校园招聘应届生转正率的统计方法

行业洞察时间：2026-01-16 02:01

校园招聘应届生转正率的统计方法

每年秋招结束之后，HR部门往往会进入一段既忙碌又忐忑的时期。忙碌是因为要处理大量的入职手续，忐忑则是因为心里没底——这批刚招进来的应届毕业生，最后到底能留下多少？转正率高不高？

说实话，这个问题不太好回答。很多HR朋友跟我说，他们知道转正率重要，但真正去统计的时候才发现，概念模糊、数据不全、方法不统一，最后只能拍脑袋给个数。这种情况其实挺普遍的，今天我们就来聊聊，校园招聘应届生转正率到底该怎么统计，才能既准确又有参考价值。

转正率到底是个什么东西？

在讨论怎么统计之前，我们得先搞清楚，转正率究竟指的是什么。

从定义上来说，转正率就是指在一定时期内，完成试用期并成功转正的应届生数量，占同期入职的应届生总数的比例。听起来很简单，但仔细一琢磨，问题就来了。什么叫"完成试用期"？是干满了约定的三个月或六个月，还是包括了提前转正的情况？"成功转正"又怎么界定，是主动申请并通过审批就算，还是必须绩效考核达标才行？

这些细节看似琐碎，但直接决定了最终数据的口径和可比性。我见过有些企业把所有主动离职的员工都算作"未转正"，也见过企业只统计因不胜任而被劝退的情况。口径不一样，出来的数字自然也牛头不对马嘴。所以，统计转正率的第一步，不是急着收集数据，而是先把概念和规则定清楚。

几个关键的定义必须先明确

我认为，有三个核心定义必须在统计工作开始前就敲定。

首先是统计周期的界定。你是统计今年入职的这一批，还是把过去三年招的都算上？一般来说，校园招聘的转正率都是按"批次"来统计的，也就是对应某一届校招生的整体情况。但有些企业也会按自然年度来统计，比如2024年全年入职的应届生转正情况。两种方式各有道理，关键是保持一致性，别今年按批次、明年又改成年度，那样数据就没法对比了。

其次是分母的确定。分母就是基数，即"同期入职的应届生总数"。这里需要明确几个问题：要不要包含实习生转正的员工？要不要包含跨年度入职的延迟批次？试用期中途离职的员工还算不算在基数里？我建议，基数应该包括所有通过校招渠道正式录用、签订劳动合同的应届毕业生，不管他是直接入职还是从实习转正，也不管他实际工作了几天。只要录用了就算基数，中途离职不影响分母的计算。

第三是分子的界定。分子是"成功转正的人数"。这里面需要区分几种情况：按期转正的、提前转正的、延期转正的，这三种都应该算"转正成功"。但主动离职的、试用期被证明不胜任的、合同到期不续签的，这些当然不能算。比较模糊的是那些"协商解除"的员工，要看是企业提出的还是员工提出的，不同情况可能有不同的处理方式。

把这些定义白纸黑字写下来，形成一套统计标准，以后每次统计都按这个来，数据的可比性就有保证了。

公式很简单，但背后的工作不简单

转正率的计算公式本身没有任何难度：

转正率 = （成功转正人数 / 入职总人数） × 100%

这个小学生都会算的公式，真正难点在于分子和分母的数据怎么准确获取。很多企业的HR朋友跟我抱怨，说统计转正率的时候才发现，入职时间、试用期时长、转正审批这些信息散落在不同的系统里，整理起来特别麻烦。

确实，转正率的统计需要打通多个数据源。我建议从以下几个渠道收集信息：

招聘系统：查看校招批次、入职名单、录用状态等基础信息
人事系统：确认员工的试用起止时间、转正审批状态、离职记录等
绩效考核系统：参考转正评估结果、试用期考核分数等
部门反馈：了解员工在职表现、直属主管评价等主观信息

