Slik fungerer Spotts AI-samsvar faktisk: Fra innledende samtale til rangert kortliste

Spott gjør notater fra den innledende samtalen om til søkekriterier, går gjennom alle kandidatoppføringer og returnerer deretter en rangert kortliste med en forklaring i klart språk på hver poengsum.

Spott ats Partner Spotlight
Partner Perspectives

This is sponsored content from Spott ATS. Learn here how we stay transparent.

TL;DR

KI-kandidatmatching er prosessen med å rangere personene som allerede finnes i databasen din, opp mot en rolle, basert på betydning i stedet for nøkkelord. Spott bygger søkekriteriene fra notatene fra kartleggingssamtalen, skanner alle kandidatoppføringer og returnerer en rangert kortliste med en skriftlig begrunnelse for hvert resultat.

Spott leser mer enn CV-en. Intervjunotater, samtaleoppsummeringer, møtetranskripsjoner, e-poster, importerte profiler og manuelle notater mates alle inn i den samme indeksen.

Kandidatene kommer tilbake rangert etter poengsum og vurdert kriterium for kriterium opp mot et vurderingsskjema, fra svært sterke til svake.

Alle resultater forklares i et lettfattelig språk, inkludert de negative sidene. Hvis noen er overkvalifisert, står det.

Nøkkelordsøk og boolsk søk finnes fortsatt. Matching er et alternativ, ikke en erstatning.

Rekruttereren tar fortsatt avgjørelsen. Matching produserer en langliste som er verdt å lese, ikke en ansettelsesbeslutning.

Hvorfor «KI-matching» trenger en definisjon

Nesten alle rekrutteringsplattformer på markedet annonserer nå med KI-matching. Svært få av dem mener det samme med begrepet, og ganske mange mener egentlig «vi la til en synonymordliste i nøkkelordsøket vårt».

Det viktige skillet er hva systemet søker i. Tradisjonelle rekrutteringsdatabaser er relasjonelle: rader, kolonner, tagger og et søkefelt som leter etter strengen du skrev inn. Hvis en oppføring sier «fotballtrener» og du søker etter «fotball», får du ingenting. Hvis konsulenten din tagget noen som «forretningsutviklingssjef» for fire år siden, og du søker etter «kundeansvarlig», får du ingenting, selv om det åpenbart er den samme personen du ønsker.

Denne feilmåten har en velkjent konsekvens. Rekrutterere slutter å stole på databasen, og går tilbake til LinkedIn for å finne personer på nytt som firmaet allerede kjenner. En byråleder vi snakket med, sa det rett ut: Når et søk kommer inn, er LinkedIn, ikke CRM-systemet firmaet betaler for, det første forskerne bruker. Han beskrev det som bakvendt, og han har rett.

Spott går frem på en annen måte. Kandidatoppføringer vektoriseres, noe som betyr at de indekseres etter betydning i stedet for etter nøyaktig tekststreng. Du beskriver hva du trenger i vanlige setninger, og systemet resonerer rundt hele oppføringen. Det er mekanismen som ligger under alt som følger nedenfor.

Steg 1: Kriteriene bygges fra kartleggingen, ikke fra et tomt felt

Matching starter før noen skriver inn et søk.

Når du gjennomfører en kartleggingssamtale med en ansettende leder, blir Spotts notatskriver med i møtet, tar opp og transkriberer det, og produserer et strukturert sammendrag av kartleggingen i malen firmaet ditt bruker. Sammendraget knyttes automatisk til stillingen og kundekontakten.

Når du deretter åpner matchingverktøyet, foreslår Spott søkekriteriene for deg, basert på stillingsbeskrivelsen og kartleggingssamtalen. Du får et sett med kriterier i naturlig språk på skjermen, ikke en tom søkelinje.

