HR-аналитика с ИИ: метрики и отчёты без аналитика

Это Суинчик. Если у вас на руках выгрузка из HRM или просто Excel с увольнениями и наймами, а руководитель спрашивает «какая у нас текучесть и почему люди уходят» — и вы понимаете, что свести это вручную займёт полдня, — этот гайд для вас. Хорошая новость: по оценке McKinsey, на анализ данных и people-аналитику приходится около 15% потенциала генеративного ИИ в HR, и это одна из самых быстрых для запуска задач. То есть посчитать метрики, построить графики и собрать черновик отчёта можно без отдельного аналитика — с обычной таблицей и парой понятных фраз.

Раньше, чтобы получить дашборд по текучести, компании нанимали data-команду и тратили недели на подготовку данных, выбор модели и сборку отчётов (так это описывают и в практике people-аналитики на стеке Azure ML / Power BI). Генеративный ИИ упрощает первый шаг радикально: он сам читает вашу таблицу, считает по ней метрики, рисует графики и пишет человеческий текст с выводами. Но важно понимать границу — ИИ хорош в расчётах и формулировках, а не в принятии решений за вас.

У нас нет прямой интеграции «из коробки» с 1С:ЗУП, HRM или job-бордами — и это нормально. Данные попадают в анализ просто: вы выгружаете отчёт из своей системы (Excel, CSV, выгрузка из HRM, отчёт из системы подбора) и загружаете файл в чат или в базу знаний. Если у вашего сервиса есть открытый API, можно настроить передачу по вебхуку — но базовый и самый быстрый путь это файл.

Перед загрузкой — обезличьте данные (152-ФЗ). Для аналитики метрик ФИО, телефоны, паспорта и адреса не нужны: текучесть и воронка считаются по отделам, датам, статусам и причинам, а не по именам. Замените людей на обезличенные ID (сотрудник_001) или просто удалите лишние колонки.

Вот выгрузка по сотрудникам и увольнениям [файл].
Проверь структуру: какие колонки есть, где пропуски, дубли и странные значения.
Предложи, как привести её к виду, удобному для расчёта текучести и воронки.
Ничего пока не считай — сначала покажи, что не так с данными.

Текучесть — главная метрика удержания. Цена ошибки высокая: по оценкам исследований, замена одного сотрудника обходится примерно в 90–200% его годовой зарплаты с учётом подбора, обучения и потери продуктивности (TechClass, 2025). Поэтому важно видеть не общий процент, а где именно «течёт».

По загруженной таблице посчитай текучесть кадров:
1) общий % за период [квартал/год];
2) по отделам и по должностям;
3) отдельно добровольные и инициированные компанией уходы;
4) топ-5 причин увольнения.
Построй график динамики по месяцам и таблицу по отделам.
Формулу текучести и допущения распиши явно.

Время найма (time-to-hire) и конверсия воронки показывают, где подбор буксует. Если из 100 откликов до оффера доходит 2, узкое место либо в источнике трафика, либо на каком-то этапе. ИИ посчитает конверсию между этапами и подсветит проседающий шаг.

По данным подбора посчитай:
1) среднее и медианное время закрытия вакансии (от публикации до выхода);
2) воронку: отклик → скрининг → интервью → оффер → выход, с конверсией на каждом шаге;
3) сравни воронку по разным вакансиям/отделам.
Покажи воронку графиком и отметь этап с самой большой потерей кандидатов.
Где данных мало для вывода — честно скажи об этом.

Не все каналы одинаково полезны. Один источник даёт много откликов, но мало доходящих до оффера; другой — мало, но качественных. ИИ сведёт каналы в одну таблицу и покажет, где деньги и время тратятся зря.

Сравни источники кандидатов по таблице:
для каждого источника — число откликов, доля дошедших до интервью, число нанятых,
средний срок до найма. Сведи в таблицу и отсортируй по числу нанятых.
Сделай вывод: какие источники работают, какие — слабо.
Это гипотезы по моим данным, не финальная оценка каналов.

Абсентеизм (доля пропусков рабочего времени) — ранний индикатор проблем с нагрузкой или вовлечённостью. ИИ посчитает его по периодам и подсветит выбросы — месяцы или отделы, где пропусков аномально много.

