Що таке автоматизований попередній відбір кандидатів?
Автоматизований попередній відбір кандидатів означає використання програмного забезпечення для оцінювання претендентів без ручного перегляду кожного резюме чи заявки. Замість того щоб рекрутер читав кожен документ рядок за рядком, система розбирає структуровані дані, оцінює кандидатів за заздалегідь визначеними критеріями та виводить найкращі збіги на початок черги.
У найпростішому варіанті це може бути система відстеження кандидатів (ATS), яка відсіює кандидатів, що не позначили обов’язковий пункт (стаж роботи, потрібний сертифікат). У найдосконалішому це розмовний штучний інтелект, який одночасно проводить співбесіди з тисячами кандидатів, оцінює відповіді за перевіреною моделлю компетенцій і формує ранжований короткий список із поясненими оцінками. І все це за кілька хвилин після того, як кандидат натиснув «Надіслати».
Спільне для всіх цих інструментів одне: перехід від людської пропускної здатності до алгоритмічної. Попередній відбір є найбільш об’ємним завданням у рекрутингу. Водночас саме воно найбільше вразливе до втоми, упередженості та непослідовності. Автоматизація вирішує всі три проблеми.
Коротка історія
Перша хвиля автоматизованого відбору з’явилася на початку 1990-х років разом з інструментами ATS на основі збігу ключових слів. Рекрутери вводили потрібні навички, система шукала в резюме збіги, а все, що не містило точної фрази, відкидалося. Це було швидко, але глибоко хибно: медсестра, яка написала «догляд за ранами» замість «лікування ран», могла залишитися для системи невидимою.
Друга хвиля, що почалася в середині 2010-х років, принесла моделі машинного навчання, навчені на історичних даних про найм. Ці системи могли робити висновки про кваліфікацію поза ключовими словами, наприклад розпізнавати, що диплом певного закладу корелює з результативністю на посаді. Але вони також успадкували упередження, закладені в цих історичних даних. Третя хвиля, на якій сьогодні перебуває більшість корпоративних інструментів, поєднує розбір резюме на основі NLP, структурований розмовний штучний інтелект і пояснювані моделі оцінювання, створені, щоб знаходити найкращого кандидата, а не того, хто виглядає найзнайоміше.
Чому ручний відбір не працює у великих масштабах
Ручний відбір не масштабується. Рекрутер, який має 200 заявок на одну посаду, стикається з неможливою арифметикою: якщо на належну оцінку одного резюме потрібно три хвилини, це десять годин зосередженого читання на одну вакансію. Помножте на п’ять відкритих посад, додайте відволікання, і цифри стають нестерпними.
Середній час, який рекрутер витрачає на резюме перед ухваленням рішення, за даними дослідження TheLadders з відстеження погляду.
Сім секунд на резюме
Реальність ще похмуріша, ніж підказує арифметика. Дослідження TheLadders з відстеження погляду показало, що рекрутери витрачають у середньому 7,4 секунди на перегляд одного резюме, а не десять хвилин, потрібних для справжньої оцінки. Вони шукають назву посади, компанію, дати, освіту та оформлення. Усе інше пропускається.
Це означає, що сильний кандидат із нестандартною структурою резюме (людина, яка змінює кар’єру, підрядник або той, хто провів десятиліття на незахідному ринку) систематично опиняється в гіршому становищі ще до того, як рекрутер прочитає хоча б одне речення про його досвід.
Проблема упередженості
Проблема швидкості
Проблема упередженості
Національне бюро економічних досліджень виявило, що ідентичні резюме зі стереотипно «білими» іменами отримували на 50% більше відгуків, ніж ідентичні резюме зі стереотипно «темношкірими» іменами. Це не незначний ефект. Це повторюване, вимірюване викривлення, вбудоване в ручний перегляд, адже люди, навіть із найкращими намірами, мають когнітивні скорочення, які спрацьовують під тиском часу.
Системи на основі пошуку ключових слів відтворюють ці упередження в алгоритмічній формі: система, навчена шукати «Ліга плюща» чи «Goldman Sachs», закріплюватиме ті самі соціально-економічні фільтри, які застосовують рекрутери вручну. Рішення полягає не в меншому відборі, а у відборі, від початку спроєктованому для оцінювання того, що справді прогнозує результативність.
Проблема швидкості
Дослідження поведінки кандидатів незмінно показують, що найкращі кандидати, які вже працюють і мають вибір, виходять із повільних процесів. Автоматизований відбір скорочує час між заявкою та першим контактом із днів до хвилин.
Коли ручний відбір триває тиждень, а ваш найкращий кандидат приймає пропозицію від швидшого конкурента, ви втрачаєте не лише одного працівника. Ефект накопичується на кожній відкритій посаді.
Як працює автоматизований відбір
Сучасні системи відбору розбивають шлях заявки на окремі кроки, які можна автоматизувати. Розуміння кожного кроку допомагає оцінювати постачальників і правильно налаштовувати систему.
Отримання заявки
Система отримує заявку (резюме, супровідний лист, зразки робіт) і перетворює неструктуровані документи на структуровані поля даних (ім’я, досвід, навички, освіта, стаж). Моделі NLP розбирають вільний текст, а OCR обробляє скановані документи.