Derfra er det du som bestemmer. Du kan skrive om ethvert kriterium, legge til kriterier systemet har oversett, slette kriterier som viste seg å ikke ha betydning, og endre vektingen slik at for eksempel sektorserfaring teller mer enn ansiennitet. Dette er delen som hoppes over i de fleste demonstrasjoner, og det er delen erfarne rekrutterere bryr seg mest om: Søket bygges fra innhentede kriterier du kan se og endre, ikke fra en skjult instruks.

Vurderingsskjemaet genereres fra stillingen og kartleggingssamtalen, grupperes i temaer og kan redigeres.

Want to learn more about Spott ATS?

Our review covers everything you need to know.

Steg 2: Beskriv rollen slik du ville beskrevet den for en kollega

Kriteriene er setninger på vanlig norsk. For eksempel:

«Programvareingeniør med minst tre års praktisk erfaring med Java og Python, for tiden basert i Belgia, og med arbeid innen B2B-programvare.»

Eller fire–fem setninger som beskriver en lederprofil på den nyanserte måten en konsulent innen ledersøk faktisk ville briefet en researcher.

Du kan legge harde filtre oppå for det som faktisk er binært: sted, tilgjengelighet, arbeidstillatelse, lønnsspenn. Semantisk søk håndterer vurderingen; harde filtre håndterer faktaene.

Det du ikke lenger gjør, er å konstruere boolske søkestrenger. Boolsk søk er fortsatt tilgjengelig i Spott for tilfellene der det er riktig verktøy, og mange rekrutterere fortsetter å bruke det til raske oppslag. Men for «finn personene i vår egen database som kan gjøre

denne jobben» er det bedre å beskrive rollen enn å sette sammen et søk.

Steg 3: Skanningen leser alt som er knyttet til personen

Det er her dybden kommer fra, og det er den delen som er vanskeligst å gjenskape hvis plattformen din ble bygget på en relasjonell database for femten år siden.

Når skanningen kjøres, ser Spott på all konteksten som er knyttet til en kandidatoppføring:

  • CV-en, tolket til strukturert erfaring og utdanning
  • Profilopplysninger som ble importert da kandidaten først ble lagt til
  • Intervjunotater og manuelle notater skrevet av enhver konsulent i virksomheten
  • Samtaleoppsummeringer og møtetranskripsjoner som er samlet inn av notatskriveren
  • E-postkorrespondanse knyttet til oppføringen
  • Berikelsesdata hentet inn på profilen

Alt går gjennom den samme indeksen. Dermed er en detalj en kollega fanget opp i en kartleggingssamtale for to år siden, og som aldri ble lagt inn i et strukturert felt fordi ingen hadde tid, fortsatt søkbar i dag. Det er den praktiske forskjellen mellom en database og en institusjonell hukommelse.

Steg 4: En rangert langliste, vurdert kriterium for kriterium

Skanningen returnerer databasen din rangert etter kriteriene, der hver kandidat har en samlet poengsum og en separat vurdering for hvert kriterium i vurderingsmatrisen, fra svært sterk til svak.

Det er den andre delen som gjør listen lesbar. En enkelt sammenslått poengsum forteller deg nesten ingenting, fordi to kandidater på 75 % kan ha fått 75 % av helt forskjellige grunner. Når du ser kriteriene som kolonner, ser du umiddelbart hvem som er sterk på alle områder, og hvem som skjuler et alvorlig gap bak et greit gjennomsnitt.

Det er verdt å forstå noen ting om hvordan listen skal leses.

Et svakt treff er fortsatt et treff. Det er ikke et mislykket resultat, men en kandidat som oppfyller deler av kravspesifikasjonen og ikke resten. For stillinger som er vanskelige å fylle, er det ofte i den nederste halvdelen av listen de interessante samtalene begynner.

Listen kan rangeres på nytt. Hvis du ser øverst på listen og innser at du har spesifisert kravspesifikasjonen feil, noe som skjer hele tiden i reelle søk, justerer du et kriterium eller en vekting og kjører på nytt. Prosessen er rask nok til å være iterativ i stedet for et engangssøk.

