Warum Scoring Stichwortsuche schlägt

Jeder Recruiter hat eine Boolean-Suche, auf die er stolz ist. Manche sind wahre Kunstwerke – verschachtelte ODERs, NICHTs, parenthetische Fallbacks, die über fünf Jahre verfeinert wurden.

Und jeder Recruiter hat dieselbe Erfahrung gemacht: Die Suche liefert 600 Kandidaten, die ersten 50 sehen gut aus, und bei Kandidat 200 schaut man sich Vertriebsingenieure, Projektmanager und jemanden an, der einmal an einer JavaScript-Konferenz teilgenommen hat.

Die Boolean-Suche hat ihren Job gemacht. Sie hat alles abgerufen, was den Begriffen entsprach. Das Problem ist, dass die Übereinstimmung mit den Begriffen vor etwa zehn Jahren aufgehört hat, eine nützliche Definition für eine gute Passung zu sein.

Abruf vs. Ranking

Suchmaschinen trennen klar zwischen Abruf (Dokumente finden, die plausibel sind) und Ranking (entscheiden, welche tatsächlich am besten sind). LinkedIn-ähnliche Sourcing-Tools überspringen größtenteils den zweiten Schritt. Sie rufen ab, bieten dann eine schwache Sortierung (Relevanz, Aktualität) an und betrachten die Sache als erledigt.

Scoring ist der fehlende Ranking-Schritt. Richtig gemacht nimmt es die breite Menge der abgerufenen Kandidaten und erzeugt eine Shortlist, die tatsächlich wie eine Shortlist aussieht.

Was ein echter Fit-Score betrachtet

Ein nützlicher Kandidaten-Score ist multidimensional. Die genauen Dimensionen hängen von der Rolle ab, aber für die meisten wissensbasierten Rollen sehen sie ungefähr so aus:

• Skill-Match — nicht nur, ob Python im Profil steht, sondern ob sie die Art von Python-Arbeit geliefert haben, die diese Rolle verlangt.
• Erfahrungstiefe — Jahre sind ein schwacher Proxy; die richtige Frage ist, ob sie die Verantwortungsbereiche übernommen haben, die die Rolle beschreibt.
• Senioritätskalibrierung — sieht die Arbeit der letzten 24 Monate so aus, als würde die Person diesen Titel annehmen oder sich dadurch beleidigt fühlen.
• Branchenübertragbarkeit — direkter Branchenbezug ist am besten, aber angrenzende Branchen mit ähnlichen Mustern sind oft fast genauso gut.
• Karriereverlauf — bewegt sich die Karriere in die richtige Richtung für diese Rolle oder in eine Richtung, die darauf hindeutet, dass sie höflich ablehnen würden.
• Offenheit für Gespräche — kürzliche Rollenwechsel, öffentliche Beiträge, Beschäftigungsdauer beim Arbeitgeber und ein Dutzend weiterer Signale, die eine Antwort vorhersagen.

Jede Dimension ist eine Zahl. Das Gesamtergebnis ist ein einzelner Fit-Score. Die Dimensionen sind sichtbar, sodass Sie sehen können, warum ein Kandidat an der jeweiligen Stelle gerankt wurde.

Warum das für traditionelle Tools schwierig ist

Keyword-Tools können das nicht, nicht weil niemand daran gedacht hätte, sondern weil es erfordert, jeden Kandidaten zu lesen, nicht nur Strings abzugleichen. Jeden Kandidaten zu lesen ist teuer – sowohl in Rechenleistung als auch in Kosten. Lange Zeit hat die Mathematik nicht funktioniert.

Jetzt funktioniert es. Moderne Reasoning-Modelle können ein Profil lesen, es mit den Anforderungen einer Rolle vergleichen und in unter einer Sekunde eine kurze Begründung schreiben – und das für Bruchteile eines Cents. Das hat die Möglichkeiten am oberen Ende des Funnels neu definiert.

Was sich im weiteren Verlauf ändert

Recruiter, die von reinem Abruf zu Abruf plus Scoring wechseln, berichten vom gleichen Muster.

Die erste Welle an Shortlists ist kleiner, bewusst – 30 Kandidaten statt 300. Die Durchlaufquote beim Hiring Manager steigt. Die Anzahl der Kandidaten, die tatsächlich ein Gespräch führen, verdoppelt sich, manchmal verdreifacht sie sich. Der Recruiter verbringt seine Zeit mit den Personen, die einstellen können, nicht mit Kandidaten, die nie auf der Liste hätten stehen dürfen.

Die Boolean-Suche war eine Kunstform. Scoring ist das, was sie ersetzt.