L’analisi dei dati nel recruiting, chiamata anche recruitment analytics, consiste nell’usare i dati sulle assunzioni per decidere dove cercare candidati, con quale rapidità muoversi, cosa offrire e chi assumere. Invece di affidarsi all’abitudine o all’intuito, i team di talent acquisition (TA) misurano ogni fase del funnel, la confrontano con il mercato del lavoro esterno e intervengono sulla fase in cui si perdono i candidati.
La disciplina si sta estendendo agli stessi recruiter. L’analisi di TalentUp sugli annunci per recruiter e talent acquisition in dieci Paesi europei mostra che il 12,0% richiedeva competenze su dati, metriche o analytics a gennaio–settembre 2026, rispetto al 7,4% dello stesso periodo del 2024. Le menzioni di metriche di recruiting specifiche, come time to hire o tassi di conversione, sono quasi raddoppiate, dal 5,2% al 9,0%.
Questa guida illustra i quattro livelli della recruitment analytics, le metriche da monitorare (con le formule), cosa aggiungono i dati esterni degli annunci di lavoro, un piano passo dopo passo per sviluppare questa capacità e le regole UE su IA e trasparenza retributiva che oggi definiscono come si possono usare i dati sulle assunzioni.
Punti chiave
- La recruitment analytics combina i dati interni del funnel (ATS, HRIS) con dati di mercato esterni su retribuzioni e domanda.
- Sei metriche coprono la maggior parte delle esigenze: time to hire, time to fill, fonte di assunzione, conversione per fase, accettazione delle offerte e costo per assunzione; la quality of hire le collega ai risultati.
- Gli annunci per recruiter in Europa chiedono sempre più competenze di analytics: 12,0% nel 2026 contro 7,4% nel 2024 (dati TalentUp).
- L’analisi delle offerte vale quanto il tuo benchmark retributivo: nel 2026 solo il 38% circa degli annunci per recruiter del nostro campione indicava la retribuzione, e le prassi variano molto da Paese a Paese.
- L’IA usata per selezionare o valutare i candidati è ad alto rischio secondo l’AI Act; pianifica la governance prima di automatizzare.
Che cos’è l’analisi dei dati nel recruiting?
La recruitment analytics è la raccolta e l’analisi sistematica dei dati sulle assunzioni per migliorare le decisioni. I dati provengono da tre fonti:
- Il tuo sistema di gestione delle candidature (ATS): richieste di personale, candidature, passaggi di fase, colloqui, offerte e fonte di ogni candidato.
- Il tuo HRIS e i dati di performance: cosa è successo dopo l’assunzione, come valutazioni della performance, tempo per raggiungere la piena produttività, promozioni e uscite precoci.
- Il mercato esterno: volumi di annunci, retribuzioni pubblicate, competenze richieste e il modo in cui i concorrenti presentano le loro offerte.
La maggior parte delle guide sulla recruitment analytics si ferma alla prima fonte. La seconda trasforma le metriche di attività in metriche di qualità, e la terza ti dice se un funnel lento dipende dal tuo processo o semplicemente da un mercato con poca offerta di candidati.
La maturità analitica di solito cresce in quattro livelli:
| Livello |
Domanda a cui risponde |
Output tipici |
Dati necessari |
| Descrittivo |
Cosa è successo? |
Time to hire, candidature per posizione, assunzioni per fonte |
Dati ATS puliti |
| Diagnostico |
Perché è successo? |
Abbandoni fase per fase, offerte rifiutate per motivo, confronto con le retribuzioni di mercato |
ATS + dati sulle offerte + benchmark retributivi |
| Predittivo |
Cosa è probabile che accada? |
Previsione del fabbisogno di assunzioni, time to fill probabile, rischio di uscite precoci |
Diversi anni di storico, risultati dall’HRIS |
| Prescrittivo |
Cosa dovremmo fare? |
Allocazione del budget per canale, range di offerta consigliato, posizioni prioritarie |
Tutto quanto sopra più regole decisionali chiare |
La maggior parte dei team HR ottiene il ritorno maggiore passando bene dal livello descrittivo a quello diagnostico, molto prima di qualsiasi modello predittivo. Per una visione più ampia della digitalizzazione delle funzioni HR, leggi la trasformazione digitale delle HR in Europa.