Den søker i databasen din, ikke i en skrapet kandidatpool. Spott selger deg ikke en innkjøpt samling profiler. Utgangspunktet er at virksomhetens eget nettverk, riktig indeksert, er ressursen som i dag går til spille.

Rangerte resultater mot en kravspesifikasjon med fire kriterier (demodata). Hver kolonne er ett kriterium, slik at en sterk samlet poengsum ikke kan skjule et svakt punkt.

Steg 5: Hvert resultat forklarer seg selv

Dette er funksjonen som avgjør om et matchingsverktøy blir brukt eller stille forlatt.

Klikk på en kandidat, så viser Spott deg med et lettfattelig språk hvorfor systemet rangerte kandidaten slik det gjorde. Det går gjennom vurderingsmatrisen kriterium for kriterium: sterk på dette, middels på det, og her er de konkrete opplysningene i oppføringen som underbygger hver vurdering.

Avgjørende nok forteller det deg også de dårlige nyhetene. Hvis en kandidat har elleve års erfaring for en rolle som er avgrenset til fem år, sier forklaringen at kandidaten kan være overkvalifisert. Hvis kandidaten oppfyller det tekniske kravet, men bransjen er nærliggende i stedet for nøyaktig, sier den det.

Det finnes ingen svart boks, og det har betydning av to grunner utover rekruttererens tillit. For det første må du kunne begrunne en kortliste overfor en kunde, og «algoritmen likte kandidaten» er ingen begrunnelse. For det andre er en forklaring som viser dokumentasjonen sin, en forklaring du kan oppdage at er feil.

Hvert resultat forklarer seg selv. Denne kandidaten får 85 %, men panelet påpeker likevel at franskkunnskapene er begrenset til arbeidsspråk, ikke forretningsnivå.

Steg 6: Godta, avslå, gå videre

Fra resultatvisningen godtar du kandidater til prosessen for den aktuelle jobben eller avslår dem, med begrunnelsespanelet på den ene siden og hele profilen på den andre. Godkjente kandidater går inn i arbeidsflytstadiene virksomheten har konfigurert. Derfra går du videre til kontakt, kartlegging og presentasjon.

Hensikten med utformingen av hele prosessen er avgrenset: å få rekruttereren raskt frem til en etterprøvbar kortliste, slik at tiden brukes på samtalen med kandidaten i stedet for på å lete etter kandidaten.

Hva AI-matching ikke gjør

Det er verdt å være ærlig om begrensningene, for overdrevne påstander er grunnen til at denne kategorien mistet troverdighet i utgangspunktet.

Det tar ikke avgjørelsen. Det rangerer og forklarer. En rekrutterer leser, vurderer og tar opp telefonen. Forklaringen finnes nettopp slik at mennesket kan overstyre den.

Det blir bare så godt som konteksten det har. Et selskap som migrerer en database med bare navn- og e-postoppføringer, vil få et tynnere resultat enn et selskap med flere års intervjunotater knyttet til profilene. Dette er den ærlige haken ved ethvert AI-lag oppå rekrutteringsdata, og det er grunnen til at notatverktøyet er like viktig som matchingsmotoren. Det ene gir næring til det andre.

Det erstatter ikke kandidatsøk. Hvis den rette personen for rollen aldri har snakket med selskapet ditt, finnes vedkommende ikke i databasen din, og ingen mengde semantisk søk kan trylle dem frem. Matching svarer på «hvem kjenner vi allerede?», noe som er et annet spørsmål enn «hvem finnes?».

Se det i din egen database

Påstandene ovenfor kan testes i ett møte. Bestill en 30-minutters Spott-demo, ta med en aktuell rolle, og se den lange kandidatlisten komme tilbake rangert og forklart basert på dine egne oppføringer.

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:

You may also like