Recruiting Analytics, also Datenanalyse im Recruiting, bedeutet, Recruiting-Daten zu nutzen, um zu entscheiden, wo Sie Kandidaten suchen, wie schnell Sie vorgehen, was Sie anbieten und wen Sie einstellen. Statt sich auf Gewohnheit oder Bauchgefühl zu verlassen, messen Talent-Acquisition-Teams (TA) jede Stufe des Funnels, vergleichen sie mit dem externen Arbeitsmarkt und beheben die Stufe, an der Kandidaten verloren gehen.
Die Disziplin erreicht inzwischen die Recruiter selbst. Die TalentUp-Analyse von Stellenanzeigen für Recruiter und Talent-Acquisition-Rollen in zehn europäischen Ländern zeigt: 12,0 % verlangten im Zeitraum Januar–September 2026 Daten-, Kennzahlen- oder Analytics-Kenntnisse, gegenüber 7,4 % im gleichen Zeitraum 2024. Nennungen konkreter Recruiting-Kennzahlen wie Time to Hire oder Konversionsraten haben sich von 5,2 % auf 9,0 % fast verdoppelt.
Dieser Leitfaden behandelt die vier Stufen von Recruiting Analytics, die relevanten Kennzahlen (mit Formeln), den Mehrwert externer Stellenanzeigendaten, einen Schritt-für-Schritt-Plan zum Aufbau der Kompetenz sowie die EU-Regeln zu KI und Entgelttransparenz, die heute bestimmen, wie Recruiting-Daten genutzt werden dürfen.
Das Wichtigste in Kürze
- Recruiting Analytics verbindet interne Funnel-Daten (ATS, HRIS) mit externen Marktdaten zu Gehältern und Nachfrage.
- Sechs Kennzahlen decken den Großteil des Bedarfs ab: Time to Hire, Time to Fill, Source of Hire, Konversion je Stufe, Angebotsannahme und Cost per Hire; Quality of Hire verknüpft sie mit den Ergebnissen.
- Recruiter-Stellenanzeigen in Europa verlangen zunehmend Analytics-Kenntnisse: 12,0 % im Jahr 2026 gegenüber 7,4 % im Jahr 2024 (TalentUp-Daten).
- Angebotsanalysen sind nur so gut wie Ihr Gehaltsbenchmark: 2026 nannten nur rund 38 % der Recruiter-Anzeigen in unserer Stichprobe ein Gehalt, und die Praxis unterscheidet sich stark je nach Land.
- KI zur Vorauswahl oder Bewertung von Kandidaten gilt nach der KI-Verordnung als hochriskant; planen Sie die Governance, bevor Sie automatisieren.
Was ist Datenanalyse im Recruiting?
Recruiting Analytics ist das systematische Erheben und Auswerten von Recruiting-Daten, um bessere Entscheidungen zu treffen. Die Daten stammen aus drei Quellen:
- Ihrem Bewerbermanagementsystem (ATS): Stellenanforderungen, Bewerbungen, Stufenwechsel, Interviews, Angebote und die Quelle jedes Kandidaten.
- Ihrem HRIS und Ihren Leistungsdaten: was nach der Einstellung geschah, etwa Leistungsbeurteilungen, Zeit bis zur vollen Produktivität, Beförderungen und Frühfluktuation.
- Dem externen Markt: Volumen der Stellenanzeigen, ausgeschriebene Gehälter, gefragte Skills und wie Wettbewerber ihre Angebote präsentieren.
Die meisten Leitfäden zu Recruiting Analytics hören bei der ersten Quelle auf. Die zweite macht aus Aktivitätskennzahlen Qualitätskennzahlen, und die dritte zeigt Ihnen, ob ein langsamer Funnel an Ihrem Prozess liegt oder einfach an einem angespannten Markt.
