---

Ein Slack-Gespräch, das Veränderungen anstieß

Kürzlich, während einer routinemäßigen Slack-Diskussion über unseren Job-Matching-Algorithmus, teilte einer unserer Datenwissenschaftler eine interessante Beobachtung. Ein Kandidat mit einem 70% Match-Score wurde zugunsten eines Kandidaten mit einem 90% Match-Score übersehen. Dies weckte unser Interesse: Welche Faktoren trugen zu dieser Diskrepanz bei? Als wir tiefer gruben, erkannten wir, dass unser Ansatz zur Interpretation von Match-Scores verfeinert werden musste.

Die Bedeutung genauer Übereinstimmungen

In der wettbewerbsintensiven Landschaft des Recruitings sind die Einsätze hoch. Recruiter und Kandidaten verlassen sich auf unsere KI-gesteuerten Match-Scores, um informierte Entscheidungen zu treffen. Für Unternehmen kann eine Fehlbesetzung zu verschwendeten Ressourcen und Zeit führen, während Kandidaten riskieren, Chancen zu verpassen, die gut zu ihnen passen könnten. Zu verstehen, wie man diese Scores richtig interpretiert, ist für beide Parteien von entscheidender Bedeutung.

Analyse der Schwächen unseres ursprünglichen Ansatzes

Ursprünglich behandelten wir Match-Scores als definitive Urteile über die Eignung eines Kandidaten. Dieses binäre Denken führte dazu, dass Kandidaten allein aufgrund ihrer Scores herausgefiltert wurden, ohne qualitative Faktoren wie Erfahrung oder kulturelle Passung zu berücksichtigen. Beispielsweise wurde ein Kandidat mit einem starken Portfolio und relevanter Erfahrung niedriger bewertet als ein anderer mit einem weniger überzeugenden Hintergrund, aber höheren Keyword-Matches. Dies offenbarte einen grundlegenden Mangel: Unser Scoring-System erfasste nicht das gesamte Bild.

Erkundung alternativer Lösungen

Um diese Herausforderungen anzugehen, experimentierten wir zunächst mit der Anpassung des Gewichts verschiedener Scoring-Kriterien. Wir versuchten, den Fokus auf Erfahrung gegenüber Keyword-Matches zu erhöhen, aber dieser Ansatz brachte gemischte Ergebnisse. Einige Kandidaten, die in Interviews hervorragend abschnitten, hatten nicht die richtigen Keywords in ihren Profilen, während andere mit hohen Keyword-Scores in praktischen Bewertungen scheiterten. Diese Iteration offenbarte die Komplexität der Kandidatenevaluierung und die Grenzen der ausschließlichen Abhängigkeit von numerischen Scores.

Die technische Lösung: Ein neues Framework

Der Durchbruch kam, als wir beschlossen, ein multifunktionales Scoring-Framework zu implementieren, das sowohl qualitative als auch quantitative Daten kombinierte. Wir integrierten Feedback von Einstellungsmanagern und Interviewern in den Scoring-Mechanismus, um eine ganzheitlichere Sicht auf die Eignung der Kandidaten zu ermöglichen. Dies beinhaltete die Erstellung eines Modells, das Folgendes berücksichtigt:

• Relevanz der Fähigkeiten basierend auf Stellenbeschreibungen
• Kulturelle Übereinstimmung durch Team-Feedback
• Leistung in praktischen Bewertungen

Hier ist ein vereinfachter Code-Schnipsel, der die Scoring-Logik darstellt, die wir entwickelt haben:

class JobMatchScore:
    def calculate_score(self, candidate, job_description, feedback):
        keyword_score = self._keyword_match(candidate, job_description)
        experience_score = self._experience_relevance(candidate, job_description)
        cultural_score = self._cultural_fit(feedback)
        return (keyword_score * 0.4) + (experience_score * 0.4) + (cultural_score * 0.2)

Diese Methode ermöglicht es uns, jede Komponente angemessen zu gewichten, sodass keine einzelne Kennzahl die anderen überschattet.

