Каждый четвёртый менеджер по продажам не проходит испытательный срок, особенно, если речь идет о работе в финансовых, страховых компаниях, инвестиционных структурах. Один из четырёх выходит на работу, не справляется и уходит: либо сам, либо его “просят по собственному”. Для бизнеса это потраченное время рекрутера, зарплата за испытательный срок, онбординг, обучение, упущенная клиентская база и вновь открытая вакансия. Расходы, которые множат расходы.

При масштабном найме — 400–500 sales-специалистов в год — это уже серьезные затраты и реальные деньги. Команды рекрутмента пытаются с этим справиться: строят чек-листы, прогоняют кандидатов через многоэтапные интервью, вводят профили идеального кандидата. Всё это работает, но на небольшом потоке. Человеческий глаз (и мозг) не может одновременно удерживать сотни кандидатов, сравнивать паттерны по историческим данным и выявлять неочевидные корреляции. Именно здесь появляется нестандартная и интересная задача для ML и искусственного интеллекта.

Данные для рекрутинга

Крупная компания, которая нанимает sales-менеджеров несколько лет подряд, накапливает ценный массив. Но лежит он обычно разрозненно: резюме — в базе, комментарии рекрутеров — в произвольных текстовых полях, данные по результатам испытательного срока — в HR-системе, клиентские показатели по итогам испытательного срока или работы — у руководителей отделов продаж.

Если собрать это в одну таблицу, появляется возможность задать простой, но мощный вопрос: какие характеристики кандидата на входе предсказывают, что он заведёт клиентов за испытательный срок?

Слово «простой» здесь обманчивое. Формально задача звучит прямолинейно — бинарная классификация: завёл клиентов / не завёл за время испытательного срока. Но за этим стоят четыре типа данных, каждый со своими проблемами.

1. Резюме — это свободный текст. Один кандидат пишет «менеджер по работе с клиентами», другой — «sales manager», третий — «развитие клиентской базы b2b». Формат разный: у кого-то структурированные поля, у кого-то сплошное описание. Прежде чем извлекать из этого сигналы, нужно привести всё к единому виду.
2. Комментарии рекрутеров — ещё сложнее. Это живые заметки после интервью: с опечатками, транслитом, смешанным русским и английским. Один рекрутер пишет «нет чёткой мотивации», другой — «не понимает трек развития, странный», третий ставит просто «ок» и идёт дальше. Качество этих текстов сильно зависит от человека и от того, насколько он торопился.
3. Воронка найма — многоэтапная: интервью с рекрутером, с нанимающим менеджером, служба безопасности. На каждом этапе есть решение (прошёл / не прошёл) и текстовый комментарий. Это ценные данные, но их нужно собрать и связать между собой по каждому кандидату.
4. Наконец, целевая переменная — клиенты, заведённые за испытательный срок — известна только по тем, кого в итоге наняли и кто доработал до конца испытательного срока. По всем отказникам исхода нет. Это классическая проблема смещённой выборки: модель учится на тех, кого рекрутер уже посчитал достойными, а не на полном потоке кандидатов. Если в прошлом рекрутеры по какой-то причине системно отсеивали определённый профиль — модель никогда не узнает, что среди них были потенциально сильные люди.

Опыт рекрутера против машинного обучения

Интуитивно кажется, что опытный рекрутер и так знает, кто пройдёт испытательный срок. Отчасти да: у хорошего рекрутера есть профессиональное “чутье”, он распознает паттерны, которые уже видел на сотнях интервью.

Но есть одно НО: описание вакансии, которое пишет нанимающий менеджер, часто не совпадает с профилем людей, которых он в итоге выбирает. А профиль людей, которых он выбирает, может не совпадать с теми, у кого в итоге получается работать. Это не злой умысел: мы неосознанно тяготеем к знакомым паттернам, к людям, похожим на себя, к тем, кто хорошо “продал себя” на интервью.

Второй момент: паттерн успеха не всегда очевидный. Один из кейсов из реальной практики: кандидаты из одного конкретного банка проходят испытательный срок с вероятностью около 80%, а из другого, казалось бы, похожего банка — заметно хуже. Причина обнаруживается только на большой выборке, где видны сотни факторов. Человек, ведущий 30–50 наймов в год, просто физически не накопит такую статистику в голове.

ML-модель смотрит на все данные одновременно, не устаёт, не испытывает симпатии к кандидату и не вспоминает прошлый удачный найм как образец.

Как устроен ML для найма

Задача делится на несколько последовательных шагов.