Non ti servono decine di KPI. Queste sette coprono l’intero funnel e si calcolano facilmente da un’esportazione dell’ATS:
| Metrica |
Formula |
Cosa ti dice |
| Time to hire |
Data di accettazione dell’offerta − data di ingresso del candidato nella pipeline |
Quanto è rapido il tuo processo una volta trovato qualcuno |
| Time to fill |
Data di accettazione dell’offerta − data di apertura della posizione |
Quanto aspetta l’azienda per coprire il ruolo; include il tempo di sourcing |
| Fonte di assunzione |
Assunzioni da un canale ÷ assunzioni totali |
Quali canali producono davvero assunzioni, non solo candidature |
| Tasso di conversione per fase |
Candidati che superano una fase ÷ candidati che vi entrano |
Dove si perdono i candidati (screening, colloquio, offerta) |
| Tasso di accettazione delle offerte |
Offerte accettate ÷ offerte presentate |
Se le tue offerte (retribuzione, condizioni, rapidità) sono competitive |
| Costo per assunzione |
(Costi di recruiting interni + esterni) ÷ numero di assunzioni |
Efficienza della spesa tra canali e agenzie |
| Quality of hire |
Punteggio concordato basato su performance, tempo per la piena produttività e retention nel primo anno |
Se il processo seleziona persone che hanno successo |
Tre regole pratiche rendono utili questi numeri:
- Segmenta prima di confrontare. Un time to fill per un ingegnere senior e per un operatore di magazzino significano cose diverse. Suddividi ogni metrica per famiglia professionale, livello e Paese.
- Segui i trend, non i singoli valori. Un tasso di accettazione delle offerte in calo per due trimestri è un segnale; un singolo mese negativo di solito no.
- Abbina velocità e qualità. Un time to hire più breve è positivo solo se quality of hire e retention nel primo anno tengono.
Cosa mostrano i dati degli annunci TalentUp sul recruiting nel 2026
TalentUp raccoglie annunci di lavoro da centinaia di job board e pagine carriera. L’analisi dei ruoli di recruiter e talent acquisition in dieci Paesi europei mostra come sta cambiando la professione stessa e cosa vedono i candidati quando confrontano le offerte.
12,0%
degli annunci per recruiter chiedeva competenze su dati, metriche o analytics nel 2026 (7,4% nel 2024)
9,0%
citava metriche di recruiting specifiche come time to hire o tassi di conversione (5,2% nel 2024)
~38%
degli annunci per recruiter indicava una retribuzione nel 2026
Fonte: database di annunci di lavoro TalentUp, annunci per recruiter e TA in 10 Paesi europei, gennaio–settembre 2024 e 2026.
| Competenza o requisito citato negli annunci per recruiter |
Gen–set 2024 |
Gen–set 2026 |
| Qualsiasi requisito su dati, metriche o analytics |
7,4% |
12,0% |
| Metriche di recruiting (time to hire, costo per assunzione, tassi di conversione, KPI di recruiting) |
5,2% |
9,0% |
| Recruiting “data-driven”, analisi dei dati di selezione, people analytics |
4,8% |
7,4% |
| Reporting o dashboard |
12,2% |
12,5% |
| Strumenti di recruiting basati sull’IA (sourcing o screening con IA, ChatGPT, IA generativa) |
0,8% |
2,2% |
| Excel |
7,9% |
5,7% |
| Strumenti di BI (Power BI, Tableau, Looker, SQL) |
0,3% |
0,7% |
Emergono due tendenze. Primo, i datori di lavoro si aspettano sempre più che i recruiter siano responsabili dei numeri del proprio funnel: gli annunci chiedono ai candidati di “monitorare KPI come time to hire e tassi di conversione” o di “usare i dati del funnel e le metriche di selezione per far emergere i blocchi”. Secondo, l’analytics richiesta è specifica del recruiting più che tecnica: le menzioni di strumenti di BI e SQL restano sotto l’1%, mentre le menzioni generiche di Excel sono diminuite. La competenza che i datori di lavoro cercano è leggere i dati sulle assunzioni e agire di conseguenza, non costruire pipeline di dati.
