Come funziona davvero il matching basato sull’IA di Spott: dalla chiamata di raccolta requisiti alla rosa di candidati classificata

Spott trasforma gli appunti della raccolta requisiti in criteri di ricerca, analizza ogni scheda candidato e restituisce una rosa classificata con una motivazione in linguaggio semplice per ogni punteggio.

Spott ats Partner Spotlight
Prospettive dei partner

Questo è un contenuto sponsorizzato da Spott ATS. Scopri qui come rimaniamo trasparenti.

In breve

Il matching dei candidati tramite IA è il processo di classificazione delle persone già presenti nel database rispetto a un ruolo, basandosi sul significato anziché sulle parole chiave. Spott costruisce i criteri di ricerca a partire dagli appunti raccolti durante il colloquio iniziale, analizza ogni scheda candidato e restituisce una rosa ristretta classificata, con una motivazione scritta per ogni risultato.

Spott legge più del CV. Note dei colloqui, riepiloghi delle chiamate, trascrizioni delle riunioni, email, profili importati e note manuali alimentano tutti lo stesso indice.

I candidati vengono restituiti classificati in base al punteggio e valutati criterio per criterio rispetto a una scheda di valutazione, da molto forti a deboli.

Ogni risultato viene spiegato in linguaggio semplice, compresi gli aspetti negativi. Se una persona è sovraqualificata, viene indicato.

La ricerca per parole chiave e quella booleana esistono ancora. Il matching è un'alternativa, non una sostituzione.

La decisione spetta ancora al recruiter. Il matching produce una lista ampia che vale la pena esaminare, non una decisione di assunzione.

Perché il "matching tramite IA" ha bisogno di una definizione

Ormai quasi tutte le piattaforme di recruiting sul mercato pubblicizzano il matching tramite IA. Pochissime intendono la stessa cosa e molte intendono semplicemente "abbiamo aggiunto un elenco di sinonimi alla nostra ricerca per parole chiave".

La distinzione importante riguarda ciò che il sistema cerca. I database tradizionali per il recruiting sono relazionali: righe, colonne, tag e una casella di ricerca che cerca la stringa digitata. Se una scheda riporta "allenatore di calcio" e cerchi "football", non ottieni nulla. Se il tuo consulente ha classificato qualcuno come "Responsabile dello sviluppo commerciale" quattro anni fa e cerchi "Account Executive", non ottieni nulla, anche se è ovviamente la stessa persona che stai cercando.

Questa modalità di errore ha una conseguenza ben nota. I recruiter smettono di fidarsi del database e tornano su LinkedIn per ritrovare persone che l'azienda già conosce. Un direttore di agenzia con cui abbiamo parlato lo ha detto senza mezzi termini: il primo punto di riferimento dei ricercatori quando arriva una ricerca è LinkedIn, non il CRM per cui l'azienda paga. Lo ha definito un controsenso, e ha ragione.

Spott adotta un approccio diverso. Le schede dei candidati vengono vettorializzate, cioè indicizzate in base al significato anziché alla stringa esatta. Descrivi ciò di cui hai bisogno usando frasi comuni e il sistema ragiona sull'intera scheda. Questo è il meccanismo alla base di tutto ciò che segue.

Passaggio 1: i criteri vengono costruiti a partire dal colloquio iniziale, non da una casella vuota

Il matching inizia prima che qualcuno digiti una ricerca.

Quando svolgi una chiamata iniziale con un responsabile delle assunzioni, il responsabile della presa di appunti di Spott partecipa alla riunione, la registra e la trascrive, quindi produce un riepilogo strutturato del colloquio iniziale nel modello utilizzato dalla tua azienda. Il riepilogo viene associato automaticamente alla posizione e al contatto del cliente.

Quando apri quindi lo strumento di matching, Spott propone i criteri di ricerca al posto tuo, ricavandoli dalla descrizione del ruolo e da quella conversazione iniziale. Sullo schermo visualizzi una serie di criteri in linguaggio naturale, non una barra di ricerca vuota.

