LAMP: четыре компонента, без которых HR-аналитика не работает

1. Анатомия фреймворка

76% организаций имеют функцию HR-аналитики. При этом только 6% достигли предиктивной зрелости — уровня, на котором данные реально влияют на решения (Secondtalent). Разрыв между «считаем метрики» и «принимаем решения на данных» — главная проблема HR-аналитики. LAMP объясняет, почему этот разрыв существует и как его закрыть.

LAMP: Logic — Analytics — Measures — Process (Логика — Аналитика — Измерения — Процесс) — фреймворк для построения системы HR-аналитики, предложенный Джоном Будро и Питером Рамстадом в 2004 году и развитый в книге «Beyond HR: The New Science of Human Capital» (2007). Это не метрика и не модель данных — это принцип организации аналитической работы, который определяет, будут ли ваши HR-метрики влиять на бизнес-решения или останутся набором графиков в ежеквартальном отчёте.

Тезис Будро: компании тратят 80% усилий на компонент Measures — какие метрики считать, как визуализировать, какие инструменты использовать. При этом игнорируют Logic (зачем считать именно это) и Process (что делать с результатами). Именно поэтому дашборды наполняются данными, а решения по-прежнему принимаются на интуиции.

Четыре компонента

Без логики невозможно определить, какие метрики важны, а какие создают информационный шум.

Аналитика помогает отделить реальные причинно-следственные связи от совпадений. Без этого компания рискует инвестировать в программы, которые коррелируют с результатом, но не вызывают его.

Измерения — компонент, который получает максимум внимания: какие KPI считать, какой дашборд строить, какой инструмент использовать. Компонент необходимый, но недостаточный.

Процесс показывает, как запускается действие, кто потребитель данных и в каком формате они поступают.
Частая ситуация: HR-аналитик строит предиктивную модель flight risk (вероятность увольнения). Модель работает, точность высокая. Но ни один руководитель ей не пользуется — потому что не понимает, что с этими данными делать, или данные приходят в неудобном формате, или решения по удержанию принимаются на другом уровне. Аналитика без Process — дорогое упражнение без результата.

Как LAMP связан с HC Bridge

HC Bridge — модель, которая задаёт уровни метрик: Efficiency (эффективность ресурсов), Effectiveness (действенность практик), Impact (влияние на бизнес-результат). LAMP — это «операционная система», которая определяет, как работать с метриками на каждом уровне.

HC Bridge отвечает на вопрос «что измерять и на каком уровне». LAMP отвечает на вопрос «зачем, как проверять, и что делать с результатами». Вместе они формируют полную систему: HC Bridge → выбор метрик → LAMP → превращение метрик в решения.

Каждая статья HR-PANORAMA о конкретной метрике (текучесть, eNPS, time-to-fill, выручка на сотрудника) — это «приложение», работающее внутри LAMP. Метрика без каузальной логики, без аналитической проверки и без процесса принятия решений — это просто число в таблице.

2. Уровни зрелости HR-аналитики

Фреймворк LAMP помогает понять, на каком уровне зрелости находится аналитическая функция и что нужно для перехода на следующий.

Где застревают компании

По данным ЭКОПСИ (HR-метр, 2025), 75,6% российских компаний не измеряют эффективность работы по удержанию — то есть даже не полноценно используют Measures. Глобальная картина немногим лучше: только 15% организаций ставят стратегический фокус на HR-аналитику, и большинство из них не проводят предиктивных анализов, ограничиваясь отчётностью (Falletta, 2014; Lawler & Boudreau, 2015).

Российский рынок HRtech активно растёт — 21+ млрд рублей по итогам 2024 года (TAdviser, 2025), с прогнозом роста на 20–25% в 2025 году. Инструменты доступны. Но зрелость аналитики не поспевает за инструментами: компании покупают дашборды (Measures), но не выстраивают Logic и Process.

