Hola, soy Ramón Egea, experto en Tech Talent Acquisition & Profesor/Advisor de AI para HR.
Bienvenido a hrguru.ai la Newsletter sobre Inteligencia Artificial para profesionales de Recursos Humanos
Quizá estás aquí para ver herramientas de AI y HR, tu sección → 🛠 AI Tools
¿Te gustaría que impartiera una formación sobre AI+HR en tu compañía? Haz click aquí y te cuento más→ 👨🏫 Workshops
Si quieres patrocinar hrguru.ai o tienes alguna otra idea de colaboración, hazle un click aquí → 🤝 Colaboraciones o escríbeme a ramon@hrguru.ai
¡Bienvenid@ a hrguru.ai!
Esta semana os traigo una firma invitada.
Se trata de Antonio Santiago que es Co-founder de Joppy, una de mis tecnologías de cabecera para reclutar talento técnico.
Tal como indica el título de la entrada, Antonio nos va a contar cómo podemos usar la IA para las fases de sourcing y screening de un proceso de selección.
Hechas las prestaciones pertinentes os dejo con él :)
La situación del sector tech (ese desajuste entre oferta y demanda) junto a sus características (como lo aparición constante de nuevas tecnologías) hace que el profesional del tech recruitment sea probablemente uno de los perfiles que más retos debe afrontar durante su carrera y en su día a día.
El sourcing y screening de candidatos son probablemente dos de las tareas del proceso de hiring al que más tiempo y más esfuerzos debe dedicar el recruiter. Y que, por contra, son las menos agradecidas.
La tarea de sourcing ha pasado a ser algo habitual en el flujo de trabajo en los procesos de selección, así que disponer de fuentes de candidatos de calidad, que se adecuen a los requisitos de la oferta, es ahora más importante que nunca. De nada sirve una fuente que nos aporta cientos de candidatos que no cumplen con los requisitos de la oferta. El éxito va a depender en gran medida de conseguir candidatos de calidad y "engancharlos" a nuestro proceso en tiempo record. En el report de Joppy confirmamos que la media de trabajos a los que aplica un candidato es de cuatro. Una vez llegado a ese numero dejan de aplicar a ofertas hasta ser descartados o terminar el proceso en todas ellas, lo que significa que si no los enganchamos en esas primeras cuatro ofertas, hemos perdido el turno y, tal vez, al candidato.
Por su parte, el screening o filtrado inicial es el siguiente punto clave del proceso de hiring. Un estudio revela que el 50% de los recruiters tiene problemas para identificar al candidato ideal en una muestra amplia. Y es que el tech recruiter debe lidiar con la problemática de tener que validar candidatos basándose en unos conocimientos técnicos limitados en mundo de constante cambio y evolución tecnológica. Saber interpretar un perfil es clave ya que filtrar únicamente por palabras clave o años de experiencia es muchas veces la forma más rápida de perder buenos candidatos.
A todos nos suenan requisitos como "que tenga 6 años de experiencia en la tecnología X, pero si ha trabajado en tecnologías similares también podemos hacer entrevista" pero ¿cuáles son esas "tecnologías similares"?
Por otro lado, la mayoría de candidatos desconocen la forma de funcionar de los procesos de contratación. Pocos son los que saben optimizar su perfil o CV para simplificar esta labor del recruiter y maximizar sus posibilidades de entrar en los procesos de selección.
Sourcing: la búsqueda de candidatos con encaje
En un mundo ideal a todos nos gustaría publicar una oferta y que aplicasen suficientes candidatos como para encontrar al candidato ideal entre ellos. La realidad y, más en el mundo tech, es que esto sucede pocas veces.
Como recruiters no nos queda otra que publicar nuestra oferta en tantos sitios web (fuentes) como nos sea posible para maximizar el número de candidatos del que podemos captar la atención.
Con la democratización de la IA, principalmente los LLMs (Large Language Models) y el famoso ChatGPT, ésta se ha convertido en una nueva herramienta al alcance de todos y sectores como HHRR se pueden beneficiar de ella.
A continuación tenemos ejemplos de prompts de ChatGPT para tareas que podemos utilizar con en nuestro día a día:
Generar el texto de una oferta de trabajo a partir de unos requisitos
[Prompt]
Actúa como redactor de contenidos con más de 5 años de experiencia en el sector de contratación y dotación de personal. Con todas las mejores prácticas que ha aprendido a lo largo de todos estos años, escríbame un anuncio de trabajo para un puesto de Tech Lead en una empresa B2C SaaS. El candidato debe tener más de 8 años de experiencia en Java y las principales librerias de su ecosistema. Asegúrese de que el lenguaje sea inclusivo y no contenga palabras despectivas como ninjas o rock star.
