Ihre Datenvorlage für Recruiting & Talent Acquisition

Der Aktivitäts-Zeitstempel kennzeichnet den genauen Zeitpunkt, zu dem ein Event im Rekrutierungsprozess stattfand. Er ist die zeitliche Grundlage für alle Leistungsfähigkeit- und zeitbasierten Analysen und liefert die chronologische Reihenfolge der Aktivitäten für jede Bewerbung.

Dieser Zeitstempel ist wichtig für die Berechnung aller zeitbezogenen KPIs, wie Time to Hire, Zykluszeit der Interviewplanung und Bearbeitungszeit des Interview-Feedbacks. Durch die Analyse der verstrichenen Zeit zwischen verschiedenen Aktivitäten können Organisationen die Effizienz messen, Verzögerungen identifizieren und die Einhaltung von Service Level Agreements überwachen, wodurch Dashboards, die sich auf Leistungsfähigkeit und Engpässe konzentrieren, direkt unterstützt werden.

Dieser Zeitstempel ist maßgeblich für die Anordnung von Ereignisse, die Berechnung von Durchlaufzeiten und die Analyse der Leistungsfähigkeit des Rekrutierungsprozesses.

Gefunden in verschiedenen Objekten innerhalb von Greenhouse, wie 'applied_at' auf dem Application-Objekt, 'created_at' auf Offer-Objekten oder Zeitstempeln innerhalb von Activity Feeds und Audit-Logs.

Dieses Attribut erfasst den Namen jedes Ereignisse im Rekrutierungsprozess, wie 'Bewerbung erhalten', 'Interview geplant' oder 'Angebot angenommen'. Es bildet die Abfolge der Ereignisse, die die Prozessablauf ausmachen.

Die Analyse der Sequenz und Häufigkeit dieser Aktivitäten ist die Basis für Process Mining. Es hilft, den Rekrutierungs-Funnel zu visualisieren, gängige Prozesspfade zu identifizieren, Abweichungen vom Standard-Workflow zu erkennen und Engpässe zu finden, wo der Prozess ins Stocken gerät. Zum Beispiel ermöglicht es die Verfolgung, wie viele Bewerbungen von 'Bewerbung geprüft' zu 'Recruiter Screen durchgeführt' wechseln.

Dieses Attribut definiert die Schritte im Rekrutierungsprozess und ermöglicht die Visualisierung des Prozessflusses sowie die Identifizierung von Engpässe und Abweichungen.

Dies wird oft durch das Mapping von Bewerbungsphasenänderungen, Interview-Status, Angebots-Ereignisse oder anderen auditierbaren Aktionen innerhalb von Greenhouse abgeleitet. Es kann Logik erfordern, um System-Ereignisse in standardisierte Aktivitätsnamen zu übersetzen.

Die Job-Bewerbungs-ID ist der Grundlage der RekrutierungsProzessanalyse und fungiert als einzigartiger Case-ID. Sie verknüpft alle zugehörigen Aktivitäten, von der Erstbewerbung und dem Screening über Interviews und Angebote bis zur endgültigen Einstellungsentscheidung. Dies ermöglicht eine vollständige End-to-End-Ansicht der Reise jedes KandiDaten.

Im Process Mining wird dieses Attribut verwendet, um den genauen Pfad zu rekonstruieren, den jeder Kandidat durch den Recruiting-Funnel nimmt. Es ermöglicht die Analyse von Prozessvarianten, Durchlaufzeiten pro Bewerbung und Drop-off-Punkten und bietet ein klares Bild des gesamten RekrutierungsLebenszyklus für jeden einzelnen Bewerber.

Dies ist die zentrale Case-ID, die alle Rekrutierungs-Ereignisse für einen einzelnen KandiDaten verbindet und es ermöglicht, die gesamte Candidate Journey von Anfang bis Ende zu analysierenn.

Dies ist in der Regel der Primärschlüssel für ein Application-Objekt. Konsultieren Sie die Greenhouse API-Dokumentation für den 'Applications'-Endpunkt, oft als 'id' oder 'application_id' bezeichnet.

Dieses Attribut erfasst Datum und Uhrzeit des letzten Datenabrufs aus dem Quellsystem. Es ist ein MetaDatenfeld, das die Aktualität der Daten im Process Mining Modell widerspiegelt.

