maksymalnie 150 słów, zero uprzejmościowych wstępów, ton partnerski. Format: trzy krótkie sekcje z pogrubionymi nagłówkami.

Dane:
[wklej pipeline: etap; teraz; tydzień temu; uwagi]
Prompt · projekt dashboardu rekrutacyjnego
Jesteś konsultantem BI, który buduje proste dashboardy w Looker Studio na danych z Arkuszy Google.

Kontekst: mam arkusz z oczyszczonymi danymi rekrutacyjnymi (kolumny: id, stanowisko, etap kanoniczny, data aplikacji, data zatrudnienia, źródło, koszt źródła). Odbiorcy dashboardu: zespół rekrutacji (co tydzień) i zarząd (co miesiąc).

Zadanie: zaprojektuj dashboard złożony z 6 elementów. Dla każdego podaj:
- nazwę i pytanie biznesowe, na które odpowiada,
- typ wizualizacji (liczba, wykres słupkowy, liniowy, tabela) z uzasadnieniem jednym zdaniem,
- wymiary i metryki z moich kolumn,
- filtry (zakres dat, stanowisko).

Ułóż elementy od ogółu (liczby nagłówkowe) do szczegółu (tabela rekrutacji). Na końcu dodaj instrukcję podłączenia arkusza do narzędzia krok po kroku, maksymalnie 6 kroków.

Format wyjścia: lista numerowana 1–6, potem sekcja „Podłączenie danych".

Głos kandydata w liczbach

Lejek mówi, ilu kandydatów tracisz; ankieta po procesie mówi dlaczego. Odpowiedzi otwarte to najcenniejsza i najrzadziej czytana część danych — bo ręczne przejrzenie stu wypowiedzi zajmuje pół dnia. Modelowi zajmuje minutę, a tematy i częstości policzy przy okazji.

Prompt · analiza ankiet kandydatów
Jesteś badaczem candidate experience. Analizujesz odpowiedzi otwarte z ankiet rzetelnie: nie wygładzasz krytyki i nie wymyślasz opinii, których nie ma w danych.

Kontekst: poniżej zanonimizowane odpowiedzi kandydatów na pytanie „Co poprawiłbyś w naszym procesie rekrutacji?" po rekrutacjach na stanowiska w dziale obsługi klienta, zebrane w okresie Q2 2026.

Zadanie:
1. Pogrupuj odpowiedzi w maksymalnie 6 tematów i policz, ile wypowiedzi dotyczy każdego.
2. Oceń wydźwięk każdego tematu (pozytywny / neutralny / negatywny).
3. Zacytuj dosłownie po jednej wypowiedzi ilustrującej trzy najczęstsze tematy.
4. Zaproponuj 3 szybkie usprawnienia możliwe do wdrożenia w miesiąc, powiązane z tematami.

Format wyjścia: tabela Temat | Liczba głosów | Wydźwięk, potem cytaty, potem lista usprawnień.

Dane:
[wklej odpowiedzi, jedna na linię, bez danych osobowych]

Dane kandydatów a prawo

Analityka rekrutacji działa na danych osobowych, więc dwa akty prawne wyznaczają jej granice. Po pierwsze RODO: dane kandydata przetwarzasz tylko przez czas rekrutacji, a dłużej — na potrzeby przyszłych procesów — wyłącznie za jego odrębną zgodą, w praktyce zwykle nie dłużej niż 12 miesięcyDo raportów i trendów historycznych zostaw sobie dane zagregowane (liczby per etap, źródło, miesiąc) — te nie są danymi osobowymi i możesz je trzymać bezterminowo. Sprawdź w swoim ATS, czy automatycznie usuwa profile po upływie retencji.. Po drugie unijny AI Act: systemy AI używane do rekrutacji i selekcji kandydatów są zaklasyfikowane jako systemy wysokiego ryzyka, a obowiązki dla nich zaczynają obowiązywać od sierpnia 2026AI Act wszedł w życie w sierpniu 2024, zakazy najbardziej szkodliwych praktyk stosuje się od lutego 2025, a obowiązki dla systemów wysokiego ryzyka — w tym narzędzi do selekcji kandydatów — od 2 sierpnia 2026. Analityka na danych zagregowanych to niskie ryzyko; wysokie zaczyna się tam, gdzie AI ocenia lub filtruje konkretne osoby..

Praktyczna reguła na dziś: raportowanie i analiza trendów na liczbach — śmiało. Automatyczna ocena konkretnych kandydatów przez AI — tylko z nadzorem człowieka, udokumentowana i zgodna z polityką firmy.

Ćwiczenie

Weź eksport z jednej zakończonej rekrutacji ze swojego ATS. Usuń dane osobowe, zostaw etapy i daty. Najpierw zapisz na kartce, gdzie twoim zdaniem był najsłabszy punkt procesu. Potem uruchom prompt „analiza lejka i wąskie gardło" i porównaj: czy dane wskazały to samo miejsce, które podpowiadała intuicja?

Masz 15 minut. W parach omówcie: u kogo intuicja się pomyliła i co z tego wynika dla waszych raportów.

Wdrożenie w poniedziałek

Po warsztacie odhacz u siebie: