Um den Erfolg eines Mitarbeiterempfehlungsprogramms zu messen, arbeiten Sie in fünf Schritten: Ziel definieren, realistischen Benchmark setzen, saubere Daten aus ATS und Lohnabrechnung zusammenführen, Qualität entlang des gesamten Funnels analysieren und den Kreis schließen. Empfehlungen liefern bereits mehr als 30 % aller Einstellungen – die Zahlen lohnen also eine saubere Messung.

Die meisten Anleitungen zum Thema „Empfehlungsprogramm messen" liefern eine Liste von Kennzahlen und hören dort auf. Das ist die falsche Reihenfolge. Eine Kennzahlen-Liste sagt Ihnen, was Sie messen könnten – nicht, was Sie dieses Quartal tun sollten. Dieser Beitrag ist das Prozess-Stück: eine wiederholbare Methode, die Sie tatsächlich durchführen können – mit realistischen Trade-offs für kleine Teams und für Belegschaften ohne Schreibtisch. Und mit dem Teil, den englischsprachige Ratgeber komplett auslassen: der Mitbestimmung des Betriebsrats und der DSGVO.

Der 5-Schritte-Prozess im Überblick

Halten Sie die Reihenfolge ein. Jeder Schritt ergibt erst Sinn, wenn der vorige steht: Sie können nicht benchmarken, bevor „Erfolg" definiert ist, und keine Qualität analysieren, bevor die Daten sauber sind.

Schritt 1: Definieren Sie „Erfolg", bevor Sie irgendetwas messen

Der häufigste Grund, warum ein Empfehlungsprogramm „nicht messbar" wirkt: Niemand hat festgelegt, wofür es da ist. Ein Programm, das Personalvermittler-Kosten senken soll, wird an völlig anderen Zahlen gemessen als eines, das schneller besetzen oder die Bindung verbessern soll. Bestimmen Sie zuerst das Primärziel, dann folgt daraus die Leitkennzahl.

Das Ziel bestimmt auch die Tool-Wahl. Steht Geschwindigkeit im Vordergrund, brauchen Sie ein System, das Empfehlungen im Moment der Absicht erfasst und direkt ins ATS schiebt; geht es um Kosten, zählt vor allem saubere Quellen-Zuordnung. Unser Leitfaden zur Auswahl der richtigen Empfehlungssoftware zeigt, wie das Ziel auf Funktionen abbildet – lesen Sie ihn vor der Festlegung, denn eine Zuordnung nachzurüsten ist mühsam.

Schritt 2: Setzen Sie einen realistischen Benchmark

Eine nackte Zahl sagt ohne Vergleichspunkt nichts. Der sauberste externe Anker ist die Referral-Quote – der Anteil Ihrer erfolgreichen Einstellungen, der über das Programm kam. Empfohlene Kandidatinnen und Kandidaten konvertieren dabei deutlich besser als Kaltbewerbungen: Sie werden mit rund 28–34 % eingestellt gegenüber 2–5 % über Jobbörsen. Genau deshalb steigt die Referral-Quote schnell, sobald ein Programm funktioniert.

Setzen Sie die Erwartung nach Kontext, nicht nach der globalen Schlagzeile. Aus der Arbeit mit HR-Teams in DACH sehen wir: Top-Performer besetzen rund 30–40 % der Stellen über Empfehlungen, der Durchschnitt liegt eher bei 5–10 %, bevor in Aktivierung investiert wird. Benchmarken Sie außerdem gegen sich selbst – Ihr eigener Vorjahreswert ist oft aussagekräftiger als jede Branchenspanne, weil er Branche, Arbeitgebermarke und Einstellungsvolumen konstant hält. Zum weiteren DACH-Kontext – wie Tooling, DSGVO und Betriebsrat zusammenspielen – siehe unseren Vergleich der Talentmanagement-Software für DACH.

Schritt 3: Sammeln Sie saubere Daten, ohne in Tabellen zu ertrinken

Hier bricht die Messung meist zusammen. Empfehlungsdaten liegen an mindestens drei Orten: im ATS (Kandidaten-Fortschritt), in Lohnabrechnung oder HRIS (wer noch beschäftigt ist, damit Prämien korrekt fließen) und oft in einer manuellen Liste, in der jemand notiert, „wer wen empfohlen hat". Diese Quellen jedes Quartal von Hand abzugleichen, ist der eigentliche Grund, warum die meisten Programme über die reine Teilnahmezahl nie hinauskommen.

