---

Розмова в Slack, що спровокувала зміни

Нещодавно, під час рутинної дискусії в Slack про наш алгоритм підбору вакансій, один з наших науковців даних поділився цікавою спостереженням. Кандидат з 70% оцінкою відповідності був проігнорований на користь кандидата з 90% оцінкою відповідності. Це викликало в нас цікавість: які фактори сприяли цій невідповідності? Коли ми почали розбиратися, ми зрозуміли, що наш підхід до інтерпретації оцінок відповідності потребує вдосконалення.

Важливість точного підбору

У конкурентному середовищі найму ставки високі. Рекрутери та кандидати покладаються на наші оцінки відповідності на основі ШІ, щоб приймати обґрунтовані рішення. Для компаній невідповідність може призвести до витрат ресурсів і часу, тоді як кандидати ризикують пропустити можливості, які можуть бути чудовим варіантом. Розуміння того, як правильно інтерпретувати ці оцінки, є критично важливим для обох сторін.

Аналіз недоліків нашого початкового підходу

Спочатку ми розглядали оцінки відповідності як остаточні вердикти щодо придатності кандидата. Це бінарне мислення призвело до того, що кандидати відсівалися лише на основі їх оцінок, без врахування якісних факторів, таких як досвід чи культурна відповідність. Наприклад, один кандидат з потужним портфоліо та відповідним досвідом отримав нижчу оцінку, ніж інший з менш переконливим фоном, але з вищими показниками за ключовими словами. Це підкреслило основну проблему: наша система оцінювання не відображала повну картину.

Дослідження альтернативних рішень

Щоб вирішити ці проблеми, спочатку ми експериментували з коригуванням ваги різних критеріїв оцінювання. Ми спробували підвищити акцент на досвіді над ключовими словами, але цей підхід дав змішані результати. Деякі кандидати, які відзначилися на співбесідах, не мали правильних ключових слів у своїх профілях, в той час як інші з високими оцінками за ключовими словами зазнали невдачі в практичних оцінках. Ця ітерація виявила складність оцінювання кандидатів і обмеження покладення виключно на числові оцінки.

Технічне рішення: нова структура

Прорив настав, коли ми вирішили впровадити багатогранну структуру оцінювання, що поєднує як якісні, так і кількісні дані. Ми інтегрували відгуки від менеджерів з найму та співбесідників у механізм оцінювання, що дозволило отримати більш цілісне уявлення про відповідність кандидата. Це передбачало створення моделі, яка враховує:

• Відповідність навичок на основі описів вакансій
• Культурну відповідність через відгуки команди
• Результати в практичних оцінках

Ось спрощений фрагмент коду, що представляє логіку оцінювання, яку ми розробили:

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)

Цей метод дозволяє нам відповідно зважувати кожен компонент, гарантуючи, що жодна одинична метрика не затуляє інші.

Спостережувані зміни в продукті

Після впровадження ми помітили значне покращення в задоволеності кандидатів та відгуках рекрутерів. Кандидати частіше отримували інформацію про свої оцінки та причини, що стоять за ними, що призвело до підвищення рівня залученості. Рекрутери повідомляли про помітне збільшення успішних наймів, оскільки вони виявили, що кандидати з нижчими оцінками відповідності часто мали унікальні сильні сторони, які не були відображені в початкових моделях. Ця зміна відгукнулася на всій нашій платформі, особливо на сторінках /jobs та /for-candidates, де ми підкреслили важливість цілісних оцінок.

Основні висновки з нашого досвіду

• Оцінки не є остаточними: Висока оцінка відповідності не гарантує успіху.
• Якісні відгуки мають значення: Включення думок рекрутерів може підвищити точність оцінювання.
• Гнучкість в оцінюванні є необхідною: Адаптивність дозволяє нам вдосконалювати моделі з часом.
• Безперервні цикли зворотного зв'язку покращують моделі: Регулярні оновлення на основі реальних результатів є критично важливими.

Наслідки для кандидатів

Кандидатам важливо розуміти нюанси оцінки відповідності вакансії. Замість того, щоб сприймати оцінку як остаточний вердикт, розглядайте її як інструмент для підкреслення своїх сильних і слабких сторін. Нижча оцінка може не визначати ваші можливості, а скоріше вказувати на області для вдосконалення. Спілкуйтеся з рекрутерами, щоб зрозуміти, як ваші навички відповідають вимогам вакансії, виходячи за межі числового значення.

Наслідки для рекрутерів

Для рекрутерів важливо усвідомити, що оцінка відповідності є відправною точкою, а не остаточним фактором. Використовуйте її як інструмент для сортування потенційних кандидатів, але завжди заглиблюйтеся в їх досвід та кваліфікацію. Формування різноманітної команди вимагає погляду за межі цифр і цінування унікальних перспектив, які можуть не вписуватися в традиційні рамки.

Наступні кроки: безперервне вдосконалення

Незважаючи на ці досягнення, ми усвідомлюємо, що наша робота далека від завершення. Ми активно моніторимо результати кандидатів, щоб ще більше вдосконалити модель оцінювання. Майбутні ітерації можуть включати покращені алгоритми машинного навчання, які навчаються на патернах найму, дозволяючи нам точніше прогнозувати відповідність. Якщо б ми могли скасувати щось на цьому етапі, це був би початковий жорсткий підхід до оцінювання, оскільки він обмежував нашу здатність оцінювати повний спектр потенціалу кандидата.

На завершення, еволюція нашої системи оцінки відповідності вакансії підкреслила важливість нюансованого підходу до оцінювання кандидатів. Поєднуючи якісні інсайти з кількісними даними, ми прагнемо створити більш точний і інклюзивний процес найму. ---