Da quel momento puoi modificarli. Puoi riscrivere qualsiasi criterio, aggiungere quelli che il sistema ha tralasciato, eliminare quelli che si sono rivelati irrilevanti e cambiare la ponderazione, in modo che, per esempio, l'esperienza nel settore conti più dell'anzianità. Questa è la parte che viene saltata nella maggior parte delle demo ed è quella a cui i recruiter esperti tengono di più: la ricerca viene costruita a partire da criteri estratti che puoi vedere e modificare, non da un prompt nascosto.

La scheda di valutazione viene generata a partire dalla posizione e dalla conversazione iniziale, raggruppata per temi e modificabile.

Passaggio 2: descrivi il ruolo come lo descriveresti a un collega

I criteri sono frasi in italiano semplice. Per esempio:

"Ingegnere del software con almeno tre anni di esperienza pratica in Java e Python, attualmente residente in Belgio e operante nel settore dei software B2B."

Oppure quattro o cinque frasi che descrivono un profilo di leadership nel modo articolato in cui un consulente di ricerca di dirigenti fornirebbe effettivamente indicazioni a un ricercatore.

Puoi aggiungere filtri rigidi per gli aspetti che sono realmente binari: posizione, disponibilità, diritto al lavoro, fascia retributiva. La ricerca semantica gestisce la valutazione; i filtri rigidi gestiscono i fatti.

Quello che non devi più fare è costruire stringhe booleane. La ricerca booleana è ancora disponibile in Spott nei casi in cui sia lo strumento giusto e molti recruiter continuano a usarla per ricerche rapide. Ma per "trovami le persone nel nostro database che potrebbero svolgere

questo lavoro", descrivere il ruolo è meglio che assemblare una query.

Passaggio 3: la scansione legge tutto ciò che è associato alla persona

È da qui che deriva la profondità, ed è la parte più difficile da replicare se la tua piattaforma è stata costruita su un database relazionale quindici anni fa.

Quando viene eseguita la scansione, Spott analizza ogni elemento di contesto associato al profilo di un candidato:

  • Il CV o curriculum, analizzato e trasformato in esperienze e formazione strutturate
  • I dati del profilo importati quando il candidato è stato aggiunto per la prima volta
  • Le note dei colloqui e le note manuali scritte da qualsiasi consulente dell'azienda
  • I riepiloghi delle chiamate e le trascrizioni delle riunioni acquisite dallo strumento per prendere appunti
  • La corrispondenza via email associata al profilo
  • I dati di arricchimento aggiunti al profilo

Tutto passa attraverso lo stesso indice. Quindi un dettaglio raccolto da un collega durante una chiamata di selezione due anni fa, che non è mai stato inserito in un campo strutturato perché nessuno aveva tempo, è ancora ricercabile oggi. Questa è la differenza concreta tra un database e la memoria istituzionale.

Passaggio 4: una lista lunga ordinata e valutata criterio per criterio

La scansione restituisce il database ordinato in base ai criteri, con ogni candidato associato a un punteggio complessivo e a una valutazione separata per ogni criterio della scheda di valutazione, da molto forte a debole.

È questa seconda parte a rendere leggibile la lista. Un singolo punteggio combinato non dice quasi nulla, perché due candidati con il 75% possono aver raggiunto quel 75% per motivi completamente diversi. Vedere i criteri come colonne mostra immediatamente chi è forte sotto ogni aspetto e chi nasconde una lacuna significativa dietro una media discreta.

Vale la pena comprendere alcuni aspetti del modo in cui leggere questa lista.

Una corrispondenza debole è comunque una corrispondenza. Non è un risultato fallimentare, ma un candidato che soddisfa una parte del profilo richiesto e non il resto. Per i ruoli difficili da coprire, è spesso nella metà inferiore della lista che iniziano le conversazioni più interessanti.

La lista può essere riordinata. Se guardando in cima alla lista ti rendi conto di aver definito male il profilo, cosa che accade continuamente nelle ricerche reali, puoi modificare un criterio o una ponderazione ed eseguire nuovamente la scansione. Il ciclo è sufficientemente rapido da essere iterativo anziché una ricerca eseguita una sola volta.

