Ang Kumpletong Gabay sa Awtomatikong Paunang Pagsala ng Kandidato (2026)

Lahat ng kailangang malaman ng mga lider ng HR at ng mga talent team tungkol sa awtomatikong paunang pagsala ng kandidato: kung paano ito gumagana, aling mga paraan ang angkop sa aling mga tungkulin, paano pumili ng software, at paano sukatin ang tagumpay.

In-update noong Setyembre 202618 minutong pagbasa

Ano ang awtomatikong paunang pagsala ng kandidato?

Ang awtomatikong paunang pagsala ng kandidato ay ang paggamit ng software upang suriin ang mga aplikante nang hindi manwal na binabasa ang bawat résumé o aplikasyon. Sa halip na basahin ng recruiter ang bawat dokumento nang linya por linya, binabasa ng sistema ang nakaayos na datos, binibigyan ng iskor ang mga kandidato batay sa mga itinakdang pamantayan, at inilalagay sa itaas ng listahan ang mga pinakaangkop.

Sa pinakasimple nito, maaaring ang ibig sabihin nito ay sinasala ng applicant tracking system ang mga kandidatong hindi nag-tsek ng isang kinakailangang kahon (taon ng karanasan, kinakailangang sertipikasyon). Sa pinakamaunlad nito, isa itong conversational AI na sabay-sabay na nakikipanayam sa libu-libong kandidato, sinusuri ang mga sagot ayon sa isang napatunayang balangkas ng kakayahan, at gumagawa ng nakaranggong shortlist na may mga iskor na maipapaliwanag, lahat sa loob ng ilang minuto matapos pindutin ng kandidato ang submit.

Ang karaniwang hibla ng lahat ng mga tool na ito ay ang paglipat mula sa kakayahan ng tao tungo sa kakayahan ng algorithm. Ang pagsala ang pinakamaraming gawain sa recruitment; ito rin ang gawaing pinakamadaling tablan ng pagod, pagkiling, at kawalan ng pagkakapare-pareho. Tinutugunan ng awtomasyon ang tatlong ito.

Maikling kasaysayan

Dumating ang unang alon ng awtomatikong pagsala noong unang bahagi ng dekada 1990 sa pamamagitan ng mga ATS tool na tumutugma sa mga keyword. Tina-type ng mga recruiter ang mga kinakailangang kasanayan, hinahanap ng sistema ang mga katugmang salita sa mga CV, at itinatapon ang anumang walang eksaktong parirala. Mabilis ito, ngunit may malalim na depekto: ang isang nars na sumulat ng "wound care" sa halip na "wound management" ay maaaring hindi makita ng sistema.

Ang ikalawang alon, na nagsimula noong kalagitnaan ng dekada 2010, ay nagdala ng mga machine learning model na sinanay sa makasaysayang datos ng pag-hire. Kaya ng mga sistemang ito na hinuhain ang kwalipikasyon lampas sa mga keyword, halimbawa, na kinikilalang ang diploma mula sa isang partikular na institusyon ay may kaugnayan sa mahusay na pagganap sa isang tungkulin. Ngunit minana rin nila ang mga pagkiling na nakabaon sa makasaysayang datos na iyon. Ang ikatlong alon, kung saan nakalagay ngayon ang karamihan ng mga enterprise tool, ay pinagsasama ang pagbasa ng CV gamit ang NLP, nakaayos na conversational AI, at mga modelo ng pag-iiskor na maipapaliwanag, na idinisenyo upang ilitaw ang pinakamahusay na kandidato sa halip na ang pinakapamilyar sa paningin.

Bakit bumibigay ang manwal na pagsala kapag malaki ang dami

Hindi lumalaki ang manwal na pagsala kasabay ng dami. Ang isang recruiter na may 200 aplikante para sa iisang tungkulin ay nahaharap sa imposibleng kuwenta: kung tatlong minuto ang kailangan upang maayos na suriin ang bawat CV, sampung oras iyon ng nakatuong pagbasa para sa iisang bakanteng posisyon. I-multiply ito sa limang bukas na tungkulin, isama ang mga abala, at hindi na kakayanin ang kuwenta.

