IT-rekrytoinnin analytiikka tarkoittaa rekrytointiprosessista syntyvän datan järjestelmällistä keräämistä, mittaamista ja tulkintaa. Sen avulla nähdään, kuinka nopeasti ja millä kustannuksella teknologiaosaajia saadaan palkattua, missä vaiheessa ehdokkaat putoavat pois ja millä hakukanavilla saadaan parhaita valintoja. Kun luvut ovat samassa paikassa, rekrytointitoimisto, suorahakukonsultti tai HR-osasto voi korvata tuntumaan perustuvat arviot mitattavalla tiedolla. Tässä artikkelissa käydään läpi keskeiset mittarit laskukaavoineen, keston analysointi, tietolähteet ja työkalut sekä Suomessa noudatettavat tietosuoja- ja yhdenvertaisuusvaatimukset.

Tärkeimmät havainnot

• Viisi perusmittaria riittää alkuun: time-to-fill, time-to-hire, cost-per-hire, hakijakokemus ja rekrytoinnin laatu. Niiden on oltava määritelty samalla tavalla jokaisessa toimeksiannossa.

• Keskiarvo johtaa usein harhaan. IT-rekrytoinnin kestoa kannattaa tarkastella mediaanin, 75. persentiilin ja vaihekohtaisten läpimenoaikojen avulla.

• Hajanaiset järjestelmät ovat analytiikan yleisin este. Kun ATS, myynnin CRM ja taulukot ovat erillään, dataa ei voi yhdistää luotettavasti.

• Data tukee päätöstä, se ei tee sitä. Merkittävästi vaikuttavaan automaattiseen päätöksentekoon liittyy Suomessa tiukkoja ehtoja, ja hakijan on voitava pyytää ihmisen osallistumista.

• EU:n tekoälyasetus luokittelee rekrytoinnin korkean riskin käyttötarkoitukseksi, mikä edellyttää dokumentoitua ja läpinäkyvää tekoälyn käyttöä.

Sisällysluettelo

• 1. Mitä IT-rekrytoinnin analytiikka tarkoittaa

• 2. Keskeiset mittarit ja niiden laskeminen

• 3. IT-rekrytoinnin keston analysointi

• 4. Miten data auttaa löytämään oikeat IT-osaajat

• 5. Tietolähteet ja työkalut

• 6. Datasta käytännön päätöksiksi

• 7. Tietosuoja ja yhdenvertaisuus Suomessa

• Näkökulmamme: analytiikka alkaa yhtenäisestä datasta

• Usein kysytyt kysymykset

• Lähteet

1. Mitä IT-rekrytoinnin analytiikka tarkoittaa

Rekrytointianalytiikka on osa laajempaa HR-analytiikkaa, jonka tehtävänä on viedä henkilöstöön liittyvä tieto käytäntöön. Vaasan yliopistossa tehdyn tutkimuksen mukaan HR-analytiikka voi tukea rekrytoinnin objektiivisuutta, lyhentää rekrytointiaikoja ja parantaa hakijakokemusta. Samassa tutkimuksessa todetaan, että suomalaisorganisaatioissa analytiikan hyödyntämistä jarruttavat erityisesti resurssien puute, järjestelmien hajanaisuus ja osaamisen taso.

IT-alalla analytiikan merkitys korostuu kolmesta syystä. Ensinnäkin teknologiaosaaminen on monikerroksista: Java-kehittäjä ei ole yksi profiili, vaan yhdistelmä kehyksiä, pilvialustoja, kokemusvuosia ja toimialatuntemusta. Toiseksi parhaat ehdokkaat ovat usein passiivisia, jolloin suorahaun tehokkuus ratkaisee enemmän kuin ilmoituksen näkyvyys. Kolmanneksi rekrytointitoimistoissa ja henkilöstövuokrauksessa jokainen viivästys näkyy suoraan laskutuksessa, koska konsultin aloituspäivä määrää tulovirran alun.

Tutkimuskirjallisuudessa suunta on selvä. Rouaine ym. (2025) korostavat, että IT-rekrytoinnissa on siirryttävä kertaluonteisesta hakemusten suodattamisesta kohti strategista, datavetoista ja ennakoivaa hallintatapaa. Käytännössä tämä tarkoittaa, että analytiikka ei ole kuukausiraportti, vaan jatkuvasti päivittyvä näkymä rekrytointiputkeen.

