Métricas de funil de recrutamento são as taxas de conversão e volumes em cada estágio do funil de contratação — desde o sourcing inicial até a contratação — que revelam onde o processo de recrutamento está e não está funcionando. Sem elas, as decisões de recrutamento são anedóticas (“nosso processo parece lento”); com elas, as decisões são baseadas em evidências (“a conversão recruiter screen → onsite é de 35%, abaixo do benchmark de 45%, aqui está a ação corretiva”).
O funil de recrutamento padrão
A maioria dos times rastreia 6-8 estágios com taxas de conversão entre cada um:
| Estágio | Volume | Converte para o próximo |
|---|---|---|
| 1. Candidatura / sourcing | Topo do funil | → recruiter screen |
| 2. Recruiter screen | 20-40% dos candidatos | → hiring manager screen |
| 3. Hiring manager screen | 40-60% do screen | → loop de entrevista presencial |
| 4. Loop de entrevista presencial | 30-50% do HM screen | → debrief / decisão |
| 5. Oferta enviada | 50-70% do presencial | → oferta aceita |
| 6. Oferta aceita | 60-90% da oferta | → data de início |
| 7. Data de início | Contratação | → retenção em 90 dias |
Benchmarks saudáveis variam dramaticamente por tipo de cargo, nível e setor. Engenharia em uma empresa de tecnologia top tem taxas de conversão diferentes do pessoal de varejo ou liderança de vendas enterprise.
Por que a visão em nível de funil importa
Antes do rastreamento de funil, relatórios de recrutamento parecem assim: “contratamos 50 pessoas no último trimestre, o time-to-fill foi de 47 dias, o source-of-hire foi 60% LinkedIn.” Útil, mas acionável como?
O rastreamento em nível de funil permite dizer: “as candidaturas estão em 1.200/trimestre (meta 1.000, saudável); recruiter screen → presencial é 25% (meta 35%, problema); presencial → oferta é 80% (meta 60%, suspeito alto — problema de calibração?).” Cada estágio é um sistema diagnosticável.
Os padrões de diagnóstico
Diagnósticos comuns de funil e o que eles implicam:
- Alta queda de candidatura → recruiter screen. Descrição de cargo não correspondendo à vaga; canais de sourcing ruins; critérios de triagem excessivamente agressivos.
- Baixo recruiter screen → HM screen. O recruiter screen está deixando passar candidatos que o HM não quer; a calibração do recruiter com o HM está errada.
- Baixo HM screen → presencial. O HM está usando o screen como entrevista de alto nível em vez de uma conversa de fit; ou os critérios de triagem são muito rígidos.
- Baixo presencial → oferta. Ou o loop presencial está mal calibrado (rejeitando candidatos que teriam tido sucesso), o loop é hostil/mal conduzido (bons candidatos se auto-eliminam), ou a qualidade do candidato entrando no presencial é muito baixa (estágios upstream deixando passar os de fit errado).
- Baixo oferta → aceite. Compensação fora de mercado; ofertas concorrentes ganhando; dano à experiência do candidato; velocidade de extensão de oferta muito lenta.
- Baixo aceite → início. Desistências entre aceite e início — ofertas concorrentes continuando a seduzir, sinal de onboarding fraco, mudança de gestor entre aceite e início.
Cada diagnóstico aponta para uma ação corretiva diferente.
Como operacionalizar
- Encode o funil no ATS. Ashby, Greenhouse e Workable oferecem relatórios de funil nativos. Use-os.
- Estabeleça benchmarks por cargo. Benchmarks de engenharia diferem de benchmarks de vendas diferem de benchmarks de frontline. Não compare maçãs com laranjas.
- Rastreie por canal de source. As taxas de conversão do funil diferem por source — candidaturas do LinkedIn podem converter na metade da taxa de indicações de funcionários. Relatórios de funil cientes do source revelam onde investir.
- Rastreie por recruiter e por hiring manager. Padrões aparecem — um recruiter consistentemente tem conversão mais baixa de screen-para-presencial (problema de calibração); um HM consistentemente tem conversão mais baixa de oferta-para-aceite (problema de fechamento).
- Revisão trimestral com líderes de contratação. Dados de funil apresentados a líderes de engenharia, líderes de vendas, etc. O recrutamento se torna dados operacionais com os quais eles se engajam, não uma caixa preta de que reclamam.
Como a AI muda a medição de funil
Três mudanças significativas:
- Detecção de anomalias em tempo real. Análises modernas de ATS (Ashby, Greenhouse Insights) sinalizam quando a taxa de conversão de um estágio cai abaixo do limite — em vez de descobrir o problema na revisão trimestral.
- Análise de causa raiz de funil augmentada por AI. Skills do Claude contra dados do ATS podem sintetizar: “screen → presencial caiu 15% este mês; o padrão está concentrado na vaga de engenheiro de plataforma; a causa parece ser a nova questão de screen técnico sendo muito agressiva.”
- Modelagem preditiva de funil. Dados os volumes atuais do pipeline e as taxas de conversão históricas, preveja o output de contratação em 60-90 dias. Útil para líderes de contratação comunicando-se com finanças sobre entrega de headcount.
Armadilhas comuns
- Otimizar o volume no topo do funil. Mais candidaturas não significa mais contratações; geralmente significa mais carga de triagem de recruiter com a mesma taxa de contratação.
- Ignorar diferenças por canal de source. O funil agregado esconde que indicações convertem 5x melhor do que LinkedIn frio — alocando erroneamente o investimento em sourcing.
- Sem responsabilização pelos estágios de baixa conversão. Quando os dados mostram um problema, alguém precisa ser dono da solução. Relatórios sem responsabilidade produzem inércia.
- Comparar funções não comparáveis. O funil de uma contratação de engenharia sênior não se parece em nada com o de um cargo de entrada no varejo. Não faça a média deles juntos.
Relacionados
- Quality of hire — a métrica de resultado que a otimização do funil deve melhorar
- Time-to-fill vs time-to-hire — métricas de throughput adjacentes
- Experiência do candidato — quedas no funil têm causas de CX que valem investigar
- Ashby — ATS moderno com as análises de funil nativas mais fortes