Для решения этих проблем мы резко сократили число собеседований, которые должен был пройти каждый кандидат. Также мы создали сервис дополнительных услуг для рефералов. Рекомендуемым кандидатам в течение 48 часов звонят по телефону, а рекомендующий гуглер получает еженедельную сводку о статусе его кандидатов. Гуглеры и кандидаты были довольны, но количество рефералов не изменилось. Мы по-прежнему не решили для себя загадку, почему же их стало меньше.
Какой ужас — наши сотрудники не знакомы со всеми и каждым на планете!
Мы слишком полагались на рефералов, и вот результат: гуглеровские сети оказались перегружены. Тогда мы прибегли к «подкрепленным напоминаниям». Это исследовательский метод, используемый в маркетинге, когда человеку показывают рекламное объявление или называют продукт, а потом спрашивают, не видел ли он их раньше. Например, вам могут задать вопрос, не помните ли вы, что видели в прошлом месяце рекламные ролики какого-нибудь стирального порошка. Потом вас спросят, а не видели ли вы рекламный ролик порошка Tide. Такое небольшое подталкивание всегда улучшает процесс припоминания.
У каждого рекомендующего обычно есть несколько человек, о которых он чаще всего думает. Но редко кто дает себе труд вспомнить всех, кого он знает (хотя один гуглер порекомендовал свою маму — и ее приняли!), а также не всегда точно представляет себе, какие вакансии в данный момент открыты. Мы увеличили число рефералов на треть, подталкивая людскую память точно так же, как рекламщики. Например, мы спрашивали гуглеров, кого бы они порекомендовали на особые должности: «Кто лучший финансист, с которым вы когда-либо работали?», «Кто лучший разработчик языка программирования Ruby?» Еще мы собирали гуглеров в группы по 20–30 человек на так называемые поисковые джем-сейшены. Мы просили методично просмотреть все их контакты в Google+, Facebook и Linkedln, а рекрутеры стояли наготове, чтобы немедленно связаться с предлагаемыми кандидатами. Разбивая один громадный вопрос («Вы не знаете кого-нибудь, кого мы могли бы пригласить на работу?») на множество мелких решаемых вопросиков («Вы не знаете кого-нибудь толкового на позицию менеджера по продажам в Нью-Йорке?»), мы получили больше высококачественных рефералов.
Но этого оказалось недостаточно, чтобы удовлетворить наши ненасытные кадровые нужды. Даже подняв в 10 раз процент найма кандидатов, мы все еще нуждались ежегодно в 300 тыс. рефералов, чтобы компания росла желаемыми темпами. В лучший год мы получили менее 100 тыс. рефералов.
Постепенно решая кадровые вопросы, мы заметили нечто поразительное. Лучшие из лучших не рыскают в поисках работы. Они счастливы и по достоинству вознаграждены там, где работают сейчас. Они вряд ли согласятся быть рефералами: зачем попусту рекомендовать того, кто доволен своим местом? И, конечно, лучшие из лучших не рассылают резюме на вакансии.
Поэтому мы перестроили свою кадровую службу. В прошлом она сосредоточивалась прежде всего на отсеве кандидатов, обращавшихся в компанию: просматривала резюме и назначала собеседования. Теперь она превратилась в нашу собственную рекрутинговую компанию, перед которой стояла задача выискивать и воспитывать лучшие кадры на планете. Теперь при помощи созданного в компании продукта под названием gHire — базы данных кандидатов, которую мы разработали и усилили различными средствами отсева и отслеживания кандидатов, — сотни блестящих рекрутеров находят и растят нужные кадры. Порой этот процесс занимает годы.
Каков же результат? Наша рекрутинговая компания ежегодно обеспечивает более половины кандидатов, принимаемых работу, и обходится это дешевле, чем привлечение сторонних организаций. При этом она глубже анализирует рынок и общается с кандидатами в более теплом и дружеском стиле.
И каждый год технологический прогресс облегчает задачу поиска блестящих кадров. Благодаря (ну разумеется!) Google Search и таким сайтам, как LinkedIn, можно искать людей напрямую в самых разных компаниях. Действительно, теперь можно виртуально выявлять каждого, кто работает в конкретной компании или отрасли, и принимать решение, кого пригласить. Мы называем это «Методом известной Вселенной»: он заключается в систематической локализации каждого человека во вселенной должностей, компаний или профилей кандидатов.
Хотите знать всех, кто окончил Корнелльский университет? В середине 2013 г. я ввел в поиск LinkedIn слово Cornell и получил список из 216 173 человек, затратив менее секунды. А если кто-то из членов команды тоже учился в Корнелле, то можно было получить доступ ко всей базе «питомцев» университета. Если вам интересны люди из конкретного учебного заведения или компании, с особым профессиональным опытом или личностными характеристиками, вы тут же получите список из сотен или тысяч возможных кандидатов.