Diese Information ist wichtig, damit Benutzer verstehen, wie aktuell die Analyse ist. Sie hilft, Erwartungen an die Datenlatenz zu managen und ist maßgeblich für die Validierung, dass die Datenpipeline wie geplant läuft. Wenn beispielsweise das 'Letzte Datenupdate' mehrere Tage alt ist, wissen Benutzer, dass die Dashboards die aktuellsten Rekrutierungsaktivitäten nicht widerspiegeln.

Zeigt die Aktualität der Daten an und hilft Benutzern zu verstehen, ob die Analyse den aktuellsten Zustand des Prozesses widerspiegelt.

Dieser Zeitstempel wird während des Datenextraktions-, Transformations- und Ladevorgangs (ETL) generiert und auf den Datensatz zugewiesen.

Dieses Attribut spezifiziert den Ursprung der RekrutierungsDaten. Für diesen Prozess wäre der Wert konsistent 'Greenhouse'.

Obwohl es statisch erscheinen mag, ist die explizite Verfolgung des Quellsystems wichtig für Daten Governance, Fehlerbehebung und in Szenarien, in denen Daten aus anderen Systemen, wie einem HRIS, angereichert werden könnten. Es stellt ... sicher Klarheit über die Datenherkunft und hilft, die Datenintegrität in der gesamten Datenlandschaft des Unternehmens aufrechtzuerhalten.

Sorgt für eine klare Datenherkunft, die für Daten Governance, Validierung und das Management von Daten aus mehreren Quellen notwendig ist.

Dies ist ein statischer Wert, der während des Datenextraktions- und Transformationsprozesses hinzugefügt werden sollte, um den Ursprung der Daten zu kennzeichnen.

Dieses Attribut verfolgt den Status eines Stellenangebots mit Werten wie 'Created', 'Extended', 'Accepted' oder 'Rejected'. Es ist ein Schlüsselindikator für die Endphasen des Rekrutierungsprozesses.

Dieses Attribut ist wichtig für das Dashboard 'Offer Acceptance Rate Trends' und den entsprechenden KPI. Durch die Verfolgung des Fortschritts von 'Offer Extended' zu 'Offer Accepted' oder 'Offer Rejected' können Unternehmen ihre Fähigkeit messen, KandiDaten zu gewinnen. Die Analyse dessen nach Abteilung oder Stellentitel kann Einblicke in die Wettbewerbsfähigkeit der Vergütung, das KandiDatenerlebnis oder andere Faktoren geben, die die Entscheidung eines KandiDaten beeinflussen.

Verfolgt das Ergebnis von Stellenangeboten, was wichtig für die Berechnung des Offer Acceptance Rate KPI und das Verständnis ist, wie dieser verbessert werden kann.

Verfügbar auf dem Offer-Objekt in Greenhouse, das mit einer Application verknüpft ist. Das Feld 'status' liefert diese Informationen.

Dieses Attribut verfolgt den Ursprung einer Bewerbung, z.B. 'LinkedIn', 'Mitarbeiterempfehlung', 'Unternehmenswebsite' oder 'Indeed'. Es bietet Einblicke in die Effektivität verschiedener Rekrutierungskanäle.

Das Dashboard 'Sourcing Channel Effectiveness' ist vollständig um dieses Attribut herum aufgebaut. Durch die Analyse von Bewerbungsvolumen, Zeit bis zur Einstellung (Time-to-Hire) (Einstellungsdauer) und Einstellungsraten nach Quelle können Organisationen ihre Rekrutierungs-Marketingausgaben und -anstrengungen optimieren. Diese Daten helfen, strategische Fragen zu beantworten, welche Kanäle die qualitativ hochwertigsten KandiDaten am effizientesten liefern, und unterstützen direkt den KPI 'Sourcing Channel Conversion Rate'.

Hilft, die Effektivität und den ROI verschiedener Recruiting-Kanäle zu messen und ermöglicht Datengesteuerte Entscheidungen darüber, wo Sourcing-Anstrengungen investiert werden sollen.

Verfügbar auf dem Candidate-Objekt in Greenhouse, das mit der Application verknüpft ist. Das Feld 'source' liefert diese Informationen.