Die Analytics-Reife wächst in der Regel in vier Stufen:
| Stufe |
Beantwortete Frage |
Typische Ergebnisse |
Benötigte Daten |
| Deskriptiv |
Was ist passiert? |
Time to Hire, Bewerbungen pro Stelle, Einstellungen nach Quelle |
Saubere ATS-Daten |
| Diagnostisch |
Warum ist es passiert? |
Abbrüche Stufe für Stufe, Angebotsabsagen nach Grund, Vergleich mit Marktgehältern |
ATS + Angebotsdaten + Gehaltsbenchmarks |
| Prädiktiv |
Was wird wahrscheinlich passieren? |
Prognose des Einstellungsbedarfs, voraussichtliche Time to Fill, Risiko der Frühfluktuation |
Mehrere Jahre Historie, HRIS-Ergebnisse |
| Präskriptiv |
Was sollten wir tun? |
Budgetverteilung nach Kanal, empfohlene Angebotsspanne, priorisierte Stellen |
Alles oben Genannte plus klare Entscheidungsregeln |
Die meisten HR-Teams erzielen den größten Nutzen, wenn sie den Schritt von deskriptiv zu diagnostisch sauber vollziehen, lange vor jedem prädiktiven Modell. Einen breiteren Blick auf die Digitalisierung von HR-Funktionen bietet die digitale Transformation im HR in Europa.
Sie brauchen keine Dutzende KPIs. Diese sieben decken den gesamten Funnel ab und lassen sich einfach aus einem ATS-Export berechnen:
| Kennzahl |
Formel |
Was sie Ihnen sagt |
| Time to Hire |
Datum der Angebotsannahme − Datum des Eintritts des Kandidaten in die Pipeline |
Wie schnell Ihr Prozess läuft, sobald Sie jemanden gefunden haben |
| Time to Fill |
Datum der Angebotsannahme − Datum der Stellenfreigabe |
Wie lange das Unternehmen auf die Besetzung wartet; inklusive Sourcing-Zeit |
| Source of Hire |
Einstellungen aus einem Kanal ÷ Einstellungen insgesamt |
Welche Kanäle tatsächlich Einstellungen liefern, nicht nur Bewerbungen |
| Konversionsrate je Stufe |
Kandidaten, die eine Stufe passieren ÷ Kandidaten, die sie erreichen |
Wo Kandidaten verloren gehen (Vorauswahl, Interview, Angebot) |
| Angebotsannahmequote |
Angenommene Angebote ÷ abgegebene Angebote |
Ob Ihre Angebote (Gehalt, Konditionen, Tempo) wettbewerbsfähig sind |
| Cost per Hire |
(Interne + externe Recruiting-Kosten) ÷ Anzahl der Einstellungen |
Effizienz der Ausgaben über Kanäle und Personalberatungen hinweg |
| Quality of Hire |
Vereinbarter Score aus Leistung, Zeit bis zur vollen Produktivität und Verbleib im ersten Jahr |
Ob der Prozess Menschen auswählt, die erfolgreich sind |
Drei praktische Regeln machen diese Zahlen nützlich:
- Segmentieren Sie, bevor Sie vergleichen. Eine Time to Fill für eine Senior-Ingenieurin und für einen Lagermitarbeiter bedeutet Unterschiedliches. Schlüsseln Sie jede Kennzahl nach Jobfamilie, Level und Land auf.
- Verfolgen Sie Trends, keine Einzelwerte. Eine über zwei Quartale sinkende Angebotsannahmequote ist ein Signal; ein einzelner schlechter Monat meist nicht.
- Verbinden Sie Tempo mit Qualität. Eine kürzere Time to Hire ist nur dann gut, wenn Quality of Hire und Verbleib im ersten Jahr stabil bleiben.
Was TalentUp-Stellenanzeigendaten über Recruiting im Jahr 2026 zeigen
TalentUp erfasst Stellenanzeigen aus Hunderten von Jobbörsen und Karriereseiten. Ein Blick auf Recruiter- und Talent-Acquisition-Rollen in zehn europäischen Ländern zeigt, wie sich der Beruf selbst verändert und was Kandidaten sehen, wenn sie Angebote vergleichen.
