5 ключевых ошибок внедрения HR-аналитики в средних и крупных компаниях

HR-аналитика чаще всего проваливается не из-за плохого инструмента. Она проваливается из-за пяти повторяющихся управленческих сбоев. Аналитика меряет не то, что нужно бизнесу. Данные разбросаны по системам, и отставание списывают на «нехватку данных». Поддержку руководства принимают за готовность системы. Сбор данных непрозрачен для сотрудников и подрывает доверие. Зрелость оценивают на глаз, а не по внешней проверяемой шкале.

Ниже — как каждый сбой выглядит на практике, чем оборачивается и как его исправить. Сразу оговоримся: это редакционный отбор, а не рейтинг по частоте. Сопоставимой статистики «какая ошибка встречается чаще» в исследованиях нет.

Почему внедрения буксуют

Короткий ответ: потому что внедрение аналитики — организационная задача, а не технологическая. Купить платформу — самая простая часть проекта. Самая сложная — добиться, чтобы цифры меняли решения.

Для масштаба — две цифры по аналитике и ИИ вообще, не только HR. По оценкам, прозвучавшим на конференции VentureBeat в 2019 году, до рабочего внедрения доходит лишь около 13% проектов по работе с данными — порядка 87% остаются пилотами. По отчёту MIT Project NANDA 2025 года 95% организаций, внедрявших генеративный ИИ, не получили измеримой отдачи.

Между этими замерами шесть лет, а причины называются одни и те же: качество данных, организационная зрелость, несогласованность руководства. Проваливается не технология — проваливается управление внедрением.

HR-аналитика наследует эти риски и добавляет собственный: данные о людях чувствительнее данных о продажах или логистике. Пять сбоев ниже — именно про HR. Как аналитика встраивается в управление компанией целиком, мы разобрали в статье об HR-аналитике как системе управления — внедрение лишь один из элементов этой системы.

Далее — про каждую подробнее.
Ошибка 1. Аналитика меряет удобное, а не то, что нужно бизнесу

На бюджетном комитете HR показывает дашборд: текучесть, вовлечённость, укомплектованность. Показатели аккуратные, динамика положительная. Финансовый директор задаёт один вопрос: «Какое решение мы примем из этих цифр?» — и повисает пауза.

Это не локальная недоработка вашей команды. По опросу Deloitte 2024 года — свыше 14 000 респондентов в 95 странах — лишь 3% организаций считают себя «чрезвычайно эффективными» в измерении ценности, которую создают сотрудники.

Оборачивается это предсказуемо. Отчёты живут отдельно от решений совета директоров. HR и финансы говорят на разных языках. В следующем бюджетном цикле аналитику урезают первой — никто не смог показать, какое решение она поддержала.

Причём дело обычно не в непонимании задачи. По тому же опросу Deloitte лишь 33% респондентов объясняют стагнацию недостаточным пониманием. Главные барьеры авторы отчёта оценивают иначе: нехватка ресурсов и несогласованность руководства.

Исправляется это до покупки инструментов: для каждого показателя заранее фиксируется, какое бизнес-решение он поддерживает — наём, удержание, реорганизацию затрат. CIPD называет три условия, при которых аналитика создаёт ценность: данные о людях связаны с бизнес-данными, у HR есть инструменты для действий, а не только отчёты, и эффективность самой HR-функции тоже измеряется.

Рабочий формат — паспорт показателя: определение, владелец и решение, которое показатель поддерживает. Как выстроить такую систему целиком, мы разобрали в статье о системе HR-метрик.

Ошибка 2. Данные разбросаны по системам, а разрыв в зрелости списывают на «нехватку данных»

На практике это выглядит так: кадровый учёт — в одной системе, найм — в другой, опросы вовлечённости — в третьей. Перед стратегической сессией аналитик неделю сводит выгрузки вручную. К моменту, когда картина готова, она уже устарела.

Для российского рынка это обычное состояние. По исследованию hh.ru 2022 года 46% компаний использовали Excel как основной инструмент HR-аналитики, почти треть опрошенных признавали, что аналитики у них нет вовсе, и только 9% работодателей находились на продвинутых уровнях зрелости.

Проблема не только российская. AIHR называет разрозненность данных одним из главных барьеров аналитики персонала: сведения о персонале лежат в изолированных системах, и простого способа связать их нет.

Цена — скорость решений: управленческие выводы делаются на данных недельной, а то и месячной давности. В опросе Волковой по российским компаниям (2020 год) около 70% респондентов назвали нехватку интеграции IT-систем ключевым препятствием для HR-аналитики.