По табелю/выгрузке посещаемости посчитай абсентеизм:
долю пропущенного рабочего времени по месяцам и по отделам.
Отметь аномальные периоды и отделы (выбросы).
Построй график по месяцам.
Не делай выводов о конкретных людях — только агрегаты по группам.

ИИ умеет искать закономерности, которые предшествуют увольнениям, и подсвечивать «группы риска». В исследованиях такие подходы дают заметный эффект: например, в практике крупных компаний прогнозную аналитику удержания связывают со снижением текучести, а отдельные кейсы заявляют высокую точность моделей (TechClass, 2025). Но именно здесь риски максимальны, поэтому относимся к прогнозу как к подсказке, а не к ярлыку.

По обезличенным данным найди, какие факторы в моей выгрузке
чаще связаны с уходом сотрудников (стаж, отдел, нагрузка, давность повышения и т.п.).
Покажи это как агрегированные закономерности по группам, без указания конкретных людей.
Явно напиши, где связь слабая или данных мало.
Добавь дисклеймер: это гипотезы, требующие проверки человеком.

Здесь же помогает наш материал ИИ для удержания и вовлечённости: аналитика отвечает на вопрос «где риск», а удержание — «что с этим делать по-человечески».

Финал любой аналитики — отчёт, который поймёт руководитель без таблиц на 12 вкладок. ИИ соберёт ключевые метрики, графики и выводы в короткий документ и переведёт цифры на язык бизнеса.

Собери из посчитанного краткий HR-отчёт за [период] на одну страницу:
— 4–5 ключевых метрик (текучесть, время найма, конверсия воронки, абсентеизм) с динамикой;
— 2–3 главных вывода простым языком;
— 3 рекомендации, что проверить или сделать;
— оговорка, что цифры — оценки по выгрузке и требуют проверки.
Тон деловой, без воды. Подготовь также версию в Excel с таблицами.

HR-аналитика — не изолированная функция, она усиливается другими модулями SUIN.AI.

Аналитика хорошо стыкуется с остальной серией: ИИ для рекрутёра (данные подбора), ИИ для оценки и 1-1 (что обсуждать по итогам), а общую картину даёт полный гид по ИИ для HR. Готовые формулировки соберите из подборки 25 промптов для HR и рекрутёра.

Заменит ли ИИ HR-аналитика? Нет. ИИ снимает рутину расчётов и черновиков, но интерпретацию в контексте компании, проверку данных и решения делает человек. Скорее, он даёт возможность считать метрики там, где аналитика в штате просто нет.

Можно ли доверять цифрам из ИИ? Цифры считаются по тем данным, что вы загрузили, и это гипотезы. Просите ИИ показывать формулы и допущения, перепроверяйте ключевые значения вручную на одном-двух примерах. «Вывод о причинах» — всегда повод копнуть, а не готовый ответ.

Безопасно ли это с персональными данными? Безопасность зависит от того, что вы загружаете. Для метрик ФИО и контакты не нужны — обезличивайте данные перед загрузкой и соблюдайте 152-ФЗ (основания, согласие, минимизация). Анализируйте агрегаты по группам, а не выводы про конкретных людей.

Нужна ли интеграция с нашей HRM или 1С? Нет, прямой интеграции «из коробки» не требуется и у нас её нет. Вы выгружаете отчёт в Excel/CSV и загружаете файл. Если у вашего сервиса есть открытый API, возможна передача по вебхуку — но файловый путь самый быстрый.

Сколько это стоит? Попробовать можно на Бесплатном тарифе со стартовыми нейронами. Для регулярной работы команды — Standard от 2 690 ₽/мес, дальше Pro и Ultra по объёму задач. Оплата картой РФ, без VPN. Тарифы — на странице /tarify.

HR-аналитика перестала быть привилегией компаний с data-командой. Обезличенная выгрузка, понятный промпт и режим «ИИ-агент» — и вы получаете текучесть, время найма, воронку, источники и абсентеизм в виде таблиц, графиков и отчёта руководству. Главное помнить: ИИ считает и предлагает, а смысл цифр и решения о людях остаются за вами.