採用ファネル指標とは、採用プロセスのどこが機能していて、どこが機能していないかを明らかにするために、採用ファネルの各ステージ（初期ソーシングから採用まで）でのコンバージョン率とボリュームです。これらがなければ、採用の決定はアネクドータル（「プロセスが遅い感じがする」）になります。あれば、根拠に基づいた決定（「リクルータースクリーン→オンサイトのコンバージョンは35%で、ベンチマークの45%を下回っています。これが是正措置です」）が可能になります。
標準的な採用ファネル
ほとんどのチームは6〜8のステージとステージ間のコンバージョン率を追跡します：
| ステージ | ボリューム | 次へのコンバージョン |
|---|---|---|
| 1. 応募済み／ソーシング済み | ファネルのトップ | → リクルータースクリーン |
| 2. リクルータースクリーン | 応募の20〜40% | → 採用マネージャースクリーン |
| 3. 採用マネージャースクリーン | スクリーンの40〜60% | → オンサイト面接ループ |
| 4. オンサイト面接ループ | HMスクリーンの30〜50% | → デブリーフ／決定 |
| 5. オファー提示 | オンサイトの50〜70% | → オファー承諾 |
| 6. オファー承諾 | オファーの60〜90% | → 入社日 |
| 7. 入社日 | 採用 | → 90日リテンション |
健全なベンチマークは役職タイプ、レベル、業界によって大きく異なります。大手テック企業のエンジニアリングは、小売フロアスタッフやエンタープライズ営業リーダーシップとは異なるコンバージョン率を示します。
ファネルレベルのビューが重要な理由
ファネル追跡前は、採用レポートは次のようになります：「先四半期に50人を採用し、充足までの時間は47日、採用ソースはLinkedInが60%」。有用ですが、どう実行可能ですか？
ファネルレベルの追跡により、次のように言えます：「応募数は四半期で1,200件（目標1,000件、健全）。リクルータースクリーン→オンサイトは25%（目標35%、問題あり）。オンサイト→オファーは80%（目標60%、疑わしく高い——キャリブレーションの問題？）」。各ステージが診断可能なシステムとなります。
診断パターン
一般的なファネル診断とその意味：
- 応募→リクルータースクリーンの離脱が多い。 求人票が役職と合っていない。悪いソーシングチャネル。過剰に積極的なスクリーニング基準。
- リクルータースクリーン→HMスクリーンが低い。 リクルータースクリーンが採用マネージャーが望まない候補者を通している。リクルーターとHMのキャリブレーションがずれている。
- HMスクリーン→オンサイトが低い。 HMがスクリーンを適性確認の会話ではなく高水準の面接として使っている。またはスクリーニング基準が厳しすぎる。
- オンサイト→オファーが低い。 オンサイトループのキャリブレーションが間違っている（成功したはずの候補者を拒否している）か、ループが敵対的で運営が悪い（良い候補者が自主的に離脱）か、オンサイトに入る候補者の質が低い（上流ステージが不適切な候補者を通している）。
- オファー→承諾が低い。 報酬が市場とずれている。競合するオファーが勝っている。候補者体験のダメージ。オファー提示のスピードが遅すぎる。
- 承諾→入社が低い。 承諾から入社の間でのオファーの撤回——競合するオファーが引き続き誘引し、オンボーディングシグナルが弱く、承諾から入社の間にマネージャーが変わる。
各診断は異なる是正措置を指します。
運用方法
- ATSにファネルをエンコードする。 Ashby、Greenhouse、Workableはすべてネイティブのファネルレポーティングを提供します。使ってください。
- 役職別のベンチマークを設定する。 エンジニアリングのベンチマークは営業のベンチマークとは異なり、フロントラインのベンチマークとも異なります。比べられないものを比較しないでください。
- ソースチャネル別に追跡する。 ファネルのコンバージョン率はソースによって異なります——LinkedInの応募は従業員リファラルの半分のコンバージョン率かもしれません。ソースを意識したファネルレポーティングがどこに投資すべきかを明らかにします。
- リクルーターと採用マネージャー別に追跡する。 パターンが現れます——あるリクルーターは一貫してスクリーン→オンサイトのコンバージョンが低い（キャリブレーションの問題）。あるHMは一貫してオファー→承諾が低い（クロージングの問題）。
- 採用リーダーと四半期レビューを行う。 エンジニアリングリーダー、営業リーダーなどに提示されるファネルデータ。採用は彼らが関与するオペレーションデータになり、不満を言うブラックボックスではなくなります。
AIがファネル測定を変える部分
3つの重要な変化：
- リアルタイムの異常検出。 モダンなATSアナリティクス（Ashby、Greenhouse Insights）がステージのコンバージョン率が閾値を下回った時にフラグを立てます——四半期レビューで問題を発見するのではなく。
- AIを活用したファネル根本原因分析。 ATSデータに対するClaudeスキルが合成できます：「スクリーン→オンサイトが今月15%下がった。パターンはプラットフォームエンジニア役職に集中しており、原因は新しい技術スクリーン質問が過剰に厳しいようだ。」
- 予測ファネルモデリング。 現在のパイプラインボリュームと過去のコンバージョン率を踏まえ、60〜90日後の採用アウトプットを予測します。採用リーダーがヘッドカウント供給についてファイナンスとコミュニケーションする際に有用です。
よくある落とし穴
- ファネルトップのボリュームを最適化する。 応募数が増えても採用数が増えるとは限りません。通常は同じ採用率でリクルータースクリーニングの負担が増えるだけです。
- ソースチャネルの違いを無視する。 総合ファネルは、リファラルがコールドLinkedInより5倍高くコンバートするという事実を隠し、ソーシング投資を誤配分させます。
- コンバージョンが低いステージに対する説明責任がない。 データが問題を示した時、誰かが修正を所有する必要があります。所有権のない報告は慣性を生み出します。
- 比較できない役職をまたいで比較する。 シニアエンジニアリング採用のファネルはエントリーレベルの小売ファネルとは全く異なります。平均化しないでください。
関連
- 採用の質 — ファネル最適化が改善すべきアウトカム指標
- 充足までの時間と採用までの時間 — 隣接するスループット指標
- 候補者体験 — ファネルの離脱には調査する価値のあるCXの原因がある
- Ashby — 最も強力なネイティブファネルアナリティクスを持つモダンATS