Gli annunci per recruiter sono diventati anche una quota minore del totale degli annunci in questi Paesi, 0,55% a gennaio–settembre 2026 contro 0,73% nello stesso periodo del 2024. Con meno recruiter per posizione aperta, cresce la pressione a stabilire le priorità con i dati. Per l’effetto sulle assunzioni a inizio carriera, leggi perché in Europa i lavori entry-level sono sempre più difficili da trovare.
Dati di mercato esterni: il livello che manca alla maggior parte delle dashboard TA
Le metriche interne ti dicono che qualcosa non va; i dati esterni spesso ti dicono perché. Un time to fill lungo può indicare un processo lento, o semplicemente che tutti i concorrenti stanno cercando lo stesso profilo. Un basso tasso di accettazione delle offerte può indicare decisioni lente, o che il tuo range è al di sotto di ciò che i candidati vedono altrove.
Le informazioni retributive sono l’esempio più diretto. Nel campione TalentUp 2026 di annunci per recruiter e TA, la quota che indicava la retribuzione variava molto da Paese a Paese:
| Paese |
Annunci per recruiter con retribuzione indicata (gen–set 2026, circa) |
| Paesi Bassi |
~67% |
| Regno Unito |
~65% |
| Francia |
~34% |
| Spagna |
~20% |
| Germania |
~19% |
| Italia |
~18% |
| Portogallo |
~16% |
Dove la maggior parte dei concorrenti pubblica i range, i candidati confrontano le offerte prima di candidarsi, e un range poco competitivo si traduce in meno candidature e più offerte rifiutate anziché in una lamentela esplicita. Dove pochi pubblicano, il tuo range può diventare un elemento di differenziazione. La nostra analisi sugli annunci di lavoro con retribuzione trasparente illustra il quadro dell’intero mercato.
La legge sta cambiando le cose. Con la Direttiva UE sulla trasparenza retributiva (2023/970), il cui termine di recepimento era il 7 giugno 2026, i datori di lavoro devono comunicare ai candidati la retribuzione iniziale o la relativa fascia prima del colloquio e non possono chiedere la retribuzione percepita in passato, man mano che si applicano le leggi nazionali. L’analisi delle offerte ha quindi bisogno di range difendibili e basati sul mercato prima che la posizione venga aperta. Leggi perché il benchmarking retributivo è la chiave per la conformità alla trasparenza retributiva UE, oppure inizia dal benchmark retributivo gratuito per la trasparenza retributiva.
Come sviluppare una capacità di recruitment analytics, passo dopo passo
- Definisci prima le decisioni. Elenca le 3–5 decisioni che vuoi supportare con i dati, per esempio budget per canale, range delle offerte o priorità delle posizioni. Ogni metrica deve essere collegata a una di esse.
- Pulisci i dati dell’ATS. Rendi obbligatori e coerenti fasi, motivi di scarto e fonti. La maggior parte dei progetti di analytics fallisce per campi mancanti o a testo libero, non per gli strumenti.
- Concorda le definizioni. Metti per iscritto come calcoli time to hire, time to fill e costo per assunzione, così che i numeri abbiano lo stesso significato in ogni Paese e in ogni report.
- Costruisci una base descrittiva. Riporta mensilmente le metriche principali per famiglia professionale, livello e Paese per almeno due trimestri prima di fissare obiettivi.
- Aggiungi il contesto di mercato. Confronta le offerte con dati retributivi aggiornati per lo stesso ruolo, livello e sede, e monitora la domanda per i tuoi profili chiave. La metodologia di TalentUp spiega come vengono normalizzate le retribuzioni degli annunci di lavoro.
- Collega le assunzioni ai risultati. Unisci i dati dell’ATS con quelli dell’HRIS su performance e retention nel primo anno per misurare la quality of hire.
- Solo allora valuta la previsione. Prevedere il time to fill o le uscite precoci richiede diversi anni di dati coerenti e una governance chiara (vedi la sezione successiva).
- Forma i recruiter a usare i numeri. L’analytics cambia le decisioni solo se recruiter e hiring manager sanno leggerla. È proprio ciò che gli annunci citati sopra chiedono sempre più spesso; vedi anche perché la competenza sull’IA nelle HR sta trasformando il futuro del lavoro.
