Métriques du funnel de recrutement

Les métriques du funnel de recrutement sont les taux de conversion et les volumes à chaque stade du funnel d’embauche — du sourcing initial jusqu’au recrutement — qui révèlent où le processus de recrutement fonctionne et où il ne fonctionne pas. Sans elles, les décisions de recrutement sont anecdotiques (« notre processus semble lent ») ; avec elles, les décisions sont fondées sur des preuves (« la conversion écran recruteur → entretien sur site est à 35 %, sous le benchmark de 45 %, voici l’action corrective »).

Le funnel de recrutement standard

La plupart des équipes suivent 6 à 8 stades avec des taux de conversion entre chacun :

Les benchmarks sains varient considérablement selon le type de rôle, le niveau et le secteur. L’ingénierie dans une grande entreprise tech affiche des taux de conversion très différents de ceux du personnel de terrain ou des postes de direction commerciale en enterprise.

Pourquoi la vue au niveau du funnel compte

Avant le suivi du funnel, les rapports de recrutement ressemblaient à : « nous avons recruté 50 personnes ce trimestre, le time-to-fill était de 47 jours, la source principale était LinkedIn à 60 %. » Utile, mais comment actionnable ?

Le suivi au niveau du funnel permet de dire : « les candidatures sont à 1 200/trimestre (objectif 1 000, sain) ; écran recruteur → entretien sur site est à 25 % (objectif 35 %, problème) ; entretien sur site → offre est à 80 % (objectif 60 %, anormalement élevé — problème d’étalonnage ?) ». Chaque stade est un système diagnostiquable.

Les schémas de diagnostic

Diagnostics courants du funnel et leurs implications :

• Fort abandon candidature → écran recruteur. La description de poste ne correspond pas au rôle ; mauvais canaux de sourcing ; critères de présélection trop agressifs.
• Faible taux écran recruteur → écran HM. L’écran recruteur laisse passer des candidats que le HM ne veut pas ; l’étalonnage du recruteur avec le HM est décalé.
• Faible taux écran HM → entretien sur site. Le HM utilise l’écran comme un entretien à exigences élevées plutôt qu’une conversation d’adéquation ; ou les critères de présélection sont trop stricts.
• Faible taux entretien sur site → offre. Soit la boucle d’entretien sur site est mal étalonnée (rejette des candidats qui auraient réussi), soit la boucle est hostile/mal organisée (les bons candidats se désengagent d’eux-mêmes), soit la qualité des candidats entrant en entretien sur site est trop faible (les stades en amont laissent passer les mauvais profils).
• Faible taux offre → acceptation. Rémunération hors marché ; offres concurrentes gagnantes ; dommages à l’expérience candidat ; délai de transmission de l’offre trop lent.
• Faible taux acceptation → prise de poste. Rétractations entre acceptation et prise de poste — offres concurrentes persistantes, signal d’onboarding faible, changement de manager entre acceptation et prise de poste.

Chaque diagnostic pointe vers une action corrective différente.

Comment opérationnaliser

1. Encoder le funnel dans l’ATS. Ashby, Greenhouse, et Workable proposent tous un reporting natif du funnel. Utilisez-le.
2. Établir des benchmarks par rôle. Les benchmarks ingénierie diffèrent des benchmarks vente, eux-mêmes différents des benchmarks terrain. Ne comparez pas des pommes et des oranges.
3. Suivre par canal source. Les taux de conversion du funnel varient selon la source — les candidatures LinkedIn peuvent convertir à la moitié du taux des cooptations. Un reporting du funnel sensible aux sources révèle où investir.
4. Suivre par recruteur et par hiring manager. Des schémas émergent — un recruteur a systématiquement une plus faible conversion écran → entretien sur site (problème d’étalonnage) ; un HM a systématiquement un plus faible taux offre → acceptation (problème de closing).
5. Revue trimestrielle avec les responsables RH. Les données du funnel présentées aux responsables ingénierie, vente, etc. Le recrutement devient des données opérationnelles avec lesquelles ils s’engagent, et non une boîte noire sur laquelle ils se plaignent.

Comment l’IA change la mesure du funnel

Trois évolutions significatives :

• Détection d’anomalies en temps réel. Les analyses ATS modernes (Ashby, Greenhouse Insights) signalent quand le taux de conversion d’un stade tombe sous un seuil — au lieu de découvrir le problème lors de la revue trimestrielle.
• Analyse des causes profondes du funnel augmentée par l’IA. Les Skills Claude sur des données ATS peuvent synthétiser : « la conversion écran → entretien sur site a chuté de 15 % ce mois-ci ; le schéma est concentré sur le rôle d’ingénieur platform ; la cause semble être la nouvelle question de screening technique trop agressive ».
• Modélisation prédictive du funnel. Compte tenu des volumes actuels du pipeline et des taux de conversion historiques, prédire le volume de recrutements dans 60 à 90 jours. Utile pour que les responsables RH communiquent avec la finance sur la livraison des effectifs.

Pièges courants

• Optimiser pour le volume en haut du funnel. Plus de candidatures ne signifie pas plus de recrutements ; cela signifie généralement plus de charge de présélection pour les recruteurs avec le même taux d’embauche.
• Ignorer les différences par canal source. Le funnel agrégé cache le fait que les cooptations convertissent 5x mieux que les sollicitations LinkedIn froides — ce qui fausse l’allocation de l’investissement sourcing.
• Pas de responsabilité pour les stades à faible conversion. Quand les données montrent un problème, quelqu’un doit être responsable de la correction. Un reporting sans ownership produit de l’inertie.
• Comparer des rôles non comparables. Le funnel d’un recrutement d’ingénieur senior ne ressemble en rien à un funnel de poste débutant en commerce. Ne les agrégez pas ensemble.

Références

• Qualité des recrutements — la métrique de résultat que l’optimisation du funnel devrait améliorer
• Time-to-fill vs time-to-hire — les métriques de débit adjacentes
• Expérience candidat — le abandon du funnel a des causes liées à l’expérience candidat à investiguer
• Ashby — l’ATS moderne avec les analyses natives de funnel les plus solides