12,0 %
der Recruiter-Anzeigen verlangten 2026 Daten-, Kennzahlen- oder Analytics-Kenntnisse (7,4 % im Jahr 2024)
9,0 %
nannten konkrete Recruiting-Kennzahlen wie Time to Hire oder Konversionsraten (5,2 % im Jahr 2024)
~38 %
der Recruiter-Anzeigen nannten 2026 ein Gehalt
Quelle: TalentUp-Datenbank für Stellenanzeigen, Recruiter- und TA-Anzeigen in 10 europäischen Ländern, Januar–September 2024 und 2026.
| In Recruiter-Anzeigen genannte Kenntnis oder Anforderung |
Jan.–Sep. 2024 |
Jan.–Sep. 2026 |
| Jede Anforderung zu Daten, Kennzahlen oder Analytics |
7,4 % |
12,0 % |
| Recruiting-Kennzahlen (Time to Hire, Cost per Hire, Konversionsraten, Recruiting-KPIs) |
5,2 % |
9,0 % |
| „Datengetriebenes“ Recruiting, Analyse von Recruiting-Daten, People Analytics |
4,8 % |
7,4 % |
| Reporting oder Dashboards |
12,2 % |
12,5 % |
| KI-Recruiting-Tools (KI-Sourcing oder -Vorauswahl, ChatGPT, generative KI) |
0,8 % |
2,2 % |
| Excel |
7,9 % |
5,7 % |
| BI-Tools (Power BI, Tableau, Looker, SQL) |
0,3 % |
0,7 % |
Zwei Muster fallen auf. Erstens erwarten Arbeitgeber zunehmend, dass Recruiter ihre Funnel-Zahlen verantworten: Anzeigen fordern Kandidaten auf, „KPIs wie Time to Hire und Konversionsraten zu verfolgen“ oder „Funnel-Daten und Recruiting-Kennzahlen zu nutzen, um Engpässe sichtbar zu machen“. Zweitens ist die erwartete Analytics-Kompetenz recruitingspezifisch statt technisch: Nennungen von BI-Tools und SQL bleiben unter 1 %, während allgemeine Excel-Nennungen zurückgingen. Gefragt ist die Fähigkeit, Recruiting-Daten zu lesen und danach zu handeln, nicht Datenpipelines zu bauen.
Recruiter-Anzeigen machten zudem einen kleineren Anteil aller Stellenanzeigen in diesen Ländern aus: 0,55 % im Zeitraum Januar–September 2026 gegenüber 0,73 % im gleichen Zeitraum 2024. Mit weniger Recruitern pro offener Stelle wächst der Druck, datenbasiert zu priorisieren. Zu den Auswirkungen auf Einstiegspositionen lesen Sie warum Einstiegsjobs in Europa immer schwerer zu finden sind.
Externe Marktdaten: die Ebene, die den meisten TA-Dashboards fehlt
Interne Kennzahlen zeigen Ihnen, dass etwas nicht stimmt; externe Daten zeigen oft, warum. Eine lange Time to Fill kann einen langsamen Prozess bedeuten oder einfach, dass alle Wettbewerber dasselbe Profil suchen. Eine niedrige Angebotsannahmequote kann auf langsame Entscheidungen hindeuten oder darauf, dass Ihre Spanne unter dem liegt, was Kandidaten anderswo sehen.
Gehaltsinformationen sind das direkteste Beispiel. In der TalentUp-Stichprobe 2026 von Recruiter- und TA-Anzeigen unterschied sich der Anteil mit Gehaltsangabe stark je nach Land:
| Land |
Recruiter-Anzeigen mit Gehaltsangabe (Jan.–Sep. 2026, ca.) |
| Niederlande |
~67 % |
| Vereinigtes Königreich |
~65 % |
| Frankreich |
~34 % |
| Spanien |
~20 % |
| Deutschland |
~19 % |
| Italien |
~18 % |
| Portugal |
~16 % |
Wo die meisten Wettbewerber Gehaltsspannen veröffentlichen, vergleichen Kandidaten die Angebote, bevor sie sich bewerben, und eine nicht wettbewerbsfähige Spanne zeigt sich in weniger Bewerbungen und mehr Angebotsabsagen statt in einer ausdrücklichen Beschwerde. Wo nur wenige veröffentlichen, kann Ihre eigene Spanne zum Unterscheidungsmerkmal werden. Unsere Analyse von Stellenanzeigen mit transparentem Gehalt zeigt das Gesamtbild des Marktes.