Зіставлення з критеріями
Структуровані дані оцінюються за налаштовуваною шкалою: обов’язкова кваліфікація, бажаний досвід, ключові слова або модель компетенцій. Ваги можна коригувати залежно від посади: для посади з роботою з клієнтами показники комунікації можуть важити більше, ніж для бек-офісу.
Розмовний відбір
Для посад, де потрібно більше інформації, розмовний штучний інтелект проводить структуровану співбесіду текстом, голосом або обома способами. Запитання стандартизовані для всіх кандидатів, що усуває різницю між інтерв’юерами. Відповіді аналізуються за змістом (ключові слова, якість структурованої відповіді) і, за бажанням, за подачею (темп, чіткість).
Ключовий принцип на всіх кроках: система відповідає за обсяг і послідовність, а люди за судження та стосунки. Автоматизація не замінює рекрутера. Вона прибирає ту частину роботи, яка взагалі ніколи не мала бути ручною.
Чотири основні методи
Фільтрування за правилами
Перший етап- Швидко
- Придатно для аудиту
- Жорстко
Розмовний ШІ
Найбільше сигналів- Великі обсяги
- Насамперед мобільні
Аналіз резюме за допомогою ШІ
Попередній фільтр- Масштабовано
- Поєднується з іншими
Оцінювання навичок
Технічні- Об’єктивно
- Пройдено/не пройдено
1. Фільтрація за правилами
Найстаріший і найпрозоріший метод. Рекрутер визначає жорсткі вимоги (наявність посвідчення водія, право на роботу в ЄС, щонайменше п’ять років релевантного досвіду), і система відсіює претендентів, які їм не відповідають. Швидко, піддається аудиту й без ризику алгоритмічної упередженості, бо правила пише людина.
Обмеженням є жорсткість. Системи на основі правил бінарні: претендента з чотирма роками й одинадцятьма місяцями досвіду відкидають так само, як і того, хто має два роки. Вони також вимагають, щоб рекрутер точно знав, кого шукає, а це не завжди так у компаніях, що швидко зростають і наймають на нові посади.
Найкраще використовувати як перший рівень поверх досконалішого відбору: швидко відсіяти явно некваліфікованих, а потім застосувати кращі інструменти до решти.
2. Розмовний відбір за допомогою ШІ
Чат-бот або голосовий ШІ проводить структуровану співбесіду з кожним претендентом. Запитання однакові для всіх кандидатів, що усуває мінливість телефонних співбесід, які проводять люди. Відповіді аналізуються семантично, а не лише за ключовими словами, і оцінюються за перевіреною моделлю.
Цей метод дає значно більше інформації про кожного кандидата, ніж лише перегляд резюме. До того ж він асинхронний: кандидати проходять відбір у зручний для них час, що особливо цінно для лінійних і змінних посад. Огляд ринку дивіться в нашому порівнянні найкращих рекрутингових чат-ботів.
3. Розбір резюме за допомогою ШІ
Моделі ШІ витягують структуровані дані з неструктурованих резюме: назви посад, стаж, навички, освіту тощо. Розібрані дані оцінюються відповідно до вимог посади. На відміну від збігу ключових слів, сучасні моделі розбору розуміють синоніми, рівні посад і галузеву термінологію.
Результат це ранжований список претендентів лише на основі змісту резюме. Він корисний як рівень попередньої фільтрації перед запрошенням кандидатів на розмовний відбір. Модель оцінювання дивіться в нашому посібнику про найкраще програмне забезпечення для відбору резюме за допомогою ШІ.
4. Оцінювання навичок і когнітивних здібностей
Для посад, де певні технічні чи когнітивні здібності прогнозують результативність, у процес подання заявки можна вбудувати короткі тести. Тести з програмування для розробників, числове мислення для аналітиків, ситуаційні тести для менеджерів.
Ці інструменти дають дуже об’єктивні й порівнянні дані, але частка завершень падає зі збільшенням тривалості тесту. Найкраще залишати їх для масових технічних посад, де бар’єр «пройшов або не пройшов» виправданий з операційного погляду.
Швидкість, послідовність і справедливість
Швидший найм
Швидкість безпосередньо впливає на якість кандидатів. Найкращі кандидати діють швидко, і процес, якому потрібно два тижні до першого контакту, програє тому, що виходить на зв’язок протягом 24 годин. Автоматизований відбір скорочує етап відбору з днів до годин.
Послідовне оцінювання
Кожного кандидата оцінюють за тими самими критеріями, у тому самому порядку, за тією самою логікою оцінювання. Немає різниці між ранком понеділка та вечором п’ятниці, немає мінливості залежно від того, який рекрутер відкрив заявку.
Менше упередженості (за правильного проєктування)
Коли критерії відбору прив’язані до показників, що прогнозують результативність роботи, а не до ознак культурної знайомості, автоматизовані системи формують різноманітніші короткі списки, ніж ручний перегляд. Це потребує свідомого проєктування: неправильна система, навчена на упереджених історичних даних, відтворюватиме й підсилюватиме людські упередження в масштабі.