7.4 sec

Karaniwang oras na ginugugol ng recruiter sa isang CV bago magpasya, ayon sa isang TheLadders eye-tracking study.

Pitong segundo bawat CV

Mas malungkot pa ang katotohanan kaysa sa ipinapakita ng kuwenta. Natuklasan ng isang TheLadders eye-tracking study na gumugugol ang mga recruiter ng karaniwang 7.4 segundo sa pagrepaso ng bawat CV, hindi ang sampung minutong kailangan para sa tunay na pagsusuri. Hinahanap nila ang titulo ng trabaho, kumpanya, mga petsa, edukasyon, at layout. Lahat ng iba ay hindi napapansin.

Ibig sabihin, ang isang mahusay na kandidato na may hindi pangkaraniwang istruktura ng CV, gaya ng isang nagpapalit ng karera, isang kontratista, o isang taong gumugol ng isang dekada sa merkadong hindi Kanluranin, ay sistematikong nalalamangan bago pa mabasa ng recruiter ang kahit isang pangungusap ng kanyang karanasan.

Ang problema ng pagkiling

Ang magkakaparehong CV na may mga pangalang karaniwang itinuturing na puti ay nakatanggap ng 50% na mas maraming callback, isang paulit-ulit na pagbaluktot na likas sa manwal na pagsusuri kapag nagmamadali.

Ang problema ng bilis

Umaatras ang pinakamahuhusay na kandidato sa mabagal na proseso. Pinapaikli ng awtomasyon ang panahon mula aplikasyon hanggang unang contact, mula ilang araw tungo sa ilang minuto.

Ang problema ng pagkiling

Natuklasan ng National Bureau of Economic Research na ang magkakaparehong CV na may mga pangalang karaniwang itinuturing na puti ay nakatanggap ng 50% na mas maraming tawag pabalik kaysa sa magkakaparehong CV na may mga pangalang karaniwang itinuturing na Itim. Hindi ito maliit na epekto. Isa itong paulit-ulit at nasusukat na pagbaluktot na nakabaon sa manwal na pagrepaso, dahil ang tao, gaano man kabuti ang intensyon, ay may mga mental na shortcut na umaandar kapag nagmamadali.

Inuulit ng mga sistemang batay sa paghahanap ng keyword ang mga pagkiling na ito sa anyong algorithm: ang sistemang sinanay na tumugma sa "Ivy League" o "Goldman Sachs" ay magpapatuloy sa parehong mga sosyoekonomikong filter na ginagamit ng mga manwal na recruiter. Ang solusyon ay hindi ang pagbawas ng pagsala, kundi pagsalang idinisenyo mula sa simula upang suriin kung ano ang tunay na nagpapahiwatig ng mahusay na pagganap.

Ang problema ng bilis

Patuloy na ipinapakita ng pananaliksik sa pag-uugali ng kandidato na ang pinakamahuhusay na kandidato, na may trabaho na at may mga pagpipilian, ay umaatras sa mabagal na proseso. Pinaiikli ng awtomatikong pagsala ang panahon sa pagitan ng aplikasyon at unang pakikipag-ugnayan mula sa ilang araw tungo sa ilang minuto.

Kapag isang linggo ang manwal na pagsala at tinanggap ng inyong pinakamahusay na kandidato ang alok ng mas mabilis na kakumpitensya, ang kapalit ay hindi lamang isang hire, kundi ang naiipong epekto sa bawat bukas na tungkulin.

Paano gumagana ang awtomatikong pagsala

Hinahati ng mga makabagong sistema ng pagsala ang proseso ng aplikasyon sa magkakahiwalay na hakbang na maaaring i-automate. Ang pag-unawa sa bawat hakbang ay tumutulong sa inyong suriin ang mga vendor at i-configure nang tama ang sistema.