Dieses Attribut gibt den Status einer Bewerbung an, z.B. 'Eingestellt', 'Abgelehnt' oder 'Aktiv'. Es repräsentiert den Endzustand eines abgeschlossenen Prozesses oder den Antrag bearbeitet.en aktuellen Zustand eines laufenden Prozesses.

Dies ist eine kritische Dimension für die Ergebnisanalyse. Sie ermöglicht das Filtern von Fälle, um die Prozesspfade von eingestellten KandiDaten mit denen von abgelehnten zu vergleichen, was Merkmale erfolgreicher Wege aufzeigen kann. Es wird auch verwendet, um Konversionsraten im Dashboard 'Overall Recruitment Funnel' zu berechnen, die zeigen, welcher Prozentsatz der Bewerbungen zu einer Einstellung führt.

Definiert das Ergebnis des Recruiting-Prozesses und ermöglicht eine Analyse, die erfolgreiche (eingestellte) mit nicht erfolgreichen (abgelehnten) KandiDatenjourneys vergleicht.

Diese Information befindet sich auf dem Application-Objekt in Greenhouse und ist über das 'status'-Feld in der API verfügbar.

Dieses Attribut spezifiziert die organisatorische Abteilung, wie 'Engineering', 'Marketing' oder 'Sales', die der Stellenausschreibung zugeordnet ist. Es ermöglicht die Aggregation und den Vergleich von Rekrutierungsmetriken über verschiedene Geschäftsbereiche hinweg.

Die Segmentierung der Analyse nach Abteilung ist maßgeblich für Dashboards wie 'Time To Hire Leistungsfähigkeit' und 'Offer Acceptance Rate Trends'. Sie hilft zu identifizieren, ob bestimmte Abteilungen längere Einstellungszyklen, höhere Ablehnungsquoten bei Angeboten oder unterschiedliche Prozess-Compliance-Niveaus aufweisen. Diese Erkenntnisse ermöglichen gezielte Interventionen und Prozessoptimierungen, die auf die spezifischen Bedürfnisse jeder Abteilung zugeschnitten sind.

Ermöglicht den Vergleich von Recruiting-Leistungsfähigkeit und Prozessvariationen über verschiedene Abteilungen hinweg, wodurch systemische Probleme oder Best Practices aufgedeckt werden.

Typischerweise als Standard- oder benutzerdefiniertes Feld auf dem Job-Objekt in Greenhouse verfügbar. Kann im Abschnitt 'departments' eines Job-Datensatzes über die API gefunden werden.

Dieses Attribut enthält den offiziellen Titel der Stellenausschreibung, wie z.B. 'Senior Software Engineer' oder 'Product Marketing Manager'. Es liefert wesentlichen Kontext zur zu besetzenden Rolle.

Die Analyse von Rekrutierungsprozessen nach Stellentitel ist grundlegend, um rollenspezifische Herausforderungen zu verstehen. Zum Beispiel verwendet das Dashboard 'Time To Hire Leistungsfähigkeit' dieses Attribut, um zu zeigen, ob die Besetzung von Senior- oder hochspezialisierten Rollen länger dauert. Es hilft auch bei der Analyse von Angebotsannahmequoten für verschiedene Positionen und liefert Einblicke in die Wettbewerbsfähigkeit der Vergütung oder den Antrag bearbeitet.ie Attraktivität der Rolle.

Ermöglicht das Filtern und Vergleichen von Recruiting-Metriken für spezifische Rollen, was hilft zu verstehen, wie die Prozess-Performance je nach Jobkomplexität oder -typ variiert.

Dies ist ein Primärfeld auf dem Job-Objekt in Greenhouse, oft als 'name' verfügbar, wenn der 'jobs'-Endpunkt über die API abgefragt wird.

Dieses Attribut identifiziert den Recruiter, der einer spezifischen Bewerbung oder Stellenausschreibung zugeordnet ist. Diese Person ist in der Regel verantwortlich für das Screening, die Koordination von Interviews und die Begleitung des KandiDaten durch den Prozess.