Cerca nel tuo database, non in un insieme di profili acquisiti tramite estrazione automatica. Spott non ti vende un insieme di profili acquistati da terzi. Il presupposto è che la rete propria dell'azienda, indicizzata correttamente, sia la risorsa che attualmente viene sprecata.

Risultati ordinati in base a un profilo composto da quattro criteri (dati dimostrativi). Ogni colonna rappresenta un criterio, quindi un punteggio complessivo elevato non può nascondere un punteggio basso in uno di essi.

Passaggio 5: ogni risultato si spiega da sé

Questa è la funzionalità che determina se uno strumento di corrispondenza verrà utilizzato o abbandonato silenziosamente.

Fai clic su un candidato qualsiasi e Spott ti mostra, in un linguaggio semplice, perché il sistema lo ha classificato nella posizione assegnata. Analizza la scheda di valutazione criterio per criterio: forte su questo aspetto, moderato su quello, e qui trovi le prove specifiche presenti nel profilo che supportano ogni valutazione.

Fondamentalmente, ti comunica anche le notizie negative. Se un candidato ha undici anni di esperienza per un ruolo definito su cinque anni, la spiegazione indica che potrebbe essere sovraqualificato. Se soddisfa il requisito tecnico, ma il settore è attiguo anziché esattamente corrispondente, lo segnala.

Non esiste alcuna scatola nera, e questo è importante per due motivi che vanno oltre la fiducia del selezionatore. Primo, dovrai giustificare una rosa ristretta a un cliente, e "l'algoritmo li ha apprezzati" non è una giustificazione. Secondo, una spiegazione che mostra le proprie prove è una spiegazione in cui puoi individuare gli errori.

Ogni risultato si spiega da sé. Questo candidato ottiene l'85% e il pannello segnala comunque che la conoscenza del francese è limitata al livello operativo, anziché al livello professionale.

Passaggio 6: accetta, rifiuta, vai avanti

Dalla vista dei risultati puoi accettare i candidati nel flusso di lavoro per quel lavoro oppure rifiutarli, con il pannello delle motivazioni su un lato e il profilo completo sull'altro. I candidati accettati entrano nelle fasi del flusso di lavoro configurate dalla tua azienda. Da lì passi al contatto, alla selezione e alla presentazione.

L'obiettivo progettuale dell'intero flusso è circoscritto: portare rapidamente il selezionatore a una rosa ristretta difendibile, così che il tempo venga dedicato alla conversazione con il candidato anziché alla sua ricerca.

Cosa non fa la corrispondenza basata sull'IA

È importante essere chiari sui limiti, perché sono state proprio le affermazioni esagerate a far perdere credibilità a questa categoria fin dall'inizio.

Non decide. Ordina e spiega. Il selezionatore legge, valuta e alza il telefono. La spiegazione esiste proprio affinché l'essere umano possa contraddirla.

È valido solo quanto il contesto di cui dispone. Un'azienda che importa un database contenente solo record con nome e indirizzo e-mail otterrà un risultato più scarno rispetto a un'azienda con anni di note sui colloqui associate ai profili. Questo è il limite concreto di qualsiasi livello di intelligenza artificiale applicato ai dati di reclutamento, ed è per questo che lo strumento per prendere appunti è importante quanto il motore di abbinamento. Uno alimenta l'altro.

Non sostituisce la ricerca dei candidati. Se la persona giusta per il ruolo non ha mai parlato con la tua azienda, non è presente nel tuo database e nessuna quantità di ricerca semantica potrà farla comparire. L'abbinamento risponde alla domanda «chi conosciamo già?», che è diversa da «chi esiste?».

Provalo sul tuo database

Le affermazioni precedenti possono essere verificate in un'unica riunione. Prenota una demo di Spott di 30 minuti, porta un ruolo reale e osserva come la lista lunga viene restituita, classificata e motivata sulla base dei tuoi record.

Tycho De Saeytyd
Head of US at Spott. Tycho leads Spott's US business from New York, working with recruiting and staffing firms on how AI is changing the way they source, screen and place candidates. He previously advised companies on strategy and operations at McKinsey.
Follow the author: