Парсинг резюме: почему теряете лучших кандидатов

Ключевой этап подбора персонала — это первичный поиск и отбор. Тут нельзя ошибаться, иначе можно упустить хорошего кандидата или потратить время на неподходящего, увеличив нагрузку на команду. Я расскажу о главной проблеме автоматизированного поиска — кажущейся объективности — и объясню, как объединить технологии и опыт людей. Эта информация будет полезна как рекрутерам, которые занимаются массовым подбором и поиском конкретных специалистов, так и HR-менеджерам, выбирающим IT-решения для рекрутинга.

     За почти два десятилетия в рекрутинге я видела, как меняются инструменты, но неизменной остается одна боль: мы снова и снова упускаем сильных кандидатов из-за собственных слепых зон. Сегодня "союзником" в создании этих слепых зон стал бездумный парсинг.

     Многие до сих пор верят, что парсинг — это волшебная кнопка «найти идеального кандидата». Увы, это не так. Парсинг — как хороший поисковик: что задашь, то и получишь. Если запрос неточный, жди много ненужной информации и пропустишь самое важное. Главное – не отказываться от технологий, а научиться ими управлять.
     Самая большая ошибка — думать, что система оценивает всех одинаково. Это неправда. Алгоритм очень пристрастен, ведь он просто делает то, что Вы ему сказали, даже если Вы неправы.
      Рассмотрим на реальном кейсе.  Я искала руководителя продукта для fintech-стартапа. В фильтры зашила стандартный набор: «Product Manager», «A/B testing», «Roadmap», «PRD», «Jira». Система исправно отсеяла сотни резюме. Но когда я вручную пролистала отсев, то нашла резюме женщины, которая пять лет руководила продуктом в крупном банке. Вместо «A/B testing» она писала «сравнительный анализ воронок», вместо «Roadmap» — «план развития продукта». Ее реальный опыт по запуску платежных систем был идеален для нас, но алгоритм, не видя нужных англицизмов, выбросил ее в корзину. Это не гипотетическая история. 

       Согласно исследованию, проведённому Гарвардской бизнес-школой совместно с Accenture, автоматизированные системы отбора кандидатов часто отбраковывают множество квалифицированных специалистов. Это происходит из-за того, что их резюме не соответствуют строгим и порой узким требованиям, установленным работодателями. Авторы исследования называют этих людей "скрытыми работниками" – огромным резервом невостребованных талантов.

        Проблема не в технологии, а в нашем подходе. Мы программируем алгоритмы искать «квалификацию на бумаге», а не «потенциал к работе».
       Мы часто упускаем из виду важную вещь: парсинг нужен не для того, чтобы найти кандидатов, идеально подходящих под ключевые слова, а для того, чтобы найти тех, кто действительно справится с работой.
Например, при поиске Python-разработчика рекрутер забивает в фильтры: «Python», «Flask», «PostgreSQL», «5+ years experience». Алгоритм честно найдет всех, у кого есть эти пункты. Но он гарантированно пропустит: 

• Талантливого разработчика с 4 годами опыта, который уже готов к сложным задачам. 
• Гения с опытом в FastAPI вместо Django, который выучит нужный фреймворк за две недели.
• Специалиста по работе с большими данными (Data Engineer), который пишет на Python и с легкостью перейдет в разработку сервисов.

Мы часто делаем ошибку, сужая круг поиска, когда стоит его расширить. Вместо того чтобы искать уникальных людей, мы гоняемся за клонами. Чтобы этого избежать, я использую простой, но рабочий метод

1. Профессиональные навыки
Это обязательные требования, без которых работа невозможна. Для пилота — лицензия. Для бухгалтера — знание МСФО. Пилоту нужна лицензия, бухгалтеру — знание МСФО, а разработчику — нужный язык программирования. Здесь можно точно искать по ключевым словам. Но таких требований в вакансии должно быть немного, штуки три, не больше.
2.  Как описать навыки и что важно
Это самая интересная часть. Вместо того чтобы зацикливаться на одном слове, мы собираем все возможные варианты и похожие проявления нужного навыка
Вместо: «стрессоустойчивость» (это слово редко пишут в резюме).
Ищем: «работа в сжатые сроки», «запуск проекта с нуля», «урегулирование конфликтных ситуаций», «работа в условиях неопределенности», «опыт проведения сложных переговоров».
Для технических специальностей это синонимы технологий (Kubernetes -> k8s) и смежные навыки (ищем «CI/CD» для DevOps — добавляем «Jenkins», «GitLab CI»).
3. Ручной аудит «слепых зон»
Это правило 10 минут. Прежде чем начать обзванивать отобранных системой кандидатов, потратьте 10 минут на просмотр резюме, отсеянных алгоритмом. Просмотрите 30-50 штук. Вы с удивлением обнаружите хотя бы 1-2 сильных кандидатов, которых отсеяла система. Это поможет постоянно корректировать и улучшать Ваши поисковые запросы.

Как можно улучшить процесс поиска кандидатов:

1. Проверьте пропущенные резюме. Возьмите одну из недавних вакансий и просмотрите 50 резюме, которые были отклонены системой. Так вы узнаете, сколько хороших кандидатов было отсеяно.
2. Составьте список синонимов. Пусть рекрутеры создадут таблицу с разными вариантами названий для важных навыков и должностей. Например, для управления командой можно указать: team lead, руководитель отдела и другие похожие слова. Этот список нужно постоянно обновлять.
3. Проверяйте поисковые запросы. Перед тем как отправлять много писем, сделайте небольшую рассылку, оцените результаты и внесите изменения, если нужно. Только после этого запускайте массовую рассылку.

Парсинг не заменит рекрутера, а сделает его работу лучше. Технология берет на себя скучные задачи, давая больше времени на анализ, стратегию и общение с людьми. Главное в парсинге – не программа, а ум рекрутера, который знает, кого и зачем он ищет.