HR Analytics e Data Strategy per HR Italiani: Guida 2026

Maturity model, KPI library, tech stack, roadmap 6 mesi

Premessa

HR analytics è la disciplina che trasforma dati HR in insight strategici. Eppure il 68% delle aziende italiane mid-market non ha un HR analytics function strutturata — decisioni HR rimangono basate su intuito. Questo documento espone il framework per costruire HR analytics: maturity model, KPI library, tech stack, e roadmap implementativa.

1. Il modello di maturity HR analytics

Bersin/Deloitte definisce 4 livelli di maturità:

Obiettivo realistic per PMI italiana 2026: salto da L1 a L2. Per scale-up tech: L2 → L3.

2. KPI library essenziale

Recruiting

• Time-to-fill mediano per famiglia ruolo
• Cost-per-hire full-loaded
• Quality of hire (6 mesi performance + 18 mesi retention)
• Source ROI per canale
• Pipeline conversion rate per stage
• Accept rate (offer accepted / offer fatte)

Workforce

• Headcount + trend YoY
• Turnover totale (voluntary + involuntary)
• Regrettable turnover (top performer)
• Average tenure
• Internal mobility rate
• Demographic breakdown (gender, age, level)

Performance & engagement

• Performance distribution (rating curve)
• Promotion rate
• eNPS / engagement score
• Manager NPS
• 1:1 cadence (% manager con 1:1 settimanale)

Comp

• Comp ratio (current pay / midpoint)
• Compa-ratio per livello
• Pay gap (gender, age, tenure)
• Total reward cost / revenue
• Comp percentile vs mercato

Compliance

• EU AI Act audit log completeness
• Bias audit ratio (4/5 rule)
• GDPR data export request response time
• % CCNL compliance
• Mandatory training completion rate

3. Tech stack per HR analytics

Componenti tipiche

Stack consigliato per PMI italiana

• Source: tenperzent (ATS) + Personio/Factorial (HRMS)
• Reporting: built-in nei tool (no warehouse separato necessario per <500 FTE)
• Survey: tool stand-alone se eNPS è priorità
• Insight: dashboard built-in tenperzent + esportazioni periodiche

4. Le 5 storie da raccontare con HR analytics

Storia 1: il funnel

Da candidato a hire: dove si perdono i candidati? Source che converte meglio? Per quale ruolo?

Storia 2: il cohort

Hire del Q1 vs Q2: come performano dopo 6 mesi? Quale source produce migliore quality?

Storia 3: la mappa retention

Per ogni livello + funzione: tasso turnover. Dove sono i pain point? Cosa è correlato?

Storia 4: il gap

Pay gap, gender gap, age gap. Dove ci sono, dove no, trend YoY.

Storia 5: la productivity

Performance review + tenure + manager quality: pattern di success.

5. Implementazione: 6 mesi roadmap

Mese 1-2: Foundation

• Audit dati esistenti (chi ha cosa, qualità, ownership)
• Definire KPI top-10 prioritari
• Setup data sources (ATS + HRMS integration)
• Quick win: dashboard headcount + turnover

Mese 3-4: Build

• Dashboard recruiting completo
• Dashboard workforce
• Engagement survey lanciata
• Reporting automatico settimanale CEO/CFO

Mese 5-6: Action

• Predictive: attrition risk model
• D&I report automated
• EU AI Act compliance dashboard
• Pay equity automated reporting

6. Errori comuni

• Vanity metrics: count applicazioni vs misurare quality
• No action: dashboard belle, nessuna decisione cambia
• Data silos: ATS e HRMS non parlano = no integrated insight
• Privacy issues: tracking demographic dati sensibili senza consenso
• Over-engineering: data warehouse complesso per PMI 100 FTE
• No storytelling: dashboard tecnico, leadership non capisce