Глобально рынок HR-аналитики оценивается в $5,2 млрд (2024) с прогнозом роста до $12,4 млрд к 2033 году (Market Research Intellect, 2024). 87% организаций называют «лучшие решения» драйвером инвестиций в аналитику. Но между инвестицией и результатом — пропасть, которую заполняет LAMP.

3. Бизнес-контекст

Стоимость «аналитики без логики»

Когда компания собирает метрики без каузальной модели, решения принимаются по инерции. Частая ситуация: текучесть растёт → HR предлагает повысить зарплаты всем. Бюджет — десятки миллионов. А при декомпозиции выясняется, что 80% нежелательных увольнений приходятся на команды трёх менеджеров. Точечная работа с ними стоила бы в 10 раз дешевле и дала бы результат за квартал. Без Logic в LAMP — нет декомпозиции, нет точечного вмешательства, нет эффективного распределения бюджета.

Другой сценарий: компания строит предиктивную модель flight risk (вероятность увольнения). Инвестиции в разработку — несколько миллионов рублей, месяцы работы аналитиков. Модель готова, точность 75%. Но руководители линейного уровня не понимают, как с ней работать, HR-бизнес-партнёры не встроили её в свои процессы, а CEO не видит связи между flight risk и P&L. Модель тихо умирает в Tableau. Analytics без Process — дорогое интеллектуальное упражнение.

По оценкам AIHR (2024), пять главных причин провала проектов HR-аналитики: отсутствие связи с бизнес-приоритетами (нет Logic), невозможность перевести инсайты в действия (нет Process), некачественные данные (слабые Measures), недостаток аналитических компетенций (слабая Analytics) и отсутствие поддержки руководства (системная проблема Process).

Бизнес-кейс: X5 Group — от отчётности к сквозной аналитике

X5 Group (более 280 000 сотрудников, крупнейший продовольственный ритейлер в России) прошла трансформацию HR-аналитики, которая иллюстрирует LAMP в действии.

Отправная точка: «Ещё относительно недавно мы считали количество людей в компании раз в год, а на то, чтобы узнать, сколько женщин занимают руководящие посты, требовался месяц», — рассказывала Татьяна Краснопёрова, директор по персоналу и организационному развитию X5 (Ведомости, 2021).

Что изменилось через призму LAMP:

Logic: Компания выстроила связь между HR-показателями и бизнес-результатами. Текучесть стала не просто HR-метрикой, а сквозным показателем, привязанным к NPS клиентов, рентабельности (РТО) и снижению потерь. Когда сотрудник не измотан и не озлоблен — он лучше работает с клиентом, жалобы покупателей снижаются, продажи растут.

Analytics: В 2017 году X5 провела исследование «Экспансия» — математическую модель рынка труда с прогнозом потребности в сотрудниках и выделением мотивационных профилей, связанных с результативностью (IBS, hh.ru на vc.ru, 2019). Это позволило перейти от «считаем текучесть» к «понимаем, что именно удерживает разные категории персонала».

Measures: Упорядочили данные в HRIS, наладили учёт движения персонала, обогатили внутренние данные внешними бенчмарками — сколько платят конкуренты, где компания проигрывает за кандидатов.

Process: Данные стали ежедневным инструментом, а не ежегодным отчётом. Руководители получили понятные метрики, привязанные к их бизнес-показателям. Появился общий фокус — снижение текучести стало приоритетом не только HR, но и операционного менеджмента.

Результат: с января по ноябрь текучесть снизилась на 20 процентных пунктов. «Мы не стали платить людям в разы больше, просто в компании появился общий фокус, приоритет», — отмечала Краснопёрова. Параллельно жалобы покупателей снизились на 6%, продажи выросли до 2 трлн рублей.

Бизнес-кейс: Google People Analytics — когда данные помогают решать, а не решают сами

Google — один из пионеров HR-аналитики. Прасад Сетти, основавший и 14 лет возглавлявший функцию People Analytics в Google, описывает ключевой урок, который напрямую связан с компонентом Process в LAMP.

