ENTRY TYPE · framework

Recruiting-Funnel-Metriken

Last updated 2026-05-03 Recruiting & TA

Recruiting-Funnel-Metriken sind die Conversion-Rates und Volumina auf jeder Stage des Hiring-Funnels – von der ersten Sourcing-Aktivität bis zur Einstellung –, die aufzeigen, wo der Recruiting-Prozess funktioniert und wo nicht. Ohne sie sind Recruiting-Entscheidungen anekdotisch („unser Prozess fühlt sich langsam an”); mit ihnen sind Entscheidungen evidenzbasiert („Recruiter-Screen → Onsite-Conversion beträgt 35 %, unter der Benchmark von 45 %; hier ist die Korrekturmaßnahme”).

Der Standard-Recruiting-Funnel

Die meisten Teams tracken 6–8 Stages mit Conversion-Rates zwischen jeder:

Stage	Volumen	Conversion zur nächsten
1. Beworben / Gesourct	Top of Funnel	→ Recruiter-Screen
2. Recruiter-Screen	20–40 % der Bewerbungen	→ Hiring-Manager-Screen
3. Hiring-Manager-Screen	40–60 % des Screens	→ Onsite-Interview-Loop
4. Onsite-Interview-Loop	30–50 % des HM-Screens	→ Debrief / Entscheidung
5. Angebot erstellt	50–70 % des Onsites	→ Angebot angenommen
6. Angebot angenommen	60–90 % des Angebots	→ Startdatum
7. Startdatum	Einstellung	→ 90-Tage-Retention

Gesunde Benchmarks variieren stark nach Rollentyp, Level und Branche. Engineering bei einem Top-Tech-Unternehmen läuft mit anderen Conversion-Rates als Einzelhandelspersonal oder Enterprise-Sales-Leadership.

Warum die Funnel-Level-Ansicht wichtig ist

Ohne Funnel-Tracking sehen Recruiting-Reports so aus: „Wir haben letztes Quartal 50 Personen eingestellt, Time-to-Fill betrug 47 Tage, Source-of-Hire war zu 60 % LinkedIn.” Nützlich – aber wie handlungsfähig?

Funnel-Level-Tracking erlaubt es Ihnen zu sagen: „Bewerbungen liegen bei 1.200/Quartal (Ziel 1.000, gesund); Recruiter-Screen → Onsite beträgt 25 % (Ziel 35 %, Problem); Onsite → Angebot beträgt 80 % (Ziel 60 %, verdächtig hoch – Kalibrierungsproblem?).” Jede Stage ist ein diagnostizierbares System.

Die diagnostischen Muster

Häufige Funnel-Diagnosen und ihre Implikationen:

Hoher Drop von Bewerber → Recruiter-Screen. Stellenbeschreibung stimmt nicht mit der Rolle überein; schlechte Sourcing-Kanäle; zu aggressive Screening-Kriterien.
Niedrige Recruiter-Screen → HM-Screen. Recruiter-Screen lässt Kandidaten durch, die der HM nicht will; Recruiter-Kalibrierung mit dem HM ist falsch.
Niedrige HM-Screen → Onsite. HM nutzt den Screen als hochkarätiges Interview statt als Fit-Gespräch; oder Screening-Kriterien sind zu streng.
Niedrige Onsite → Angebot. Entweder ist der Onsite-Loop falsch kalibriert (lehnt Kandidaten ab, die erfolgreich gewesen wären), der Loop ist feindlich/schlecht geführt (gute Kandidaten steigen selbst aus), oder die Kandidatenqualität beim Eintritt in den Onsite ist zu niedrig (vorgelagerte Stages lassen falsch gefitete Kandidaten durch).
Niedrige Angebot → Annahme. Vergütung nicht marktgerecht; Konkurrenzangebote gewinnen; Candidate-Experience-Schäden; zu langsame Angebotserweiterung.
Niedrige Annahme → Start. Widerrufe zwischen Annahme und Start – Konkurrenzangebote werben weiter, Onboarding-Signal ist schwach, Managerwechsel zwischen Annahme und Start.

Jede Diagnose weist auf eine andere Korrekturmaßnahme hin.

So operationalisieren Sie es

Den Funnel im ATS abbilden. Ashby, Greenhouse und Workable liefern alle natives Funnel-Reporting. Nutzen Sie es.
Benchmarks pro Rolle festlegen. Engineering-Benchmarks unterscheiden sich von Sales-Benchmarks und von Frontline-Benchmarks. Vergleichen Sie keine Äpfel mit Orangen.
Nach Source-Channel tracken. Funnel-Conversion-Rates unterscheiden sich nach Quelle – LinkedIn-Bewerbungen konvertieren möglicherweise halb so gut wie Mitarbeiterempfehlungen. Source-bewusstes Funnel-Reporting zeigt, wo zu investieren ist.
Nach Recruiter und nach Hiring Manager tracken. Muster treten auf – ein Recruiter hat konsequent niedrigere Screen-to-Onsite-Conversion (Kalibrierungsproblem); ein HM hat konsequent niedrigere Angebot-zu-Annahme-Rate (Closing-Problem).
Quartalsüberprüfung mit Hiring Leaders. Funnel-Daten werden Engineering-Leadern, Sales-Leadern etc. präsentiert. Recruiting wird zu operativen Daten, mit denen sie sich auseinandersetzen – keine Blackbox, über die sie sich beschweren.

Wie KI die Funnel-Messung verändert

Drei bedeutsame Verschiebungen:

Echtzeit-Anomalieerkennung. Moderne ATS-Analytics (Ashby, Greenhouse Insights) melden, wenn die Conversion-Rate einer Stage unter den Schwellenwert fällt – statt das Problem in der Quartalsüberprüfung zu entdecken.
KI-erweiterte Funnel-Root-Cause-Analyse. Claude-Skills gegen ATS-Daten können synthetisieren: „Screen → Onsite ist diesen Monat um 15 % gesunken; das Muster konzentriert sich auf die Platform-Engineer-Rolle; Ursache scheint die neue Technical-Screen-Frage zu sein, die zu aggressiv ist.”
Prädiktives Funnel-Modeling. Ausgehend von aktuellen Pipeline-Volumina und historischen Conversion-Rates den Einstellungsoutput 60–90 Tage im Voraus vorhersagen. Nützlich für Hiring Leader, die mit Finance über Headcount-Lieferung kommunizieren.

Häufige Fallstricke

Top-of-Funnel-Volumen optimieren. Mehr Bewerbungen bedeuten nicht mehr Einstellungen; in der Regel bedeuten sie mehr Recruiter-Screening-Aufwand bei gleicher Einstellungsrate.
Source-Channel-Unterschiede ignorieren. Aggregierter Funnel verbirgt, dass Empfehlungen 5x besser konvertieren als kaltes LinkedIn – das Sourcing-Investment wird falsch allokiert.
Keine Verantwortlichkeit für niedrig konvertierende Stages. Wenn Daten ein Problem zeigen, muss jemand den Fix verantworten. Reporting ohne Ownership erzeugt Trägheit.
Über nicht vergleichbare Rollen hinweg vergleichen. Der Funnel einer Senior-Engineering-Einstellung sieht dem Funnel einer Einstiegsposition im Einzelhandel überhaupt nicht ähnlich. Mitteln Sie sie nicht zusammen.