  1. Pagtanggap ng aplikasyon

    Tinatanggap ng sistema ang aplikasyon, kasama ang CV, cover letter, at mga sample ng trabaho, at ginagawang nakaayos na mga field ng datos ang mga dokumentong walang istruktura (pangalan, karanasan, kasanayan, edukasyon, tagal sa trabaho). Binabasa ng mga NLP model ang malayang teksto; ang OCR naman ang humahawak sa mga na-scan na dokumento.

  2. Pagtutugma sa pamantayan

    Binibigyan ng iskor ang nakaayos na datos ayon sa isang rubric na maaaring i-configure: mga kinakailangang kwalipikasyon, mas gustong karanasan, mga keyword, o isang modelo ng kakayahan. Maaaring ayusin ang timbang ayon sa tungkulin; ang tungkuling humaharap sa customer ay maaaring magbigay ng mas mabigat na timbang sa kakayahan sa komunikasyon kaysa sa tungkulin sa back office.

  3. Conversational na pagsala

    Para sa mga tungkuling nangangailangan ng mas maraming impormasyon, nagsasagawa ang conversational AI ng nakaayos na panayam sa pamamagitan ng teksto, boses, o pareho. Pare-pareho ang mga tanong sa lahat ng kandidato, kaya nawawala ang pagkakaiba-iba ng mga tagapanayam. Sinusuri ang mga sagot batay sa nilalaman (mga keyword, kalidad ng nakaayos na sagot) at, kung nais, batay sa paraan ng pagsasalita (bilis, linaw).

Ang pangunahing prinsipyo ng disenyo sa lahat ng hakbang ay ang sistema ang humahawak sa dami at pagkakapare-pareho; ang tao ang humahawak sa paghuhusga at relasyon. Hindi pinapalitan ng awtomasyon ang recruiter. Inaalis nito ang bahagi ng trabaho na hindi sana naging manwal kailanman.

Ang apat na pangunahing paraan

Pag-filter batay sa mga patakaran

Unang pagsala
Sinasala ng mahihigpit na kinakailangan ang malinaw na hindi kwalipikado. Malinaw at nasusuri, pero mahigpit at oo-o-hindi lamang.
  • Mabilis
  • Nasusuri
  • Mahigpit

Conversational AI

Pinakamaraming signal
Isang istrukturadong AI interview para sa bawat aplikante: asynchronous, pare-pareho, at sinusuri ayon sa kahulugan.
  • Mataas na volume
  • Mobile muna

Pag-parse ng CV gamit ang AI

Paunang pagsala
Mga modelong nakauunawa ng mga kasingkahulugan, antas ng karanasan at terminolohiya, hindi lang mga keyword, at nagraranggo ng mga aplikante batay lamang sa nilalaman ng CV.
  • Scalable
  • Maipapatong sa iba

Mga pagtatasa ng kasanayan

Teknikal
Obhetibo at maihahambing na data para sa mga teknikal na posisyon, pero bumababa ang pagkumpleto habang humahaba ang pagtatasa.
  • Obhetibo
  • Pasado/bagsak

1. Pagsala batay sa mga patakaran

Ang pinakaluma at pinakamalinaw na paraan. Itinatakda ng recruiter ang mga mahigpit na kinakailangan, gaya ng dapat may lisensya sa pagmamaneho, dapat may karapatang magtrabaho sa EU, dapat may lima o higit pang taon ng kaugnay na karanasan, at sinasala ng sistema ang mga aplikanteng hindi nakatutugon dito. Mabilis, nasusuri, at walang panganib ng pagkiling ng algorithm dahil tao ang sumulat ng mga patakaran.