Первоначальная миссия: «Все решения о людях в Google должны быть основаны на данных и аналитике». Предполагалось, что аналитика будет генерировать кадровые решения автоматически (Harvard Business Review, How Google Sold Its Engineers on Management, 2013).

Корректировка: команда быстро поняла, что эффективнее вооружать людей данными для принятия решений, а не пытаться заменить человеческое суждение алгоритмом. Process — это не «данные → автоматическое решение», а «данные → лучше информированный руководитель → качественное решение».

Иллюстрация через Project Oxygen (LAMP в действии):

Logic: Гипотеза — качество менеджера влияет на результативность и удержание команды. Google, компания инженеров, начинала с противоположного убеждения: менеджеры не нужны.

Analytics: Анализ данных сотрудниковых опросов, ревью производительности и слепых интервью подтвердил гипотезу: менеджеры действительно влияют на результаты команд. Более того — удалось выделить 8 конкретных поведений эффективного менеджера.

Measures: Регулярные замеры по выделенным поведениям, включение в 360-градусную обратную связь.

Process: Результаты преобразованы в конкретные рекомендации, обучающие программы и регулярные отчёты для менеджеров. К ноябрю 2012 года программа была принята в масштабе всей компании с измеримым улучшением эффективности менеджмента.

Сетти подчеркивал: «Я не хотел, чтобы наша группа была просто фабрикой отчётов. Организации могут утонуть в данных. Вместо этого я хотел, чтобы мы шли от гипотез» (HBR, 2013). Это точное описание приоритета Logic над Measures.

4. Диагностика: как понять, где ваша компания

Самодиагностика по LAMP

Тревожные сигналы

Дашборд есть — решений нет. Компания инвестировала в BI-платформу, метрики визуализированы, отчёты генерируются автоматически. Но ни одно управленческое решение за последний квартал не было принято на основе этих данных. Это классический разрыв между Measures и Process.

Метрики считаются — но не меняются. Текучесть стабильно 25% четыре квартала подряд. Отчёт фиксирует цифру, но не запускает действие. Нет Logic (почему именно 25%), нет Analytics (что с этим коррелирует), нет Process (кто должен отреагировать).

CEO не смотрит HR-отчёты. Если генеральный директор не видит ценности в HR-данных — проблема не в CEO, а в том, что данные не привязаны к бизнес-результатам. HR говорит на языке метрик (текучесть 18%, eNPS +12), бизнес говорит на языке денег (выручка, маржа, затраты). Без Logic, который связывает одно с другим, коммуникация невозможна.

Аналитик перегружен отчётами. Если 90% времени HR-аналитика уходит на подготовку регулярных отчётов и только 10% — на исследование гипотез, функция застряла на уровне Measures. Аналитик превратился в отчётника.

Копирование метрик без собственной модели. Компания внедрила «те же 15 метрик, что у лидеров рынка», но без понимания, какие связи эти метрики отражают в её конкретном контексте. Чужие Measures без собственной Logic — как чужой рецепт без понимания, зачем каждый ингредиент.

Ловушка данных

Компания с 50 метриками на дашборде и без единой каузальной модели. Данных много, но они создают информационный шум, а не ясность. Руководители видят графики, но не понимают, на какой из них реагировать и что конкретно делать.

Исследование Schiemann et al. (2018) подтверждает: большие объёмы информации перегружают менеджеров. Эффективнее — упрощённая модель из 5–7 ключевых метрик, связанных каузальной логикой, чем 50 метрик без контекста.

Обратная ловушка: компания с 3 метриками, но сильной Logic и Process. Она знает: eNPS падает → через 4 месяца текучесть растёт → каждый уход стоит X рублей. На основе этой цепочки руководитель реагирует на падение eNPS немедленно, не дожидаясь роста текучести. Три метрики дают больше, чем пятьдесят.