Die Analyse des Prozesses nach Recruiter ist maßgeblich, um die individuelle Leistungsfähigkeit und Workload-Verteilung zu verstehen. Das Dashboard 'Recruiter Workload & Efficiency' stützt sich auf dieses Attribut, um Metriken wie Durchsatz und Durchlaufzeiten pro Recruiter zu berechnen. Es hilft, Top-Performer zu identifizieren, Personen zu finden, die möglicherweise zusätzliche Unterstützung benötigen, und eine ausgewogene Workload im gesamten Talentakquise-Team sicherzustellen.

Ordnet Prozessaktivitäten einem spezifischen Recruiter zu, was die Analyse der individuellen Leistung, Arbeitslast und Effizienz ermöglicht.

Verfügbar auf dem Job-Objekt in Greenhouse, in der Regel als Teil des Bereichs 'hiring_team', wo Rollen wie 'Recruiter' spezifiziert sind.

Dieses Attribut erfasst die Abschlusszeit für Aktivitäten, die einen Zeitraum umfassen, wie ein Interview oder eine Hintergrundüberprüfung. Während viele Aktivitäten sofort erfolgen, profitieren solche mit messbarer Dauer davon, sowohl eine Start- als auch eine Endzeit zu haben.

Eine Endzeit ist maßgeblich für die genaue Berechnung der Bearbeitungszeit oder Dauer spezifischer Aktivitäten. Dies hilft, zwischen der Wartezeit zwischen den Schritten und der tatsächlich für eine Aufgabe aufgewendeten Zeit zu unterscheiden. Zum Beispiel ermöglicht es eine präzisere Analyse, wie lange Interviews tatsächlich dauern, im Vergleich dazu, wie lange es dauert, sie zu planen.

Ermöglicht die präzise Berechnung von Aktivitätsbearbeitungszeiten, was hilft, aktive Arbeitszeit von ungeverwendeter Wartezeit im Prozess zu unterscheiden.

Diese Information könnte auf Objekten wie 'scheduled_interview' in Greenhouse verfügbar sein, die oft sowohl eine 'Start'- als auch eine 'End'-Zeit haben. Für andere Aktivitäten muss sie möglicherweise vom Zeitstempel der nachfolgenden Aktivität abgeleitet werden.

Dieses Attribut erfasst den spezifischen Grund, warum ein Kandidat im Prozess nicht weitergekommen ist. Beispiele sind 'Kein Cultural Fit', 'Gehaltsvorstellungen zu hoch' oder 'Besser qualifizierte KandiDaten'.

Die Analyse von Ablehnungsgründen liefert unschätzbares Feedback für den Rekrutierungsprozess. Sie kann Probleme wie Nein ausgerichtete Stellenbeschreibungen, nicht wettbewerbsfähige Vergütung oder wiederkehrende Qualifikationslücken im Talentpool aufzeigen. Diese Informationen sind besonders nützlich, um Sourcing-Strategien zu verbessern und das KandiDatenerlebnis zu optimieren, indem gängige Fehlerquellen im Recruiting-Funnel verstanden werden.

Bietet qualitative Einblicke, warum KandiDaten aus dem Funnel ausscheiden, und hilft, Stellenbeschreibungen, Sourcing- und Screening-Kriterien zu verfeinern.

Verfügbar auf dem Application-Objekt, wenn es abgelehnt wird. Die API stellt ein 'rejection_reason'-Objekt mit Details bereit.

Dieses Attribut ist die eindeutige ID für die Stelle selbst, getrennt von der Bewerbungs-ID. Mehrere Bewerbungen werden mit derselben Job-ID verknüpft sein.

Die Verwendung der Job-ID ermöglicht die Aggregation von Daten auf Ausschreibungsebene. Zum Beispiel kann man die Gesamtzahl der eingegangenen Bewerbungen für eine bestimmte Stelle oder den Antrag bearbeitet.ie durchschnittliche Zeit bis zur Einstellung (Time-to-Hire) (Einstellungsdauer) für alle Rollen eines ähnlichen Typs analysierenn. Es bietet eine Möglichkeit, Rekrutierungsbemühungen, die sich auf eine einzelne offene Position konzentrieren, zu gruppieren und zu analysierenn.

Ermöglicht die Aggregation und Analyse aller KandiDatenDaten, die mit einer einzelnen Stellenausschreibung verbunden sind, und bietet so eine stellenzentrierte Ansicht.

