Проклятие как соискателей, так и рекрутеров, хорошая ATS в наши дни по-прежнему является плохим помощником для людей, для которых она создана.
Что такое система отслеживания кандидатов?
ATS, или автоматизированные системы отслеживания, представляют собой компьютерные программы или системы, которые используются для автоматизации и оптимизации процессов найма и управления персоналом. ATS обычно используют алгоритмы и правила для обработки и анализа данных, а также для принятия решений или действий на основе результатов этого анализа.
При найме ATS может использоваться для автоматической сортировки и фильтрации заявлений о приеме на работу, выявления наиболее квалифицированных кандидатов на данную должность и планирования собеседований с этими кандидатами. Это может сэкономить отделу кадров значительное количество времени и усилий, которые в противном случае были бы потрачены на просмотр и оценку заявлений о приеме на работу вручную. Вы, должно быть, читали о среднем времени, которое рекрутеры просматривают резюме, обычно 7 секунд. Эти 7 секунд обычно используются ATS для более эффективного поиска наиболее подходящих кандидатов на работу.
Почему они так популярны сейчас?
Существует несколько потенциальных преимуществ использования ATS в процессе найма. Некоторые из этих преимуществ включают в себя:
- Повышенная эффективность: ATS может помочь упростить процесс найма, автоматизировав многие задачи, которые в противном случае выполнялись бы вручную, например, проверку резюме и ранжирование. Это может сэкономить время и снизить нагрузку на сотрудников отдела кадров и менеджеров по найму.
- Большая точность: ATS может помочь обеспечить постоянную и точную оценку резюме и заявлений о приеме на работу на основе критериев, установленных работодателем. Это может помочь устранить предвзятость (но придержите эту мысль на мгновение) и гарантировать, что наиболее квалифицированные кандидаты будут определены и рассмотрены для работы.
- Лучшая организация: ATS может помочь хранить всю необходимую информацию о кандидатах на работу в одном месте, упрощая для работодателей отслеживание и управление процессом найма.
- Расширенный опыт кандидата: ATS может предоставить более персонализированный и эффективный опыт для кандидатов на работу, что может помочь улучшить репутацию работодателя и сделать его более привлекательным для лучших кандидатов.
- Экономия затрат: за счет автоматизации многих задач, связанных с набором персонала, ATS может помочь снизить затраты на рабочую силу и повысить общую эффективность процесса найма.
Это век данных, вербовка и человеческие ресурсы — лишь часть уравнения. Стопки бумажных резюме давно ушли в прошлое, и люди приходят просить о работе в офисе. Такие веб-сайты, как Indeed, Glassdoor, LinkedIn, могут упростить для соискателей поиск работы и подать заявку на нее без необходимости никуда идти. Они также являются каналами, по которым цифровые копии резюме собираются и передаются в ATS. Что приводит к нашему следующему пункту.
Как АТС обрабатывает заявки?
То, как ATS обрабатывает заявки, может различаться в зависимости от конкретной системы и от того, как она настроена работодателем. Однако в целом ATS позволяет работодателям вводить определенные критерии, такие как ключевые слова и уровень опыта, а затем автоматически просматривает резюме и заявления о приеме на работу, чтобы идентифицировать и ранжировать потенциальных кандидатов, соответствующих этим критериям. Затем работодатель может просмотреть ранжированные результаты и решить, с какими кандидатами двигаться дальше в процессе найма.
Некоторые известные системы отслеживания кандидатов (ATS) включают Taleo, Lever, Workday и Greenhouse. Это специализированные программы, которые помогают компаниям организовывать и управлять заявлениями о приеме на работу и резюме. Они часто включают в себя такие функции, как анализ резюме, отслеживание кандидатов и возможности публикации вакансий.
Если вы думаете о том, насколько эти программы эффективны, так это то, что они созданы для обработки данных. Вся история работы, навыки, образование, сертификаты и т. д. должны быть извлечены или проанализированы из файлов резюме, обычно из файлов .PDF. Любая ATS, по крайней мере, будет иметь возможность анализировать файл CV.
Анализ резюме, также известный как анализ резюме, представляет собой технологию, которая помогает извлекать информацию из резюме или резюме и преобразовывать ее в структурированный формат, который можно легко хранить и анализировать. Это позволяет компаниям быстро и эффективно обрабатывать большое количество заявлений о приеме на работу и резюме, а также извлекать соответствующую информацию, такую как образование, опыт работы и навыки кандидата.
После того, как вы разбили данные и классифицировали их, их можно легко найти или даже ранжировать по любым критериям.
Тогда чем плохи АТС?
Анализ резюме или резюме может быть затруднен по нескольким причинам. Одна из причин заключается в том, что резюме можно структурировать по-разному, в зависимости от опыта работы, образования и других факторов человека. Это затрудняет для компьютерной программы точную интерпретацию и извлечение соответствующей информации из резюме.
Другая причина заключается в том, что резюме может содержать много неструктурированных данных, таких как текстовые описания опыта работы и навыков в свободной форме. Эти неструктурированные данные могут быть трудны для точной интерпретации и обработки компьютерной программой. В идеальном мире мы все использовали бы один формат резюме.