Bevor Sie mit der Analyse beginnen, verknüpfen Sie für jede Empfehlung zuverlässig vier Datenpunkte:

Die Lücke bei der Belegschaft ohne Schreibtisch

Fast jeder Ratgeber setzt stillschweigend E-Mail und Laptop voraus: Anmelde-Links, Dashboards, Inbox-Erinnerungen. Für gewerbliche Mitarbeitende in Handel, Logistik und Produktion, die häufig keine Firmen-E-Mail haben, funktioniert das nicht. Ist ein großer Teil Ihrer Belegschaft „non-desk", ist Ihre Messung nur so gut wie die Erfassung – ein QR-Code, eine App oder ein SMS-Eingang, der trotzdem einen sauberen, zuordenbaren Datensatz zurückschreibt. Messen Sie die Beteiligung dieser Gruppe getrennt: Ein Programm mit scheinbar „niedriger Beteiligung" ist oft nur eines, das gewerblichen Mitarbeitenden nie einen Weg zur Eingabe gegeben hat.

Das manuelle Zusammenführen von ATS, Lohnabrechnung und Listen ist genau die repetitive, fehleranfällige Arbeit, die ein KI-Kollege übernehmen kann – Quellen automatisch taggen und in einer Ansicht bündeln, damit die Daten bereitstehen, wenn Sie analysieren wollen, statt zwei Tage Aufräumen vor jedem Report. Wichtig für DACH-Teams: Wer KI-Systeme im Betrieb einsetzt, muss seit Februar 2025 eine ausreichende KI-Kompetenz der Beschäftigten sicherstellen (Art. 4 EU-KI-Verordnung). Planen Sie diese Schulung mit ein, bevor der KI-Kollege live geht.

Schritt 4: Analysieren Sie Qualität, nicht bloß die Kopfzahl

Empfehlungs-Einstellungen zu zählen ist die einfache, irreführende Kennzahl. Ein Programm kann viele Hires produzieren, die nach drei Monaten gehen, und auf dem Kopfzahl-Diagramm trotzdem gesund aussehen. Analysieren Sie stattdessen den gesamten Funnel und vergleichen Sie Empfehlungen auf jeder Stufe mit Ihren anderen Quellen:

Quality-of-Hire hängt direkt daran, wie Sie Leistung insgesamt messen. Wenn Sie Empfehlungsergebnisse an ein Leistungs-Framework koppeln möchten, behandelt unser Beitrag zur Auswahl von Performance-Management-Software die Messseite.

Was tun, wenn die Datenbasis zu klein ist

Der ehrliche Teil, den die meisten Ratgeber überspringen. Wenn Sie pro Quartal zehn Personen einstellen und drei über Empfehlung kommen, sind Konversionsraten pro Empfehler statistisch bedeutungslos – die Stichprobe ist zu klein, und eine Fehlbesetzung kippt das ganze Bild. Täuschen Sie keine Präzision vor. Für Programme mit geringem Volumen:

Für den vollständigen Kennzahlen-Katalog – Reichweite, Aktivierung, Pipeline, Geschwindigkeit, Kosten und Erfahrung – verweist dieser Beitrag bewusst weiter, statt ihn zu doppeln: Betrachten Sie dies als die Methode und einen dedizierten KPI-Deep-Dive als die Referenzliste.

Schritt 5: Schließen Sie den Kreis – handeln, kommunizieren, mit dem Betriebsrat klären

Eine Messung, die in einer Foliensammlung endet, ändert nichts. Den Kreis zu schließen hat zwei Teile: auf die Daten zu reagieren und – in DACH – dafür zu sorgen, dass die Art der Erfassung rechtlich sauber ist.