2. Keskeiset mittarit ja niiden laskeminen

Mittarit ovat hyödyllisiä vain, jos ne lasketaan joka kerta samalla tavalla. Siksi määritelmät kannattaa kirjata organisaation yhteiseen ohjeeseen ennen kuin ensimmäistäkään raporttia rakennetaan. Alla olevassa taulukossa on IT-rekrytoinnin perusmittarit ja niiden yleisesti käytetyt laskutavat.

Kustannusmittarissa tärkeintä on päättää, mitä kokonaiskuluihin sisällytetään. Yleensä mukaan lasketaan ilmoitus- ja sourcing-kanavat, ohjelmistolisenssit, ulkoiset palvelut sekä rekrytoijien ja haastattelijoiden käyttämä työaika. Esimerkki: jos vuosineljänneksen rekrytointikulut ovat yhteensä 18 000 € ja samana aikana palkataan kuusi kehittäjää, cost-per-hire on 3 000 €. Jos työaika jätetään laskelmasta pois, luku näyttää paremmalta kuin todellisuus, ja vertailu edelliseen jaksoon vääristyy.

Rekrytointitoimistolle ja henkilöstövuokraajalle perusmittarit eivät yksinään riitä. Niiden rinnalla on hyvä seurata myynnin ja rekrytoinnin yhteisiä lukuja: kuinka moni asiakkaalle esitetty ehdokas etenee haastatteluun (submittal-to-interview), kuinka moni toimeksianto suljetaan ja mikä on konsulttikohtainen kate. Nämä luvut syntyvät vain, jos myyntiputki ja rekrytointiputki ovat samassa järjestelmässä.

3. IT-rekrytoinnin keston analysointi

Rekrytoinnin kesto on mittari, jota johto kysyy useimmin ja jota tulkitaan useimmin väärin. IT-tehtävien välillä on suuria eroja: erään kansainvälisen IT-rekrytointiaineiston mukaan time-to-fillin mediaani on 26 päivää ja time-to-hiren mediaani 19 päivää, kun taas QA-tehtävät täytettiin aineistossa keskimäärin 18 päivässä ja johtotehtävät 40 päivässä. Luvut kuvaavat yhtä aineistoa, eivät suomalaisen markkinan normia, mutta ne havainnollistavat, miksi kaikkia rooleja ei pidä mitata samalla tavoitteella.

Kestoa kannattaa analysoida kolmella tasolla:

1. Mediaani. Se kertoo tyypillisen rekrytoinnin keston, eikä yksittäinen poikkeuksellisen pitkä johtotason haku vääristä sitä.

2. 75. persentiili. Se näyttää, kuinka pitkiksi hitaimmat neljännekset venyvät. Jos mediaani on 30 päivää mutta 75. persentiili 70 päivää, ongelma ei ole koko prosessissa vaan tietyntyyppisissä hauissa.

3. Vaihekohtainen läpimenoaika. Kun kokonaisaika pilkotaan vaiheisiin (sourcing, esikarsinta, asiakkaalle esittely, haastattelut, tarjous), pullonkaula paljastuu. Usein viive ei synny ehdokkaiden löytämisessä, vaan asiakkaan palautteen odottamisessa tai haastatteluaikojen sopimisessa.

Vaihekohtaisen analyysin tueksi on hyödyllistä verrata omaa prosessia selkeään vaihemalliin. Olemme kuvanneet rekrytointiprosessin vaiheet 2-4 viikon mallissa, ja käytännön esimerkkejä löytyy myös artikkelista, jossa rekrytointiputken analytiikka paljastaa pullonkaulat.

4. Miten data auttaa löytämään oikeat IT-osaajat

Analytiikan arvo ei rajoitu jälkikäteiseen raportointiin. Hyvin rakennettu data ohjaa myös itse hakua: ketä kannattaa lähestyä, missä järjestyksessä ja millä viestillä.

Osaamisen yhteydet avainsanojen sijaan

Pelkkä avainsanahaku löytää CV:n, jossa lukee “Kubernetes”, mutta ohittaa ehdokkaan, jolla on vahva kokemus konttiteknologioista ja pilvialustoista eri termein kuvattuna. Kontekstuaalinen matching tunnistaa teknologioiden väliset yhteydet ja arvioi ehdokasta suhteessa projektin todellisiin vaatimuksiin. Tuloksena on pisteytetty lyhytlista, jossa sopivuus näkyy prosentteina ja perusteltuna.

Oma tietokanta ensimmäisenä lähteenä

Monella rekrytointitoimistolla on tuhansia aiempia ehdokkaita, joita ei koskaan haeta uudelleen, koska tiedot ovat vanhentuneita tai hajallaan. Kun tietokanta indeksoidaan ja duplikaatit yhdistetään, aiemmin “kadonneet” ehdokkaat palaavat käyttöön. Analytiikka näyttää, kuinka suuri osa onnistuneista valinnoista tulee omasta talent poolista verrattuna maksullisiin ulkoisiin kanaviin, ja tämä luku vaikuttaa suoraan cost-per-hireen.

Ennakoiva analyysi ja vinoumien vähentäminen

Historiallisesta datasta voidaan arvioida, missä vaiheissa ehdokkaat todennäköisimmin vetäytyvät ja millaisilla ehdoilla tarjoukset hyväksytään. Data mining -menetelmillä voidaan myös vähentää rekrytoijien kognitiivisia vinoumia ja parantaa valinnan objektiivisuutta, kun arviointi perustuu yhtenäisiin kriteereihin eikä ensivaikutelmaan.

Objektiivisuus edellyttää kuitenkin, että mallit eivät toista vanhoja valintamalleja. Esimerkiksi Työterveyslaitoksen NEMO-hankkeessa muistutetaan, että noin 15-20 prosenttia väestöstä kuuluu johonkin neurominoriteettiin. IT-alalla tämä on käytännön kysymys: jos haastattelumenetelmät tai pisteytys suosivat tiettyä viestintätyyliä, osa osaavimmista kehittäjistä karsiutuu ilman, että data kertoo syystä mitään.

5. Tietolähteet ja työkalut

IT-rekrytoinnin analytiikka rakentuu useasta tietolähteestä. Tyypillisesti tarvitaan ainakin seuraavat:

• ATS-järjestelmä hakemuksista, prosessivaiheista, aikaleimoista ja valintapäätöksistä.

• Myynnin CRM asiakkaista, toimeksiannoista, tarjouksista ja sopimuksista, erityisesti rekrytointitoimistoissa ja henkilöstövuokrauksessa.

• Sourcing-työkalut, kuten Boolean- ja X-RAY-haut, joista nähdään, mistä kanavista ehdokkaat löytyvät.

• Viestintä- ja tehtävähistoria, josta mitataan vasteaikoja ja kontaktien määrää.

• Kyselyt hakijakokemuksesta ja asiakastyytyväisyydestä.

• Henkilöstöjärjestelmän data valittujen henkilöiden pysyvyydestä ja suoriutumisesta, kun halutaan mitata rekrytoinnin laatua.

Ongelmaksi muodostuu harvoin datan puute. Ongelma on se, että sama ehdokas esiintyy kolmessa taulukossa eri nimimuodoilla ja että toimeksiannon myyntitiedot eivät yhdisty rekrytointivaiheisiin. Tekoälyn osalta tilanne on samankaltainen: Työterveyslaitoksen mukaan vain 17 prosentilla tekoälyä hyödyntävistä yrityksistä on tekoälystrategia, mikä viittaa kokeilupainotteiseen toimintatapaan. Analytiikka toimii vasta, kun työkalut, määritelmät ja vastuut on sovittu.

Recruitify analytiikan alustana

Recruitify yhdistää ATS-järjestelmän, myynnin CRM:n ja IT-konsultoinnin hallintamoduulin yhdelle alustalle, joten rekrytointi- ja myyntiputken luvut syntyvät samasta datasta ilman erillisiä taulukoita. Kehittyneet rekrytointiraportit näyttävät vaihekohtaiset läpimenoajat ja konversiot, räätälöidyt raportit mukautuvat organisaation omiin mittareihin, ja myyntiraporteista nähdään toimeksiantojen kate. AI CV Parser rakentaa jäsennellyn profiilin noin kolmessa sekunnissa ja tunnistaa duplikaatit, minkä ansiosta analytiikan pohjana oleva data pysyy puhtaana. HR Team -paketti on saatavilla alkaen 61 € kuukaudessa käyttäjää kohden ja Agency-paketti alkaen 67 € kuukaudessa käyttäjää kohden. Enterprise-paketin hinta sovitaan erikseen. Ajantasaiset tiedot löytyvät Recruitifyn hinnastosta.

6. Datasta käytännön päätöksiksi

Yleinen sudenkuoppa on keskittyä yksittäisiin lukuihin ja unohtaa niiden konteksti. Yhden kuukauden heikko konversio voi johtua yhdestä vaativasta toimeksiannosta, ei prosessin heikkenemisestä. Siksi päätöksenteossa kannattaa tarkastella trendejä ja mittareita kokonaisuutena. Seuraava toimintamalli auttaa muuttamaan luvut toimenpiteiksi:

1. Määritä kysymys ennen mittaria. Esimerkiksi: “Miksi senior-tason backend-haut kestävät kaksi kertaa pidempään kuin muut?”

2. Segmentoi data. Erottele roolit, senioriteetti, asiakkaat ja hakukanavat. Kaikkien IT-rekrytointien keskiarvo kätkee juuri ne erot, joita etsitään.

3. Paikanna vaihe. Vertaa vaihekohtaisia läpimenoaikoja ja konversioita. Jos ehdokkaita on riittävästi mutta asiakas antaa palautetta viikon viiveellä, ratkaisu on palautekäytännössä eikä sourcingissa.

4. Tee yksi muutos kerrallaan. Esimerkiksi asiakkaan kanssa sovittava 48 tunnin palauteaika tai lyhyempi teknisen tehtävän muoto.

5. Mittaa vaikutus sovitulla jaksolla. Vertaa samaa segmenttiä ennen muutosta ja sen jälkeen, ja kirjaa havainnot.

6. Jaa tulokset sidosryhmille. Asiakkaalle tai rekrytoivalle esihenkilölle esitetty data perustelee prosessimuutoksia paremmin kuin yleinen kehotus nopeuttaa palautetta.

Tämä malli toimii myös rekrytointitoimiston myynnissä. Kun toimisto pystyy osoittamaan asiakkaalle oman mediaaniaikansa, esittelyjen konversion ja tarjousten hyväksymisasteen, keskustelu siirtyy hinnasta osoitettuun arvoon. Esimerkiksi eräs rekrytointitoimisto lisäsi esitettävien kandidaattien määrää 40 % automaation ja talent poolin avulla.

7. Tietosuoja ja yhdenvertaisuus Suomessa

Rekrytointianalytiikka käsittelee henkilötietoja, joten sen on noudatettava tietosuoja-asetusta, työelämän tietosuojaa koskevaa sääntelyä ja yhdenvertaisuusvaatimuksia. Seuraavat periaatteet koskevat suomalaisia työnantajia ja niiden lukuun toimivia rekrytointipalveluja.

Vain tarpeelliset tiedot

Työnantaja saa käsitellä työnhakijasta vain välittömästi työsuhteen kannalta tarpeellisia henkilötietoja. Analytiikan kannalta tämä tarkoittaa, että kerättyä dataa ei saa laajentaa sillä perusteella, että siitä voisi joskus olla hyötyä mallinnuksessa.

Syrjimättömät valintaperusteet

Työsuojeluhallinnon ohjeen mukaan rekrytoinnissa ei saa vaatia työn kannalta epäolennaisia ominaisuuksia, ja epäolennaisten tietojen kysyminen voi antaa aiheen olettaa, että niitä käytetään valintaperusteina. Samassa ohjeessa todetaan, että vähintään 30 työntekijän työnantajalla on oltava yhdenvertaisuussuunnitelma. Anonymisoidut profiilit, kuten Blind CV, auttavat pitämään asiakkaalle esitettävän arvioinnin osaamisessa.

Automaattinen päätöksenteko ja profilointi

Tietosuojavaltuutetun toimiston mukaan merkittävästi vaikuttava automaattinen päätöksenteko on sallittua vain sopimuksen edellyttämänä, lain nojalla tai nimenomaisella suostumuksella, ja rekrytoitavan on voitava pyytää ihmisen osallistumista. Rekrytointiin liittyvä profilointi voi lisäksi edellyttää vaikutustenarviointia. Jos pisteytys karsii hakijoita ilman ihmisen tarkistusta, käyttöönotosta kannattaa keskustella organisaation tietosuojavastaavan tai tietosuojajuristin kanssa ennen järjestelmän käynnistämistä.

EU:n tekoälyasetus

EU:n tekoälyasetuksessa rekrytointi on luokiteltu korkean riskin käyttötarkoitukseksi, mikä Työterveyslaitoksen mukaan lisää sääntelyvaatimuksia ja varovaisuutta suomalaisten yritysten tekoälykäytössä. Käytännössä organisaation on pystyttävä selittämään, mitä tekoäly tekee, millä datalla ja kuka tekee lopullisen päätöksen. Tekoälyn roolia rekrytoinnissa olemme käsitelleet tarkemmin artikkelissa tekoälyn todellinen vaikutus rekrytointiin.