Менше навантаження на рекрутерів
Рекрутери, які використовують автоматизований відбір, зазвичай витрачають на 60-80% менше часу на первинний перегляд. Цей час переспрямовується на ті частини роботи, що потребують людських навичок: побудову стосунків із кандидатами, оцінку культурної відповідності та ухвалення остаточного рішення про найм.
Примітка Zyverno
Модуль відбору Zyverno створено для роботи разом з вашою наявною ATS, а не замість неї. Кандидати проходять відбір під керівництвом ШІ, а оцінений короткий список потрапляє прямо у ваш процес добору. Дізнайтеся, як Zyverno порівнюється з іншими інструментами рекрутингу на основі ШІ.
Як обрати правильне програмне забезпечення
Ринок програмного забезпечення для відбору фрагментований. Деякі продукти є вузькими рішеннями, інші повноцінними платформами. Ось модель, яку ми рекомендуємо для оцінювання постачальників.
Вбудоване чи додаткове рішення
Відбір, вбудований у вашу ATS, зручний, але часто обмежений. Додаткові продукти від спеціалізованих постачальників зазвичай пропонують досконаліші моделі, кращий досвід кандидатів і гнучкіше налаштування оцінювання.
Компромісом є складність інтеграції. Перевірте, чи має постачальник вбудовані інтеграції з вашою ATS, чи вам доведеться налаштовувати вебхуки та API, які підтримуватиме ваша команда розробників. Якщо ви оцінюєте спеціалізованих постачальників, корисними відправними точками будуть наші порівняння альтернатив Sapia.ai та альтернатив Paradox.
Метод відбору
Підбирайте метод відбору під посаду. Масовим лінійним посадам підходить розмовний ШІ, який кандидати можуть пройти на мобільному. Професійним і технічним посадам може більше підійти структурований розбір резюме з подальшим оцінюванням навичок. Не кожній посаді потрібен той самий інструмент.
Пояснюваність і можливість аудиту
Відповідно до статті 22 GDPR та подібних норм кандидати мають право на змістовну інформацію про автоматизовані рішення. Переконайтеся, що постачальник може надати розбивку оцінки для кожного кандидата і що ваша команда розуміє, що вимірює кожен вимір. Непрозорі оцінки створюють ризик для відповідності вимогам і для довіри.
Досвід кандидата
Процес відбору, який здається знелюдненим (довгим, безособовим, технічно незручним), шкодить вашому бренду роботодавця навіть серед кандидатів, яких не найняли. Оцінюйте інтерфейс для кандидатів так само ретельно, як і панель для рекрутерів.
Модель ціноутворення
Більшість постачальників встановлюють ціну за відбір, за користувача або за найм. Ціна за відбір передбачувана, але може стати дорогою за великих обсягів. Ціна за найм узгоджує стимули, але може створювати тиск включати до короткого списку більше кандидатів, ніж виправдано. Розберіться в моделі ціноутворення та розрахуйте вартість одного найму до підписання договору.
Впровадження у вашій команді
Невдале впровадження рідко є технологічною проблемою. Майже завжди це проблема управління змінами. Ось підхід, який працює.
Почніть з одного типу посад
Не впроваджуйте автоматизований відбір одразу для всіх вакансій. Оберіть масову, повторювану посаду (лінійний персонал, обслуговування клієнтів, склад), де проблема обсягу найгостріша, а опис посади чіткий. Для першої групи запустіть автоматизований відбір паралельно з наявним процесом, щоб перевірити оцінки на відповідність судженням рекрутерів.
Визначте критерії до налаштування
Автоматизований відбір настільки хороший, наскільки хороші критерії, за якими він оцінює. Перш ніж братися за програмне забезпечення, узгодьте з менеджерами з найму, що означає «добре»: які компетенції прогнозують результативність, які бажані, а які справді є підставою для відмови. Критерії, розроблені спільно, дають кращі короткі списки, ніж критерії, які рекрутер визначив сам.
Інформуйте кандидатів
Повідомте кандидатів, що автоматизований відбір є частиною вашого процесу. Поясніть, що він передбачає, скільки триває і що буде далі. Прозорість на цьому етапі сильно корелює з часткою завершень і задоволеністю кандидатів, і дедалі частіше це вимога закону.
Навчіть рекрутерів
Рекрутери, які розуміють, як працює оцінювання, ефективніше використовуватимуть результати. Вони знатимуть, які виміри ретельно перевіряти, коли змінювати рішення системи та як пояснювати результати відбору менеджерам з найму й кандидатам. Навчання не є разовою подією: побудуйте цикл зворотного зв’язку, у якому рекрутери позначають неочікувані оцінки для калібрування.
Вимірюйте та вдосконалюйте
Перед запуском визначте базові показники: час до результату відбору, конверсію з відбору в співбесіду, частку прийнятих пропозицій, якість найму (вимірюється через 90 днів після виходу на роботу). Переглядайте ці показники щомісяця впродовж першого кварталу. Якщо конверсія з відбору в співбесіду падає, критерії надто жорсткі. Якщо якість найму не покращується, критерії, можливо, не прогнозують результативність.