Roboter im Recruiting - Wie der Einsatz falscher Technologien Bewerbende verunsichern kann.

Roboter im Recruiting - Wie der Einsatz falscher Technologien Bewerbende verunsichern kann.

„So überlisten Sie den Bewerbungs-Roboter“ titelte 20minuten in Ihrem Online-Artikel. Bei den besagten Robotern handelt es sich um Applicant-Tracking-Systems (ATS) und deren Möglichkeit Bewerbende dank den eingegeben Daten bereits in diesem Stadium automatisch vor- und teilweise sogar auszusortieren. Bereits der erste Artikel zu diesem Thema „Auch in der Schweiz sieben Roboter Bewerbungen aus“ polarisierte bei den Lesen. «Hier zeigt sich wieder mal in aller Deutlichkeit, dass nicht wie früher Menschen für eine Arbeit gesucht werden, sondern einfach nur Arbeitskräfte» oder «Der Vorteil an einem Computer ist, dass er nicht nach Hautfarbe oder Attraktivität des Bewerbenden entscheidet.» sind nur zwei Beispiele aus den über 600 Leserkommentaren und verdeutlichen wie sehr die Meinungen hier auseinander gehen.

 

20minuten versucht mit dem obengenannten Artikel, Tipps&Tricks an die User zu bringen, wie man das ATS am besten mit Informationen füllt. Doch dabei gibt es zuerst einmal etwas anderes zu klären. Welche Roboter oder besser gesagt welche Technologien kommen tatsächlich zum Einsatz. Im Zentrum der Kritik der beiden Artikel steht in diesem Falle das Parsing.

 

Was ist CV-Parsing?

Beim CV-Parsing handelt es sich lediglich um das Umwandeln von unstrukturierten Lebensläufen in Fliesstext und somit in ein Format, welches vom Computer verarbeitet werden kann. Auch Lebensläufe in Bild oder PDF-Format können über die Integration eines Schrifterkennungsprogramms (OCR) oder andere Lösungen geparst werden. Die wichtigsten Infos aus einem CV herauszugreifen klingt einfach, ist für den Computer jedoch eine höchst komplexe Aufgabe. Denn die menschliche Sprache bietet fast unendlich viele verschiedene Möglichkeiten eine Sache darzustellen. In verschiedenen Kontexten erhält das gleiche Wort komplett unterschiedliche Bedeutungen. Wenn zum Beispiel vom „Geschäftsführer“ die Rede ist, dann kann es sowohl sein, dass der Verfasser des Lebenslauf selbst Geschäftsführer war, als auch, dass er „dem Geschäftsführer direkt unterstellt“ war. Erfahrungen oder Qualifikationen sind selten einfach nur stichwortartig aufgeführt, sondern oft implizit im Text beschrieben. Daher muss ein CV-Parser Kontext durch eine semantische Analyse korrekt interpretieren können. Denn er orientiert sich an den üblichen Überschriften eines Lebenslaufes, die Aufschluss darüber geben, was für Informationen im folgenden Abschnitt zu finden sind.
Das klingt simpel, ist aber eine höchst komplexe Aufgabe. Jeder gliedert schliesslich seinen Lebenslauf wie er will, denn dieser ist ja auch ein Spiegelbild der eigenen Persönlichkeit. Mehrere Versuche, die Struktur des Lebenslaufs zu standardisieren (was die Qualität des Parsings natürlich nachhaltig verbessern würde), wie zum Beispiel der Europass, sind gescheitert.

 

CV Parsing

 

Wie gut funktioniert das CV-Parsing von heute?

Die Herausforderung an das Parsing ist also von enormer Komplexität – Fliesstext in strukturierte Information zusammenzufassen. Firmen mit Ihren ATS und Jobplattformen lehnen sich also weit aus dem Fenster, wenn sie dem Bewerbenden versprechen, dass das Hochladen des CV sie in Sekundenschnelle zum Traumjob führt. Das zeigt sich dann auch beim Testen einiger solcher Plattformen: Die Arbeitserfahrung wird falsch oder erst gar nicht erfasst, da der Parser entweder Mühe hat, die Zeitspanne zu erkennen, während derer man einer Tätigkeit nachgegangen ist, oder den Aufgabenbereich und den Jobtitel richtig herauszulesen. Zudem ist es oft schwierig zwischen Ausbildung und Erfahrung zu unterscheiden (z. B. bei Praktika). Bei vielen Plattformen sieht man erst gar nicht, welche Informationen aus dem CV herausgenommen und für die Jobsuche verwendet wurden. Solche Fehler sind umso ärgerlicher, da der Bewerbende, die vom Lebenslauf extrahierte Information manuell korrigieren muss.