Näkökulmamme: analytiikka alkaa yhtenäisestä datasta

Työskentelemme päivittäin IT-rekrytointitoimistojen, suorahakukonsulttien ja HR-osastojen kanssa, ja havaintomme on johdonmukainen: analytiikan suurin este ei ole mittareiden puute, vaan se, että data on hajallaan. Kun liidit ovat yhdessä taulukossa, ehdokkaat ATS-järjestelmässä ja sopimukset sähköposteissa, mikään raportti ei pysty vastaamaan kysymykseen, joka toimiston omistajaa todella kiinnostaa: mitkä toimeksiannot ja asiakkaat tuottavat katetta ja missä aikaa kuluu hukkaan.

Siksi rakensimme Recruitifyn niin, että myyntiputki ja rekrytointiputki ovat samassa näkymässä ensimmäisestä liidikontaktista B2B-sopimukseen asti. Automaatio vähentää hallinnollista työtä jopa 70 %, ja sama automaatio tuottaa analytiikan tarvitseman datan ilman erillistä kirjaamista. Pidämme tekoälyä tukena, emme päättäjänä: Contextual Matching AI tuottaa pisteytetyn lyhytlistan perusteluineen, mutta rekrytoija ja asiakas tekevät valinnan. Tämä on mielestämme ainoa kestävä tapa yhdistää tehokkuus, objektiivisuus ja Suomen tietosuojavaatimukset.

- Recruitify Team

Usein kysytyt kysymykset

Mitä rekrytoinnin analytiikka tarkoittaa?

Se tarkoittaa rekrytointiprosessin datan keräämistä ja tulkintaa päätöksenteon tueksi. Tyypillisiä tarkasteltavia asioita ovat rekrytoinnin kesto, kustannukset, vaihekohtaiset konversiot, hakijakokemus ja valintojen laatu. Tavoitteena on tunnistaa pullonkaulat ja kohdentaa resurssit sinne, missä ne vaikuttavat eniten.

Kauanko IT-rekrytointiprosessi kestää?

Kesto vaihtelee roolin ja senioriteetin mukaan, ja johtotehtävät kestävät tyypillisesti selvästi pidempään kuin esimerkiksi testaustehtävät. Siksi oma kesto kannattaa mitata roolikohtaisesti mediaanina ja 75. persentiilinä eikä verrata kaikkia hakuja yhteen keskiarvoon. Vaihekohtainen tarkastelu kertoo, mikä osa prosessista venyttää kokonaisaikaa.

Mitä mittareita pienen rekrytointitoimiston kannattaa seurata ensin?

Aloita time-to-fillista, vaihekohtaisesta konversiosta, tarjousten hyväksymisasteesta ja cost-per-hiresta. Kun nämä ovat luotettavia, lisää asiakkaalle esitettyjen ehdokkaiden haastatteluun etenemisen osuus ja toimeksiantokohtainen kate. Tärkeintä on, että määritelmät pysyvät samoina jaksosta toiseen.

Saako tekoäly karsia hakijoita automaattisesti?

Merkittävästi vaikuttava automaattinen päätöksenteko on Suomessa sallittua vain rajatuissa tilanteissa, ja hakijan on voitava pyytää ihmisen osallistumista. Turvallisin käytäntö on käyttää pisteytystä priorisoinnin tukena ja jättää karsintapäätös ihmiselle. Epäselvissä tapauksissa kannattaa kysyä neuvoa tietosuojavastaavalta ennen käyttöönottoa.

Lähteet

Paakkinen: HR-analytiikan hyödyntäminen rekrytoinneissa, Vaasan yliopistoRouaine ym.: Innovations in IT Recruitment: How Data Mining Is Redefining the Search for Best Talent, Information (MDPI)Time-to-Fill in IT: Benchmarks, Timelines & CasesTyöterveyslaitos: NEMO-hanke, neurodiversiteetti työelämässäTyöterveyslaitos: Tekoäly on jo puolessa yrityksistä, mutta harvalla on strategia sen hyödyntämiseenTyösuojeluhallinto: Yksityisyyden suojaTyösuojeluhallinto: Promoting equalityTietosuojavaltuutetun toimisto: Automated decision-making and profiling

Suositukset

• Rekrytoijille: käytännön rekrytointianalytiikka paljastaa pullonkaulat

• Datalaatu rekrytoinnissa: näin varmistat oikean ja vaatimustenmukaisen datan

• ATS-järjestelmä ohjelmistotalolle | IT-rekrytointi

• Aliarvostetuin rekrytoinnin mittari: vaiheiden välillä hukattu aika