Por qué el scoring supera la búsqueda por palabras clave

Cada reclutador tiene una cadena booleana de la que se siente orgulloso. Algunas son obras de arte: OR anidados, NOTs, paréntesis de respaldo ajustados durante cinco años.

Y cada reclutador ha tenido la misma experiencia: la cadena devuelve 600 candidatos, los primeros 50 parecen adecuados, y para el candidato 200 ya estás viendo ingenieros de ventas, gerentes de proyectos y alguien que una vez asistió a una conferencia de JavaScript.

La cadena booleana hizo su trabajo. Recuperó todo lo que coincidía con las palabras. El problema es que coincidir con las palabras dejó de ser una definición útil de buen ajuste hace aproximadamente diez años.

Recuperación vs. clasificación

Los motores de búsqueda tienen una separación clara entre recuperación (encontrar documentos que sean plausibles) y clasificación (decidir cuáles son realmente los mejores). Las herramientas de sourcing al estilo LinkedIn en gran medida omiten el segundo paso. Recuperan, luego ofrecen algún ordenamiento débil (relevancia, actualidad), y lo dan por terminado.

La puntuación es el paso de clasificación que ha estado ausente. Bien hecho, toma el conjunto amplio recuperado y produce una lista corta que realmente tiene forma de lista corta.

Qué evalúa una puntuación real de ajuste

Una puntuación útil para candidatos es multidimensional. Las dimensiones exactas dependen del rol, pero para la mayoría de los roles de trabajo del conocimiento se ven más o menos así:

• Coincidencia de habilidades — no si tienen Python en su perfil, sino si han entregado el tipo de trabajo en Python que este rol demanda.
• Profundidad de experiencia — los años son un proxy débil; la pregunta correcta es si han manejado el área que el rol describe.
• Calibración de seniority — si sus últimos 24 meses de trabajo parecen de una persona que tomaría este título, o se sentiría insultada por él.
• Transferencia industrial — la coincidencia directa de industria es lo mejor, pero industrias adyacentes con patrones compartidos a menudo son casi igual de buenas.
• Trayectoria — si la carrera va en la dirección correcta para este rol, o en una dirección que sugiere que educadamente declinarían.
• Señales de apertura a conversación — cambios recientes de rol, publicaciones públicas, permanencia en el empleador y una docena de otras señales que predicen una respuesta.

Cada dimensión es un número. El compuesto es una única puntuación de ajuste. Las dimensiones son visibles, para que puedas ver por qué un candidato fue clasificado donde fue.

Por qué esto es difícil para las herramientas tradicionales

Las herramientas basadas en palabras clave no pueden hacer esto, no porque nadie lo haya pensado, sino porque requiere leer cada candidato, no solo hacer coincidir cadenas. Leer cada candidato es costoso — tanto en cómputo como en dinero. Durante mucho tiempo, las matemáticas no funcionaron.

Ahora funciona. Los modelos modernos de razonamiento pueden leer un perfil, evaluarlo contra los requisitos de un puesto y escribir una breve justificación, en menos de un segundo y por fracciones de centavo. Eso ha reescrito lo que es posible en la parte superior del embudo.

Qué cambia en etapas posteriores

Los reclutadores que cambian de solo recuperación a recuperación más puntuación reportan el mismo patrón.

La primera ola de listas cortas es más pequeña, por diseño — 30 candidatos en lugar de 300. La tasa de aprobación del gerente de contratación se dispara. El número de candidatos que realmente aceptan una llamada se duplica, a veces se triplica. El reclutador dedica su tiempo a las personas que pueden contratar, no a los candidatos que nunca debieron estar en la lista.

La cadena booleana era una forma de arte. La puntuación es lo que la reemplaza.