Здесь есть нюанс: «ещё одна BI-платформа» первым шагом обычно не помогает — она становится четвёртой системой рядом с тремя несвязанными. Сначала — мосты между источниками, которые уже есть: регулярные выгрузки, единый справочник сотрудников и владелец у каждого источника данных. Живой пример того, как разрозненные данные собираются в работающий дашборд, — в кейсе производственной компании.

Ошибка 3. Поддержку руководства принимают за готовность системы

Частая ситуация: руководитель поддержал проект и выделил бюджет — и команда считает вопрос закрытым. Спонсор есть, деньги есть, подрядчик выбран. Дальше, кажется, дело техники.

Насколько это обманчиво, показало исследование BCG 2020 года о зрелости работы с данными. Компании-участники планировали поднять индекс зрелости аналитических процессов на 48% — с 293 до 435 баллов. Фактически он вырос на 7%, до 314. И это при сильной поддержке топ-менеджмента. Данные — по корпоративной аналитике в целом, не только HR.

С этим сочетается уже знакомая цифра Deloitte: лишь 33% организаций объясняют стагнацию непониманием задачи — у большинства, по оценке авторов отчёта, дело в ресурсах и несогласованности руководства. Поддержка сверху ни того, ни другого автоматически не решает.

Итог знакомый: деньги потрачены, дашборд построен, но открывают его всё реже, а через квартал вспоминают только перед отчётом. Проект попадает в категорию «мы это уже пробовали», и следующий заход начинается с меньшим кредитом доверия.

Что помогает: считать спонсорство необходимым, но не достаточным условием. Параллельно с бюджетом фиксируются три вещи — владелец данных, процесс их обновления и конкретные люди, которые будут применять выводы в работе. Нет хотя бы одного пункта — проект к запуску не готов, какой бы ни была поддержка.

Ошибка 4. Сбор данных непрозрачен для сотрудников и подрывает доверие

Сотрудники узнают о сборе данных случайно: из письма с очередным опросом или из разговоров о «новой системе мониторинга». Что именно собирают и зачем — никто не объяснил. С этого момента аналитика воспринимается как слежка, а не как инструмент управления.

Старая оценка по одному опросу (Insight222, 2017): 81% проектов workforce analytics оказывались под угрозой именно из-за вопросов этики и приватности — цифру приводит AIHR со ссылкой на опрос 57 компаний.

Опереться на готовые отраслевые нормы пока не выйдет. Академический обзор 2021 года в Personnel Review фиксирует: научная дискуссия об этике аналитики персонала находится на раннем этапе — при том что сама аналитика уже широко внедрена.

Дальше страдают сами данные. Сотрудники уклоняются от опросов или отвечают «как безопаснее». Доля ответивших падает, честность ответов — тоже. Никакая платформа этого не компенсирует.

Исправление начинается до запуска сбора: объяснить, что измеряется, зачем и какие решения из этого следуют. Ориентир CIPD здесь простой — связывать данные с решениями и не собирать «на всякий случай». Даже законный мониторинг вызывает споры, если его цель непонятна людям.

Ошибка 5. Зрелость оценивают на глаз, а не по внешней проверяемой шкале

Вопрос, который стоит задать: откуда вы знаете, на каком уровне ваша аналитика? Если ответ — «по ощущениям», оценка почти наверняка смещена, причём в любую сторону.

Смещение вверх выглядит так: по данным SD Worx, которые приводит AIHR, 3 из 4 организаций заявляют о высоком уровне зрелости аналитики — и при этом 44% организаций признают, что им не хватает экспертизы даже для подготовки собственной кадровой отчётности.

Смещение вниз тоже встречается: в российском академическом опросе 2020 года (Волкова) 57% руководителей заявили, что не доверяют результатам HR-аналитики — вне зависимости от её фактического качества.

Результат — слепота в обе стороны. Завышенная самооценка останавливает развитие: «у нас и так продвинутый уровень». Недоверие обесценивает даже добросовестные выводы. Ни то, ни другое ничего не говорит о реальном состоянии системы.

Выход — внешняя проверяемая шкала вместо внутреннего ощущения. Варианты есть: модель PwC с четырьмя измерениями — стратегия, технологии, данные, люди — или академическая шкала HRAMIS 2025 года, в которой более высокая зрелость статистически связана с лучшими организационными результатами. Связь корреляционная, но шкала даёт то, чего нет у самооценки, — воспроизводимую точку отсчёта.

После проверки — конкретное действие и дата повторной оценки, а не одна оценка навсегда. Как устроены уровни зрелости и переходы между ними, мы разобрали в статье о модели зрелости HR-аналитики.

