H&C ist eine Boutique Managementberatung mit netten Kollegen, aber leider kaum Reputation
Gut am Arbeitgeber finde ich
Gehalt, nette Kollegen und wenig Ellbogenverhalten
Schlecht am Arbeitgeber finde ich
Das Problem bei HCDA ist einfach die fehlende Reputation und dass keine größeren Projekte gewonnen werden können. Wer IT Themen machen möchte, ist somit woanders besser aufgehoben, während Leute, die vor allem in die Managementberatung wollen, bei Konkurrenten wie BCG X zwar dieselben Arbeitsstunden leisten müssen, aber viel mehr Reputation bekommen. HCDA ist leider selbst unter Recruitern ein unbeschriebenes Blatt.
Arbeitsatmosphäre
Kollegen sind alle sehr nett und kompetent.
Image
Unter jenen, die mal mit H&C zu tun hatten, ein gutes bis sehr gutes Image. Leider selbst unter Recruitern insgesamt relativ unbekannt.
Work-Life-Balance
Typisch Managementberatung
Umwelt-/Sozialbewusstsein
Nicht besonders ausgeprägt. Im Gegensatz, der Firmenwagen mit Tankkarte ist eines der Benefit Highlights
Karriere/Weiterbildung
Es werden einige Programme angeboten. Leider fehlt es den meisten an der Zeit für solche Fortbildungen, da kein festes Volumen pro Woche/ Monat etc. vorgesehen ist.
Kollegenzusammenhalt
Die Hiring Policy ist "von den Guten die Netten" und das kann ich unterschreiben
Umgang mit älteren Kollegen
Gab nur wenige
Arbeitsbedingungen
Büros sind schön, aber leider zu klein für die Anzahl der Mitarbeiter. Lange gab es darüber hinaus auch keine Monitore im Büro - so macht das Arbeiten nur wenig Spaß.
Gehalt/Benefits
Das Gehalt ist sehr gut
Interessante Aufgaben
Projekte drehen sich oftmals um GuV, Controlling etc. Es gibt deutlich mehr Projekte im Bereich BI/ einfacheres Analytics als mit Kontext Data Science. Einige Projekte sind sehr strategisch, bei anderen wiederum darf man Prototypen entwickeln. Als Managementberatung verfolgt man hier leider keinen End-to-End Ansatz, soll heißen, dass die Arbeit mit der Konzeption und einem PoC öfters bereits getan ist. Die spannenden und herausfordernden Themen wie Operationalisierung, Skalierung und tatsächliches Machine Learning (mit neuen Daten, DevOps) gehören eher weniger dazu.