Análisis de currículum

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

Principio

Los analizadores de currículum 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 analizado el currículum, un reclutador puede buscar palabras clave y frases en la base de datos 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 tener 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 los 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 dar cuenta de toda la ambigüedad y proporcionaría una cobertura limitada.

El procesamiento del lenguaje natural (PLN) 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 dan cuenta de los diferentes formatos posibles de acrónimos y los normalizan. La lematización reduce las palabras a su raíz utilizando un diccionario de idiomas y la lematización elimina la “s”, “ing”, etc. La extracción de entidades utiliza expresiones regulares , diccionarios, análisis estadístico y extracción basada en patrones complejos para identificar personas, lugares, empresas, números de teléfono, direcciones de correo electrónico, frases importantes y más. ^[4]

Eficacia

Los analizadores de currículums han alcanzado una precisión de hasta el 87 %, ^[6] lo que se refiere a la precisión de la entrada de datos y la categorización correcta de los mismos. La precisión humana no suele ser superior al 96 %, por lo que los analizadores de currículums han alcanzado 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. Pasaron 1000 currículums por el software de análisis de currículums y pidieron a los humanos que analizaran e ingresaran los datos manualmente. La empresa contrató a un tercero para evaluar el desempeño de 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 de los currículums y, en ocasiones, escribieron palabras mal escritas o números incorrectos. ^[8]

En un experimento de 2012, se creó un currículum para un candidato ideal basándose en la descripción del puesto de científico clínico. Después de pasar por el analizador, se perdió por completo la experiencia laboral de uno de los candidatos debido a que la fecha figuraba antes del empleador. El analizador tampoco detectó varios títulos educativos. El resultado fue que el candidato recibió una clasificación de relevancia de solo el 43%. Si se hubiera tratado del currículum de un candidato real, no habría pasado al siguiente paso a pesar de estar calificado para el puesto. ^[9] Sería útil que se realizara un estudio similar en los analizadores de currículum actuales para ver si ha habido alguna mejora en los últimos años.

Beneficios

En 2003, Marianne Bertrand y Sendhil Mullainathan realizaron un estudio notable sobre los currículos. Querían observar los efectos de los nombres que sonaban a blancos frente a los que sonaban a negros en los currículos durante el proceso de contratación. Enviaron currículos idénticos (de baja a alta calidad) con las mismas cualificaciones y credenciales, pero diferían en el nombre de los solicitantes para las mismas vacantes. Un grupo tenía los nombres estereotípicos caucásicos, como Greg y Emily, y el otro grupo tenía los nombres estereotípicos afroamericanos, como Darnell y Tamika. Bertrand y Mullainathan registraron a cuántos de los solicitantes se les devolvió la llamada para una entrevista. El resultado mostró que, a pesar de la calidad del currículo, los de los solicitantes blancos generaron un 50% más de devoluciones de llamadas que sus contrapartes negras. Por lo tanto, la calidad del currículo importó menos que la raza del solicitante en el proceso de selección. No se midieron las actitudes de los gerentes de contratación, por lo que se desconoce si se trata de una forma de sesgo implícito o explícito. Sin embargo, las empresas siguen discriminando a los candidatos negros y tienen prejuicios incorporados en sus procesos de contratación. ^[10] El análisis de currículums puede impedir el sesgo que inevitablemente surge en el proceso de contratación y permitir que los candidatos sean clasificados en función de la información objetiva. El software puede programarse para ignorar y ocultar los elementos de un currículum que pueden generar sesgo (por ejemplo, nombre, género, raza, edad, dirección, etc.). ^[11]
La tecnología es sumamente rentable y permite ahorrar recursos. En lugar de pedir a los candidatos que introduzcan la información manualmente, lo que podría disuadirlos de presentar su candidatura o hacer perder el tiempo al reclutador, ahora la entrada de datos se realiza automáticamente. ^[12]
La información de contacto, las habilidades relevantes, el historial laboral, los antecedentes educativos y la información más específica sobre el candidato son fácilmente accesibles. ^[12]
El proceso de selección de candidatos es ahora mucho más rápido y eficiente. En lugar de tener que mirar todos los currículums, 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 de quienes buscan trabajo es la duración del proceso de solicitud. Con los analizadores de currículums, el proceso ahora es más rápido y los candidatos tienen una mejor experiencia. ^[13]
La tecnología ayuda a evitar que los candidatos calificados pasen desapercibidos. En promedio, un reclutador dedica 6 segundos a mirar un currículum. ^[14] Cuando un reclutador revisa cientos o miles de ellos, puede ser fácil pasar por alto o perder el rastro de 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 está calificado, pero al que no se ha postulado, la empresa aún tiene su información y puede comunicarse con él.