Ang limitasyon ay ang kawalan ng kakayahang umangkop. Binary ang mga sistemang batay sa patakaran: ang aplikanteng may apat na taon at labing-isang buwang karanasan ay itinatapon kasama ng may dalawang taon. Kinakailangan din nilang alam ng recruiter nang eksakto kung ano ang hinahanap, na hindi laging nangyayari sa mabilis na lumalagong mga kumpanyang nagha-hire para sa mga bagong tungkulin.

Pinakamahusay itong gamitin bilang unang layer sa ibabaw ng mas maunlad na pagsala: mabilis na alisin ang malinaw na hindi kwalipikado, pagkatapos ay gumamit ng mas mahuhusay na tool sa natitira.

2. Paunang pagsala gamit ang conversational AI

Nagsasagawa ang isang chatbot o voice AI ng nakaayos na panayam sa bawat aplikante. Pare-pareho ang mga tanong sa lahat ng kandidato, kaya nawawala ang pagkakaiba-iba ng mga phone screen ng tao. Sinusuri ang mga sagot ayon sa kahulugan, hindi lamang sa mga keyword, at binibigyan ng iskor ayon sa isang napatunayang balangkas.

Mas maraming impormasyon bawat kandidato ang nalilikha ng paraang ito kaysa sa pagrepaso ng CV lamang. Asynchronous din ito: kinukumpleto ng mga kandidato ang pagsala sa oras na angkop sa kanila, na lalong mahalaga para sa mga frontline at shift-based na tungkulin. Tingnan ang aming paghahambing ng pinakamahuhusay na recruiting chatbot para sa pangkalahatang-ideya ng merkado.

3. Pagbasa ng CV at résumé gamit ang AI

Kinukuha ng mga AI model ang nakaayos na datos mula sa mga dokumentong CV na walang istruktura: mga titulo ng trabaho, tagal, kasanayan, edukasyon, at iba pa. Binibigyan ng iskor ang nabasang datos ayon sa mga kinakailangan ng tungkulin. Hindi tulad ng pagtutugma ng keyword, nauunawaan ng mga makabagong modelo ang mga kasingkahulugan, antas ng seniority, at terminolohiyang partikular sa industriya.

Ang resulta ay isang nakaranggong listahan ng mga aplikante batay lamang sa nilalaman ng CV, na kapaki-pakinabang bilang layer bago imbitahin ang mga kandidato sa conversational na pagsala. Tingnan ang aming gabay sa pinakamahusay na AI résumé screening software para sa balangkas ng pagsusuri.

4. Mga pagsusulit sa kasanayan at kognitibong kakayahan

Para sa mga tungkulin kung saan ang partikular na teknikal o kognitibong kakayahan ay nagpapahiwatig ng mahusay na pagganap, maaaring isama ang maiikling pagsusulit sa daloy ng aplikasyon. Mga coding test para sa mga developer, numerical reasoning para sa mga analyst, situational judgement test para sa mga manager.

Lumilikha ang mga tool na ito ng lubos na obhetibo at maihahambing na datos, ngunit bumababa ang completion rate habang humahaba ang pagsusulit. Pinakamainam itong ilaan sa mga teknikal na tungkuling maraming aplikante kung saan makatwiran sa operasyon ang pasado o bagsak na tarangkahan.

Bilis, pagkakapare-pareho, at pagiging patas

Mas mabilis na time-to-hire

May direktang epekto ang bilis sa kalidad ng kandidato. Mabilis kumilos ang pinakamahuhusay na kandidato, at ang prosesong umaabot ng dalawang linggo bago ang unang pakikipag-ugnayan ay natatalo ng prosesong nakikipag-ugnayan sa loob ng 24 na oras. Pinaiikli ng awtomatikong pagsala ang pagsala mula sa ilang araw tungo sa ilang oras.

