---

Comienzo del camino: conversación en Slack

En uno de esos días comunes en nuestro Slack, discutíamos cómo mejorar el proceso de selección de candidatos para las empresas. Uno de los desarrolladores mencionó que los candidatos a menudo enfrentan dificultades para entender los requisitos de los empleadores. Este momento se convirtió en el punto de partida para nuestro equipo.

Contexto del problema

Trabajábamos en el ámbito de las tecnologías de recursos humanos y entendíamos lo crucial que es una selección de personal de calidad para el crecimiento del negocio. Las empresas se quejaban de la falta de candidatos adecuados, mientras que los solicitantes se quejaban de la falta de transparencia en los requisitos y expectativas. Cada día veíamos cómo esta brecha generaba problemas para ambas partes. Era importante resolver esta cuestión para mejorar los procesos tanto para los candidatos como para los empleadores.

Problema concreto

Un día recibimos una solicitud de una startup que no podía encontrar un desarrollador adecuado para su equipo. Publicaron una oferta de trabajo, pero recibieron numerosos currículos de candidatos que no cumplían con los requisitos. Esto llevó a una pérdida de tiempo tanto para el departamento de recursos humanos como para los solicitantes. Nos dimos cuenta de que las herramientas actuales no eran capaces de emparejar eficazmente las habilidades de los candidatos con las necesidades de las empresas.

Primeros intentos

Nuestros primeros intentos consistieron en utilizar algoritmos estándar de emparejamiento de currículos. Pensamos que simplemente aumentando la cantidad de datos podríamos mejorar los resultados. Sin embargo, esto no tuvo un efecto notable. Nos enfrentamos a problemas de redundancia de datos y falta de contexto, lo que hacía que el algoritmo fuera ineficaz. Al final, decidimos replantear nuestro enfoque y centrarnos en una comprensión más profunda de las habilidades y requisitos.

Enfoque técnico

Nuestro equipo desarrolló un nuevo algoritmo que tenía en cuenta no solo palabras clave, sino también las relaciones contextuales entre habilidades y requisitos. Implementamos emparejamiento semántico, que permitía identificar con mayor precisión la correspondencia de los candidatos. Aquí hay un fragmento de código que utilizamos para analizar currículos:

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

Este enfoque nos permitió identificar con mayor precisión las habilidades y correspondencias, lo que a su vez redujo el tiempo del proceso de selección.

Cambios en el producto

Tras la implementación del nuevo algoritmo, notamos una mejora significativa en la calidad de la selección. Las empresas comenzaron a recibir currículos más relevantes, y los candidatos recibieron ofertas que correspondían a sus habilidades. Actualizamos las páginas en nuestro sitio web para reflejar estos cambios y mejoramos las secciones /jobs y /for-companies, haciendo hincapié en la precisión del emparejamiento.

Lecciones aprendidas

• Entender el contexto es más importante que simplemente aumentar el volumen de datos.
• El uso de la semántica puede mejorar significativamente la precisión del emparejamiento.
• El equipo debe estar abierto a errores y fracasos; es una parte importante del proceso.
• La comunicación efectiva entre recursos humanos y desarrolladores es crítica para el éxito.
• No se debe subestimar la importancia de la retroalimentación de los usuarios.

Qué significa esto para los candidatos

Para los candidatos, esto significa que pueden esperar un enfoque más personalizado y preciso en la selección de ofertas de trabajo. Nos esforzamos por proporcionarles información más clara sobre los requisitos y expectativas de los empleadores, lo que a su vez mejora sus posibilidades de conseguir un empleo exitoso.

Qué significa esto para los reclutadores

Los reclutadores ahora pueden trabajar con datos de candidatos de mayor calidad, lo que significa menos tiempo dedicado a filtrar currículos no adecuados. Esto les permitirá centrarse en aspectos más estratégicos de la selección, como la interacción con los candidatos y la construcción de relaciones con los clientes.

Próximos pasos

Seguimos monitorizando los resultados de nuestro algoritmo y planeamos mejorarlo aún más. En particular, queremos explorar las posibilidades de integración con otras plataformas y datos. Si tuviéramos que cambiar algo, empezaríamos con un análisis más profundo de las necesidades de los usuarios en la etapa más temprana. ---