Desafíos

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

Optimización del currículum

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 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 formatos. ^[15]
Evite los gráficos. ^[15]
Utilice nombres de sección estándar como “Experiencia laboral” y “Educación”. ^[3]
Evite utilizar acrónimos a menos que estén incluidos en la descripción del puesto. ^[3]
No empiece con las fechas en la sección “Experiencia laboral”. ^[3]
Mantenga la coherencia con el formato de su experiencia laboral anterior. ^[9]
Enviar currículum en formatos de archivo docx , doc y PDF . ^[3]

Software y proveedores

Con los recientes avances en el aprendizaje automático, los procesos de minería y análisis de texto , que garantizan una precisión de hasta el 95 % en el procesamiento de datos, han surgido muchas tecnologías de IA para ayudar a los solicitantes de empleo en la creación de documentos de solicitud. Estos servicios se centran en la creación de currículums compatibles con ATS, la verificación y selección de currículums y la ayuda con todos los procesos de preparación y solicitud. Algunos de los desarrolladores 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 combinan a los candidatos con las vacantes adecuadas. En 2017, Google lanzó Google for Jobs. Esta expansión del motor de búsqueda utiliza Cloud Talent Solution, ^[16] la propia iteración de Google del creador de currículums y sistema de emparejamiento de IA.

Futuro

Los analizadores de currículum 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 ser ignorado si no está formateado de la manera correcta o no contiene palabras clave o frases específicas. A medida que el aprendizaje automático y el procesamiento del lenguaje natural mejoren, también lo hará la precisión de los analizadores de currículum.

Una de las áreas en las que el software de análisis de currículums está trabajando es en la realización de un análisis contextual de la información contenida en el currículum, en lugar de simplemente extraerla. Un empleado de una empresa de análisis dijo que “un analizador debe clasificar los datos, enriquecerlos con conocimiento de otras fuentes, normalizarlos para que puedan usarse para el análisis y permitir una mejor búsqueda”. ^[17]

También se les pide a las empresas de análisis que amplíen su trabajo más allá de los currículos o incluso los perfiles de LinkedIn. Están trabajando en la extracción de información de sitios específicos de la industria, como GitHub y perfiles de redes sociales. ^[17]

Referencias

^ ab “¿Qué es el análisis de CV/currículum?” Daxtra , Daxtra Technologies Ltd, 18 de octubre de 2016, https://info.daxtra.com/blog/2016/10/18/what-is-cvresume-parsing.
^ Ratcliff, Christopher. “Search Engine Watch”. ¿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 (PLN) para extraer información". Search Technologies , Search Technologies, www.searchtechnologies.com/blog/natural-language-processing-techniques.
^ Reynolds, Brandon. “El terrible problema con el procesamiento del lenguaje natural (somos nosotros)”. Salesforce Blog , Salesforce.com, Inc., 17 de agosto de 2016, www.salesforce.com/blog/2016/08/trouble-with-natural-language-processing.html.
^ "¿Empresas de software de RRHH? ¿Por qué estructurar sus datos es crucial para su negocio?". 15 de abril de 2019.
^ “La guía definitiva para analizar CV 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 ejecutivos de alto nivel pone la precisión a prueba". Análisis de currículum: poner la precisión a prueba , 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 superar 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). "¿Son Emily y Greg más empleables que Lakisha y Jamal? Un experimento de campo sobre discriminación en el mercado laboral". Oficina Nacional de Investigación Económica . 9873 . doi : 10.3386/w9873 .
^ “Tres formas en que los reclutadores pueden usar la IA para reducir el sesgo inconsciente”. Undercover Recruiter , 12 de mayo de 2017, theundercoverrecruiter.com/ai-reduce-unconscious-bias/.
^ abcd “Pasos de bebé en la tecnología de RR.HH.: ¿Qué es el análisis de currículums?” Recruiterbox , Recruiterbox Inc, 12 de octubre de 2017, recruiterbox.com/blog/baby-steps-in-hr-technology-what-is-resume-parsing-2/.
^ Cain, 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, invierte tu tiempo en mirar currículums”. ERE , ERE Media., 3 de mayo de 2012, www.ere.net/got-a-minute-if-so-spend-it-looking-at-resumes/.
^ abc Cappelli, Peter. “¿Cómo conseguir un trabajo? Vence 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/.
^ "Solución de talento en la nube". Google .
^ ab Zielinkski, Dave. “¿Su analizador de currículums es comparable? Cómo evaluar los sistemas de próxima generación”. SHRM Society for Human Resource Management , SHRM, 10 de mayo de 2016, www.shrm.org/resourcesandtools/hr-topics/technology/pages/does-your-resume-parser-stack-up-how-to-evaluate-next-generation-systems.aspx?sthash.2dz2wgkl.mjjo.