Зачем HR-подразделению собственный email-маркетинг
Рынок ИТ-специалистов ограничен. Бэкенд-разработчиков, фронтендеров, мобильных инженеров и ML-специалистов разбирают быстро, конкуренция растет. Яндекс столкнулся с типичной проблемой крупной компании: как привлечь релевантных соискателей без раздутого рекрутинг-бюджета.
Решением стал CRM-подход к найму. HR-подразделение выстроило полноценную email-стратегию, которая сопровождает кандидата от первого контакта до выхода на работу. За полгода это дало рост откликов на вакансии из email в 2,5 раза и прибавку 10 п. п. к доле регистраций на мероприятия.
Шесть этапов воронки найма и роль email на каждом
Воронка подбора в Яндексе состоит из шести шагов: осведомленность, вовлеченность, отклик, оценка, оффер и онбординг. Email-канал закрывает первые три. На этапе осведомленности рассылки знакомят с продуктами компании и внутренними процессами. Вовлеченность поддерживают контентом и анонсами мероприятий. Отклик стимулируют подборками вакансий.
Эта система работает как прогревающая воронка. Человек подписывается, читает про технологии, приходит на конференцию, а через несколько месяцев откликается на позицию, которая совпадает с его профилем. Это не холодный рекрутинг, а выращивание интереса.
Три типа рассылок, которые запустила команда
HR-маркетологи разделили коммуникации на три направления. Каждое решает свою задачу и работает с разными сегментами.
Технодайджест
Ежемесячная рассылка для разработчиков. В ней анонсируют конференции, рассказывают о новых версиях продуктов, делятся записями докладов и историями запуска сервисов. Это контент, интересный технарям независимо от поиска работы. Показатели впечатляют: open rate около 55%, click rate 8%.
Анонсы мероприятий
Яндекс регулярно проводит наймовые ивенты и конференции. На них участники знакомятся с командами, решают задачи, общаются с инженерами. Лучшие кандидаты получают оффер на месте. Для крупных событий команда выстроила автоматическую цепочку писем. Для офлайн-участников отправляют билет и напоминания, для онлайн - ссылку на трансляцию и запись. Финальное письмо собирает NPS для улучшения следующих мероприятий.
Карьерный дайджест
Ежемесячная подборка открытых вакансий и статей из блога. В каждом выпуске рассказывают, как устроен отбор, чего ждать на интервью, как подготовиться. Средние показатели: open rate 37%, click rate 2,5%. Этот формат стал полигоном для самого значимого эксперимента команды.
Откуда берутся подписчики и как их сегментируют
Контакты попадают в базу из трех источников: подписка на сайте, регистрация на мероприятия и отклики на вакансии. В каждом случае соискатель дает согласие на коммуникации и оставляет данные: специализация, город, уровень активности.
На основе этого формируют сегменты. Бэкенд-разработчики получают свои подборки, фронтендеры - свои, мобильные инженеры и ML-специалисты - свои. База растет примерно на 20% в год. Активными остаются около 25% подписчиков.
Эксперимент с длиной писем: короткие против развернутых
Перед запуском персонализации команда проверила убеждение: «Никто не читает длинные письма». Гипотеза: короткий дайджест соберет больше кликов и меньше отписок.
Тест провели в сегменте фронтенд-разработчиков. Выборку разделили 50 на 50. Одна половина получила развернутую версию, другая - сокращенную.
Результат оказался контринтуитивным. Длина не повлияла на отписки. А CTOR у развернутых писем оказался статистически значимо выше - на 0,5 п. п. В длинном письме больше точек входа и интересных блоков, по которым читатель может кликнуть.
После этого команда отказалась от сокращения и сосредоточилась на релевантности подборки вакансий.
Проблема ручной подборки вакансий
Поначалу в карьерный дайджест вакансии не включали. Опасались, что прямой призыв откликаться отпугнет аудиторию. Но когда трафик на карьерный портал из email стал расти, решили добавить блок с позициями.
