Análisis de currículum

El análisis de currículum , también conocido como análisis de currículum , extracción de currículum o extracción de currículum , permite el almacenamiento y análisis automatizados de los datos del currículum . El currículum se importa a un software de análisis y la información se extrae para poder ordenarla y buscarla.

Principio

Los analizadores de currículums analizan un currículum, extraen la información deseada e insertan la información en una base de datos con una entrada única para cada candidato. ^[1] Una vez que se ha analizado el currículum, un reclutador puede buscar en la base de datos palabras clave y frases y obtener una lista de candidatos relevantes. Muchos analizadores admiten la búsqueda semántica , que agrega contexto a los términos de búsqueda e intenta comprender la intención para que los resultados sean más confiables y completos. ^[2]

Aprendizaje automático

El aprendizaje automático es extremadamente importante para el análisis de currículums. Cada bloque de información debe recibir una etiqueta y clasificarse en la categoría correcta, ya sea educación, historial laboral o información de contacto. ^[3] Los analizadores basados en reglas utilizan un conjunto predefinido de reglas para analizar el texto. Este método no funciona para currículums porque el analizador necesita "comprender el contexto en el que aparecen las palabras y la relación entre ellas". ^[4] Por ejemplo, si la palabra "Harvey" aparece en un currículum, podría ser el nombre de un solicitante, hacer referencia a la universidad Harvey Mudd o hacer referencia a la empresa Harvey & Company LLC. La abreviatura MD podría significar "Médico" o "Maryland". Un analizador basado en reglas requeriría reglas increíblemente complejas para tener en cuenta toda la ambigüedad y proporcionaría una cobertura limitada.

El procesamiento del lenguaje natural (PNL) es una rama de la inteligencia artificial que utiliza el aprendizaje automático para hacer predicciones y comprender el contenido y el contexto. ^[5] La normalización y el etiquetado de acrónimos tienen en cuenta los diferentes formatos posibles de acrónimos y los normalizan. La lematización reduce las palabras a su raíz utilizando un diccionario de idiomas y la derivación elimina "s", "ing", etc. La extracción de entidades utiliza expresiones regulares , diccionarios, análisis estadístico y extracción compleja basada en patrones para identificar personas, lugares, empresas, números de teléfono, direcciones de correo electrónico, frases importantes y más. ^[4]

Eficacia

Los analizadores de currículums han logrado hasta un 87% de precisión, ^[6] lo que se refiere a la precisión de la entrada de datos y la categorización correcta de los datos. La precisión humana no suele ser superior al 96%, por lo que los analizadores de currículums han logrado una "precisión casi humana". ^[7]

Una empresa de contratación de ejecutivos probó tres analizadores de currículums y humanos para comparar la precisión en la entrada de datos. Ejecutaron 1000 currículums a través del software de análisis de currículums e hicieron que humanos analizaran e ingresaran los datos manualmente. La empresa contrató a un tercero para evaluar cómo les fue a los humanos en comparación con el software. Descubrieron que los resultados de los analizadores de currículums eran más completos y tenían menos errores. Los humanos no ingresaron toda la información en los currículums y ocasionalmente escribieron mal palabras o números incorrectos. ^[8]

En un experimento de 2012, se creó un currículum para un candidato ideal basado en la descripción del trabajo para un puesto de científico clínico. Después de pasar por el analizador, una de las experiencias laborales del candidato se perdió por completo debido a que la fecha figuraba ante el empleador. El analizador tampoco detectó varios títulos educativos. El resultado fue que el candidato recibió una clasificación de relevancia de sólo el 43%. Si este hubiera sido el currículum de un candidato real, no habrían pasado al siguiente paso a pesar de que estaban calificados para el puesto. ^[9] Sería útil si se realizara un estudio similar en los analizadores de currículums actuales para ver si ha habido alguna mejora en los últimos años.

Beneficios

Marianne Bertrand y Sendhil Mullainathan llevaron a cabo un notable estudio de currículum en 2003. Querían observar los efectos de los nombres que suenan blancos versus los nombres que suenan negros en los currículums en el proceso de contratación. Enviaron currículums idénticos (que variaban de baja a alta calidad) con las mismas calificaciones y credenciales, pero diferían en el nombre de los solicitantes para las mismas vacantes de trabajo. Un grupo tenía nombres estereotipados caucásicos, como Greg y Emily, y el otro grupo tenía nombres estereotipados afroamericanos, como Darnell y Tamika. Bertrand y Mullainathan luego registraron cuántos de los solicitantes recibieron llamadas para una entrevista. El resultado mostró que a pesar de la calidad del currículum, los de los solicitantes blancos obtuvieron un 50% más de devoluciones de llamadas que sus homólogos negros. Por tanto, la calidad del currículum importaba menos que la raza del solicitante en el proceso de selección. No se midieron las actitudes de los responsables de contratación, por lo que se desconoce si se trata de una forma de sesgo implícito o explícito. Sin embargo, las empresas continúan discriminando a los solicitantes negros y tienen prejuicios incorporados en sus procesos de contratación. ^[10] El análisis del currículum puede impedir el sesgo que inevitablemente surge en el proceso de contratación y permitir clasificar a los solicitantes en función de la información objetiva. El software se puede programar para ignorar y ocultar los elementos de un currículum que puedan generar sesgos (por ejemplo, nombre, sexo, raza, edad, dirección, etc.). ^[11]
La tecnología es extremadamente rentable y ahorra recursos. En lugar de pedir a los candidatos que introduzcan la información manualmente, lo que podría disuadirlos de postularse o hacer perder el tiempo al reclutador, la entrada de datos ahora se realiza automáticamente. ^[12]
La información de contacto, las habilidades relevantes, el historial laboral, la formación académica y la información más específica sobre el candidato son fácilmente accesibles. ^[12]
El proceso de selección de candidatos es ahora significativamente más rápido y eficiente. En lugar de tener que mirar cada currículum, los reclutadores pueden filtrarlos por características específicas, ordenarlos y buscarlos. Esto permite a los reclutadores avanzar en el proceso de entrevistas y cubrir puestos a un ritmo más rápido.
Una de las mayores quejas que tienen las personas que buscan empleo es la duración del proceso de solicitud. Con los analizadores de currículums, el proceso ahora es más rápido y los candidatos tienen una experiencia mejorada. ^[13]
La tecnología ayuda a evitar que candidatos calificados pasen desapercibidos. En promedio, un reclutador pasa 6 segundos mirando un currículum. ^[14] Cuando un reclutador revisa cientos o miles de ellos, puede ser fácil pasar por alto o perder de vista a los candidatos potenciales.
Una vez analizado el currículum de un candidato, su información permanece en la base de datos. Si surge un puesto para el que están calificados, pero no han solicitado, la empresa aún tiene su información y puede comunicarse con ellos.

Desafíos

El software de análisis debe basarse en reglas complejas y algoritmos estadísticos para capturar correctamente la información deseada en los currículums. Existen muchas variaciones de estilo de escritura, elección de palabras, sintaxis, etc. y la misma palabra puede tener múltiples significados. La fecha por sí sola se puede escribir de cientos de formas diferentes. ^[1] Sigue siendo un desafío para estos analizadores de currículums dar cuenta de toda la ambigüedad. El procesamiento del lenguaje natural y la inteligencia artificial todavía tienen un camino por recorrer para comprender la información basada en el contexto y lo que los humanos quieren transmitir en el lenguaje escrito.

Reanudar optimización

Los analizadores de currículums se han vuelto tan omnipresentes que ahora se recomienda que los candidatos se concentren en escribir para el sistema de análisis en lugar de hacerlo para el reclutador. Se han propuesto las siguientes técnicas para aumentar la probabilidad de éxito:

Utilice palabras clave de la descripción del trabajo en lugares relevantes de su currículum. ^[12]
No utilice encabezados ni pies de página, ya que pueden confundir los algoritmos de análisis. ^[15]
Utilice un estilo simple para fuentes, diseños y formato. ^[15]
Evite los gráficos. ^[15]
Utilice nombres de secciones estándar como "Experiencia laboral" y "Educación". ^[3]
Evite el uso de siglas a menos que estén incluidas en la descripción del trabajo. ^[3]
No comience con fechas en la sección "Experiencia laboral". ^[3]
Sea coherente con el formato de la experiencia laboral anterior. ^[9]
Enviar currículum en formatos de archivo docx , doc y PDF . ^[3]

Software y proveedores

Hay muchas opciones independientes para analizadores de currículums, incluidas ^[16] RChilli, Skillate, CandidateZip, Sovren, Daxtra, Textkernel, Hireability y, por lo general, también se incluyen con sistemas de seguimiento de candidatos , que las empresas utilizan para agilizar el proceso de contratación. ^[17]

Con los avances recientes en el aprendizaje automático, los procesos de análisis y minería de texto , que garantizan hasta un 95% de precisión ^[18] en el procesamiento de datos, han surgido muchas tecnologías de inteligencia artificial ^[19] para ayudar a los solicitantes de empleo en la creación de documentos de solicitud. Estos servicios se centran en crear currículums compatibles con ATS, ejecutar la verificación y selección de currículums y ayudar con todos los procesos de preparación y solicitud. Algunos de los creadores de IA, como Leap.ai y Skillroads, se concentran en la creación de currículums, mientras que otros, como Stella, también ofrecen ayuda con la búsqueda de empleo en sí, ya que relacionan candidatos con las vacantes adecuadas. En 2017, Google lanzó Google for Jobs. Esta expansión del motor de búsqueda utiliza Cloud Talent Solution, ^[20] la versión propia de Google del sistema de búsqueda y creación de currículums de IA.

Futuro

Los analizadores de currículums ya son estándar en la mayoría de las empresas medianas y grandes y esta tendencia continuará a medida que los analizadores se vuelvan aún más asequibles. ^[12]

El currículum de un candidato calificado puede ignorarse si no tiene el formato adecuado o no contiene palabras clave o frases específicas. A medida que mejoren el aprendizaje automático y el procesamiento del lenguaje natural, también lo hará la precisión de los analizadores de currículums.

Una de las áreas en las que el software de análisis de currículums está trabajando para expandirse es realizar un análisis contextual de la información del currículum en lugar de simplemente extraerla. Un empleado de una empresa de análisis dijo que "un analizador necesita clasificar datos, enriquecerlos con conocimiento de otras fuentes, normalizar los datos para que puedan usarse para análisis y permitir una mejor búsqueda". ^[21]

También se pide a las empresas de análisis que se expandan más allá de los currículums o incluso los perfiles de LinkedIn. Están trabajando para extraer información de sitios específicos de la industria, como GitHub y perfiles de redes sociales. ^[21]

Referencias

^ ab "¿Qué es el análisis de currículum vitae?" Daxtra , Daxtra Technologies Ltd, 18 de octubre de 2016, https://info.daxtra.com/blog/2016/10/18/what-is-cvresume-parsing.
^ Ratcliff, Christopher. "Vigilancia de motores de búsqueda". ¿Qué es la búsqueda semántica y por qué es importante? , ClickZ Group Limited, 21 de octubre de 2015, searchenginewatch.com/sew/opinion/2431292/what-is-semantic-search-and-why-does-it-matter.
^ abcde "¿Está su currículum listo para la evaluación automatizada?" Resume Hacking , Resume Hacking, 2 de enero de 2016, www.resumehacking.com/ready-for-automated-resume-screening.
^ ab Nelson, Paul. "Técnicas de procesamiento del lenguaje natural (PNL) para extraer información". Tecnologías de búsqueda , Tecnologías de búsqueda, www.searchtechnologies.com/blog/natural-language-processing-techniques.
^ Reynolds, Brandon. "El terrible problema con el procesamiento del lenguaje natural (somos nosotros)". Blog de Salesforce , Salesforce.com, Inc., 17 de agosto de 2016, www.salesforce.com/blog/2016/08/trouble-with-natural-language-processing.html.
^ "¿Empresas de software de recursos humanos? ¿Por qué estructurar sus datos es crucial para su negocio?". 15 de abril de 2019.
^ "La guía definitiva para el análisis de currículums y currículums". Daxtra , Daxtra Technologies Ltd, 30 de junio de 2022, https://info.daxtra.com/the-ultimate-guide-to-cv-resume-parsing.
^ "Un reclutador de altos ejecutivos pone la precisión a la prueba definitiva". Reanudar el análisis: poner la precisión a la prueba definitiva , Sovren Group, Inc., www.sovren.com/resource-center/a-top-executive-recruiter-puts-accuracy-to-the-ultimate-test/.
^ ab Levinson, Meridith. "Cinco secretos internos para vencer a los sistemas de seguimiento de candidatos (ATS)". CIO , CIO, 1 de marzo de 2012, www.cio.com/article/2398753/careers-staffing/careers-staffing-5-insider-secrets-for-beating-applicant-tracking-systems.html.
^ Bertrand, Marianne; Mullainathan, Sendhil (julio de 2003). "¿Emily y Greg son más empleables que Lakisha y Jamal? Un experimento de campo sobre la discriminación en el mercado laboral". Oficina Nacional de Investigación Económica . 9873 . doi : 10.3386/w9873 .
^ "Tres formas en que los reclutadores pueden utilizar la IA para reducir los prejuicios inconscientes". Reclutador encubierto , 12 de mayo de 2017, theundercoverrecruiter.com/ai-reduce-unknown-bias/.
^ abcd "Pequeños pasos en la tecnología de recursos humanos: ¿Qué es el análisis de currículums?" Recruiterbox , Recruiterbox Inc, 12 de octubre de 2017, reclutarbox.com/blog/baby-steps-in-hr-technology-what-is-resume-parsing-2/.
^ Caín, Áine. "La verdadera razón por la que el 60% de los solicitantes de empleo no soportan el proceso de solicitud". Business Insider , Business Insider, 16 de junio de 2016, www.businessinsider.com/why-most-ob-seekers-cant-stand-the-application-process-2016-6.
^ Schultz, Carol. "¿Tienes un minuto? Si es así, inviertelo en mirar currículums”. ERE , ERE Media., 3 de mayo de 2012, www.ere.net/got-a-minuto-if-so-spend-it-looking-at-resumes/.
^ abc Cappelli, Peter. "¿Cómo conseguir trabajo? Derrota a las máquinas”. Time , Time Inc., 11 de junio de 2012, business.time.com/2012/06/11/how-to-get-a-job-beat-the-machines/.
^ "¿Cuál es el mejor software de análisis de currículums?".
^ Hu, James. "Respuestas a sus 7 preguntas principales sobre los sistemas de seguimiento de candidatos". Recruiter , Recruiter.com, Inc., 16 de agosto de 2017, www.recruiter.com/i/your-top-7-questions-about-applicant-tracking-systems-answered/.
^ "hasta un 95% de precisión". Hacia la ciencia de datos . 17 de enero de 2018.
^ "Tecnologías de inteligencia artificial que te ayudan a ser contratado". Caminos de habilidades .
^ "Solución de talento en la nube". Google .
^ ab Zielinkski, Dave. “¿Se acumula su analizador de currículums? Cómo evaluar sistemas de próxima generación ". Sociedad SHRM para la Gestión de Recursos Humanos , SHRM, 10 de mayo de 2016, www.shrm.org/resourcesandtools/hr-topics/technology/pages/does-your-resume-parser-stack-up-how-to-evaluate-next-generación -systems.aspx?sthash.2dz2wgkl.mjjo.