Lo que los reclutadores leen en los primeros 7 segundos
Los reclutadores no leen los currículos. Los escaneán, y el escaneo está estructurado por la cognición visual más que por la estrategia de contenido. El estudio de The Ladders encontró que los reclutadores experimentados dedican un promedio de 7.4 segundos en el pase inicial, fijándose en seis puntos de anclaje en la página. Las señales que extraen de ese escaneo no son palabras clave. Son: la relevancia del último cargo para el trabajo abierto, el patrón de antigüedad (¿se quedó esta persona el tiempo suficiente para entregar?), la trayectoria (¿cada cargo representa más responsabilidad que el anterior?), y la limpieza de credenciales (¿el currículum parece que la persona se lo tomó en serio?). Las palabras clave son el combustible que hace que un currículum pase la pantalla automatizada, pero la decisión de contratación real se produce en la capa superior a las palabras clave. Esta es la brecha que la mayoría de las ATS plataformas no logran cerrar. Optimizan para la recuperación de palabras clave y presentan 200 "coincidencias." El reclutador todavía tiene que hacer el escaneo de 7 segundos, 200 veces. El objetivo de la selección inteligente es mover la extracción de señales de forma ascendente para que el fundador lea a los 8 mejores candidatos según sus méritos reales, no su densidad de tokens.
Lo que el mapa de mirada de The Ladders realmente muestra
Seis puntos de fijación: nombre (arriba a la izquierda), bloque de título-empresa-fecha actual, bloque de título-empresa-fecha anterior, educación, y la esquina inferior derecha donde a veces los puntos de bala contienen un logro de cierre. El medio de la página recibió casi ninguna fijación. Las listas de puntos de bala largas fueron casi completamente omitidas. Esto explica por qué un fundador que lee 30 currículos uno tras otro termina con opiniones fuertes a pesar de leer menos de la mitad de cada uno: el cerebro ha comprimido el currículum a su esqueleto.
Por qué la coincidencia de palabras clave es la capa incorrecta para optimizar
La mayoría de las plataformas legadas ATS ejecutan la coincidencia de palabras clave como primer filtro. La descripción del puesto contiene "Python, AWS, sistemas distribuidos." El sistema escanea cada currículum en busca de esos tokens y los clasifica por frecuencia. Esto captura a las personas que tienen las habilidades, y también captura a las personas que aprendieron a manipular el filtro incluyendo palabras clave en el documento. Sin embargo, se pierden a las personas que describieron las mismas habilidades con diferentes palabras. Un currículum que dice "redujo la latencia de inferencia en un 40% en el servicio de clasificación de producción" es materialmente más fuerte que uno que enumera "Python, AWS, ML" como un punto de habilidad, pero un filtro de palabras clave los califica en el orden incorrecto. La estadística popularizada por Jobscan de que el 75% de los currículums son rechazados por ATS se repite ampliamente, pero como analiza el análisis de la industria de ERE, la metodología detrás de ese número es débil. El modo de fallo real es más específico: los filtros de palabras clave rechazan currículums ricos en contexto que carecen de los tokens exactos, y presentan currículums pobres en contexto que los tienen. La solución no es eliminar el filtro, sino evaluar debajo de él.
Señales que realmente predicen el rendimiento
Cuatro factores importan, en orden: logros cuantificados (números, porcentajes, cantidades de dólares asociados a resultados), relevancia de la experiencia (¿esta persona resolvió problemas cerca del que estamos contratando), trayectoria profesional (¿está creciendo la responsabilidad de rol a rol), y alineación de habilidades (¿coinciden las habilidades nombradas con el trabajo). Cada uno de estos se puede extraer de un currículum por un modelo que lee el documento de la manera en que lo hace un ser humano, no de la manera en que lo hace un escáner de palabras clave. Esto es lo que mide la puntuación de impacto de Curriculo ATS.
Lo que aprendimos de la búsqueda de Amazon que se aplica aquí
Antes de Curriculo ATS, nuestro fundador Dev trabajó en los sistemas de búsqueda y recomendación de Amazon. La lección que se tradujo más directamente en la contratación: la recuperación es barata, la clasificación es la parte difícil. El índice de búsqueda de Amazon puede encontrar un millón de productos que coinciden con una consulta. El trabajo del equipo de productos es asegurarse de que los tres primeros sean correctos. La selección de currículums tiene la misma forma. Extraer 300 currículums que contienen "gerente de productos" es un script de cinco líneas. Devolver los ocho que un senior PM realmente querría entrevistar por teléfono es el verdadero problema de ingeniería. La puntuación multiseñal es cómo Amazon clasifica los productos, y el mismo enfoque, con señales diferentes, clasifica a los candidatos. Pesamos los logros cuantificados porque son los predictores más fuertes de que alguien ha enviado realmente un trabajo, no solo ha ocupado un título. Pesamos la trayectoria profesional porque una persona cuya responsabilidad se duplicó dos veces en cinco años es estadísticamente una contratación más fuerte que una persona cuyo título permaneció igual. Exponemos el razonamiento para que el fundador pueda auditarlo.
Por qué la "señal" es más importante que la "palabra clave"
Una palabra clave es un token. Una señal es un patrón que se correlaciona con los resultados. "Python" es una palabra clave. "Poseer el servicio de clasificación desde el prototipo hasta 50M de consultas diarias" es una señal. Ambos pueden aparecer en el mismo currículum. Solo uno te dice si debes entrevistar a la persona. Un fundador que revisa los ocho candidatos principales de un sistema de puntuación basado en señalesles dedicará unos 30 segundos por candidato y llegará a una decisión que puede defender. Un fundador que revisa los ocho principales de un sistema de clasificación por palabras clave dedicará 5 minutos por candidato y aún tendrá que hacer el trabajo que el seleccionador debería haber hecho.
Cómo un fundador puede leer un currículum en 30 segundos
El mismo patrón de mirada que midió el estudio de Ladders se puede convertir en un marco deliberado. Tres barridos, en orden, cada uno de unos pocos segundos.
- La trayectoria de barrido. Leer solo títulos y fechas. ¿Están los roles siendo más seniores? ¿Son las permanencias lo suficientemente largas como para que la persona haya entregado? ¿Está el rol más reciente alineado con lo que se está contratando?
- La barrida de logros. Leer solo los puntos que contienen números. ¿Producido este persona resultados medibles? ¿Son los resultados plausiblemente atribuibles a ellos?
- La barrida de descalificadores. Buscar las cosas que descartarían a la persona: brechas que no se pueden explicar, cambios de rol en menos de 9 meses, habilidades reclamadas que el currículum no respalda.
Tres barridas, 30 segundos. Si el candidato supera las tres, avanza a una entrevista telefónica. Si falla en alguna de ellas, se puede pasar al siguiente. Este es exactamente el marco de trabajo que Curriculo ATS automatiza para el primer paso, por lo que solo lo hace manualmente para los 10 candidatos principales.
La mejor señal de un currículum
Si tuviéramos que mantener una señal y descartar el resto, mantendríamos los logros cuantificados. Un currículum con cinco puntos que incluyen números es materialmente más probable que pertenezca a alguien que entrega resultados que un currículum con quince puntos de responsabilidades puras. La razón es la selección: las personas que rastrean resultados escriben currículums que rastrean resultados. Las personas que no rastrean resultados no lo hacen.