Что сделать завтра

Пять проверяемых действий, по одному на каждый сбой:

1. Назвать бизнес-решение, которое поддерживает каждый показатель на дашборде. Решение не находится — показатель первый кандидат на пересмотр.
2. Составить список источников данных о персонале, навести между ними мосты и назначить владельца каждому.
3. Проверить, что за бюджетом закреплены владелец данных, процесс обновления и люди, которые будут работать с выводами, — а не только согласие руководителя.
4. Объяснить сотрудникам, что и зачем измеряется, до следующего сбора данных.
5. Сверить текущую зрелость с внешней шкалой — HRAMIS или моделью PwC — и назначить дату повторной проверки.

Если вы строите аналитику по рамке LAMP, сбои применения её компонентов мы разобрали в отдельной статье.

Гарантий этот список не даёт — таких гарантий нет ни в одном исследовании. Он снижает риск повторить сбои, на которые уже наступали до вас. Быстрый способ понять, какой из пяти пунктов сейчас блокирует именно ваш проект, — диагностика аналитической системы: короткая проверка перед масштабированием. Мы проводим её на демонстрации HR-дашборда VSEM Onboard — на ваших данных, а не на слайдах.

Словарь

HR-аналитика (People Analytics) — использование данных о сотрудниках для поддержки управленческих решений: найма, удержания, реорганизации затрат.

Зрелость HR-аналитики (Analytics Maturity) — уровень развития аналитической функции компании: от разрозненных отчётов на глаз до систематической практики, связанной с бизнес-решениями; проверяется по внешней шкале, а не на ощущение.

Паспорт показателя — рабочий формат фиксации метрики: определение, владелец и бизнес-решение, которое показатель поддерживает.

Владелец данных (Data Owner) — человек или роль, отвечающие за конкретный источник данных о персонале и его актуальность.

Интеграция данных (Data Integration) — связывание разрозненных систем (кадровый учёт, найм, опросы вовлечённости) в единую картину вместо ручного сведения выгрузок.

Этика и приватность данных (Data Ethics & Privacy) — принципы сбора и использования данных о сотрудниках, при которых людям понятно, что и зачем измеряется.

Внешняя проверяемая шкала зрелости — методика оценки уровня аналитики со стороны — например, модель PwC или академическая шкала HRAMIS, — в противовес самооценке на глаз.

Спонсорство проекта (Executive Sponsorship) — поддержка руководства бюджетом и согласием; необходимое, но не достаточное условие готовности аналитической системы к запуску.

Источники

VentureBeat, Why do 87% of data science projects never make it into production?, 2019 https://venturebeat.com/technology/why-do-87-of-data-science-projects-never-make-it-into-production

MIT Project NANDA, The GenAI Divide: State of AI in Business 2025, 2025 https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

BCG, A Rough Road to Data Maturity, 2020 https://web-assets.bcg.com/img-src/BCG-A-Rough-Road-to-Data-Maturity-Jan-2020_tcm9-237183.pdf

Deloitte Insights, 2024 Global Human Capital Trends, 2024 https://www.deloitte.com/us/en/insights/topics/talent/human-capital-trends/2024.html

CIPD, People Analytics Factsheet, 2025 https://www.cipd.org/en/knowledge/factsheets/analytics-factsheet/

hh.ru, Служба исследований, Как компании используют HR-аналитику, 2022 https://hh.ru/article/30591

Волкова А.С., Вопросы инновационной экономики, HR-аналитика в России: современное состояние, проблемы и пути их решения, 2020 https://1economic.ru/lib/100902

AIHR, 7 Common People Analytics Challenges and How to Tackle Them, 2025 https://www.aihr.com/blog/people-analytics-challenges/

AIHR, People Analytics: Ethical Considerations, данные Insight222 2017 года https://www.aihr.com/blog/people-analytics-ethical-considerations/

Tursunbayeva et al., Personnel Review, The ethics of people analytics, 2021 https://www.emerald.com/pr/article/51/3/900/332574/The-ethics-of-people-analytics-risks-opportunities

PwC, People Analytics Maturity Assessment Framework, 2021 https://www.pwc.com/m1/en/ghost/people-analytics-maturity-assessment-framework.html

Ozkanli & Gök, Journal of Work-Applied Management, HR analytics maturity indicators: developing a measurement scale, 2025 https://www.emerald.com/jwam/article/doi/10.1108/JWAM-05-2025-0083/1301784/HR-analytics-maturity-indicators-developing-a

AIHR, HR Analytics Maturity Model: Test & Improve Your Level, данные SD Worx https://www.aihr.com/blog/hr-analytics-maturity/

Смотрите больше материалов по HR-фреймворкам: https://vsem-onboard.com/category/journal/hr-framework/