만약 여러분이 왜 ATS에 전화 화면 없이 명확하게 자격을 갖춘 후보자가 사라졌는지 궁금한 적이 있다면, 대답은 거의 항상 점수를 받는 계층에서 아닙니다. 후보자는 2개의 칼럼으로 구성된 자기소개서를 가지고 있었습니다. 그들의 이름은 헤더에 있었습니다. 그들의 날짜는 문자 상자였습니다. 이 시스템은 문서를 받아서 80%의 청정 분석을 돌려보냈고, 조용히 읽을 수 없는 부분을 떨어뜨렸다. 이 후보자는 스크린에 약해 보였는데, 왜냐하면 스크린은 반의 서브라이어를 보고 있었기 때문입니다. 이것은 창업자들이 깨닫기보다 더 많이 발생하고, ATS 점수를 실제로 분석하는 문제들에 대해 비난받는 가장 큰 이유입니다.
ATS이 실제로 하는 일, 한 단락으로
고용자 추적 시스템은 취업 신청서를 수집, 분석, 조직, 순위 및 저장하는 소프트웨어입니다. 대부분의 현대 ATS 플랫폼은 세 단계의 파이프라인을 운영합니다. 문서를 구조화된 데이터로 분석하고, 분석된 데이터를 직업 요구 사항에 따라 평가하고, 후보자를 순위화하여 인간이 가장 강력한 것을 먼저 검토 할 수 있습니다. 2020년 이후 시행은 의미 있는 발전을 거듭하였다. 이전 ATS 플랫폼은 거의 전적으로 하드 키워드 일치에 의존했습니다. "Python"를 표시하는 직업 설명은 문자적 토큰을 포함하는 서사시로만 일치합니다. Curriculo ATS를 포함한 현재 시스템은 토큰뿐만 아니라 맥락을 평가하기 위해 의미적 일치, 다신호 점수 및 큰 언어 모델 추론을 결합합니다.
왜 아키텍처가 브랜드보다 더 중요한가
같은 기능 목록의 두 개의 ATS 플랫폼은 분석 및 점수 계층의 설계에 따라 매우 다른 결과를 생산할 수 있습니다. 상자에 있는 브랜드가 스크리닝 품질을 예측하지 않지만, 뚜 아래의 건축은 예측합니다. ATS 옵션을 평가하는 창업자는 로고에 대해 덜 신경써야 하고, 세 가지 구체적인 질문에 대해 더 신경써야 한다. 분석기는 비표준 레이아웃을 어떻게 처리하는지, 점수층이 어떤 신호를 평가하는지, 그리고 시스템이 그 이유를 당신이 감사할 수 있는 방식으로 노출시키는가.
1단계: 파싱, 대부분의 실패가 발생하는 단계
파싱 엔진은 이름, 연락처 정보, 일자와 제목이 포함된 근무 경험 항목, 교육, 기술 등 구조화된 데이터를 이력서 문서에서 추출합니다. 업계 분석에 따르면 대략 30%의 ATS 거절이 파싱 단계에서 발생하며, 평가가 실행되기 전에 발생합니다. 가장 일반적인 파싱 실패는 예측할 수 있습니다. 다중 열 레이아웃이 잘못 선형화되어 현재 직무下的 세 번째 글머리 기호가 이전 역할에 속하는 것으로 나타납니다. 텍스트 상자는 구식 파서에 의해 문서의 주요 콘텐츠 스트림 외부에 있기 때문에 완전히 생략됩니다. 연락처 정보를 많이 배치하는 헤더와 푸터는 때때로 무시됩니다. 이미지 기반 이름 배너는 보이지 않습니다. 창의적인 섹션 제목("Adventures" 대신 "Experience")은 분류기에 혼동을 줍니다. 이러한 결과로 후보자가 실제보다 약해 보입니다. Curriculo ATS는 표준 레이아웃을 강력하게 처리하는 최신 파싱 파이프라인을 사용하지만, 모든 파서와 마찬가지로 극단적인 창의적 형식을 어려워합니다. 10년 동안 변하지 않은 조언은 여전히 유효합니다. 표준 섹션의 깨끗한 단일 열 이력서는 모든 주요 ATS에서 깨끗하게 파싱됩니다.
파서가 보는 것과 비교해서 인간에게 보이는 것 유용한 연습: 자기소개서를 원본 텍스트 편집기에 복사하고 붙여넣으십시오. 여러분이 보는 것은 파서가 보는 것과 비슷합니다. 만약 연락처 정보가 없어지거나 날짜가 잘못되었거나 총알이 이전 역할과 얽혀있다면, 대부분의 파서 오류는 이 단계에 즉시 볼 수 있습니다. 단계 2: ATS 플랫폼이 분할되는 점수
생명과정을 분석한 후, 시스템은 구조화된 데이터를 직업 요구 사항에 따라 평가합니다. ATS 플랫폼이 가장 많이 다르다는 점입니다. 2026년에는 세 가지 접근법이 시장에 지배를 차지한다. 첫째, 하드 키워드 일치, 기존의 접근 방식: 직업 설명의 키워드는 문자 그대로 레지뷰 텍스트에서 검색되고 주파수 점수가 생성됩니다. 이것은 빠르고 설명이 가능하지만 부서지기 쉬운 일입니다. AWS 경험을 "아마존 클라우드에서 생산 서비스를 운영하는 것"이라고 묘사한 후보자는 문자적 토큰이 없어서 "AWS"를 필요로 하는 직업에 대해 낮은 점수를 얻습니다. 둘째, NLP와 의미적 일치: 시스템은 "AWS"와 "Amazon Web Services" 및 "Amazon의 클라우드에서 실행되는 서비스"가 동등하다는 것을 이해합니다. 이것은 더 많은 후보들을 올바르게 잡지만 여전히 키워드 수준에서 점수를 얻습니다. 더 두꺼운 사전으로만 말이죠. 세번째로, 여러 신호를 논리적으로 점수를 하는 것: 시스템은 복수의 차원에서 (분량적 성취, 경험의 관련성, 경력 궤적, 기술 조율) 자기소개서를 평가하고 합성 점수를 더하여 기록된 논리 기사를 생성한다. Curriculo ATS는 이 세 번째 접근 방식을 사용하며, 우리가 '영향 점수'라고 부르는 이유는 키워드 레벨 평가에서, 의미적 부양을 할지라도, 레지뷰에서 가장 강력한 신호를 놓치고 있기 때문입니다. 특정 역할에 연결된 결과입니다. Curriculo ATS는 어떻게 다른 후보자를 점수하는 걸까요?
합성 점수는 결과로 중계된 네 가지 신호를 기반으로 계산된다: 수치화된 성취 (결과에 첨부된 숫자), 경험의 관련성 (후보가 열린 역할 근처에 문제를 해결했는지 여부), 경력 궤적 (책임이 역할에 대한 역할이 증가하는지 여부), 그리고 기술 조화를 (이러한 기술들이 자기소개서에 근거하는 것 여부) 출력은 0-100 점수와 점수가 왜 그런지 설명하는 글 기구입니다. 그래서 창업자는 점수 결정에 대해 초 내에 감사할 수 있습니다. 이것은 "키워드 밀도 0.78"와 "강한 적합성"의 차이입니다. 후보자의 마지막 세 역할이 각각 당신의 오픈 역할과 같은 영역에서 측정 가능한 수익 영향을 미쳤기 때문입니다. "
3단계: 순위 지정 및 인간 인수
제3단계는 발표입니다. 후보자를 순서대로 배치하여 인간 평론가가에게 가장 강한 것을 먼저 읽어줍니다. 이것은 창업자들이 깨닫기보다 더 중요합니다. 지원 날짜에 따라 200명의 후보자를 배열한 파이프라인으로 창업자가 200명을 모두 읽어서 8명을 찾도록 강요합니다. 합성 점수에 따라 같은 200명의 후보자를 배출하는 파이프라인으로 창업자가 8명의 상위자를 읽고 30분 안에 자신있게 평가 결정을 내릴 수 있습니다. 또한 순위는 시스템의 편견이 운영적으로 눈에 띄는 곳입니다. NYC 지방법 144은 NYC 고용에 사용되는 자동화된 고용 결정 도구에 대한 편향 감사가 필요하며, EU AI 법의 부록 III는 AI 채용을 고 위험으로 분류하고 문서, 인적 감독 및 지속적인 모니터링이 필요합니다. AI 지원 점수를 위해 설계된 현대 ATS 플랫폼은 편견 감사가 의미있게 수행될 수 있도록 그들의 추론을 공개해야 하며, 채용팀이 인터뷰 결정을 내리기 전에 순위 출력을 정밀히 확인할 수 있도록 해야 한다.
이 후보자의 경험 측면은 어떤 모습일까요?
후보는 신청서, 확인 메일, 전화 스크린에 초대 또는 예민하게 거절을 보게 됩니다. 그 단순한 표면 뒤에, 분석자, 점수자, 그리고 랭커가 달려왔고, 후보자의 서사진이 수백 명과 비교되었고, 그들이 진출할지 여부에 대한 구조화된 결정이 이루어졌습니다. 현대 ATS 플랫폼은 또한 후보자를 대상으로 투명성을 제공합니다. 지원자에게 평가에서 자동화된 도구가 사용되었는지 알려주는 것은 이제 NYC에서 법적 요구가 되었으며, AI법에 따라 EU에서 점점 더 요구되고 있으며, 다른 곳에서는 전반적으로 우수 실습이 있습니다.
아마존에서 랭킹 시스템에 대해 배운 것
Curriculo ATS 이전에는, 우리의 창업자 데브는 아마존의 검색 및 추천 시스템에서 일했습니다. 가장 직접적으로 번역한 교훈은 순위 체계는 피드백 루프만큼만 좋은 것입니다. 아마존의 제품 순위는 모든 클릭, 구매, 반환 피드들이 모델에 다시 신호를 전달하기 때문에 향상됩니다. 대부분의 ATS 플랫폼은 이 루프 없이 설계되어 있습니다. 그들은 후보자를 점수하고, 후보가 고용되거나 거절당하고, 그 결과의 결과는 점수를 재계급시키는 데 돌아옵니다. 그 결과 시스템이 고갈되고 있습니다. Curriculo ATS는 루프가 닫혀있는 상태로 만들어집니다. 고용된 후보자의 90일 실적이 기록되면 시스템은 어떤 신호 패턴이 특정 회사에서 성공을 예측했는지 알게됩니다. 일반적인 점수 모델은 출발점이며 팀별 캘리브레이션으로 점수를 시간이 지남에 따라 신뢰할 수 있습니다.해석 가능한 점수 매기기가 블랙박스 점수 매기기를 능가하는 이유
제도가 설명 없이 0-100 점수를 주면 점수가 맞는지 알 수 없습니다. 만약 글의 논리 기사를 통해 같은 점수를 얻으면, 감사는 모델이 비전통적인 경력 경로를 잘못 읽거나 키워드를 잘못 중점한 경우를 파악합니다. 설명성 또한 NYC 지방법 144 및 EU AI 법에 따른 규제 준수에 대해 다루기 쉽도록 만드는 요소입니다. 불투명한 모델에 대한 편향감사들은 대부분 수행적입니다.