1. Сбор и подготовка данных. На входе — исторические данные воронки: кто подавался, кого пригласили, что говорили рекрутеры на интервью, кого наняли, кто прошёл испытательный срок, кто нарастил клиентскую базу. Всё это объединяется в единый датасет. Персональные данные обезличиваются до обработки.
2. Разметка целевой переменной. Успех определяется конкретно: кандидат завёл клиентов за период испытательного срока. Это измеримый факт, а не субъективная оценка. Дополнительно можно разметить более долгосрочный результат  — рост грейда, динамику клиентской базы после испытательного срока — и использовать его для валидации.
3. Обработка текстов. Резюме и комментарии рекрутеров прогоняются через NLP-пайплайн: нормализация, лемматизация, извлечение значимых сигналов — опыт в конкретных компаниях и отраслях, продолжительность работы на позициях, риск-сигналы из интервью. Современные языковые модели позволяют извлекать семантику даже из неоднородного, разговорного текста.
4. Обучение модели. На подготовленных данных обучается классификатор, который предсказывает вероятность успешного прохождения испытательного срока. Тип модели выбирается под задачу: градиентный бустинг хорошо работает на смешанных данных (текст + структура), нейросетевые подходы дают больше при доминировании текстовых фичей.
5. Объяснимость. Одно из ключевых требований в HR-контексте — модель не может быть “чёрным ящиком”. Для каждого кандидата система показывает топ-3 фактора, которые подняли или снизили его вероятность успеха. Рекрутер видит не просто «78%», а «высокая вероятность связана с опытом в аналогичных продуктах и стажем на предыдущем месте больше двух лет». Это важно и для доверия к инструменту, и для юридической корректности решений.
6. Интеграция в ATS. Вероятность успеха и объясняющие факторы отображаются прямо в карточке кандидата. Рекрутер видит ранжированный список входящих резюме. Инструмент собирает обратную связь — кого в итоге взяли, что произошло — и постепенно дообучается на новых данных.

Прежде чем говорить о модели, стоит честно оценить данные. Несколько вопросов, которые определяют, насколько задача реалистична:

• Сколько данных с известным исходом. Модель учится на примерах: вот кандидат, вот что о нём было известно на входе, вот что произошло на испытательном сроке. Чем больше таких размеченных примеров — тем точнее прогноз. 7000 резюме — хорошая стартовая точка, но только если по большинству из них известно, чем закончился испытательный срок. Если половина базы осталась без исхода — потому что люди ещё работают, ушли без фиксации результата или данные просто не были собраны — обучающей выборки реально меньше, и это скажется на качестве.
• Насколько однородны роли. Если 90% резюме в базе — это менеджеры по продажам одного профиля, модель хорошо выучит, что предсказывает успех именно для них. Если в тот же датасет попали операционисты, бэк-офис и разовые найм на проекты — это разные задачи с разными критериями успеха, и смешивать их в одном обучении не стоит. Лучше строить отдельные модели под отдельные роли.
• Насколько чётко определён сам успех. «Завёл клиентов за период испытательног осрока» — это хорошая формулировка, потому что она конкретная и проверяемая. Проблема возникает, когда статус проставлен не по всем: кто-то ещё на испытательном сроке, по кому-то нет данных из CRM, часть уволилась до окончания срока без финальной оценки. Каждая такая запись без исхода либо выпадает из обучения, либо вносит шум. Перед стартом стоит пройтись по базе и понять реальный процент закрытых случаев.
• Данные о тех, кому отказали, недоступны. Это самое неочевидное ограничение. Модель видит только тех, кого рекрутер посчитал достаточно перспективным и нанял. Она не видит тех, кому отказали на втором интервью или ещё раньше. Из-за этого появляется слепое пятно: если рекрутеры годами отсеивали кандидатов с определённым профилем — например, из конкретной отрасли или с нестандартным опытом — модель просто не будет знать, могли ли они преуспеть. Она воспроизведёт логику прошлых решений, включая их ошибки. Это не повод отказываться от модели, но повод знать об ограничении и периодически его проверять.

Где ещё применяется машинное обучение в рекрутинге

Задача прогнозирования успешности найма — не единственный сценарий. Вот несколько смежных, которые решаются похожими методами.

1. Ранжирование резюме на площадке HH. Алгоритмы hh.ru уже давно работают как рекомендательная система: резюме сортируются по релевантности вакансии с учётом поведенческих сигналов (просмотры, отклики, ответы работодателей). Модель учится на том, какие резюме приводили к диалогу и найму. Для работодателя это означает, что первый экран выдачи — взвешенная подборка, отобранная специально для него. Но у этого есть обратная сторона: алгоритм воспроизводит паттерны прошлых наймов, включая их смещения.
2. Автоматический скрининг при массовом найме. В ритейле, логистике, call-центрах — там, где открыты тысячи однотипных вакансий — ML-скрининг снимает нагрузку с рекрутеров на первом этапе. Модель проверяет соответствие базовым требованиям, отсеивает нерелевантные анкеты и приоритизирует тех, кто исторически доходил до стажа. Экономия составляет от нескольких часов в день до нескольких рекрутерских ставок при большом объёме.
3. Анализ текстов интервью. Запись и расшифровка структурированного интервью с последующим NLP-анализом позволяет извлекать сигналы, которые живой рекрутер может пропустить: паузы, неопределённые формулировки, расхождения между заявленным и проверяемым опытом. В корпоративном секторе эти системы уже используются как вспомогательный инструмент при оценке топ-менеджеров как дополнительный слой анализа.
4. Прогнозирование “текучки кадров”. Отдельная задача — не предсказать, кого нанять, а предсказать, кто уйдёт. Модель строится на тех же данных, но целевая переменная другая: удержался ли сотрудник больше года, получил ли повышение, перешёл ли в другую компанию. Это полезно для retention-стратегий: HR видит группу риска раньше, чем сотрудник начинает искать работу.