Pare-parehong pagsusuri

Sinusuri ang bawat kandidato ayon sa parehong pamantayan, sa parehong pagkakasunod-sunod, gamit ang parehong lohika ng pag-iiskor. Walang pagkakaiba sa pagitan ng Lunes ng umaga at Biyernes ng hapon, at walang pagkakaiba-ibang dulot ng kung sinong recruiter ang nagkataong nagbukas ng aplikasyon.

Mas kaunting pagkiling (kapag tama ang disenyo)

Kapag nakaangkla ang pamantayan ng pagsala sa mga tagapagpahiwatig ng pagganap sa trabaho sa halip na sa mga palatandaan ng pagiging pamilyar sa kultura, mas magkakaibang shortlist ang nalilikha ng mga awtomatikong sistema kaysa sa manwal na pagrepaso. Nangangailangan ito ng sinadyang disenyo: ang maling sistema, na sinanay sa may-kiling na makasaysayang datos, ay uulitin at palalakihin ang mga pagkiling ng tao sa malawakang antas.

Mas magaang na trabaho ng recruiter

Ang mga recruiter na gumagamit ng awtomatikong pagsala ay karaniwang gumugugol ng 60 hanggang 80% na mas kaunting oras sa unang pagrepaso. Inililipat ang oras na iyon sa mga bahagi ng trabaho na nangangailangan ng kakayahan ng tao: pagbuo ng relasyon sa mga kandidato, pagsusuri ng pagiging angkop sa kultura, at paggawa ng huling desisyon sa pag-hire.

Paalala ng Zyverno

Idinisenyo ang layer ng pagsala ng Zyverno upang gumana kasabay ng inyong kasalukuyang ATS, hindi upang palitan ito. Kinukumpleto ng mga kandidato ang pagsalang pinangungunahan ng AI, at direktang napupunta ang may-iskor na shortlist sa inyong proseso ng pag-hire. Tingnan ang paghahambing ng Zyverno sa iba pang AI recruiting tool.

Paano pumili ng tamang software

Watak-watak ang merkado ng screening software. Ang ilang produkto ay para sa iisang gamit; ang iba ay buong platform. Narito ang balangkas na inirerekomenda namin sa pagsusuri ng mga vendor.

Native kumpara sa idinagdag

Maginhawa ang pagsalang nakapaloob sa inyong ATS ngunit madalas ay limitado. Ang mga idinagdag na produkto mula sa mga espesyalistang vendor ay karaniwang may mas maunlad na mga modelo, mas mahusay na karanasan ng kandidato, at mas nako-configure na pag-iiskor.

Ang kapalit ay ang pagiging kumplikado ng integrasyon. Suriin kung may native integration ang vendor sa inyong ATS, o kung isang setup na webhook at API ang kakailanganing panatilihin ng inyong engineering team. Kung sinusuri ninyo ang mga espesyalistang vendor, magandang panimula ang aming mga paghahambing ng mga alternatibo sa Sapia.ai at mga alternatibo sa Paradox.

Paraan ng pagsala

Itugma ang paraan ng pagsala sa tungkulin. Nakikinabang ang mga frontline na tungkuling maraming aplikante sa conversational AI na makukumpleto ng mga kandidato sa mobile. Ang mga propesyonal at teknikal na tungkulin ay maaaring mas makinabang sa nakaayos na pagbasa ng CV na sinusundan ng pagsusulit sa kasanayan. Hindi lahat ng tungkulin ay nangangailangan ng parehong tool.

Kakayahang maipaliwanag at masuri

Sa ilalim ng GDPR Article 22 at mga katulad na regulasyon, may karapatan ang mga kandidato sa makabuluhang impormasyon tungkol sa mga awtomatikong desisyon. Tiyaking kayang magbigay ng inyong vendor ng breakdown ng iskor bawat kandidato, at nauunawaan ng inyong team kung ano ang sinusukat ng bawat dimensyon. Ang mga iskor na hindi maipaliwanag ay panganib sa pagsunod sa batas at sa tiwala.

