Автор статьи проанализировал 10 000 наймов и сформулировал вывод, который стоит дороже многих учебников: если входные данные обобщённые, результат будет таким же — и в подборе персонала, и в выдаче AI-поиска (Inc.com, 2026). Для выпускника-управленца это готовый исследовательский каркас. Алгоритмы ранжирования уже стоят в ATS и HR-tech платформах, но в дипломах их чаще описывают словами «внедрить искусственный интеллект», чем измеримыми метриками. Ниже — как превратить тезис о качестве входа в защищаемую работу с диагностикой, расчётами и планом внедрения.
Начинайте с того, что есть физически: выгрузки из ATS или хотя бы журнал вакансий в Excel, календарь рекрутера, переписка с линейными руководителями. Три источника закрывают 80% задач: хронометраж этапов воронки, отчёт по закрытым вакансиям за 12 месяцев, анкетирование руководителей о качестве нанятых. Отсутствие системы — это не пробел, а Ваш факт диагностики, который идёт в Главу 2 как обоснование изменений.
Считайте на доступных или расчётных данных и обязательно помечайте допущения. Стоимость дня простоя вакансии можно взять из средней выручки на сотрудника, стоимость часа рекрутера — из публичных зарплатных обзоров. Комиссия оценивает логику и прозрачность допущений, а не то, что Вы получили внутреннюю отчётность.
Регламент заполнения профиля вакансии, карту процесса подбора в BPMN (AS-IS и TO-BE), макет дашборда HR-метрик, чек-лист входных данных, протокол пилота с контрольной группой. Оформление — по ГОСТ Р 7.0.11-2011: нумерация, подписи, ссылки из текста на каждое приложение.
Меняйте статус работы: не «внедрено», а «проект внедрения с расчётом эффекта и оценкой рисков». Защищаемость строится на методике, а не на факте запуска. Добавьте сценарий «что если» — расчёт по трём вариантам бюджета.
Тема 1. Повышение эффективности подбора персонала на основе AI-скоринга кандидатов (на примере конкретного предприятия).
Актуальность: статья показывает, что ранжирование кандидатов определяется качеством входных данных; большинство компаний этого не регламентирует.
Цель: разработать модель скоринга и регламент входных данных, повышающие результативность подбора.
Задачи: сравнить модели ранжирования; построить воронку подбора и её метрики; выявить дефициты входных данных; рассчитать эффект от внедрения.
Структура: Глава 1 — теория ранжирования и процессный подход; Глава 2 — диагностика воронки и качества профилей вакансий; Глава 3 — расчёт эффекта, дорожная карта, оценка рисков.
Тема 2. Внедрение HR-аналитики в процессе массового подбора как проект цифровизации HR-функции.
Актуальность: при найме в объёме тысяч человек решения принимаются по агрегатам, а метрик подбора в компании часто нет вовсе.
Цель: спроектировать систему метрик и управленческий дашборд подбора.
Задачи: описать процесс AS-IS/TO-BE; определить состав метрик; спроектировать формы отчётности; оценить трудозатраты и эффект.
Структура: Глава 1 — HR-аналитика и BSC/OKR в управлении персоналом; Глава 2 — карта процесса и дефицит данных; Глава 3 — план внедрения по фазам, ROI, риски.
Тема 3. Совершенствование процесса отбора персонала через стандартизацию входных требований к вакансии.
Актуальность: «обобщённый вход — обобщённый выход» прямо переносится на размытые описания вакансий и критерии отбора.
Цель: разработать стандарт профиля вакансии и критериев оценки кандидата.
Задачи: проанализировать текущие профили; сопоставить критерии с качеством найма; разработать шаблон и чек-лист; провести пилот и замерить отклонения.
Структура: Глава 1 — стандартизация в управлении персоналом, принципы ГОСТ Р ИСО 9001-2015; Глава 2 — анализ качества описаний вакансий; Глава 3 — регламент, пилот, экономическое обоснование.
Не пересказывайте статью — он/а даёт Вам проблему, а не метод. Сформулируйте гипотезу: результативность ранжирования кандидатов зависит от полноты и формализованности входных данных. Далее — инструменты: SWOT и PESTLE для рынка HR-tech, пять сил Портера для оценки доступности решений, процессный подход по ГОСТ Р ИСО 9001-2015 для входного контроля данных.
