Så här fungerar Spotts AI-matchning faktiskt: från inledningssamtal till rangordnad kortlista

Spott omvandlar anteckningar från inledningssamtalet till sökkriterier, söker igenom varje kandidatpost och returnerar sedan en rangordnad kortlista med en lättbegriplig förklaring till varje poäng.

Spott ats Partner Spotlight
Partner Perspectives

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

TL;DR

AI-matchning av kandidater är processen att rangordna personerna som redan finns i din databas mot en roll, baserat på innebörd snarare än nyckelord. Spott bygger sökkriterierna från dina intagningsanteckningar, skannar varje kandidatpost och returnerar en rangordnad kortlista med en skriftlig motivering för varje resultat.

Spott läser mer än CV:t. Intervjuanteckningar, samtalssammanfattningar, mötesutskrifter, e-postmeddelanden, importerade profiler och manuella anteckningar matas alla in i samma index.

Kandidaterna rangordnas efter poäng och bedöms kriterium för kriterium mot ett bedömningsunderlag, från mycket starka till svaga.

Varje resultat förklaras på ett enkelt språk, inklusive nackdelarna. Om någon är överkvalificerad anges det.

Nyckelords- och boolesk sökning finns fortfarande kvar. Matchning är alternativet, inte ersättningen.

Det är fortfarande rekryteraren som fattar beslutet. Matchningen skapar en långlista som är värd att läsa, inte ett anställningsbeslut.

Varför ”AI-matchning” behöver en definition

Nu marknadsför nästan alla rekryteringsplattformar på marknaden AI-matchning. Väldigt få av dem menar samma sak med det, och ganska många menar ”vi lade till en synonymlista i vår nyckelordssökning”.

Den viktiga skillnaden är vad systemet söker igenom. Traditionella rekryteringsdatabaser är relationella: rader, kolumner, taggar och ett sökfält som letar efter den sträng du skrev in. Om en post säger ”fotbollstränare” och du söker efter ”soccer coach” får du inget resultat. Om din konsult taggade någon som ”Business Development Manager” för fyra år sedan och du söker efter ”Account Executive” får du inget resultat, trots att det uppenbart är samma person som du vill hitta.

Detta sätt att misslyckas får en välkänd konsekvens. Rekryterare slutar lita på databasen och går tillbaka till LinkedIn för att hitta personer på nytt som företaget redan känner till. En byråchef vi talade med uttryckte det rakt på sak: när en sökning kommer in är LinkedIn, inte det CRM-system som företaget betalar för, det första verktyget för research. Han beskrev det som bakvänt, och han har rätt.

Spott angriper detta på ett annat sätt. Kandidatposter vektoriseras, vilket innebär att de indexeras efter innebörd snarare än efter exakt sträng. Du beskriver vad du behöver med vanliga meningar och systemet resonerar kring hela posten. Det är mekanismen bakom allt som följer nedan.

Steg 1: Kriterierna byggs utifrån intagningsunderlaget, inte från en tom ruta

Matchningen börjar innan någon skriver in en sökning.

När du genomför ett intagningssamtal med en rekryterande chef ansluter Spotts anteckningsverktyg till mötet, spelar in och transkriberar det och skapar en strukturerad sammanfattning av intagningsunderlaget i den mall som ditt företag använder. Sammanfattningen kopplas automatiskt till tjänsten och kundkontakten.

När du sedan öppnar matchningsverktyget föreslår Spott sökkriterierna åt dig, baserat på arbetsbeskrivningen och intagningssamtalet. Du får en uppsättning kriterier på naturligt språk på skärmen, inte ett tomt sökfält.

Därifrån är det du som bestämmer. Du kan skriva om vilket kriterium som helst, lägga till sådant systemet missade, ta bort sådant som visade sig vara oviktigt och ändra viktningen så att exempelvis branscherfarenhet väger tyngre än senioritet. Detta är den del som hoppas över i de flesta demonstrationer, och det är den del som erfarna rekryterare bryr sig mest om: sökningen byggs utifrån härledda kriterier som du kan se och ändra, inte utifrån en dold instruktion.

Bedömningsunderlaget genereras från tjänsten och intagningssamtalet, grupperas efter teman och kan redigeras.

Steg 2: Beskriv rollen på det sätt du skulle beskriva den för en kollega

Kriterierna är meningar på vanlig svenska. Något i stil med:

”Programvaruingenjör med minst tre års praktisk erfarenhet av Java och Python, för närvarande baserad i Belgien och verksam inom B2B-programvara.”

Eller fyra eller fem meningar som beskriver en ledarprofil på det nyanserade sätt som en konsult inom chefsrekrytering faktiskt skulle instruera en researchmedarbetare.

Du kan lägga till hårda filter för sådant som verkligen är binärt: plats, tillgänglighet, rätt att arbeta och löneintervall. Semantisk sökning hanterar bedömningen; hårda filter hanterar fakta.

Det du inte längre behöver göra är att konstruera booleska strängar. Boolesk sökning finns fortfarande tillgänglig i Spott för de fall där det är rätt verktyg, och många rekryterare fortsätter att använda den för snabba sökningar. Men när det gäller att ”hitta personerna i vår egen databas som skulle kunna utföra

det här jobbet” är det bättre att beskriva rollen än att sätta ihop en sökfråga.

Steg 3: Skanningen läser allt som är kopplat till personen

Det är här djupet kommer in, och det är den del som är svårast att återskapa om din plattform byggdes på en relationell databas för femton år sedan.