Das ändert sich nun per Gesetz. Nach der EU-Entgelttransparenzrichtlinie (2023/970), deren Umsetzungsfrist am 7. Juni 2026 endete, müssen Arbeitgeber Bewerbern das Einstiegsentgelt oder die Entgeltspanne vor dem Vorstellungsgespräch mitteilen und dürfen nicht nach der bisherigen Vergütung fragen, sobald die nationalen Gesetze gelten. Angebotsanalysen brauchen daher belastbare, marktbasierte Spannen, bevor die Stelle freigegeben wird. Lesen Sie, warum Gehaltsbenchmarking der Schlüssel zur Einhaltung der EU-Entgelttransparenz ist, oder starten Sie mit dem kostenlosen Gehaltsbenchmark für Entgelttransparenz.
Recruiting Analytics aufbauen: Schritt für Schritt
- Definieren Sie zuerst die Entscheidungen. Listen Sie die 3–5 Entscheidungen auf, die Daten unterstützen sollen, etwa Kanalbudget, Angebotsspannen oder Priorität von Stellen. Jede Kennzahl sollte einer davon zugeordnet sein.
- Bereinigen Sie Ihre ATS-Daten. Machen Sie Stufen, Absagegründe und Quellen verpflichtend und einheitlich. Die meisten Analytics-Projekte scheitern an fehlenden oder Freitextfeldern, nicht an den Tools.
- Einigen Sie sich auf Definitionen. Halten Sie fest, wie Sie Time to Hire, Time to Fill und Cost per Hire berechnen, damit die Zahlen in jedem Land und jedem Bericht dasselbe bedeuten.
- Schaffen Sie eine deskriptive Basis. Berichten Sie die Kernkennzahlen monatlich nach Jobfamilie, Level und Land, und zwar mindestens zwei Quartale lang, bevor Sie Ziele festlegen.
- Ergänzen Sie den Marktkontext. Vergleichen Sie Angebote mit aktuellen Gehaltsdaten für dieselbe Rolle, dasselbe Level und denselben Standort, und beobachten Sie die Nachfrage nach Ihren Schlüsselprofilen. Die Methodik von TalentUp erklärt, wie Gehälter aus Stellenanzeigen normalisiert werden.
- Verknüpfen Sie Einstellungen mit Ergebnissen. Führen Sie ATS-Datensätze mit HRIS-Daten zu Leistung und Verbleib im ersten Jahr zusammen, um Quality of Hire zu messen.
- Erst dann über Prognosen nachdenken. Vorhersagen zu Time to Fill oder Frühfluktuation erfordern mehrere Jahre konsistenter Daten und eine klare Governance (siehe nächster Abschnitt).
- Schulen Sie Recruiter im Umgang mit den Zahlen. Analytics verändert Entscheidungen nur, wenn Recruiter und Hiring Manager sie lesen können. Genau das verlangen die oben genannten Stellenanzeigen zunehmend; siehe auch warum KI-Kompetenz im HR die Zukunft der Arbeit verändert.