5. Действие: как внедрить LAMP

Последовательность: Logic → Process → Measures → Analytics

Интуитивно хочется начать с Measures — купить дашборд, настроить отчёты, нанять аналитика. Будро настаивает на обратном порядке: начать с Logic.

Шаг 1: Выстроить Logic для одной бизнес-проблемы

Не нужно строить каузальную модель для всей HR-функции. Выберите одну конкретную проблему, которая стоит денег: высокая текучесть в конкретном подразделении, длинные сроки закрытия вакансий на критичные роли, низкая производительность после онбординга.

Нарисуйте цепочку: HR-практика → промежуточный результат → бизнес-результат → деньги. Пример: структурированный онбординг → снижение ранней текучести на X п.п. → экономия Y млн рублей на повторном найме → высвобождение бюджета рекрутинга.

Шаг 2: Определить Process — кто потребитель и как он действует

Прежде чем собирать данные, определите: кто будет принимать решения на их основе? В каком формате ему нужны данные? Как быстро он должен реагировать?

Для линейного руководителя — простой alert: «В вашей команде eNPS упал на 15 п.п., вот три сотрудника с наибольшим риском ухода». Для HRD — ежеквартальный обзор с декомпозицией по подразделениям. Для CEO — одна цифра: сколько денег компания теряет/экономит на текучести.

Шаг 3: Выбрать Measures — минимальный набор метрик

Исходя из Logic и Process, определите 5–7 метрик, которые покрывают вашу каузальную цепочку. Не 50 — это создаст шум. Не 2 — это не даст контекста.

Критерий отбора: метрика должна (а) встраиваться в каузальную цепочку, (б) иметь конкретного потребителя, (в) быть доступна с приемлемым качеством данных. Если хотя бы одно условие не выполняется — метрика не нужна на этом этапе.

Шаг 4: Подключить Analytics — проверить связи

Когда Logic выстроена, Process определён и Measures собираются — проверяйте гипотезы. Действительно ли падение eNPS предсказывает рост текучести в вашей компании? С каким лагом? В каких подразделениях связь сильнее?

Не обязательно начинать с машинного обучения. Простые корреляционные анализы, сегментация, сравнение когорт — уже дают ценные инсайты. Сложные модели можно добавить позже, когда базовые связи подтверждены.

Привязка к уровням зрелости

Для каждого уровня зрелости — свой следующий шаг через LAMP:

С уровня 1 (дескриптивная) на уровень 2 (диагностическая): выстроить Logic для одной проблемы. Перестать просто фиксировать «текучесть 18%» и начать отвечать на вопрос «почему именно 18% и где именно».

С уровня 2 на уровень 3 (предиктивная): усилить Analytics — от описания причин к прогнозированию. Если вы знаете, что eNPS < 0 в подразделении предшествует росту текучести, постройте модель: какой eNPS → какая текучесть → через сколько месяцев.

С уровня 3 на уровень 4 (прескриптивная): выстроить Process — от прогноза к действию. Модель предсказывает уход — но кто получает эту информацию, в каком формате и что конкретно делает?

Кросс-аналитика: LAMP как основа для всех метрик

LAMP задаёт логику для каждой метрики, которую мы разбираем на HR-PANORAMA:

Текучесть персонала:

eNPS:

Выручка на сотрудника (Revenue per Employee):

Стоимость найма (Cost per Hire):

6. Типичные ошибки

Начинать с Measures вместо Logic. Компания покупает BI-платформу, нанимает аналитика, настраивает 30 отчётов. Через полгода обнаруживает, что отчёты никто не использует — потому что не определено, зачем эти метрики нужны и кто их потребитель. Инвестиция в инструмент без модели — как покупка навигатора без маршрута.

Строить дашборд без потребителя. HR-аналитик создаёт визуализацию для себя, а не для лица, принимающего решения. Руководитель получает dashboard с 20 графиками и не понимает, на какой смотреть. Process начинается с вопроса «кому это нужно», а не «как это визуализировать».