Dies ist der Primärschlüssel für einen Job-Datensatz in Greenhouse, verfügbar als 'id' auf dem Job-Objekt über die API.

Diese berechnete Metrik misst die Reaktionsfähigkeit des Interview-Panels. Verzögerungen bei der Abgabe von Feedback können den Einstellungsprozess erheblich verlangsamen und sich negativ auf das KandiDatenerlebnis auswirken.

Dieses Attribut unterstützt direkt das Dashboard 'Interview Feedback Loop Analysis' und den KPI 'Interview Feedback Turnaround Time'. Es wird als Zeitdifferenz zwischen den Aktivitäten 'Interview Completed' und 'Feedback Submitted' berechnet. Die Überwachung dieser Metrik hilft, Engpässe zu identifizieren, die durch langsames Feedback verursacht werden, und fördert eine schnellere Entscheidungsfindung.

Misst die Effizienz der Post-Interview-Feedback-Schleife, einer häufigen Ursache für Verzögerungen im Einstellungsprozess.

Dies ist ein berechnetes Feld. Es wird abgeleitet, indem der Zeitstempel des 'Interview Completed'-Ereignisse vom Zeitstempel des 'Feedback Submitted'-Ereignisse subtrahiert wird.

Dieses Attribut spezifiziert die jeweilige Phase innerhalb des gesamten Interviewprozesses, wie z.B. 'Recruiter Screen', 'Technisches Interview' oder 'Finale Runde'. Es bietet mehr Granularität als eine generische 'Interview abgeschlossen'-Aktivität.

Durch die Analyse von Metriken in jeder einzelnen Interviewphase können Organisationen spezifischere Engpässe identifizieren. Zum Beispiel können Sie die 'KandiDaten-Drop-off-Rate pro Phase' mit hoher Präzision messen und feststellen, ob KandiDaten eher nach dem technischen Interview oder nach dem initialen Screening abspringen. Dieses Detail ist maßgeblich für gezielte Verbesserungen des Interviewerlebnisses.

Bietet eine detailliertere Ansicht des Interviewprozesses, um Durchlaufzeiten und Drop-off-Raten in jedem spezifischen Interviewschritt zu analysierenn.

Diese Information ist Teil der InterviewplanungsDaten in Greenhouse. Das 'interviews'-Objekt einer Bewerbung enthält Details zur Interviewphase.

Dieses boolesche Attribut gibt an, ob eine Aktivität von einem Benutzer oder den Antrag bearbeitet.urch eine automatisierte Systemregel ausgeführt wurde. Beispiele für automatisierte Aktivitäten könnten das Senden von Auto-Antwort-E-Mails oder den Antrag bearbeitet.as automatische Ablehnen von KandiDaten sein, die eine grundlegende Screening-Frage nicht bestehen.

Die Analyse dieses Attributs hilft, den Automatisierungsgrad im Rekrutierungsprozess zu verstehen. Es kann verwendet werden, um die Effizienz und Resultate von automatisierten gegenüber manuellen Schritten zu vergleichen und Möglichkeiten für weitere Automatisierung zur Verbesserung von Geschwindigkeit und Konsistenz zu identifizieren.

Hilft, zwischen manuellen und automatisierten Aktivitäten zu unterscheiden, und ermöglicht die Analyse des Einflusses von Automatisierung auf Prozesseffizienz und Resultate.

Diese Information ist kein Standardfeld und muss in der Regel abgeleitet werden. Sie kann vom Benutzer, der mit einer Aktivität verbunden ist (z.B. ein 'System'-Benutzer), oder von spezifischen Event-Typn abgeleitet werden, die als automatisiert bekannt sind.

Dieses boolesche Attribut ist das Ergebnis einer Konformitätsprüfung, die die tatsächliche Abfolge von Aktivitäten für eine Bewerbung mit einem vordefinierten idealen Prozessmodell vergleicht. Es kennzeichnet Fälle, die abgewichen sind, z.B. das Überspringen erforderlicher Schritte oder den Antrag bearbeitet.as Ausführen von Aktivitäten in Neiner Reihenfolge.