Handeln und kommunizieren. Spielen Sie Ergebnisse an die Empfehlenden zurück. Menschen empfehlen erneut, wenn sie sehen, dass ihre Empfehlung vorankam und das Programm lebt. Machen Sie aggregierte Erfolge sichtbar („42 Einstellungen über Empfehlungen dieses Jahr"), zahlen Sie Prämien zügig und beheben Sie die Funnel-Stufe, die die Analyse als schwach markiert hat.

Mitbestimmung und Datenschutz – der DACH-Pflichtteil

Sobald Ihre Erfassung individuelles Verhalten protokolliert – wer empfiehlt, die Konversionsrate jeder Person, Empfehler-Ranglisten –, befinden Sie sich in Deutschland fast sicher im Mitbestimmungsbereich. Ein System, das objektiv geeignet ist, Verhalten oder Leistung von Beschäftigten zu überwachen, löst die Mitbestimmung des Betriebsrats nach § 87 Abs. 1 Nr. 6 BetrVG aus. Das gilt unabhängig davon, ob Sie überwachen wollen – die Eignung genügt, nach ständiger Rechtsprechung des Bundesarbeitsgerichts (BAG). Kommen Leistungs-Ranglisten oder Bewertungen einzelner Empfehler hinzu, kann zusätzlich § 94 BetrVG (Beurteilungsgrundsätze) greifen.

Praktisch heißt das: Beteiligen Sie den Betriebsrat, bevor Sie personenbezogenes Tracking oder Ranglisten aktivieren, vereinbaren Sie, was protokolliert und wie lange es gespeichert wird, und halten Sie Auswertungen auf Einzelebene wo möglich aggregiert oder pseudonymisiert. Personenbezogene Empfehlungsdaten sind zudem personenbezogene Daten im Sinne der DSGVO – Rechtsgrundlage, Zweckbindung und Löschfristen gehören dokumentiert. Diesen Schritt zu überspringen ist der häufigste Weg, auf dem ein gut gemeintes Empfehlungs-Dashboard zum Compliance-Problem wird.

Häufige Fragen

Wie messe ich den Erfolg eines Empfehlungsprogramms branchenunabhängig?

Nutzen Sie die Referral-Quote als branchenübergreifendes Rückgrat – sie funktioniert, ob Sie Pflegekräfte, Entwickler oder Lagerpersonal einstellen –, ergänzt um Kosten pro Einstellung und Bindungs-Differenzen. Benchmarken Sie gegen Ihr eigenes Vorjahr statt gegen einen fremden Branchenschnitt und messen Sie die Beteiligung der Non-Desk-Belegschaft getrennt.

Wie analysiert man die Leistung eines Empfehlungsprogramms?

Folgen Sie dem Funnel, nicht der Kopfzahl: beworben → interviewt → eingestellt → gehalten → leistend, auf jeder Stufe im Vergleich zu anderen Quellen. Bei geringem Einstellungsvolumen berichten Sie absolute Zahlen und die 12-Monats-Quote statt Konversionsprozente, die eine größere Stichprobe brauchen.

Was ist ein guter Benchmark für ein Empfehlungsprogramm?

Nach Referral-Quote: über 40 % ist Best-in-Class, 30–40 % stark, 15–30 % Durchschnitt, unter 15 % deutet auf eine Aktivierungs- oder Vertrauenslücke. Die meisten Arbeitgeber starten bei 5–10 %, bevor sie investieren – beurteilen Sie den Fortschritt daher zuerst an Ihrer eigenen Basislinie.

Ist Empfehlungs-Tracking eine Datenschutz- oder Betriebsrats-Frage?

In Deutschland ja, sobald es individuelles Verhalten protokolliert. Software, die objektiv zur Leistungsüberwachung geeignet ist, löst die Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG aus, und personenbezogene Empfehlungsdaten unterliegen der DSGVO. Beteiligen Sie den Betriebsrat früh und werten Sie wo möglich aggregiert aus.

Nächster Schritt

Wenn Sie die fünf Schritte durchlaufen haben, hinterlegen Sie echte Zahlen: Modellieren Sie die Kosten pro Empfehlungs-Einstellung, Prämien-Szenarien und den ROI gegenüber Ihren aktuellen Kanälen, bevor Sie das Programm skalieren. So wird aus einem gemessenen Programm ein Budget, das Sie verteidigen können.