Собирать данные ради данных. 50 метрик в системе, ежемесячные отчёты на 30 страниц. Каждая метрика «на всякий случай». Ни одна не привязана к конкретному решению. Результат: аналитик тратит 90% времени на поддержку отчётности и 10% на анализ. Объём данных растёт, ценность — нет.

Копировать метрики конкурентов без собственной каузальной модели. «В Google считают эти 10 метрик — давайте и мы будем». Но каузальные связи в Google, ритейле и промышленности — разные. Метрики должны отражать вашу Logic, а не чужую. eNPS может быть ключевым опережающим индикатором в одной компании и бесполезным шумом в другой — зависит от контекста.

Игнорировать качество данных в HRIS. Частая ситуация: в системе 90% увольнений числятся «по собственному желанию» (формальная запись по ст. 80 ТК РФ), реальные причины — только в exit-интервью (и то не всегда). На таких данных предиктивная модель даст предсказуемо слабый результат. Measures — это не только «какие метрики», но и «насколько чистые и полные данные».

Пропускать Analytics и действовать на корреляциях. «У нас вовлечённость и выручка растут одновременно — значит, программа вовлечённости работает». Возможно. А возможно, оба показателя растут благодаря сезонности, новому продукту или сильному руководителю. Без аналитической проверки — это не инсайт, а самообман.

Источники

Boudreau J., Ramstad P. Beyond HR: The New Science of Human Capital, 2007 https://www.hbs.edu/faculty/Pages/item.aspx?num=25165

Harvard Business Review. How Google Sold Its Engineers on Management, 2013 https://hbr.org/2013/12/how-google-sold-its-engineers-on-management

Sage. Case study: how Google uses People Analytics, 2024 https://www.sage.com/en-au/blog/case-study-how-google-uses-people-analytics/

SHRM. In First Person: Prasad Setty, 2025 https://www.shrm.org/executive-network/insights/people-strategy/first-person-prasad-setty

AIHR. 5 Reasons Why HR Analytics Projects Fail, 2024 https://www.aihr.com/blog/reasons-hr-analytics-projects-fail/

AIHR. 15 HR Analytics Case Studies with Business Impact, 2025 https://www.aihr.com/blog/hr-analytics-case-studies/

Ведомости / СКОЛКОВО. X5 Retail Group: «За цифрами мы видим человека», 2021 https://www.vedomosti.ru/partner_cases/skolkovo/za-tsiframi-mi-vidim-cheloveka

hh.ru на vc.ru. Предиктивная аналитика в HR: кто не успел, тот опоздал, 2019 https://vc.ru/headhunter/72858-prediktivnaya-analitika-v-hr-kto-ne-uspel-tot-opozdal

IBS. Предиктивная аналитика в HR: модно или просто-напросто необходимо, 2019 https://ibs.ru/media/media/prediktivnaya-analitika-v-hr-modno-ili-prosto-naprosto-neobkhodimo/

TAdviser. HRM — обзор рынка HR-tech в России, 2025 https://www.tadviser.ru/index.php/HRM

Market Research Intellect. HR Analytics Market Size, 2024 https://www.marketresearchintellect.com/product/global-hr-analytics-market-size-forecast/

McKinsey. People analytics: An emerging capability, 2024 https://www.mckinsey.com/capabilities/people-and-organizational-performance/our-insights/people-analytics-an-emerging-capability

PMC / Springer. Towards a process-oriented understanding of HR analytics, 2022 https://pmc.ncbi.nlm.nih.gov/articles/PMC9387892/

Belizón, Kieran. Human resources analytics in practice: A knowledge discovery process, 2024 https://onlinelibrary.wiley.com/doi/10.1111/emre.12605

Текучесть персонала снизилась до 40%, Retail.ru, 2020