Karanasan ng kandidato

Ang prosesong pagsala na parang hindi makatao, mahaba, malamig, at mahirap gamitin, ay sumisira sa inyong employer brand kahit sa mga kandidatong hindi na-hire. Suriin ang interface na nakikita ng kandidato nang kasingingat ng dashboard ng recruiter.

Modelo ng presyo

Karamihan sa mga vendor ay naniningil bawat pagsala, bawat user, o bawat hire. Predictable ang presyo bawat pagsala ngunit maaaring maging mahal kapag malaki ang dami. Iniaayon ng presyo bawat hire ang mga insentibo ngunit maaaring magtulak na mag-shortlist ng mas maraming kandidato kaysa sa nararapat. Unawain ang modelo ng presyo at kalkulahin ang inyong gastos bawat hire bago pumirma.

Pagpapatupad nito sa inyong team

Bihirang problema sa teknolohiya ang pagkabigo ng pagpapatupad. Halos palagi itong problema sa pamamahala ng pagbabago. Narito ang paraang gumagana.

Magsimula sa isang uri ng tungkulin

Huwag ipatupad ang awtomatikong pagsala sa lahat ng bakanteng posisyon nang sabay-sabay. Pumili ng paulit-ulit na tungkuling maraming aplikante, gaya ng frontline, customer service, o warehouse, kung saan pinakamatindi ang problema sa dami at malinaw ang depinisyon ng tungkulin. Patakbuhin ang awtomatikong pagsala kasabay ng inyong kasalukuyang proseso para sa unang grupo upang patunayan ang mga iskor laban sa paghuhusga ng recruiter.

Tukuyin ang inyong pamantayan bago mag-configure

Kasinghusay lamang ng pamantayang ginagamit nito ang awtomatikong pagsala. Bago galawin ang software, makipagkasundo sa mga hiring manager kung ano ang itsura ng mahusay: aling mga kakayahan ang nagpapahiwatig ng mahusay na pagganap, alin ang magandang mayroon, at alin ang tunay na nagdidiskwalipika. Mas mahusay na shortlist ang nalilikha ng pamantayang pinagkasunduan kaysa sa pamantayang ginawa ng recruiter nang mag-isa.

Makipag-usap sa mga kandidato

Sabihin sa mga kandidato na bahagi ng inyong proseso ang awtomatikong pagsala. Ipaliwanag kung ano ang kasama nito, gaano ito katagal, at ano ang susunod. Malakas ang kaugnayan ng pagiging bukas sa yugtong ito sa completion rate at kasiyahan ng kandidato, at lalo na itong nagiging kinakailangan ng batas.

Sanayin ang inyong mga recruiter

Mas epektibong gagamitin ng mga recruiter na nakauunawa kung paano gumagana ang pag-iiskor ang resulta. Malalaman nila kung aling mga dimensyon ang dapat suriing mabuti, kailan dapat i-override ang sistema, at paano ipaliwanag ang mga resulta ng pagsala sa mga hiring manager at kandidato. Hindi isang beses lamang ang pagsasanay. Bumuo ng feedback loop kung saan iniuulat ng mga recruiter ang mga hindi inaasahang iskor para sa kalibrasyon.

Sukatin at pagbutihin

Magtakda ng baseline bago mag-go-live: time-to-screen, conversion mula pagsala tungo sa panayam, offer acceptance rate, at kalidad ng hire (sinusukat 90 araw matapos magsimula). Repasuhin ang mga sukatang ito buwan-buwan sa unang quarter. Kung bumaba ang conversion mula pagsala tungo sa panayam, masyadong mahigpit ang pamantayan. Kung hindi bumuti ang kalidad ng hire, maaaring hindi nagpapahiwatig ng pagganap ang pamantayan.

Mga KPI na nagsasabi kung gumagana ito

Oras bago ang pagsala

< 24 oras
Oras mula sa pagsumite ng aplikasyon hanggang sa resulta ng pagsala. Target: wala pang 24 na oras.

