---

Ein Slack-Thread, der Veränderungen anstieß

Während eines kürzlichen Slack-Threads äußerte einer unserer Recruiter Frustration über die Anzahl der Bewerber, deren Lebensläufe nicht mit den von uns erstellten Stellenbeschreibungen übereinstimmten. Sie wiesen darauf hin, dass viele Kandidaten dieselben generischen Begriffe verwendeten, was es schwierig machte, ihre tatsächliche Eignung für Rollen wie Softwareentwickler oder Frontend-Entwickler zu bewerten. Dies führte uns zu der Frage, wie effektiv wir CV-Keywords für Entwickler analysierten und abglichen.

Die Bedeutung genauer Übereinstimmungen

Als wir tiefer eintauchten, wurde offensichtlich, dass die Genauigkeit unserer Keyword-Übereinstimmung direkt unsere Einstellungseffizienz beeinflusste. Bei zahlreichen offenen Stellen bedeutete die Zeit, die mit der Durchsicht von Lebensläufen voller irrelevanter Begriffe verschwendet wurde, verlorene Chancen sowohl für die Kandidaten als auch für unser Einstellungsteam. Die Diskrepanz frustrierte nicht nur die Recruiter, sondern ließ auch vielversprechende Kandidaten übersehen, was letztendlich unsere Fähigkeit beeinträchtigte, starke Teams aufzubauen. Wir erkannten, dass die Lösung dieses Problems entscheidend war, um unsere Einstellungsprozesse zu optimieren und die Erfahrungen der Kandidaten auf unserer Plattform zu verbessern.

Identifizierung des Kernproblems

Das Hauptproblem, dem wir gegenüberstanden, war, dass unser bestehender Parsing-Algorithmus Schwierigkeiten mit Synonymen und Variationen von Begriffen hatte. Ein Kandidat könnte beispielsweise „JS“ anstelle von „JavaScript“ angeben, und unser Algorithmus erkannte oft nicht, dass dies auf dieselbe Fähigkeit verwies. Dies führte dazu, dass potenzielle Übereinstimmungen verworfen wurden. Ein konkretes Beispiel betraf einen qualifizierten Kandidaten, dessen Lebenslauf seine Erfahrung mit „React“ hervorhob, aber die genaue Formulierung, die wir in unseren Stellenanzeigen hatten, fehlte, was dazu führte, dass seine Bewerbung völlig übersehen wurde.

Erste Versuche zur Lösung

Unser erster Versuch, dieses Problem anzugehen, bestand darin, einfach unsere Keyword-Liste zu erweitern, um gängige Variationen einzuschließen. Dies führte jedoch zu einem Fall von Keyword-Stuffing. Wir bemerkten, dass Kandidaten begannen, ihre Lebensläufe mit zahlreichen Variationen derselben Fähigkeit zu überladen, um das System auszutricksen. Dies minderte nicht nur die Qualität der Lebensläufe, sondern erschwerte es auch unserem Parsing-System, echte Expertise von bloßer Aufblähung zu unterscheiden. Offensichtlich war dieser Ansatz nicht nachhaltig.

Die technische Lösung: Verbesserte Fähigkeitenextraktion

Nach einer Neubewertung unserer Strategie beschlossen wir, einen ausgefeilteren Algorithmus zur Fähigkeitenextraktion basierend auf Techniken der natürlichen Sprachverarbeitung (NLP) zu implementieren. Wir führten eine Synonymerkennungsfunktion ein, die verschiedene Begriffe für dieselbe Fähigkeit identifizieren konnte, sodass Kandidaten, die „JS“ verwendeten, nicht bestraft wurden, weil sie nicht „JavaScript“ verwendeten.

Hier ist eine vereinfachte Version des Codes, die unseren Ansatz veranschaulicht:

import nltk
from nltk.corpus import wordnet

# Funktion zur Extraktion von Fähigkeiten aus dem Lebenslauf
def extract_skills(resume_text):
    skills = set()
    words = nltk.word_tokenize(resume_text)
    for word in words:
        synonyms = wordnet.synsets(word)
        for synonym in synonyms:
            skills.add(synonym.name())
    return skills

Diese Implementierung ermöglicht es uns, Synonyme zu erkennen und unsere Matching-Fähigkeiten zu erweitern, ohne auf Keyword-Stuffing angewiesen zu sein.