Beobachtbare Veränderungen im Produkt

Nach der Implementierung bemerkten wir eine signifikante Verbesserung der Zufriedenheit der Kandidaten und des Feedbacks der Recruiter. Kandidaten wurden häufiger über ihre Scores und die Gründe dahinter informiert, was zu höheren Engagement-Raten führte. Recruiter berichteten von einem deutlichen Anstieg erfolgreicher Platzierungen, da sie feststellten, dass Kandidaten mit niedrigeren Match-Scores oft einzigartige Stärken mitbrachten, die in den ursprünglichen Modellen nicht erfasst wurden. Diese Veränderung wirkte sich auf unsere gesamte Plattform aus, insbesondere auf unseren Seiten /jobs und /for-candidates, wo wir die Bedeutung ganzheitlicher Bewertungen betonten.

Wichtige Erkenntnisse aus unserer Erfahrung

• Scores sind keine definitiven Urteile: Ein hoher Match-Score garantiert keinen Erfolg.
• Qualitatives Feedback ist wichtig: Die Einbeziehung von Recruiter-Insights kann die Genauigkeit der Bewertungen verbessern.
• Flexibilität im Scoring ist entscheidend: Anpassungsfähigkeit ermöglicht es uns, Modelle im Laufe der Zeit zu verfeinern.
• Kontinuierliche Feedback-Schleifen verbessern Modelle: Regelmäßige Aktualisierungen basierend auf realen Ergebnissen sind entscheidend.

Implikationen für Kandidaten

Für Kandidaten ist es wichtig, die Nuancen des Job-Match-Scores zu verstehen. Anstatt einen Score als endgültiges Urteil zu betrachten, sollten Sie ihn als Werkzeug zur Hervorhebung Ihrer Stärken und Schwächen betrachten. Ein niedriger Score definiert möglicherweise nicht Ihre Fähigkeiten, sondern zeigt vielmehr Bereiche auf, in denen Verbesserungen möglich sind. Engagieren Sie sich mit Recruitern, um zu verstehen, wie Ihre Fähigkeiten über den numerischen Wert hinaus mit den Anforderungen der Stelle übereinstimmen.

Implikationen für Recruiter

Für Recruiter ist es wichtig zu erkennen, dass ein Match-Score ein Ausgangspunkt und kein abschließender Faktor ist. Verwenden Sie ihn als Sortierwerkzeug, um potenzielle Kandidaten zu identifizieren, aber gehen Sie immer tiefer in deren Erfahrungen und Qualifikationen. Der Aufbau eines vielfältigen Teams erfordert, über die Zahlen hinauszuschauen und einzigartige Perspektiven zu schätzen, die möglicherweise nicht in traditionelle Muster passen.

Nächste Schritte: Kontinuierliche Verbesserung

Trotz dieser Fortschritte erkennen wir, dass unsere Arbeit noch lange nicht abgeschlossen ist. Wir überwachen aktiv die Ergebnisse der Kandidaten, um das Scoring-Modell weiter zu verfeinern. Zukünftige Iterationen könnten verbesserte Machine-Learning-Algorithmen umfassen, die aus Einstellmustern lernen und es uns ermöglichen, die Eignung genauer vorherzusagen. Wenn wir in diesem Stadium etwas rückgängig machen könnten, wäre es der anfängliche starre Ansatz zur Bewertung, da er unsere Fähigkeit einschränkte, das gesamte Spektrum des Kandidatenpotenzials zu schätzen.

Zusammenfassend hat die Entwicklung unseres Job-Match-Scoring-Systems die Bedeutung eines nuancierten Ansatzes zur Kandidatenevaluierung unterstrichen. Durch die Kombination qualitativer Einblicke mit quantitativen Daten streben wir an, einen genaueren und inklusiveren Einstellungsprozess zu schaffen. ---