Predictive Analytics, KI und Bias: Was die EU-Regeln verlangen
Prädiktive Modelle und KI-gestützte Vorauswahl versprechen schnellere Shortlists, doch Modelle, die mit früheren Einstellungsentscheidungen trainiert wurden, können frühere Verzerrungen reproduzieren. In der EU gelten inzwischen mehrere Regulierungsebenen:
| Regelung |
Was sie für Recruiting Analytics bedeutet |
| EU-KI-Verordnung (AI Act) (Verordnung 2024/1689), Anhang III |
KI-Systeme, die zur gezielten Schaltung von Stellenanzeigen, zur Analyse und Filterung von Bewerbungen oder zur Bewertung von Kandidaten eingesetzt werden, gelten als hochriskant. Mit den Änderungen des KI-Omnibus, die das Europäische Parlament am 16. Juni 2026 verabschiedet hat, sollen diese Pflichten für Hochrisiko-Systeme ab dem 2. Dezember 2027 gelten. |
| DSGVO (Verordnung 2016/679), Artikel 22 |
Bewerber haben das Recht, keiner Entscheidung unterworfen zu werden, die ausschließlich auf automatisierter Verarbeitung beruht und sie erheblich beeinträchtigt, mit begrenzten Ausnahmen. Behalten Sie einen Menschen in der Entscheidung. |
| Entgelttransparenzrichtlinie (2023/970) |
Sobald die nationalen Gesetze gelten: Entgeltspanne vor dem Vorstellungsgespräch, keine Fragen zur bisherigen Vergütung, geschlechtsneutrale Stellenbezeichnungen und, für Arbeitgeber mit 100 oder mehr Beschäftigten, Berichterstattung über das geschlechtsspezifische Entgeltgefälle (ab 250 jährlich ab dem 7. Juni 2027; 150–249 alle drei Jahre ab dem 7. Juni 2027; 100–149 alle drei Jahre ab dem 7. Juni 2031). Ein nicht erklärtes Gefälle von 5 % oder mehr, das nicht innerhalb von sechs Monaten behoben wird, löst eine gemeinsame Entgeltbewertung aus, und in Fällen von Entgeltdiskriminierung liegt die Beweislast beim Arbeitgeber. |
Gute Governance wartet nicht auf Fristen:
- Prüfen Sie Ergebnisse nach Gruppen. Vergleichen Sie die Erfolgsquoten jeder Stufe nach Geschlecht und anderen rechtlich relevanten Gruppen; untersuchen Sie große Unterschiede.
- Dokumentieren Sie die Merkmale. Wissen Sie, welche Eingangsdaten ein Modell oder Tool nutzt, und schließen Sie Stellvertretermerkmale wie die bisherige Vergütung aus.
- Lassen Sie Menschen verantwortlich bleiben. Nutzen Sie Scores zur Priorisierung, nicht für automatische Absagen.
- Informieren Sie die Kandidaten. Erklären Sie, wann und wie automatisierte Tools in Ihrem Prozess eingesetzt werden.
Einen breiteren Blick auf KI im gesamten HR-Bereich bietet KI im HR: die Zukunft des Personalwesens mit künstlicher Intelligenz.
Häufige Fehler bei Recruiting Analytics
| Fehler |
Warum er sich rächt |
Was Sie stattdessen tun sollten |
| Jede Kennzahl verfolgen, die das ATS anbietet |
Dashboards, die niemand liest; kein Bezug zu Entscheidungen |
Kennzahlen wählen, die an 3–5 Entscheidungen gekoppelt sind |
| Nur Time to Hire optimieren |
Schnellere Einstellungen, die im ersten Jahr wieder gehen |
Tempo mit Quality of Hire und Frühfluktuation verbinden |
| Durchschnittswerte über Rollen und Länder hinweg vergleichen |
Ein Mix-Effekt verdeckt echte Probleme |
Nach Jobfamilie, Level und Standort segmentieren |
| Angebote mit veralteten Umfragen benchmarken |
Spannen rutschen unter den Markt, und Angebote werden abgelehnt |
Aktuelle Marktdaten für denselben Stelleninhalt nutzen |
| Absagen mit einem ungeprüften Modell automatisieren |
Reproduziert Verzerrungen; rechtliches Risiko nach DSGVO und KI-Verordnung |
Menschliche Prüfung, Ergebnis-Audits nach Gruppen, Dokumentation |
| Quellen nach Bewerbungen messen |
Belohnt Kanäle, die Masse liefern, nicht Einstellungen |
Einstellungen und Quality of Hire nach Quelle messen |
Analytics braucht auch eine Vergütungsstruktur im Hintergrund. Wenn Angebote immer wieder am Gehalt scheitern, überarbeiten Sie Ihre Bänder mit unserem Leitfaden, wie Sie ein gutes Gehaltsband erstellen, und finden Sie die Balance zwischen Marktgehältern und interner Gerechtigkeit. Für Vergütungskontext nach Ländern lesen Sie den European Salary Benchmark Report.
Quellen