Стройте две схемы: AS-IS и TO-BE. В AS-IS фиксируйте, где теряется информация о кандидате, кто и как формирует профиль вакансии, сколько ручных операций. В TO-BE добавляйте контрольные точки входных данных и точку скоринга. Метрики, которые стоит собрать и внести в таблицу:
| Метрика | Формула / способ расчёта | Источник данных | Куда в ВКР |
|---|---|---|---|
| Time-to-hire | Дата выхода − дата открытия заявки | ATS, журнал вакансий | Глава 2, диагностика |
| Cost-per-hire | (Затраты на подбор + трудозатраты) / число закрытых вакансий | Бюджет HR, табель | Глава 2 и 3 |
| Конверсия этапов | Перешли на следующий этап / вошли на предыдущий | Выгрузка воронки | Глава 2 |
| Quality-of-hire | Оценка руководителя через 3–6 мес. × доля прошедших испытательный срок | Опрос, HR-система | Глава 3, эффект |
| Полнота входных данных | Заполненные поля профиля / обязательные поля × 100% | Аудит вакансий | Глава 2, приложение |
Эффект от AI-скоринга складывается из двух слагаемых: снижение стоимости закрытия вакансии и сокращение потерь от простоя. Ниже — рабочий каркас, который можно адаптировать под своё предприятие и защищать перед комиссией.
Эффект = (N_вакансий × ΔCost-per-hire) + (N_вакансий × ΔTime-to-hire × Стоимость_дня_простоя)
ROI = (ΣЭффект − Затраты_проекта) / Затраты_проекта × 100%
NPV = Σ [(Эффект_t − Затраты_t) / (1 + r)^t] − Инвестиции
Срок окупаемости = Инвестиции / Среднегодовой эффект
Пример: 120 вакансий в год, cost-per-hire 48 000 → 41 000 руб.,
срок закрытия 34 → 27 дней, простой 6 500 руб./день.
Эффект = 120 × 7 000 + 120 × 7 × 6 500 = 840 000 + 5 460 000 = 6 300 000 руб./годЕсли показатель ROI получается выше 200% — ищите ошибку в допущениях: чаще всего завышена стоимость простоя или не учтены затраты на обучение рекрутеров и лицензии.
Внедрение скоринга — это проект, поэтому логично опираться на PMBOK 7 или PRINCE2, а сам запуск вести итерациями. Если Вы решаете, как написать ВКР по проектному управлению и при этом сохранить отраслевую специфику, схема ниже экономит целый раздел.
Итерация 1 (0–6 нед.): аудит входных данных, регламент профиля вакансии
Итерация 2 (7–12 нед.): пилот скоринга на 2 массовых позициях, контрольная группа
Итерация 3 (13–20 нед.): дашборд HR-метрик, обучение рекрутеров, корректировка весов
Итерация 4 (21–26 нед.): масштабирование, пересмотр KPI, включение целей в BSC/OKRЧто проверить перед сдачей
Типичные ошибки
1. Качественные оценки вместо расчётов. «Подбор стал быстрее» — не результат. Комиссия ждёт Cost-per-hire и Time-to-hire до и после, хотя бы в расчётном виде. Ошибка прямо противоречит логике статьи: измеримость — часть качества входа.
2. Игнорирование качества данных. Студент берёт десять неполных профилей вакансий и делает выводы обо всей системе подбора. Автор статьи предупреждает: обобщённый вход даёт обобщённый выход. Начните с аудита полноты полей — это половина Главы 2.
3. Нет анализа рисков внедрения. Сопротивление рекрутеров, предвзятость алгоритма, обработка персональных данных по 152-ФЗ — всё это нужно вынести в отдельный подраздел с мерами реагирования. Без него Глава 3 выглядит как реклама, а не как управленческое решение.
Если тема сформулирована, а данных и времени не хватает — это решаемо. Мы выделяем на сопровождение до 120 часов консультаций: поможем собрать семантику темы, выстроить расчётную часть и привести приложения в порядок. Первая консультация бесплатная — можно обсудить один вопрос и уйти с готовым планом.
Источник: What 10,000 Hires Taught Me About How AI Ranks Everything (опубликовано 2026-04-21)
```