数据收集完成后，建议用一张表格来做汇总，方便后续分析和存档。

统计项目	数值	说明
2024届校招入职总人数	例如：156人	分母基数
按期转正人数	例如：118人	试用期届满并通过审批
提前转正人数	例如：12人	表现优异获批提前转正
延期转正人数	例如：8人	延期后通过转正审批
主动离职人数	例如：11人	试用期內主动提出离职
不胜任劝退人数	例如：5人	因不符合岗位要求被劝退
其他未转正人数	例如：2人	合同到期不续签等
转正率	88.5%	（118+12+8）/156 × 100%

这样一张表列出来，转正率的来龙去脉就一目了然了。而且以后每次统计都可以按这个格式来做，横向对比、纵向追踪都很方便。

光有总数还不够，得学会拆开看

算出一个总数只是第一步，真正有用的分析在后面。我建议把转正率按不同的维度拆开来看，往往能发现很多隐藏在数字背后的规律和问题。

按部门拆分

不同部门的转正率可能差异很大。有的部门留人能力强，应届生干得好、留得住；有的部门因为工作强度大、专业不对口等原因，转正率就是上不去。把数据按部门拆开，哪些部门表现好、哪些部门有问题，就清清楚楚了。

按岗位类型拆分

技术岗、销售岗、职能岗的转正率可能呈现不同的特点。技术岗可能因为专业门槛高，留下来的人普遍素质不错；销售岗流动性大，转正率相对低一些也很正常。通过岗位维度的分析，可以评估校招渠道与岗位需求的匹配度。

按学历和学校层级拆分

985、211、普通本科、专科院校的毕业生，转正率有没有差异？硕士和本科的留存情况有什么不同？这些数据对于优化校招策略、调整目标院校清单，都是有参考价值的。

按入职时间拆分

如果你是分批次入职的，比如有7月入职的、8月入职的、9月入职的，可以看看不同批次之间转正率有没有差异。有些企业发现，避开毕业季高峰入职的员工，反而因为有更充裕的适应期，转正表现更好。

深入分析：为什么有人没转正？

算出转正率是"知其然"，分析出原因才是"知其所以然"。对于没有成功转正的员工，不妨做一些个案分析，看看问题出在哪里。

我通常会建议HR朋友把未转正的原因进行归类整理。常见的原因大概有以下几类：

职业发展预期不符：入职后发现工作内容、发展路径和预期有差距
岗位适应困难：专业不对口、技能不匹配、工作节奏不适应
企业文化融入问题：不适应团队氛围、与同事或领导沟通不畅
外部机会吸引：拿到其他更满意 offer，主动跳槽
家庭或地域因素：工作地点、生活成本、家庭等原因

分析这些原因的时候，最好结合离职面谈记录、部门反馈、员工问卷等多种信息来源。单一渠道的信息可能有偏差，综合起来看才更接近真相。

举个例子，如果你发现某一年的未转正人员中，有超过40%都提到了"岗位适应困难"，那可能就要反思一下招聘环节是不是存在"过度包装"的问题，让求职者对岗位的认知产生了偏差。如果大部分人是因为"外部机会吸引"离职的，那就要看看薪酬竞争力和职业发展通道是不是存在问题。

统计转正率有什么实际价值？

说了这么多统计方法，最后还是要回答一个关键问题：统计转正率到底有什么用？

我觉得转正率至少在三个方面能帮到企业。第一是评估校招效果。转正率是检验招聘质量的重要指标，如果招进来100人，最后只有60人转正，那中间40%的人都白招了，招聘成本全都打了水漂。第二是优化招聘策略。通过分析不同来源、不同岗位、不同院校的转正率差异，可以知道哪些渠道、哪些岗位、哪些学校的人才留存效果更好，从而在下一年的校招中调整资源投入。第三是改善新员工培养。如果转正率低是因为员工不适应、融入难，那就应该完善入职培训、导师制度、试用期关怀等措施，而不是一味在招聘端使劲。

说得直白一点，转正率是校招工作的"成绩单"。考得好要知道为什么好，考得不好更要知道为什么不好，不然来年还得接着交学费。