ATS-järjestelmänne tulisi muistaa se, minkä rekrytoija helposti unohtaa

Pitkään yhtenä rekrytoinnin suurimmista haasteista oli riittävän hakijamäärän houkutteleminen. Nykyään monissa projekteissa ongelma on lähes päinvastainen.

Rekrytoijat eivät kamppaile hakemusten puutteen kanssa. He kamppailevat sen ajan kanssa, joka kuluu sen ymmärtämiseen, mitkä hakemuksista todella ansaitsevat heidän huomionsa. Yksittäinen työpaikkailmoitus voi nykyään poikia kymmeniä tai jopa satoja ansioluetteloita erittäin lyhyessä ajassa. Osa niistä on osuvia. Osa liittyy tehtävään vain hyvin etäisesti. Jotkut on hiottu tarkasti tekoälyn avulla. Toiset on lähetetty osana massahakustrategiaa – ilman sen suurempaa harkintaa. Mukana on myös sellaisia, joissa hakijan sijainti, kokemustaso tai jopa henkilöllisyys vaativat huomattavasti tarkempaa todentamista.

Tämä ei tietenkään tarkoita, että tekoälyn avulla kirjoitetut hakemukset olisivat automaattisesti huonoja. Monet huippuammattilaiset käyttävät tekoälyä yksinkertaisesti parantaakseen ansioluettelonsa rakennetta tai kieltä. Todellinen ongelma on näiden hakemusten valtava määrä suhteessa rekrytoijan rajalliseen huomiokykyyn.

Mitä viimeistellymmiksi ansioluettelot muuttuvat, sitä vaikeampaa on ensisilmäyksellä erottaa todella sopiva ehdokas siitä, joka vain osaa esitellä itsensä hyvin. Juuri tästä syystä hakemusten esikarsinnasta (screening) on vaivihkaa tullut yksi nykyrekrytoinnin vaikeimmista vaiheista.

Ennen esikarsinta oli yksinkertaista. Ainakin teoriassa

Rekrytoija avaa ansioluettelon, tarkistaa hakijan kokemuksen, vertaa sitä tehtävänkuvaukseen, silmäilee osaamista, senioriteettia, sijaintia, kielitaitoa sekä työhistoriaa – ja päättää, siirtyykö henkilö jatkoon.

Yhdellä lauseella kirjoitettuna tämä kuulostaa edelleen yksinkertaiselta. Käytännössä se ei kuitenkaan lähes koskaan ole sitä.

Kuvittele rekrytointiprosessi Finance Managerin tehtävään, johon tulee 120 hakemusta. Rooli vaatii vahvaa kokemusta raportoinnista, budjetoinnista, ennustamisesta, business partneringista, edistynyttä Excel-osaamista, SAP-tuntemusta ja sujuvaa englantia.

• Ensimmäisellä hakijalla on kymmenen vuoden kokemus kirjanpidosta, mutta ansioluettelossa ei ole käytännössä mitään mainintaa ennustamisesta (forecasting).

• Toinen on työskennellyt FP&A-osastolla, mutta vain junioritason tehtävässä.

• Kolmas vaikuttaa lähes täydelliseltä, mutta ansioluettelo on oudon vähäsanainen tiimin johtamisesta.

• Neljäs käyttää täysin erilaista terminologiaa, vaikka hänen käytännön kokemuksensa saattaa olla juuri sitä, mitä etsitte.

Kerro nyt nämä vertailut 120:lla.

Rekrytoija ei vain lue dokumentteja. Hän hyppii jatkuvasti eri kriteerien välillä, tekee pieniä arvioita, yrittää pitää mielessään aiemmat ehdokkaat ja taistelee pysyäkseen johdonmukaisena koko prosessin ajan.

Ensimmäisen 20 ansioluettelon jälkeen keskittymistaso on yleensä vielä erittäin korkea. 60 jälkeen prosessista tulee mekaaninen. Yli sadan kohdalla jopa erittäin kokenut kykyjenetsijä alkaa tukeutua yhä enemmän yleistyksiin ja oikoteihin.

Tämä ei ole kritiikkiä rekrytoijia kohtaan. Näin ihmisen huomiokyky vain toimii.