Кроме того, резюме часто содержат много личной информации, не имеющей отношения к заявленной вакансии. Это может затруднить компьютерной программе точную идентификацию и извлечение соответствующей информации из резюме.
Можем ли мы это решить?
Да, алгоритмы машинного обучения можно научить анализировать резюме или резюме. Для этого алгоритм должен быть обучен на большом наборе данных резюме, которые были вручную помечены соответствующей информацией, такой как опыт работы, образование и навыки. Это позволяет алгоритму изучать шаблоны и структуры, которые обычно встречаются в резюме, и точно извлекать соответствующую информацию.
После того, как алгоритм был обучен на этом наборе данных, его можно применять к новым, невидимым резюме для автоматического извлечения соответствующей информации. Конечно, точность алгоритма будет зависеть от качества обучающего набора данных, а также от сложности анализируемых резюме.
Недавно я руководил проектом по созданию собственных алгоритмов машинного обучения для моей последней компании, чтобы более точно анализировать и обрабатывать резюме. Требуются тысячи красиво помеченных файлов резюме и месяцы работы многих людей, чтобы достичь удовлетворительного уровня точности и эффективности, чтобы конкурировать с человеком. Но это история (успеха) для другого дня.
Можно с уверенностью сказать, что не многие ATS могут каждый раз идеально анализировать CV. Эффективно, да. Но всегда есть резюме, которое может их скинуть. Иногда PDF не является текстовым файлом. Вместо этого некоторые люди могут создать целое резюме в Photoshop, сохранить его в формате PDF и отправить, надеясь, что его прочитает реальный человек, а не машина. Парсинг в этом случае вернет пустой результат, так как нет текста для извлечения, но могут быть некоторые метаданные, на которые не стоит смотреть. В этом случае требуется OCR, но даже в этом случае эффективный механизм обработки естественного языка, который может понимать тексты в контексте резюме, по-прежнему важнее.
Чем еще плох АТС?
ATS может быть предвзятым по-разному. Например, ATS использует алгоритмы для проверки резюме и сопоставления их с требованиями к работе. Эти алгоритмы обучаются на данных, и если данные, используемые для обучения алгоритма, не являются разнообразными или репрезентативными для населения, алгоритм может быть необъективным. Это означает, что с большей вероятностью будут отклоняться резюме от недостаточно представленных групп или отдавать предпочтение резюме от определенных групп по сравнению с другими.
Существует опасение, что системы отслеживания заявителей (ATS) могут иметь предвзятое отношение к определенным расовым или этническим группам. Это означает, что с большей вероятностью будут отклоняться резюме от недостаточно представленных групп или отдавать предпочтение резюме от определенных групп по сравнению с другими.
Однако важно отметить, что степень предвзятости ATS не совсем понятна. Были проведены некоторые исследования, которые предполагают, что САР может быть предвзятым, но результаты были неоднозначными, и необходимы дополнительные исследования. В конечном счете, каждое отдельное предприятие должно тщательно рассмотреть возможность предвзятости в своей ATS и принять меры для ее предотвращения.
Другой способ, которым ATS может быть предвзятым, — это если ключевые слова, используемые для сопоставления резюме с требованиями к работе, выбраны неаккуратно. Например, если объявление о вакансии содержит много выражений мужского рода (таких как «доминирование» или «напористый»), ATS с большей вероятностью подберет кандидатов-мужчин на вакансию, даже если кандидат-женщина имеет равную квалификацию.
И как мы можем избежать предвзятости в ATS?
Есть несколько шагов, которые предприятия могут предпринять, чтобы предотвратить предвзятость в своих системах отслеживания кандидатов (ATS). К ним относятся:
- Используйте разнообразные обучающие данные. Важно использовать разнообразный и репрезентативный набор данных для обучения алгоритма. Это означает маркировку данных по еще более разнообразным критериям.
- Тщательно выбирайте ключевые слова. ATS часто использует сопоставление ключевых слов для просмотра резюме и сопоставляет их с требованиями работы. Важно тщательно выбирать ключевые слова, чтобы избежать предвзятости. Например, избегайте использования выражений с гендерной принадлежностью (таких как «напористый» или «доминирующий»), которые могут предвзято относиться к определенному полу. Понимание контекстов все еще является развивающимся аспектом ATS.
- Регулярно проверяйте и тестируйте систему. Даже при наличии разнообразных обучающих данных и тщательно подобранных ключевых слов в ATS по-прежнему существует риск систематической ошибки. Чтобы предотвратить это, важно регулярно проверять и тестировать систему, чтобы убедиться, что она не предвзята. Это может включать проведение слепых обзоров резюме и сравнение результатов с результатами, полученными ATS.
Инструменты, которые мы создаем, — это просто инструменты, а не какие-то чудеса, которые могут сделать работу за нас. В случае найма человеческий фактор является наиболее важным для успеха найма, а не то, насколько умен алгоритм машинного обучения или насколько причудлива построена ATS.
Меня зовут Генри, я продакт-менеджер, увлекающийся рекрутингом и машинным обучением. Я занимаюсь разработкой продуктов уже 6 лет, а разработкой досок объявлений — 3 года. Недавно я присоединился к LexisNexis UK, чтобы работать над продуктами машинного обучения, в частности, в области НЛП.