ML-инструмент в рекрутинге — это не детектор лжи и не замена рекрутеру. Это аналитический слой, который помогает работать с информацией, которую физически невозможно удержать в голове при потоке в несколько сотен кандидатов в год. Но работает он только там, где соблюдаются несколько условий.

Первое — роль должна быть массовой и понятной. Модель учится на исторических примерах: вот люди, которые справились, вот те, кто не справился. Чем больше таких примеров по одной и той же позиции, тем точнее она улавливает паттерн. Менеджер по продажам в финансовой компании — хороший кандидат для такой задачи: роль стандартизирована, критерий успеха измерим, данных накопилось за несколько лет. Директор по стратегическим коммуникациям — плохой: найм раз в несколько лет, критерии размытые, по десяти предшественникам модель ничему не научится.

Второе — успех нужно уметь измерить. Это звучит очевидно, но на практике часто оказывается камнем преткновения. «Завёл клиентов за испытательный срок» — работает, потому что это факт из CRM, он либо есть, либо нет. «Хороший командный игрок», «соответствует ценностям компании», «перспективный» — не работает, потому что это оценка, которая у каждого менеджера своя и измерить её нельзя. Если критерий успеха нельзя вытащить из системы как число или статус — задачу нужно переформулировать, прежде чем браться за модель.

Третье — качество данных важнее их объёма. Тысяча аккуратно заполненных карточек кандидатов с подробными комментариями рекрутеров и известными исходами даст лучший результат, чем пять тысяч записей, где половина полей пустая, комментарии написаны в стиле «норм» или «не то», а по трети кандидатов непонятно, чем закончился испытательный срок. Мусор на входе даёт мусор на выходе — это правило работает в любой аналитике, и ML не исключение.

Финальное решение остаётся за человеком. Модель предлагает вероятность и объяснение, рекрутер принимает решение.

Зачем ML в рекрутинге нужен бизнесу

Рекрутер видит входящие резюме, отсортированные по вероятности успеха на испытательном сроке. Не тратит первый час на ручную разборку почты — смотрит сначала на ТОП.

К каждому кандидату прикреплены объясняющие факторы: что именно в его профиле подняло или снизило оценку. Рекрутер может согласиться с этим или оспорить — и его решение попадёт в обучающую выборку для следующей итерации.

Менеджер по найму видит не только «подходит / не подходит», а конкретные риск-сигналы. Может сфокусировать интервью на зонах, которые модель отметила как сомнительные.

Агрегированная аналитика по воронке найма показывает: на каком этапе теряются сильные кандидаты, откуда исторически приходили лучшие, как меняется качество входящего потока по каналам.

Для компании, которая нанимает 400–500 менеджеров по продажам в год, цифры выглядят так: если справляется только каждый четвёртый, значит, три из четырёх — это потраченное время рекрутера, зарплата за испытательный срок, онбординг и обучение, которые не окупились. Если инструмент помогает сдвинуть этот показатель хотя бы с одного успешного из четырёх до одного из трёх — компания делает на 25–30 лишних наймов в год меньше, быстрее закрывает территории и раньше видит результат в клиентской базе.

Итог

Рекрутер, который ведёт 400 наймов в год, не может держать в голове, из каких компаний исторически приходят люди, которые справляются. Он не видит, что комментарий «слабая мотивация» в заметках трёхлетней давности встречается у 80% тех, кто ушёл сам в первые два месяца. Он не замечает, что кандидаты с опытом меньше двух лет на предыдущем месте стабильно проваливают испытательный срок именно в этой роли.

Модель это видит — если данные собраны и исходы известны.

Sales-найм — одна из немногих HR-задач, где для машинного обучения сходится всё нужное: однородная роль, измеримый критерий успеха и несколько лет накопленной истории. Это не гарантия точного прогноза, но это достаточное основание, чтобы проверить гипотезу на реальных данных.

Хотите понять, насколько такой инструмент применим в вашем процессе найма? Проведём разбор ваших данных и расскажем, с чего можно начать: 

 Оставить заявку в форме ниже |  Написать нам в ТГ