Miksi avainsanat eivät enää riitä

Perinteinen esikarsinta perustuu usein avainsanoihin, tehtävänikkeisiin, lueteltuihin taitoihin tai työkokemusvuosiin. Nämä suodattimet ovat hyödyllisiä, mutta ne harvoin kertovat koko tarinaa.

Hakija saattaa mainita ansioluettelossaan sanan "SAP" vain kerran, mutta se ei kerro meille, käyttikö hän sitä päivittäin viiden vuoden ajan vai oliko hän mukana vain yhdessä käyttöönottoprojektissa. Joku voi kirjoittaa "Tiimin johtaminen", mutta se on voinut tarkoittaa kahden hengen työn epävirallista koordinointia, ei koko suuren osaston johtamista. Toisella hakijalla voi olla täydellinen tekninen tausta, mutta hän on kuvaillut sitä aivan eri kielellä kuin mitä yrityksen toimeksiannossa käytettiin.

Tämä on pelkkään avainsanahakuun perustuvan esikarsinnan suurin heikkous. Avainsanat kertovat meille vain sen, että jokin asia esiintyy dokumentissa. Ne kuitenkin harvoin selittävät, mitä se kokemus todella tarkoittaa.

Rekrytoinnissa ei ole kyse yksittäisten sanojen mekaanisesta täsmäyttämisestä. Siinä on kyse kontekstin tulkitsemisesta.

Siksi hakija saattaa ensisilmäyksellä vaikuttaa vaatimattomalta, mutta osoittautua täydelliseksi löydöksi heti ensimmäisen keskustelun jälkeen. Joskus ansioluettelo on yksinkertaisesti huonosti kirjoitettu. Joskus henkilöllä on loistava kokemus, mutta hän ei osaa "myydä" sitä hyvin. Joskus hän tulee toiselta toimialalta, mutta hänen kovat taitonsa ovat täysin siirrettävissä teidän tarpeisiinne.

Hyvä rekrytoija huomaa nämä vivahteet. Ja teknologian tulisi auttaa häntä tässä, ei piilottaa niitä.

Mitä tekoälypohjainen AI Scoring todellisuudessa tekee Recruitifyssa

Recruitifyn AI Scoring -toiminto on luotu tukemaan rekrytoijia juuri tässä vaiheessa. Se arvioi sekä uusia saapuvia hakemuksia että ehdokkaita, jotka on jo aiemmin liitetty projektiin. Se vertaa ansioluettelon tietoja kyseiselle tehtävälle määriteltyihin vaatimuksiin.

Rekrytoija ei saa vain numeerista sopivuustulosta, vaan myös kontekstuaalisen yhteenvedon, joka selittää, miten kyseinen profiili sopii rooliin. Järjestelmä korostaa vahvuuksia, tunnistaa puutteita, näyttää mitkä kriteerit täyttyvät ja mitkä puuttuvat, sekä ehdottaa kysymyksiä, jotka kannattaa ehdottomasti esittää ensimmäisessä haastattelussa.

Mikä tärkeintä: numeerisen tuloksen ei ole tarkoitus olla lopullinen vastaus. Sen on tarkoitus olla lähtökohta.

Palataanpa Finance Manager -esimerkkiin. Hakija voi saada tulokseksi 78. Itsekseen tämä luku ei kerro juuri mitään. Todellinen arvo syntyy sen takana olevista perusteluista.

Järjestelmä voi osoittaa, että henkilöllä on yli kymmenen vuoden kokemus talousraportoinnista, loistava kokemus kansainvälisestä SSC-ympäristöstä ja vahva SAP-osaaminen. Samalla se voi signaloida, että profiilista puuttuu konkreettisia näyttöjä budjetoinnista, ennustamisesta ja operatiivisesta liiketoiminnan tukemisesta.

Tämä tarjoaa rekrytoijalle todellista apua. Ei lopullista tuomiota, vaan selkeän suunnan. Rekrytoija tietää heti, mikä näyttää hyvältä, mitä saattaa puuttua ja mihin asioihin on pureuduttava seuraavassa keskustelussa.