 

Schlimmer wirkt sich aber die Tatsache aus, dass der Bewerbende zu keinem Zeitpunkt wirklich durchschauen kann, wie das Parsing die Kriterien gewichtet z.B. auf welche Erfahrungen, Ausbildung oder Fähigkeiten besonders wert gelegt werden. Dadurch könnten auch geeignete Bewerbende aussortiert werden, nur weil diese die Kriterien allenfalls nicht genau so erfasst haben, wie sie für die Vorselektion essentiell gewesen wären. Umgekehrt heisst dies für Firmen, dass Ihnen potentiell geeignete Bewerbende gar nie erst richtig angezeigt wurden.
Trotzdem – Den Parser als nützliches Tool zur Zeiteinsparung, das aber auf manuelle Hilfe angewiesen ist, zu beschreiben, ist sicher nicht falsch. Doch eine überhöhte Erwartung verärgert den Bewerbenden letztendlich, was zu einer schlechten Candidate Experience führt. So weist die Studie, Recruiting Trends 2015 des Jobportals Monster auch darauf hin, dass CV-Parsing immer noch nicht einwandfrei funktioniert. Denn sie hat festgestellt, dass Onlineformularbewerbungen von Arbeitgebern wegen ihrer Standardisierung und der Übersichtlichkeit geliebt, von Bewerbenden jedoch wegen des Aufwands gehasst werden. Die fortwährende Unbeliebtheit der Online-Bewerbung, sowie diese aus den beiden 20minuten Artikeln deutlich wird, weist darauf hin, dass CV-Parsing von vielen Benutzern immer noch als ungenügend empfunden wird. Die Bewerbenden haben oft keine Mühe und Kosten gescheut, um sich mit einem perfekten Lebenslauf, Referenzschreiben, Zeugnissen, Arbeitsbeispielen etc. auf eine passende Stelle zu bewerben. Sehen Sie sich dann als erstes mit einem ATS konfrontiert, in dem Sie in mühsamer Kleinarbeit alle Daten hochladen müssen, dann sorgt dies für unnötigen Ärger und erhöht zudem noch die Fehlerquelle. Da die ATS ebenfalls keinem klassischen Standard entsprechen, kann es sein, dass der User seine Daten jedes Mal wieder in anderer Form hochladen muss.

 

Unterlagen für ATS optimieren

Damit sich Bewerbende aber möglichst effizent vorbereiten können, gibt es in der Tat ein paar Tipps, die helfen, damit man nicht wegen ungenügender Eingaben aussortiert wird. Jan Tezge von SolarWinds zeigt in seinem Blog auf Linkedin die wichtigsten auf. Es empfiehlt sich Unterlagen immer auch als Textdokument und nicht nur als PDF aufzubereiten, da viele Parsing-Systeme mit PDF grosse Mühe bekunden. Setzen Sie dabei immer auf eine gut leserliche Standardschrift. Das Einbauen, der wichtigsten Keywords der Ausschreibung auch im Referenzschreiben oder CV ist essentiell, damit diese gleich erkannt werden. Zudem gehören die Adressinformationen immer zuoberst auf die Bewerbung. Mit gewissen Tipps&Tricks lassen sich so also tatsächlich die Chancen erhöhen, dass man nicht bereits zu Beginn aussortiert wird.

 

Welcher Roboter trägt denn die Schuld?

Doch wer sortiert eigentlich aus? Das Parsing ist sicherlich noch nicht vollausgereift und die Technologie hat viel Luft nach oben. Es kann durchaus die Daten gruppieren und eine Reihenfolge aus den gewichteten Kriterien erstellen. Damit aber wirklich die Skills der User, mit den geforderten Skills der Stelle abgeglichen werden können, braucht es eine ganz andere Technologie: Das Matching.

 

Der Einsatz richtiger Technologien sorgt für bessere Candidate Experience

Genauso wie in anderen Branchen nimmt auch im HR der Wunsch nach teilweiser Automatisierung oder Prozessvereinfachung unweigerlich zu. Das mag bei vielen Usern zwar für Ärger sorgen, aber es unterscheidet sich nicht von anderen Branchen. Vor Jahren wäre es auch noch undenkbar gewesen, dass wir selbst die Daten für Zahlungen erfassen, sondern haben Sie einfach der Bank geschickt zur Verarbeitung. Reisen haben wir im Reisebüro gebucht und mussten uns so nicht selbst bemühen passende Angebote online zu suchen und die Informationen für die Buchung selbst einzugeben usw.
Technologien haben klar das Potenzial im HR, die Effizienz zu steigern – aber halt eben nur, wenn man auf die richtigen Technologien setzt. Ontologiebasiertes Matching sorgt nicht nur für eine Effizienzsteigerung, sondern bietet auch den Jobsuchenden einige Vorteile. Der Mehrwert, welcher durch das Skills-Matching erreicht werden kann, bedingt ein technisches und organisatorisches Umdenken. Viele Jobangebote, wie sie heute auf Jobplattformen und Social Media ausgeschrieben sind, enthalten nicht genügend Informationen über einen Job, um erkennen zu können, welche Mitarbeitenden ein Unternehmen eigentlich sucht. Der Job-Titel „Executive Director“ klingt zwar vielversprechend, sagt aber nichts aus über das Arbeitsfeld geschweige denn die Ausbildung oder Erfahrung, die nötig ist, um diesen Job zu bewältigen. Das ontologiebasierte Matching kann mit einer enorm grossen Menge an komplexen Daten umgehen, setzt aber dafür ein Minimum an klassifizierten Informationen über einen Job voraus. Solche klassifizierten Daten sollte das Parsing zur Verfügung stellen, damit auch wirklich ungeeignete Bewerbende korrekt aussortiert werden können. Ist die Technologie nicht ausreichend, muss der Abgleich über manuell eingegebene Daten erledigt werden. Wichtig ist: nur gute Daten ergeben auch einen guten Match. Doch gutes Matching kann noch mehr, als nur einen automatisierten Abgleich von Job oder Skills.

 

Es ermöglicht zum Beispiel mittels (gradueller) Anonymität zwischen Jobsuchenden und Unternehmen weitgehend diskriminationsfreie Bewerbungsverfahren. Somit kann Vorurteilen zum Beispiel aufgrund von Äusserlichkeit, Nationalität, Alter oder Geschlecht vorgebeugt werden. Dadurch, dass Arbeitnehmer und –geber sich im ersten Schritt anonym begegnen, sind nur die für einen Job relevanten Kriterien „matchentscheidend“.

 

Sind ATS wirklich so schlecht wie Ihr Ruf?

Diese Systeme haben ganz klar die Möglichkeit Prozesse zu vereinfachen. Damit dies aber wirklich gewinnbringend eingesetzt werden kann, braucht es vor allem einen sehr guten Parser. Denn nur die präzise Klassifizierung und Standardisierung macht Daten erst vergleichbar und schafft so den idealen Ausgangspunkt für ontologiebasiertes Matching. Deswegen sind eine gute Ontologie und Taxonomie die entscheidenden Erfolgsfaktoren, denn diese verhindern Fehler bei der Klassifizierung. Doch auch beim Parsing darf etwas nie unterschätzt werden. Kein Algorithmus ist so präzis wie das Wissen der User. Parsing unterstützt natürlich die HR- oder Recruiting-Verantwortlichen bei Ihrer Arbeit, aber es kann nur so gut sein, wie diejenigen die das System bedienen. Nur wenn das HR die vorhandenen Dossiers und Resultate sauber prüft und auswertet, kann man auch die richtigen Menschen für die Stelle rekrutieren.

Wer zukünftig sein ATS umstellen und massgeblich verbessern möchte, der setzt am besten auf JANZZon! Denn dank den intelligenten Daten, der grössten enzyklopädischen Wissensdatenbank im Bereich Occupation Data, vereinfachen Sie Ihre Prozesse, verhindern einen Grossteil der in diesem Artikel beschriebenen Fehlerquellen und schaffen erst noch die Grundlage für ein funktionierendes und präziseres Matching.
Weitere Infos unter: https://janzz.technology/janzz-on/?lang=de