Completion rate ng pagsala

> 65%
Porsyento ng mga inimbitahang kandidato na kumukumpleto ng awtomatikong pagsala. Target: higit sa 65%.

Conversion mula pagsala tungo sa panayam

10-25%
Porsyento ng mga nasalang kandidato na umuusad sa panayam ng tao. Target: nag-iiba ayon sa tungkulin; karaniwang 10 hanggang 25%.

Rate ng pagtanggap ng alok

Porsyento ng mga alok na tinanggap. Isang palatandaan ng kalidad ng karanasan ng kandidato: ang mabilis at magalang na proseso ay nagdudulot ng mas mataas na acceptance rate.

Kalidad ng hire

90 araw
Rating ng pagganap ng mga bagong hire sa ika-90 araw. Ang tanging KPI na direktang nagpapatunay na nahuhulaan ng pamantayan ng pagsala ang pagganap sa trabaho.

Gastos ng pagsala bawat hire

Kabuuang gastos ng pagsala na hinati sa bilang ng mga hire. Dapat itong bumaba habang lumalaki ang dami; kung hindi, maaaring kailangang muling pag-usapan ang modelo ng presyo.

Mga karaniwang pagkakamaling dapat iwasan

Sobrang pagpapakumplikado ng pamantayan

Hindi laging mas mabuti ang mas maraming dimensyon ng pag-iiskor. Ang rubric na may labinlimang dimensyon, na bawat isa ay tinimbang ng isang komite, ay madalas na mas mahina kaysa sa malinis na modelong may tatlong dimensyon na nakaangkla sa tunay na nagpapahiwatig ng pagganap. Magsimula nang simple; magdagdag lamang ng pagiging kumplikado kapag ipinapakita ng datos na makatwiran ito.

Pagbabalewala sa completion rate ng kandidato

Ang pagsalang iniiwan ng mga kandidato sa kalagitnaan ay mas masama pa kaysa sa walang pagsala, dahil nagdagdag kayo ng abala nang walang nakuhang impormasyon. Bantayan ang completion rate ayon sa device, tungkulin, at haba ng pagsala. Kung higit sa 35% ng mga kandidato ang umaalis, masyadong mahaba o masyadong mabigat ang pagsala.

Paggamit sa tool nang hindi nauunawaan

Ang mga recruiter na hindi nakauunawa kung paano nabubuo ang mga iskor ng pagsala ay babalewalain ang mga ito o susundin nang bulag. Parehong pagkabigo ang mga ito. Mamuhunan sa pagsasanay upang ang iskor ay maging panimula ng paghuhusga ng recruiter, hindi kapalit nito.

Hindi pagsusuri para sa pagkiling

Magsagawa ng regular na pagsusuri ng pass rate ayon sa kasarian, pangkat ng edad, at etnisidad (kung legal na pinahihintulutang kolektahin). Kung palaging mas mababa ang pass rate ng isang demograpikong grupo, siyasatin kung ang pamantayan ng pagsala ang sanhi bago ipalagay na sumasalamin ito sa pool ng mga kandidato.

Hindi pagsasara ng feedback loop

Dapat umunlad ang pamantayan ng pagsala habang natututunan ninyo kung aling mga iskor ang may kaugnayan sa pagganap sa trabaho. Ang sistemang na-configure nang isang beses at hindi na muling na-calibrate ay lilihis. Isama sa proseso ang quarterly na pagrepaso: kunin ang datos ng pag-hire, iugnay ang mga iskor ng pagsala sa mga rating ng pagganap sa ika-90 araw, at ayusin ang mga timbang nang naaayon.

Mga FAQ

Mga madalas itanong

Handa na bang gawing madali ang pag-hire?

Tingnan kung paano pinagsasama ng Zyverno ang buong proseso ng inyong recruitment sa iisang kalmado at matalinong platform, sa isang 30 minutong personalized na walkthrough.