Робот для HR: как алгоритмы помогли рекрутерам

Главное о кейсе

Когда наши рекрутеры попросили нас помочь им разобрать тысячу резюме, мы
решили обратиться к силам, значительно превосходящим нас в быстрой обработке данных, — к искусственному интеллекту.

Мы загрузили все подошедшие и не подошедшие резюме в NLP-модель (Natural Language Processing — обработка естественного языка) и подключили алгоритмы, которые искали закономерности успешных и неуспешных резюме.

Наша модель проанализировала эти данные: «посмотрела» на 500 неудачных примеров и на 100 хороших — и научилась отличать одних от других. Алгоритмы обращались к опыту успешных кандидатов, сопоставляли их характеристики и признаки с новыми резюме, чтобы выделить общие черты «хороших» кандидатов.

Чтобы упростить работу с сервисом, мы проанализировали ряд популярных платформ по поиску работы: смотрели, как соискатели заполняют резюме, пытались понять, чего от них ждут работодатели.

Исходя из этих исследований, мы продумали пользовательский путь и воплотили его в удобном и простом интерфейсе.

Дизайн получился максимально простой: мы обозначили зоны загрузки резюме (можно загружать их сразу «пачкой»), показали, где искать результаты.

Как проект изменил жизнь пользователей

До внедрения Hrobot рекрутеры тратили 15 часов на просмотр и первичную оценку 500 резюме вручную. После — время сократилось до 10 минут.

Бизнес-задача и ее решение

Мы исследовали HR-процессы одного банка. В год он нанимает до 2000 линейных сотрудников. На их обучение и работу тратятся ресурсы. Однако 30% этих сотрудников увольняются в первые 3 месяца. Получается, что все затраты на них — это прямые убытки. Так HRobot позволил уменьшить подобные убытки и снизить число увольнений по инициативе работника.

Сервис запущен и получает положительные отзывы.

Мы также планируем запустить версию для соискателей — с помощью HRobot они смогут составить «идеальное» резюме. Массив накопленных обезличенных данных (модели и запросы пользователей из b2b-раздела), аналитика рынка и компетенции партнеров позволят узнать, какие навыки, качества и опыт нужны для улучшения резюме и развития карьеры.

Крафт (мастерство), реализация, технические детали

Для создания сервиса мы использовали:
— NLP-модель (Natural Language Processing — обработка естественного языка). Это технология машинного обучения, которая дает возможность интерпретировать и «понимать» язык человека;

— алгоритмы, которые искали закономерности успешных и неуспешных резюме. Важно отметить, что маркер успешности и неуспешности для обучения модели задает человек, ее обучающий. Так он учит машину отличать хорошее от плохого, показывая примеры подходящих и неподходящих резюме.

Наша модель проанализировала полученные данные: «посмотрела» на 500 неудачных резюме и на 100 хороших — и научилась отличать одних от других. Иными словами, она нашла определенные закономерности:
— наличие или отсутствие ключевых навыков и опыта;
— спецификации по вакансии;
— релевантность опыта успешных кандидатов.

Модель учитывала требования, указанные в объявлении о вакансии и сравнивала их с информацией в резюме. Это позволило выявить соответствие между ожиданиями работодателя и предоставленной кандидатом информацией.

Инсайты, гипотезы, процесс создания и взаимодействия с заказчиком

Чтобы еще больше упростить жизнь HR-специалистам, мы решили предложить несколько моделей, обученных на наиболее распространенных вакансиях: руководитель проектов, системный аналитик, продуктовый дизайнер, фронтенд-разработчик и других.

С помощью готовых моделей рекрутеры могут протестировать сервис и понять, как он работает. Но для того, чтобы получить максимальный эффект, необходимо создать собственные уникальные модели, основанные на данных компании.

И тут мы не бросаем компании на произвол судьбы, а помогаем создавать новые модели. Сами отбираем резюме для обучения алгоритмов, учитывая необходимые ключевые навыки, и обогащаем их реальными данными компании.

В итоге, компания получает модель, обученную на собственных данных, а не на мнении отдельных рекрутеров.

Прочая информация о кейсе

When our recruiters asked us to help them sort through thousands of resumes, we decided to turn to artificial intelligence.
We loaded all the successful and unsuccessful resumes into the NLP model (Natural Language Processing) and connected algorithms that looked for patterns of “good” and “bad” resumes.

Then our model analyzed this data: it “looked” at 500 unsuccessful examples and 100 good ones and learned to distinguish one from the other. The algorithms looked at the experiences of successful candidates and compared their characteristics and attributes with new resumes to highlight common traits of “good” candidates.

To make the service easier, we analyzed a number of popular job search platforms: we watched how applicants filled out their resumes, and tried to understand what employers expect from them.

Based on this research, we thought through the user journey and embodied it in a convenient and simple interface.

The design turned out to be as simple as possible: we created areas for uploading resumes (you can upload them at once in a “bundle”), and showed where to look for results.

Скриншоты