Analisi predittiva, IA e bias: cosa richiedono le regole UE
I modelli predittivi e lo screening con l’IA promettono shortlist più rapide, ma i modelli addestrati su decisioni di assunzione passate possono riprodurre i bias del passato. Nell’UE si applicano ora diversi livelli di regolamentazione:
| Norma |
Cosa significa per la recruitment analytics |
| AI Act dell’UE (Regolamento 2024/1689), Allegato III |
I sistemi di IA usati per pubblicare annunci di lavoro mirati, analizzare e filtrare le candidature o valutare i candidati sono ad alto rischio. Con le modifiche dell’Omnibus IA, adottate dal Parlamento europeo il 16 giugno 2026, questi obblighi per i sistemi ad alto rischio si applicheranno dal 2 dicembre 2027. |
| GDPR (Regolamento 2016/679), articolo 22 |
I candidati hanno il diritto di non essere sottoposti a una decisione basata unicamente su un trattamento automatizzato che incida significativamente su di loro, salvo eccezioni limitate. Mantieni una persona nella decisione. |
| Direttiva sulla trasparenza retributiva (2023/970) |
Man mano che si applicano le leggi nazionali: fascia retributiva prima del colloquio, nessuna domanda sulle retribuzioni passate, titoli di lavoro neutri rispetto al genere e, per i datori di lavoro con almeno 100 dipendenti, reporting sul divario retributivo di genere (250 e oltre ogni anno dal 7 giugno 2027; 150–249 ogni tre anni dal 7 giugno 2027; 100–149 ogni tre anni dal 7 giugno 2031). Un divario non giustificato pari o superiore al 5%, non corretto entro sei mesi, fa scattare una valutazione congiunta delle retribuzioni, e nei casi di discriminazione retributiva l’onere della prova passa al datore di lavoro. |
Una buona governance non aspetta le scadenze:
- Verifica i risultati per gruppo. Confronta i tassi di superamento di ogni fase per genere e altri gruppi giuridicamente rilevanti; approfondisci le differenze rilevanti.
- Documenta le variabili. Sappi quali input usa un modello o uno strumento ed escludi le variabili proxy come la retribuzione passata.
- Mantieni le persone responsabili. Usa i punteggi per stabilire priorità, non per scartare automaticamente.
- Informa i candidati. Spiega quando e come vengono usati strumenti automatizzati nel tuo processo.
Per una visione più ampia dell’IA in tutte le HR, leggi l’IA nelle HR: il futuro delle risorse umane con l’intelligenza artificiale.
Errori comuni nella recruitment analytics
| Errore |
Perché si ritorce contro |
Cosa fare invece |
| Monitorare ogni metrica offerta dall’ATS |
Dashboard che nessuno legge; nessun legame con le decisioni |
Scegliere metriche legate a 3–5 decisioni |
| Ottimizzare solo il time to hire |
Assunzioni più rapide che se ne vanno nel primo anno |
Abbinare la velocità a quality of hire e uscite precoci |
| Confrontare medie tra ruoli e Paesi |
Un effetto di composizione nasconde i problemi reali |
Segmentare per famiglia professionale, livello e sede |
| Confrontare le offerte con vecchie survey |
I range scivolano sotto il mercato e le offerte vengono rifiutate |
Usare dati di mercato aggiornati per lo stesso contenuto del ruolo |
| Automatizzare gli scarti con un modello non verificato |
Riproduce i bias; rischio legale ai sensi del GDPR e dell’AI Act |
Revisione umana, audit dei risultati per gruppo, documentazione |
| Misurare le fonti in base alle candidature |
Premia i canali che portano volume, non assunzioni |
Misurare assunzioni e quality of hire per fonte |
L’analytics ha bisogno anche di una struttura retributiva alle spalle. Se le offerte continuano a fallire sulla retribuzione, rivedi le tue fasce con la nostra guida su come creare una buona fascia retributiva e sull’equilibrio tra retribuzioni di mercato ed equità interna. Per il contesto retributivo per Paese, consulta l’European Salary Benchmark Report.
Fonti