Идеальный мэтч: как разбор откликов помогает найти лучших кандидатов
Проблема: не хватает откликов
Чем больше подходящих под вакансию кандидатов, тем меньше вопросов к искусственному интеллекту, задача которого — обеспечивать непрерывный поток откликов от наиболее ценных на рынке труда соискателей. Но идеальной HR-вселенной, как известно, не существует, и большинство рекрутеров рано или поздно сталкиваются с проблемой того самого дефицита кадров. Дальше ситуация развивается по стандартному сценарию: нанимающий менеджер заходит на hh.ru и видит в выдаче, что его вакансия «Премиум» находится на 22-й странице. Так искусственный интеллект из главного помощника превращается в злейшего врага в глазах HR-специалиста, а в почте специалистов анализа данных появляются письма с ключевым посылом — машинное обучение не работает. Но не работает ли на самом деле?
Заходя под своей учётной записью или любой другой, рекрутер не может увидеть ту выдачу, которую получит подходящий соискатель, обновив страницу с вакансиями. В базе ежедневно ротируются более 1 000 000 вакансий. Очевидно, что одно предложение о работе, даже если его вывести в топ, не может подойти всем соискателям. Но в этом и нет необходимости — успех поиска в том, чтобы получить достаточное количество откликов от нужных кандидатов, которые затем конвертируются в приглашения. Это выигрышная ситуация для обеих сторон рынка труда. Получается, выдача должна быть максимально персонализированной, чтобы соискатель сразу вышел на нужные ему вакансии, а работодатель пополнил HR-копилку желаемыми резюме.
Решение: персонализированный подход
Сайт hh.ru усиливает персонализацию, чтобы обеспечить рекрутерам больше релевантных откликов. С помощью машинного обучения подбираются математические модели, прогнозирующие, какие вакансии подойдут кандидатам в зависимости от их профессионального профиля, запросов и других факторов. Для работодателя это означает одно — повышается вероятность отклика и последующего приглашения.
Как это работает
О персонализированном подходе на
На первый взгляд, всё устроено просто: соискатели получают рекомендации вакансий с учётом поискового запроса, продвижения (рекламы) и прогнозов математических моделей; работодатели видят релевантные резюме и отклики, ранжированные в зависимости от искомого профиля кандидата, прогнозов искусственного интеллекта, фильтров и т. п. Однако «под капотом» всего этого — обучение моделей и расчёт признаков по поведению обеих групп пользователей, контролируемые эксперименты, регулярные автотестирование и автомониторинг качества выдач.
Как это использовать
Другой вопрос — как эта информация поможет рекрутеру, если количество людей, ищущих работу в определённом регионе по конкретной позиции в конкретный момент времени может быть невелико? Учитывая суровые реалии рынка труда, когда работодатели из разных отраслей и регионов, по сути, борются за одних и тех же людей, понятно, что на некоторые предложения о работе откликов будет не хватать. Дело не в ошибке алгоритмов, а в привлекательности вакансии и конкуренции на рынке.
Лучшая стратегия — встать на место соискателя и проверить себя по чек-листу:
При выдаче вакансий система анализирует содержание вакансий и резюме на предмет соответствия по смыслу, истории запросов (поведению пользователей), географии, а также другие нюансы. Что важно — она способна «понимать» сложные смысловые конструкции и редкие специальные термины. Ещё один интересный момент — технология машинного обучения учитывает не только интересы конкретного соискателя, но и похожих на него кандидатов со схожим набором интересов и других признаков. В результате система быстро учится, опираясь, с одной стороны, на поведение соискателей, которым подходит вакансия, с другой — на работодателей, реагирующих на отклики отказом или приглашением на собеседование. И в этом случае ответственность за результат в большей степени ложится уже на плечи рекрутеров, озадаченных разбором откликов.
Разбор полётов
Сделать вакансию привлекательной с точки зрения визуальной и смысловой составляющей, а также правильно её продвигать — половина успеха, другая половина зависит от скорости и качества работы с поступившими резюме.
Оперативный разбор откликов позволяет системе исправно учиться. Так, в течение 5 минут после действий на странице откликов система начинает лучше понимать, кому показывать вакансию, как ранжировать входящие резюме и каких соискателей рекомендовать. В противном случае в течение первых дней начинает снижаться индекс вежливости работодателя, а начиная с шестого дня, если рекрутер не реагирует на поступающие отклики, вакансия будет спускаться в поиске и в рекомендациях всё ниже.
Что важно: если ATS/TMS/CRM-система клиента забирает отклики с hh.ru, то они считаются разобранными. Но даже в этом случае есть смысл работать с откликами на самом деле. Во-первых, от этого зависит HR-бренд компании — соискатели запоминают как позитивные моменты коммуникации с потенциальным работодателем, так и негативные (а не получить ответа на отклик совсем — для них самый негативный сценарий), активно делятся кейсами друг с другом. Во-вторых, система активно учится определять, кто подходит под конкретную вакансию конкретному нанимающему менеджеру.
Есть ещё несколько рекомендаций, которые помогут разобрать отклики и найти того самого идеального кандидата:
А если на странице откликов пока пусто, всегда можно начать с анализа вакансии и конкурентного поля, использовать специальные инструменты для продвижения или отыскать лучших кандидатов в базе, учитывая рекомендации резюме, — они существуют не только в идеальной HR-вселенной — проверено hh.ru.
↩ К другим статьям