Pisteytysjärjestelmän tulisi auttaa teitä esittämään parempia kysymyksiä

Yksi tekoälypohjaisen AI Scoring -toimintomme hyödyllisimmistä osista on ohjeistus itse haastattelua varten.

Perinteisessä esikarsinnassa tietyn sanan puuttuminen dokumentista johtaa usein rekrytoijan tekemään pikaisen johtopäätöksen. Kun konkreettista näyttöä tietystä taidosta ei näy, oletetaan, ettei hakijalla yksinkertaisesti ole sitä. Joskus tämä oletus osuu oikeaan. Joskus taas täysin harhaan.

Ansioluettelo on määritelmällisesti aina puutteellinen asiakirja. Se on tiivistelmä, jossa hakijat keskittyvät siihen, mitä he itse pitävät tärkeimpänä. He saattavat jättää mainitsematta teille kriittisen projektin, käyttää liian yleistä kuvausta konkreettisen esimerkin sijaan tai yksinkertaisesti epäonnistua päätöksentekovaltansa laajuuden selittämisessä.

Siksi tietyn kriteerin täyttymättä jättämisen pitäisi useissa tapauksissa herättää rekrytoijassa kysymys, ei toimia suorana hylkäysperusteena.

Esimerkiksi:

• ”Voitko viedä minut vaihe vaiheelta läpi budjetointiprosessin, josta vastasit?”

• ”Kuinka paljon olit suorassa kontaktissa liiketoiminnan sidosryhmien kanssa?”

• ”Mikä oli tarkka roolisi SAP-käyttöönoton aikana?”

• ”Johditko tiimiä virallisesti vai koordinoitko vain operatiivisesti muiden työtä?”

Nämä täsmälliset kysymykset voivat muuttaa rekrytoijan näkökulman täysin. Tämä tarkoittaa, että hyödyllisen pisteytystyökalun on tehtävä paljon enemmän kuin vain lokeroitava ihmisiä mekaanisesti. Sen tulisi auttaa rekrytoijaa tekemään älykästä taustatutkimusta. Tämä on se perustavanlaatuinen ero pelkän ajansäästöön tähtäävän automatisoinnin ja sellaisen automatisoinnin välillä, joka nostaa koko prosessin sisällöllistä laatua.

Todellinen arvo ei ole pelkkä nopeus

Helpointa on kuvailla AI Scoringia pelkästään aikaa säästävänä toimintona. Ja sitä se toki onkin.

Mutta liiketoiminnan kannalta huomattavasti mielenkiintoisempi ja tärkeämpi hyöty ei ole se, että rekrytoijat voivat käydä ansioluetteloita läpi nopeammin. Tärkeintä on se, että he voivat kohdistaa huomionsa paljon fiksummin. Rekrytoija, joka käyttää vähemmän aikaa kymmenien ansioluetteloiden manuaaliseen vertailuun rivi riviltä, voi panostaa enemmän syvällisiin keskusteluihin huippuosaajien kanssa, konsultoida palkkaavia esihenkilöitä asiantuntevasti, huolehtia viestinnästä ja rakentaa suhteita tulevia tarpeita varten.

Tämä on erityisen tärkeää, sillä tuottavuuden käsite rekrytoinnissa ymmärretään usein väärin. Suurempi aktiivisuus ei välttämättä tarkoita parempaa työtä.

Sähköpostien massalähetykset, satojen PDF-tiedostojen avaaminen ja profiilien mekaaninen siirtely järjestelmässä näyttävät raporteissa erinomaiselta tehokkuudelta, mutta ne johtavat harvoin objektiivisesti parempiin liiketoimintapäätöksiin. Todellinen tuottavuus on oman huomiokyvyn optimaalista hyödyntämistä.

Jos teknologia auttaa rekrytoijaa löytämään sopivat profiilit aikaisemmin, valmistelemaan terävät ja osuvat kysymykset sekä ohittamaan toistuvan, mekaanisen arvioinnin, se luo arvoa, joka ylittää moninkertaisesti pelkän raa'an käsittelynopeuden.