Click rate удвоился уже в первой рассылке. Подборки формировали вручную: из списка открытых позиций выбирали по пять вакансий на направление, охватывая разные бизнес-группы.
Проблема обнаружилась в сегменте бэкенд-разработчиков. Это самая разнородная группа по стеку. CTOR для бэкендеров не дотягивал до планки: 9% против целевых 16%. Подписчики жаловались, что получают вакансии, не соответствующие их специализации. Отписок было на 0,05 п. п. выше, чем в остальных рассылках.
Ручная подборка не справлялась. Один бэкенд-разработчик пишет на Go и занимается инфраструктурой, другой - на Python и работает с данными. Отправлять им одинаковый набор бессмысленно.
Переход на ML-рекомендации: как это устроено
Чтобы персонализировать подборку, команда привлекла ML-модель. Алгоритм анализировал профиль подписчика, сопоставлял с описанием открытых вакансий и формировал матрицу «соискатель - пять вакансий». Результаты загружали в CRM. При отправке письма система автоматически подтягивала рекомендованные позиции.
После внедрения ML вовлеченность в сегменте бэкендеров выросла на 24 п. п. Жалобы прекратились.
Как тестировали ML-алгоритм: методология и цифры
Команда не стала доверять впечатлениям. Запустили AB-тесты с контрольными группами.
Дизайн эксперимента
- Гипотеза: персональная подборка соберет больше кликов и откликов, отписок не вырастет.
- Сегменты: бэкенд- и фронтенд-разработчики - два крупнейших направления.
- Активность: активные (открыли письмо за 90 дней), среднеактивные (за 180) и спящие (больше 5 писем без открытий).
- Распределение: 50 на 50 - тестовая получала ML-подборку, контрольная - ручную.
- Измерение: через три недели после отправки с z-тестом на значимость.
- Количество: три теста в каждом сегменте.
Результаты в сегменте бэкенд-разработчиков
Средние показатели по всем подсегментам активности:
- Клики: +26% у писем с ML-подборкой
- Отклики на вакансии: +30%
- Bounce rate: без изменений
- Статистическая значимость: 95%
Результаты в сегменте фронтенд-разработчиков
- Клики: +10% у писем с ML-подборкой
- Отклики на вакансии: рост в 6 раз
- Bounce rate: без изменений
- Статистическая значимость: 95%
Шестикратный рост откликов у фронтендеров объясняется тем, что ручная подборка для них была особенно неточной. ML радикально повысила точность.
Итоговые результаты за полгода
Совокупный эффект от контентных рассылок и ML-персонализации:
- x2,5 откликов на вакансии из email. Кандидаты откликаются в два с половиной раза чаще, потому что видят релевантные позиции.
- +13 п. п. к доле активных подписчиков. Контент удерживает читателя и мотивирует открывать письма.
- +10 п. п. к доле регистраций на мероприятия. Таргетированные анонсы привели к заметному росту участников.
Что из этого можно вынести
Опыт Яндекса показывает несколько практических уроков для компании, которая нанимает технических специалистов.
Email-маркетинг в HR работает. Даже с аудиторией разработчиков, считающейся «сложной» для рассылок. Рецепт прост: полезный контент, сегментация и уважение к подписчику.
Длинные письма не пугают. Если контент качественный, развернутый формат собирает больше кликов.
Ручная подборка не масштабируется. При росте базы и позиций ручной отбор не отвечает ожиданиям. ML решает эту проблему.
Тестируйте все. Три раунда AB-тестов с z-тестом - надежная методология, которая убирает сомнения и дает уверенность в результатах.
Автоматические цепочки экономят время. Для мероприятий на десятки тысяч участников ручная рассылка невозможна. Автоматизация высвобождает ресурс команды.
CRM-подход к найму применим для компаний любого размера. Разница будет в масштабе, но принципы работают одинаково.