Dies ist ein Kernattribut für das Dashboard 'Hiring Compliance Deviation' und unterstützt die KPIs 'Process Conformance Rate' und 'Compliance Violation Count'. Durch das Filtern nach nicht konformen Fälle können Organisationen untersuchen, warum Abweichungen auftreten, sei es aufgrund unzureichender Schulung, Systembeschränkungen oder notwendiger Ausnahmen. Dies hilft bei der Standardisierung von Workflows und der Minderung von Compliance-Risiken.

Identifiziert Prozessabweichungen, was wichtig ist für die Messung der Prozesskonformität, die Sicherstellung von Compliance und die Standardisierung von Einstellungsworkflows.

Dies ist ein berechnetes Feld, das von der Process-Mining-Software generiert wird. Es vergleicht die Event Log Daten mit einem definierten Zielmodell oder einer Reihe von Geschäftsregeln.

Die KandiDaten-ID identifiziert eine Person im Talentpool eindeutig, während die Job-Bewerbungs-ID spezifisch für eine Bewerbung auf eine bestimmte Stelle ist. Ein einzelner Kandidat kann im Laufe der Zeit mehrere Bewerbungen haben.

Obwohl die Job-Bewerbungs-ID als Case-ID für diese spezifische Prozessansicht dient, ermöglicht die KandiDaten-ID eine andere Art der Analyse. Sie kann verwendet werden, um die Reise eines KandiDaten über mehrere Bewerbungen hinweg zu verfolgen, häufige Bewerber zu identifizieren und die Gesamtbeziehung zum Talentpool zu analysierenn. Sie bietet eine stärker personenzentrierte Sicht auf die RekrutierungsDaten.

Ermöglicht die Analyse über mehrere Bewerbungen desselben KandiDaten hinweg und bietet so eine vollständigere Sicht auf das KandiDatenengagement im Zeitverlauf.

Dies ist der Primärschlüssel für einen KandiDatenDatensatz in Greenhouse, verfügbar als 'id' auf dem Candidate-Objekt über die API.

Dieses Attribut identifiziert den Manager des Teams mit der offenen Position. Der Personalverantwortliche (Hiring Manager) ist ein wichtiger Stakeholder im Prozess und oft an der Überprüfung von KandiDaten, der Durchführung späterer Interviews und der endgültigen Einstellungsentscheidung beteiligt.

Die Analyse des Prozesses nach Personalverantwortliche (Hiring Manager) kann wichtige Muster und Engpässe aufzeigen. Zum Beispiel könnte das Dashboard 'Interview Scheduling Engpässe' zeigen, dass Verzögerungen häufig mit der Verfügbarkeit bestimmter Manager verbunden sind. Es hilft dabei, den Bedarf an Schulungen oder Unterstützung zu ermitteln, um sicherzustellen, dass Manager effizient am Einstellungsprozess teilnehmen.

Identifiziert einen Schlüssel-Stakeholder, was die Analyse von Prozess-Engpässe oder Effizienzen im Zusammenhang mit spezifischen Personalverantwortliche (Hiring Manager)n ermöglicht.

Verfügbar auf dem Job-Objekt in Greenhouse, in der Regel als Teil des Bereichs 'hiring_team', wo Rollen wie 'Personalverantwortliche (Hiring Manager)' spezifiziert sind.

Dieses Attribut erfasst die endgültige Empfehlung eines Interviewers auf einer strukturierten Interview-Wertcard, in der Regel Werte wie 'Klares Ja', 'Ja', 'Nein' oder 'Klares Nein'.

Diese Daten sind wichtig für die Bewertung der Qualität und Konsistenz des Interviewprozesses. Sie helfen, Interview-Feedback mit tatsächlichen Einstellungsergebnissen zu korrelieren und Fragen zu beantworten wie 'Werden KandiDaten mit stärkeren Empfehlungen häufiger eingestellt?'. Es ist auch die Grundlage für den 'Wertcard Completion Rate' KPI, der den Antrag bearbeitet.ie Akzeptanz strukturierter Einstellungspraktiken innerhalb der Organisation misst.

Verbindet strukturiertes Interview-Feedback mit Prozessergebnissen und hilft, die Akzeptanz Datengesteuerter Einstellungspraktiken zu messen.

Gefunden innerhalb des Wertcard-Objekts, das mit einem abgeschlossenen Interview in Greenhouse verknüpft ist. Die API stellt diese Informationen über den 'scorecards'-Endpunkt bereit.