---

Un hilo en Slack que inspiró el cambio

Durante un reciente hilo en Slack, uno de nuestros reclutadores expresó su frustración con el número de solicitantes cuyos currículos no coincidían con las descripciones de trabajo que habíamos elaborado. Señaló que muchos candidatos utilizaban los mismos términos genéricos, lo que dificultaba evaluar su verdadera adecuación para roles como ingeniero de software o desarrollador frontend. Esto nos llevó a cuestionar cuán efectivamente estábamos analizando y emparejando las palabras clave del CV para desarrolladores.

Las implicaciones de una coincidencia precisa

A medida que profundizábamos, se hizo evidente que la precisión de nuestro emparejamiento de palabras clave impactaba directamente en nuestra eficiencia de contratación. Con numerosas vacantes por cubrir, el tiempo perdido clasificando currículos llenos de términos irrelevantes significaba oportunidades perdidas tanto para los candidatos como para nuestro equipo de contratación. La descoordinación no solo frustraba a los reclutadores, sino que también dejaba a candidatos prometedores sin ser considerados, afectando en última instancia nuestra capacidad para construir equipos sólidos. Nos dimos cuenta de que resolver este problema era crítico para optimizar nuestros procesos de contratación y mejorar la experiencia de los candidatos en nuestra plataforma.

Identificando el problema central

El problema principal que enfrentábamos era que nuestro algoritmo de análisis existente tenía dificultades con sinónimos y variaciones de términos. Por ejemplo, un candidato podría listar “JS” en lugar de “JavaScript”, y nuestro algoritmo a menudo no lograba reconocer que ambos se referían a la misma habilidad. Esto resultaba en que posibles coincidencias eran descartadas. Un caso particular involucró a un candidato calificado cuyo currículo enfatizaba su experiencia con “React”, pero carecía de la redacción exacta que teníamos en nuestras ofertas de trabajo, lo que llevó a que su solicitud fuera completamente pasada por alto.

Intentos iniciales de resolución

Nuestro primer intento de abordar este problema consistió simplemente en ampliar nuestra lista de palabras clave para incluir variaciones comunes. Sin embargo, esto llevó a un caso de relleno de palabras clave. Notamos que los candidatos comenzaron a sobrecargar sus currículos con numerosas variaciones de la misma habilidad en un intento de manipular el sistema. Esto no solo diluía la calidad de los currículos, sino que también dificultaba que nuestro sistema de análisis discerniera la verdadera experiencia de un simple relleno. Claramente, este enfoque no era sostenible.

La solución técnica: extracción de habilidades mejorada

Después de reevaluar nuestra estrategia, decidimos implementar un algoritmo de extracción de habilidades más sofisticado basado en técnicas de procesamiento de lenguaje natural (NLP). Introdujimos una función de reconocimiento de sinónimos que podría identificar varios términos para la misma habilidad, asegurando que los candidatos que usaran “JS” no fueran penalizados por no utilizar “JavaScript”.

Aquí hay una versión simplificada del código que ilustra nuestro enfoque:

import nltk
from nltk.corpus import wordnet

# Función para extraer habilidades del currículo
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

Esta implementación nos permite reconocer sinónimos, ampliando nuestras capacidades de emparejamiento sin depender del relleno de palabras clave.

Cambios observables en el producto

Después de implementar el nuevo algoritmo, observamos una mejora notable en la calidad de las coincidencias. Los reclutadores informaron un mayor número de solicitudes relevantes, y los candidatos se sintieron más seguros de que sus habilidades eran reconocidas con precisión. El ciclo de retroalimentación mejoró significativamente, evidenciado por un aumento en la interacción en nuestra página /jobs y una disminución en el tiempo necesario para preseleccionar candidatos. También vimos un cambio positivo en la satisfacción de los candidatos, con más desarrolladores sintiendo que su experiencia estaba adecuadamente representada.

Lecciones clave aprendidas

A través de este proceso, obtuvimos varias ideas importantes:

• Evitar el relleno de palabras clave: Los candidatos deben centrarse en habilidades genuinas en lugar de intentar manipular el sistema.
• Importancia de los sinónimos: Reconocer variaciones en la terminología puede mejorar drásticamente la precisión del emparejamiento.
• Diseño centrado en el usuario: Las mejoras deben priorizar la experiencia del candidato para generar confianza en el proceso de solicitud.
• Mejoras iterativas: Revisar y actualizar regularmente nuestros algoritmos es esencial para mantenernos al día con los cambios de la industria.

Perspectivas para los candidatos

Para los candidatos, esto significa que es crucial adaptar su currículo para resaltar habilidades relevantes sin sobrecargarlo con variaciones. Enfóquense en la claridad y el contexto. Asegúrense de que su sección de habilidades refleje experiencia genuina, ya que los sistemas de análisis modernos están diseñados para reconocer la competencia sin necesidad de cada posible sinónimo. De esta manera, su currículo tendrá una mejor oportunidad de alinearse con las descripciones de trabajo que son importantes para ustedes.

Perspectivas para los reclutadores

Desde la perspectiva de un reclutador, implementar un sistema de análisis más inteligente puede mejorar significativamente la calidad de los candidatos. Al entender que los candidatos pueden utilizar diferentes terminologías para las mismas habilidades, pueden ajustar las descripciones de trabajo y asegurarse de que no se pasen por alto a candidatos prometedores. Este enfoque fomenta un proceso de contratación más inclusivo, permitiéndoles acceder a un grupo de talentos más amplio.

Mirando hacia adelante

Si bien hemos hecho avances sustanciales, aún hay áreas que mejorar. Estamos monitoreando qué tan bien funciona la nueva extracción de habilidades en varios dominios y seguimos abiertos a refinar nuestro enfoque basado en la retroalimentación de los usuarios. Si tuviéramos que deshacer alguna parte de este proceso, probablemente sería la dependencia inicial de la expansión de palabras clave sin considerar el contexto. En el futuro, estamos comprometidos a seguir mejorando nuestros sistemas para garantizar que tanto candidatos como reclutadores encuentren las mejores coincidencias posibles. ---