Application Radar ja AI Scoring ratkaisevat kaksi eri ongelmaa

AI Scoring pääsee oikeuksiinsa, kun se yhdistetään toiseen Recruitifyn tehokkaaseen ominaisuuteen – Application Radariin. Nämä kaksi toimintoa täydentävät toisiaan, mutta palvelevat täysin eri tarkoituksia.

Application Radar auttaa rekrytoijia suodattamaan saapuvat hakemukset nopeasti hakijan todellisen sijainnin perusteella ja tarjoaa muuta hyödyllistä taustatietoa hakijasta. Tämä työkalu on korvaamaton tilanteissa, joissa ilmoitus kerää paljon hakemuksia alueilta, jotka eivät vastaa tehtävän vaatimuksia, tai kun itse hakemuksesta puuttuu laajempi konteksti.

Puolestaan AI Scoring arvioi puhtaasti hakijan sisällöllistä ja ammatillista sopivuutta avoinna olevaan rooliin. Yksinkertaistettuna:

• Application Radar vastaa kysymykseen: ”Kuka hakee ja mitä muuta taustatietoa meidän tulisi tästä henkilöstä tietää?”

• AI Scoring vastaa kysymykseen: ”Kuinka hyvin tämä kyseinen ehdokas vastaa tehtävämme vaatimuksia?”

Yhdessä ne muodostavat huomattavasti vahvemman, jäsennellyn arviointikehyksen. Yksi työkalu karsii turhan kohinan ja tuo markkinakontekstin, kun taas toinen arvioi puhtaan asiantuntijuuden osuvuuden. Tämä yhdistelmä voi nostaa rekrytoijan tuottavuutta dramaattisesti – erityisesti suurissa volyymirekrytoinneissa.

Meidän on kuitenkin puhuttava riskeistä

Teknologia opettaa meidät jatkuvasti työskentelemään kovemmilla kierroksilla. Odotamme hakutuloksia sekunnin murto-osassa. Oletamme, että suositukset ovat heti erittäin personoituja. Odotamme, että järjestelmät kertovat meille, mitä lukea, katsoa, ostaa ja miten asettaa prioriteettimme.

Rekrytointijärjestelmät (ATS) kehittyvät täsmälleen samaan suuntaan. Tämä on erittäin hyödyllistä, mutta samalla se luo uuden, vaarallisen riskin. Mitä enemmän luotamme pisteytyksiin, suosituksiin ja pelkkiin ranking-listoihin, sitä helpommin lakkaamme katsomasta pintaa syvemmälle.

Kuvittele rekrytoija, joka alkaa pitää 75 pisteen tulosta epävirallisena karsintarajana. Tämän rajan ylittävät ehdokkaat pääsevät jatkoon. Alittavat hylätään välittömästi.

Aluksi tämä tuntuu uskomattoman tehokkaalta ja helpottavalta. Ajan myötä hän saattaa kuitenkin lakata täysin kyseenalaistamasta itse arviointitulosta. Ehdokkaalla, joka saa 68 pistettä, voi olla erittäin epätavallinen, mutta silti äärimmäisen arvokas ja tähän tehtävään sopiva kokemus. Toinen voi tulla aivan eri toimialalta, mutta tuoda mukanaan sellaista siirrettävää osaamista, josta palkkaava esihenkilö maksaisi mitä tahansa. Kolmannella taas voi olla heikosti kirjoitettu ansioluettelo, mutta livenä hän osoittautuu todelliseksi huippuosaajaksi.

Jos rekrytoija lakkaa katsomasta tietyn pisterajan alle, teknologia lakkaa samalla hetkellä tukemasta hänen arviointikykyään ja alkaa korvata sen kokonaan. Eikä se ole AI Scoringin tehtävä. Tulos ei ole lopullinen totuus. Se on vain matemaattinen tulkinta saatavilla olevista tiedoista annettujen kriteerien perusteella.

Jos ansioluettelo on puutteellinen, myös arvio on todennäköisesti sellainen. Jos ilmoituksen vaatimukset ovat epämääräiset, järjestelmä tuottaa arvioita, jotka johtavat teitä harhaan. Ja jos rekrytoija luottaa 100-prosenttisesti pelkkään lukuun ohittaen oman ammatillisen vainunsa, loistavat ihmiset katoavat tietokannasta ikuisiksi ajoiksi ennen kuin kukaan ehtii edes soittaa heille.

Siksi rekrytoijien tulisi nähdä tämä järjestelmä liiketoiminnan tienviittana, ei suljettuna porttina, josta ei pääse läpi. Teknologian tehtävä on terävöittää katsettamme, ei luoda silmälappuja.

Hyvä arviointi alkaa aina roolin selkeästä määrittelystä

Toistamme aina yhtä asiaa: AI Scoring on vain niin hyvä kuin kriteerit, joilla sitä syötetään. Jos tehtävänkuvaus on epämääräinen, irrallaan todellisuudesta tai liian laaja – älä odota, että saat tulokseksi täydellisen ehdokaslistauksen.

Vaatimus kuten ”Vahva taloushallinnon kokemus” on klisee. Mitä se käytännössä tarkoittaa yrityksessänne? Raportointia? Controllingia? Operatiivista budjetointia? Auditointia? Kirjanpitoa? Business partner -roolissa toimimista vai puhtaasti talousanalyysia?

Sama pätee termeihin kuten ”Johtajuustaidot”, ”Kaupallinen näkemys” tai kulunut ”Erinomaiset viestintätaidot”. Ne kuulostavat hyvältä ilmoituksessa, mutta niitä on lähes mahdotonta arvioida, ellet käännä niitä konkreettisiksi vaatimuksiksi. Tarkoittaako johtajuus teillä kymmenen hengen tiimin vetämistä? Matriisiprojektien ohjaamista? Vaikuttamista sidosryhmiin ilman muodollista esimiesasemaa?

Mitä selkeämmät ja yksiselitteisemmät kriteerit ovat, sitä tehokkaampi itse Scoring on. Ja tämä synnyttää mielenkiintoisen sivuvaikutuksen. Tämän toiminnon käyttö paljastaa armottomasti ne hetket, jolloin liiketoimintajohdolta saatu rekrytointitoimeksianto on todellisuudessa täynnä aukkoja.

Joskus todellinen ongelma ei olekaan se, etteivätkö markkinoilla olevat ehdokkaat sopisi tehtävään. Ongelma on se, ettei kukaan yrityksessä ole määritellyt selkeästi, mitä ”sopivuus” teillä tarkoittaa. Tässä suhteessa tekoäly voi parantaa ansioluetteloiden esikarsinnan laadun lisäksi ennen kaikkea rekrytoijan ja liiketoiminnan välisen keskustelun laatua ja kypsyyttä, jo ennen kuin koko hakuprosessi edes käynnistyy.

Lopullisen päätöksen tekee aina rekrytoija

Aina kun tekoälyä käytetään arvioimaan ihmisiä, herää sama kysymys: ”Päättääkö järjestelmä lopulta sen, kenet palkkaamme?”.

Recruitifyn kohdalla vastaus on aina: EI. Ohjat pysyvät rekrytoijan käsissä.

AI Scoring jäsentää tietoa kaaoksen keskellä, tunnistaa mielenkiintoisia kaavoja ja auttaa asettamaan hakuprosessin prioriteetit poikkeuksellisen tarkasti. Se ei kuitenkaan koskaan ymmärrä tietyn tiimin syvällistä toimintaympäristöä, esihenkilön persoonan vivahteita, asiakkaan monimutkaista liiketoimintatilannetta tai hakijan aitoa, inhimillistä motivaatiota.

Mikään algoritmi ei pysty todentamaan ihmisten välistä kemiaa vaativassa haastattelussa. Se ei pysty arvioimaan jonkun kehityspotentiaalin suuruutta. Se ei voi arvata, että palkkaava esihenkilö on valmis luopumaan jostain kovasta vaatimuksesta, koska toinen taito, jonka hän ehdokkaassa huomasi, osoittautui kymmenen kertaa tärkeämmäksi projektin kannalta. Se ei myöskään voi korvata rekrytoijan äärimmäisen tärkeää uteliaisuutta.

Pisteytyksen kärjessä oleva hakija ei välttämättä ole se ainoa oikea valinta. Ja hieman matalamman pisteytyksen saanut voi osoittautua täydelliseksi helmeksi yritykselle.