När genomsökningen körs granskar Spott varje del av den kontext som är kopplad till en kandidatpost:

  • CV:t eller meritförteckningen, omvandlad till strukturerad erfarenhet och utbildning
  • Profiluppgifter som importerades när kandidaten först lades till
  • Intervjuanteckningar och manuella anteckningar skrivna av valfri konsult på företaget
  • Samtalssammanfattningar och mötesutskrifter som fångats upp av anteckningsverktyget
  • E-postkorrespondens som finns sparad på posten
  • Berikningsdata som hämtats till profilen

Allt går genom samma index. Därför går en uppgift som en kollega fångade upp i ett screening­samtal för två år sedan, men som aldrig hamnade i ett strukturerat fält eftersom ingen hade tid, fortfarande att söka fram idag. Det är den praktiska skillnaden mellan en databas och ett institutionellt minne.

Steg 4: En rangordnad långlista, bedömd kriterium för kriterium

Genomsökningen returnerar din databas rangordnad utifrån kriterierna, där varje kandidat får en totalpoäng och ett separat betyg för varje kriterium i bedömningsmatrisen, från mycket stark till svag.

Det är den andra delen som gör listan begriplig. En enda sammanvägd poäng säger nästan ingenting, eftersom två kandidater på 75 % kan ha nått 75 % av helt olika anledningar. När du ser kriterierna som kolumner framgår det omedelbart vilken kandidat som är stark överallt och vilken som döljer en allvarlig lucka bakom ett hyggligt genomsnitt.

Det finns några saker som är värda att förstå om hur listan ska läsas.

En svag matchning är fortfarande en matchning. Det är inte ett misslyckat resultat, utan en kandidat som uppfyller en del av kravprofilen men inte resten. För roller som är svåra att tillsätta är det ofta i den nedre halvan av listan som de intressanta samtalen börjar.

Listan kan rangordnas på nytt. Om du tittar högst upp på listan och inser att du har specificerat kravprofilen fel, vilket händer hela tiden vid verkliga sökningar, justerar du ett kriterium eller en viktning och kör om sökningen. Loopen är tillräckligt snabb för att vara iterativ i stället för en engångsfråga.

Den söker i din databas, inte i en insamlad kandidatpool. Spott säljer inte en inköpt dump med profiler. Utgångspunkten är att företagets eget nätverk, korrekt indexerat, är den tillgång som för närvarande går till spillo.

Rangordnade resultat utifrån en kravprofil med fyra kriterier (demodata). Varje kolumn är ett kriterium, så en stark totalpoäng kan inte dölja ett svagt resultat på ett enskilt kriterium.

Steg 5: Varje resultat förklarar sig självt

Det här är funktionen som avgör om ett matchningsverktyg börjar användas eller tyst överges.

Klicka på valfri kandidat så visar Spott på ett enkelt språk varför systemet rangordnade kandidaten där det gjorde. Det går igenom bedömningsmatrisen kriterium för kriterium: stark på det här, medel på det där, och här är de specifika beläggen i posten som stöder varje bedömning.

Viktigt nog berättar det även de dåliga nyheterna. Om en kandidat har elva års erfarenhet för en roll som är avgränsad till fem år, säger förklaringen att kandidaten kan vara överkvalificerad. Om kandidaten uppfyller de tekniska kraven men branschen är närliggande snarare än exakt densamma, säger den det.

Det finns ingen svart låda, och det spelar roll av två skäl utöver rekryterarens förtroende. För det första måste du kunna motivera en kortlista för en kund, och ”algoritmen gillade kandidaten” är ingen motivering. För det andra är en förklaring som visar sina belägg en förklaring som du kan upptäcka är felaktig.

Varje resultat förklarar sig självt. Den här kandidaten får 85 %, men panelen markerar ändå att franskan är begränsad yrkesmässig kompetens snarare än affärsnivå.

Steg 6: Acceptera, avslå, gå vidare

I resultatvyn accepterar du kandidater till processen för tjänsten eller avslår dem, med förklaringspanelen på ena sidan och hela profilen på den andra. Accepterade kandidater går vidare till de arbetsflödessteg som företaget har konfigurerat. Därifrån går du vidare till kontakt, screening och presentation.

Avsikten med utformningen av hela flödet är tydlig: att snabbt få rekryteraren till en välgrundad kortlista, så att tiden läggs på samtalet med kandidaten i stället för på att leta efter kandidaten.

Vad AI-matchning inte gör

Det är värt att vara tydlig med begränsningarna, eftersom överdrivna påståenden var anledningen till att den här kategorin förlorade sin trovärdighet från början.

Den fattar inga beslut. Den rangordnar och förklarar. En rekryterare läser, bedömer och lyfter luren. Förklaringen finns där just för att människan ska kunna åsidosätta den.

Det är bara så bra som det sammanhang det har. Ett företag som migrerar in en databas med enbart namn- och e-postuppgifter får ett tunnare resultat än ett företag med flera års intervjunoteringar kopplade till profilerna. Detta är den ärliga haken med alla AI-lager ovanpå rekryteringsdata, och det är därför anteckningsverktyget är lika viktigt som matchningsmotorn. Det ena kompletterar det andra.

Det ersätter inte kandidatsökningen. Om rätt person för rollen aldrig har varit i kontakt med ert företag finns personen inte i er databas, och ingen mängd semantisk sökning kan trolla fram personen. Matchning svarar på frågan ”vem känner vi redan?”, vilket är en annan fråga än ”vem finns?”.

Se det i din egen databas

Påståendena ovan kan testas under ett enda möte. Boka en 30-minuters Spott-demo, ta med en aktuell roll och se hur långlistan kommer tillbaka rangordnad och med förklaringar utifrån era egna uppgifter.

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: