만약 여러분이 왜 ATS에 전화 화면 없이 명확하게 자격을 갖춘 후보자가 사라졌는지 궁금한 적이 있다면, 대답은 거의 항상 점수 계층이 아니라 분석 계층에 있습니다. 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 깨닫는 것보다 더 많이 발생하고 ATS 점수를 분석하는 것이 실제로 문제를 분석하는 문제로 비난되는 가장 큰 이유입니다.
ATS이 실제로 하는 일은
의 한 문장에서지원자 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 서사진에만 일치합니다. Curriculo ATS를 포함한 현재 시스템은 토큰뿐만 아니라 맥락을 평가하기 위해 의미적 일치, 다신호 점수 및 큰 언어 모델 추론을 결합합니다.
왜 건축이
브랜드보다 중요할까요?동일한 기능 목록을 가진 두 개의 ATS 플랫폼은 분석 및 점수 계층이 설계된 방법에 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 합니다. 분석기는 비표준 레이아웃을 어떻게 처리하는지, 점수층이 어떤 신호를 평가하는지, 그리고 시스템이 그 추론을 당신이 감사할 수 있는 방식으로 노출시켜야 하는가.
단계 1: 분석, 대부분의 실패가 일어나는
분석 엔진은 레지뷰 문서에서 구조화된 데이터를 추출합니다. 이름, 연락처 정보, 날짜와 제목, 교육 및 기술로 작업 경험 항목. 산업 측 분석은 모든 ATS 거부의 약 30%가 스코어 실행이 되기 전에 분석 단계에서 발생한다고 제안합니다. 가장 흔한 분석 실패는 예측가능합니다. 여러 컬럼 레이아웃은 잘못 선형화되어서, 현재 직종에 있는 후보자의 세 번째 총알 포인트는 이전 직종에 속하는 것으로 보입니다. 텍스트 박스는 문서의 주요 콘텐츠 스트림 이외에 있기 때문에 오래된 파서에서 완전히 건너뛰습니다. 헤더와 피터, 많은 디자이너들이 연락처 정보를 넣는 곳, 때로는 무시됩니다. 이미지 기반의 이름 표지판은 보이지 않습니다. 창조적 섹션 제목 ("경험" 대신 "경험") 은 분류자를 혼란스럽게 한다. 이 각각의 결과들은 후보자가 실제로보다 약해 보이는 결과를 낳습니다. Curriculo ATS는 표준 레이아웃을 잘 처리하는 현대적인 파싱 파이프라인을 사용하지만 모든 파서처럼 극단적인 창의적인 포맷과 어려움을 겪습니다. 10년 동안 계속된 조언은 여전히 유효합니다. 표준 섹션에서 깨끗한 단일 열의 재개는 모든 주요 ATS를 깨끗하게 분석합니다.
분석자가 보는 것과 비교해서 인간에게
가 보이는 것유용한 연습: 자기소개서를 단순 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 단계에서 즉시 볼 수 있습니다.
단계 2: ATS 플랫폼이
에서 떨어져있는 점수일생 과정이 분석되면 시스템은 구조화된 데이터를 직업 요구 사항에 따라 평가합니다. ATS 플랫폼이 가장 많이 다르기 때문입니다. 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 없어진 이유로 "AWS"을 필요로 하는 직장에 비해 낮은 점수를 얻습니다. 둘째, NLP와 의미적 일치: 시스템은 "AWS"와 "Amazon Web Services"와 "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 사용합니다. 우리가 '영향 점수'라고 부르는 것은 키워드 레벨 평가에서, 의미적 부양을 할지라도,
Curriculo ATS 후보자는 어떻게 다른 점수를 받나요?
복합 점수는 결과에 대한 수치가 첨부된 성과, 후보자가 열린 역할과 근접한 문제를 해결한 경험, 책임이 증가하는 경력 궤적, 주장한 기술이 이력서의 증거와 일치하는지 여부 등 4가지 신호를 가중 평균하여 계산됩니다. 출력은 0-100 점수와 점수가 왜 그런지 설명하는 문단으로 구성되며, 이는 창립자가 몇 초 안에 점수 결정의 근거를 감사할 수 있도록 합니다. 이것은 "키워드 밀도 0.78"와 "강력한 적합성, 후보자의 마지막 3개 역할이 모두 측정 가능한 수익 영향을 동일한 도메인에서 출하했기 때문입니다."
사이의 차이입니다.단계 3: 순위 및 인간 전달
세 번째 단계는 발표입니다. 후보자를 순서대로 배치하여 인간 평론가가 가장 강한 것을 먼저 읽습니다. 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 자동 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 보조 점수를 위해 설계된 현대 ATS 플랫폼은 편견 감사가 의미있게 수행될 수 있도록 그들의 추론을 공개해야 하며, 채용팀이 인터뷰 결정을 내리기 전에 순위 성과를 정밀히 확인할 수 있도록 해야 합니다.
이 후보자의 경험 측면은 어떻게 생겼을까요?
지원자는 신청서, 확인 이메일, 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 되고 있으며, AI 법에 따라 EU에서 점점 더 요구되고 있으며, 다른 곳에서는 전반적으로 우수 실습이 있습니다.
아마존에서 배워온 점수 체계
Curriculo ATS 이전에, 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, 후보자가 고용되거나 거절당하고, 그 결과의 결과는 점수를 재계급하는 데 돌아옵니다. 그 결과 시스템이 고갈되고 있습니다. Curriculo ATS는 루프가 닫혀있는 상태에서 만들어집니다. 고용된 후보자의 90일 실적이 기록되면 시스템은 특정 회사에서 성공을 예측하는 신호 패턴을 알게됩니다. 일반적인 점수 모델은 출발점이고 팀별 캘리브레이션은 시간이 지남에 따라 점수를 신뢰하게 만듭니다.
왜 설명 가능한 점수는 블랙박스 점수를
보다 더 잘하는 지만약 시스템이 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. 설명가능성은 NYC 지방법 144과 EU AI법에서 요구되는 것의 한 부분이고, 독립적인 편견감사는 다른 부분입니다. 왜냐하면 그것은 모든 후보자의 패턴을 확인하기 때문에, 단 하나의 논리항이 보여줄 수 없습니다.