Beobachtbare Veränderungen im Produkt

Nach der Einführung des neuen Algorithmus beobachteten wir eine deutliche Verbesserung der Qualität der Übereinstimmungen. Recruiter berichteten von einer höheren Anzahl relevanter Bewerbungen, und die Kandidaten fühlten sich sicherer, dass ihre Fähigkeiten genau erkannt wurden. Der Feedback-Loop verbesserte sich erheblich, was sich in einem erhöhten Engagement auf unserer /jobs-Seite und einem Rückgang der benötigten Zeit zur Vorauswahl von Kandidaten zeigte. Wir verzeichneten auch eine positive Veränderung in der Zufriedenheit der Kandidaten, da mehr Entwickler das Gefühl hatten, dass ihre Expertise angemessen repräsentiert wurde.

Wichtige Erkenntnisse

Durch diesen Prozess haben wir mehrere wichtige Einsichten gewonnen:

• Keyword-Stuffing vermeiden: Kandidaten sollten sich auf echte Fähigkeiten konzentrieren, anstatt das System auszutricksen.
• Bedeutung von Synonymen: Die Erkennung von Variationen in der Terminologie kann die Übereinstimmungsgenauigkeit drastisch verbessern.
• Benutzerzentriertes Design: Verbesserungen sollten die Kandidatenerfahrung priorisieren, um Vertrauen in den Bewerbungsprozess aufzubauen.
• Iterative Verbesserungen: Regelmäßige Überprüfung und Aktualisierung unserer Algorithmen sind entscheidend, um mit den Veränderungen in der Branche Schritt zu halten.

Einblicke für Kandidaten

Für Kandidaten bedeutet dies, dass es entscheidend ist, Ihren Lebenslauf so anzupassen, dass relevante Fähigkeiten hervorgehoben werden, ohne ihn mit Variationen zu überladen. Konzentrieren Sie sich auf Klarheit und Kontext. Stellen Sie sicher, dass Ihr Fähigkeitenbereich echte Expertise widerspiegelt, da moderne Parsing-Systeme darauf ausgelegt sind, Kompetenz zu erkennen, ohne jede mögliche Variante zu benötigen. Auf diese Weise hat Ihr Lebenslauf eine bessere Chance, mit den für Sie relevanten Stellenbeschreibungen übereinzustimmen.

Einblicke für Recruiter

Aus der Perspektive eines Recruiters kann die Implementierung eines intelligenteren Parsing-Systems die Qualität der Kandidaten erheblich verbessern. Indem Sie verstehen, dass Kandidaten unterschiedliche Begriffe für dieselben Fähigkeiten verwenden können, können Sie Stellenbeschreibungen verfeinern und sicherstellen, dass vielversprechende Kandidaten nicht übersehen werden. Dieser Ansatz fördert einen inklusiveren Einstellungsprozess und ermöglicht es Ihnen, auf ein breiteres Talentpool zuzugreifen.

Ausblick

Obwohl wir erhebliche Fortschritte gemacht haben, gibt es noch Verbesserungsmöglichkeiten. Wir überwachen, wie gut die neue Fähigkeitenextraktion in verschiedenen Bereichen funktioniert, und sind offen für die Verfeinerung unseres Ansatzes basierend auf dem Feedback der Nutzer. Wenn wir einen Teil dieses Prozesses rückgängig machen müssten, wäre es wahrscheinlich die anfängliche Abhängigkeit von der Erweiterung von Keywords ohne Berücksichtigung des Kontexts. In Zukunft verpflichten wir uns, unsere Systeme kontinuierlich zu verbessern, um sicherzustellen, dass sowohl Kandidaten als auch Recruiter die bestmöglichen Übereinstimmungen finden. ---