---

Der Beginn unserer Reise: Ein Gespräch in Slack

An einem ganz normalen Tag in unserem Slack haben wir darüber diskutiert, wie wir den Rekrutierungsprozess für Unternehmen verbessern können. Einer der Entwickler erwähnte, dass Kandidaten oft Schwierigkeiten haben, die Anforderungen der Arbeitgeber zu verstehen. Dieser Punkt wurde zum Ausgangspunkt für unser Team.

Kontext des Problems

Wir arbeiteten im Bereich HR-Technologien und wussten, wie wichtig eine qualitativ hochwertige Personalbeschaffung für das Wachstum von Unternehmen ist. Firmen klagten über einen Mangel an geeigneten Kandidaten, während Bewerber die fehlende Transparenz in den Anforderungen und Erwartungen bemängelten. Jeden Tag sahen wir, wie diese Kluft Probleme für beide Seiten verursachte. Es war wichtig, dieses Problem zu lösen, um die Prozesse sowohl für Kandidaten als auch für Arbeitgeber zu verbessern.

Konkretes Problem

Eines Tages erhielten wir eine Anfrage von einem Start-up, das keinen passenden Entwickler für sein Team finden konnte. Sie hatten eine Stellenanzeige veröffentlicht, erhielten jedoch zahlreiche Lebensläufe von Kandidaten, die nicht den Anforderungen entsprachen. Dies führte zu einem Zeitverlust sowohl für die HR-Abteilung als auch für die Bewerber. Wir erkannten, dass die aktuellen Tools nicht in der Lage waren, die Fähigkeiten der Kandidaten effektiv mit den Bedürfnissen der Unternehmen abzugleichen.

Erste Versuche

Unsere ersten Versuche bestanden darin, standardisierte Algorithmen zum Abgleichen von Lebensläufen zu verwenden. Wir dachten, dass wir durch die Erhöhung der Datenmenge die Ergebnisse verbessern könnten. Doch das brachte keinen spürbaren Effekt. Wir stießen auf Probleme mit Datenüberflüssigkeit und fehlendem Kontext, was den Algorithmus ineffektiv machte. Schließlich beschlossen wir, unseren Ansatz zu überdenken und uns auf ein tieferes Verständnis der Fähigkeiten und Anforderungen zu konzentrieren.

Technischer Ansatz

Unser Team entwickelte einen neuen Algorithmus, der nicht nur Schlüsselwörter, sondern auch kontextuelle Zusammenhänge zwischen Fähigkeiten und Anforderungen berücksichtigte. Wir implementierten semantisches Matching, das es ermöglichte, die Übereinstimmung der Kandidaten genauer zu bestimmen. So sah ein Codeausschnitt aus, den wir zur Analyse von Lebensläufen verwendeten:

import spacy

def analyze_resume(resume_text):
    nlp = spacy.load('en_core_web_sm')
    doc = nlp(resume_text)
    skills = [token.text for token in doc.ents if token.label_ == 'SKILL']
    return skills

Dieser Ansatz ermöglichte es uns, Fähigkeiten und Übereinstimmungen präziser zu identifizieren, was letztlich die Zeit für den Rekrutierungsprozess verkürzte.

Änderungen im Produkt

Nach der Implementierung des neuen Algorithmus bemerkten wir eine deutliche Verbesserung der Qualität der Rekrutierung. Unternehmen erhielten relevantere Lebensläufe, und Kandidaten bekamen Angebote, die ihren Fähigkeiten entsprachen. Wir aktualisierten die Seiten auf unserer Website, um diese Änderungen widerzuspiegeln, und verbesserten die Abschnitte /jobs und /for-companies, wobei wir den Fokus auf die Genauigkeit der Rekrutierung legten.

Lektionen, die wir gelernt haben

• Das Verständnis des Kontexts ist wichtiger als nur die Erhöhung des Datenvolumens.
• Der Einsatz von Semantik kann die Genauigkeit der Rekrutierung erheblich verbessern.
• Das Team sollte offen für Fehler und Misserfolge sein – das ist ein wichtiger Teil des Prozesses.
• Effektive Kommunikation zwischen HR und Entwicklern ist entscheidend für den Erfolg.
• Man sollte die Bedeutung von Feedback von Nutzern nicht unterschätzen.

Was das für Kandidaten bedeutet

Für Kandidaten bedeutet das, dass sie einen personalisierteren und genaueren Ansatz bei der Stellensuche erwarten können. Wir streben danach, ihnen klarere Informationen über die Anforderungen und Erwartungen der Arbeitgeber zu bieten, was wiederum ihre Chancen auf eine erfolgreiche Anstellung verbessert.

Was das für Recruiter bedeutet

Recruiter können jetzt mit qualitativ hochwertigeren Daten über Kandidaten arbeiten, was bedeutet, dass sie weniger Zeit mit der Filterung ungeeigneter Lebensläufe verbringen. Dies ermöglicht es ihnen, sich auf strategischere Aspekte der Rekrutierung zu konzentrieren, wie die Interaktion mit Kandidaten und den Aufbau von Beziehungen zu Kunden.

Nächste Schritte

Wir beobachten weiterhin die Ergebnisse unseres Algorithmus und planen dessen weitere Verbesserung. Insbesondere möchten wir die Möglichkeiten einer Integration mit anderen Plattformen und Daten untersuchen. Wenn wir etwas ändern müssten, würden wir mit einer tiefergehenden Analyse der Bedürfnisse der Nutzer in der frühesten Phase beginnen. ---