Búsqueda de candidato mediante consulta booleana
[Prompt]
Crea una cadena booleana para buscar un ingeniero de software con experiencia en Java. El candidato ideal debe residir en España y tener experiencia como tech lead. El resultado de la cadena booleana debe ser utilizado en el buscador de Google.
Ayudar a entender mejor la jerga o conceptos técnicos
[Prompt]
Explicame este tech stack como si fuera una persona sin conocimientos técnicos: [TECHSTACK]
Preparar una entrevista
[Prompt]
Aquí hay una descripción del trabajo para un puesto de data scientist senior. Recopila una lista de preguntas que necesitaría hacer durante una entrevista según la descripción del trabajo proporcionada. Asegúrate de que las preguntas cubran aspectos esenciales como las calificaciones, la experiencia, las habilidades para resolver problemas, la ética laboral y el posible encaje del candidato en la cultura de la empresa. Las preguntas deben ser abiertas para obtener respuestas detalladas de los entrevistados.
Problemas del sourcing
El problema de los job boards es que una vez publicada una oferta no tenemos control sobre ella y cualquiera pude aplicar, lo cual genera el efecto secundario indeseado de tener que validar más perfiles.
Respecto a plataformas tradicionales de búsqueda de candidatos el problema es que las búsquedas suelen ser bastante generalista, por ejemplo en algunas podemos buscar candidatos con conocimientos de Java pero no podemos indicar años de experiencia en esa tecnología, con lo que toca revisar perfil a perfil para confirmar que realmente cumpla con el requisito. Esta búsqueda y filtrado suele ser la fase donde más tiempo y energía invierte el tech recruiter y, usualmente, la más frustrante al ver la baja tase de respuesta. Es paradójico tener que hacer sourcing en cantidad para obtener respuesta de unos pocos candidatos de calidad, cuando todos sabemos que no necesitamos buscar a volumen los candidatos sino encontrar a aquellos de calidad de forma rápida.
A diferencia de otras plataformas, en Joppy hemos creado nuestro propio algoritmo de match precisamente con la intención de simplificar esta parte del trabajo: el objetivo de Joppy se centra en conseguir candidatos de calidad (que cumplen con los requisitos de la posición) en tiempo récord.
Joppy no es un job board tradicional. Cuando publicas una oferta, la plataforma solo lo notifica a aquellos candidatos que se ajustan a ella, es decir, que los candidatos que aplican a la oferta van a cumplir con los requisitos de la misma.
De cara a los candidatos esto también es un beneficio ya que no son bombardeados con ofertas irrelevantes, si no solo con aquellas que encajan en sus preferencias y además se apuntan a la oferta directamente en la plataforma sin tener que volver a escribir sus datos en el career page de la empresa (esto puede no parecer relevante pero nuestros estudios nos demuestran que se pierde 2/3 de los candidatos en ese paso).
Screening: Una tarea no tan sencilla
Bien! Ya tenemos candidatos interesados en nuestra oferta pero... ¿realmente son todos válidos? Ahora toca revisar los candidatos uno a uno y ver cual se adecua a los requisitos de nuestra oferta: años de experiencia, skills con los que debe haber trabajado, idiomas, etc. Nos toca hacer un filtrado inicial, no queremos hacer perder el tiempo al equipo técnico (ni al candidato) si no hay unos mínimos de encaje entre candidato y posición.
Aunque a priori pueda parecer fácil, la fase de screening es donde las cosas se complican y un mal filtrado puede hacer perder grandes candidatos a una empresa.
Tomemos como ejemplo esta oferta:
Data Engineer, con al menos 8 años de experiencia en Java. Que tenga conocimientos de MapReduce y Hadoop. Se valora positivamente conocimientos en Spark.
Algunas situaciones pueden ser sencillas de detectar, por ejemplo si un candidato tiene tres años de experiencia en Java podemos descartarlo por ser demasiado junior para la posición. Pero ¿qué pasa si el candidato tiene ocho años de experiencia en Java pero no ha indicado MapReduce ni Hadoop entre sus skills pero si Spark y otros skills que desconocemos? ¿Podemos estar seguros que no vamos a descartar a un buen candidato?
Uso de IA en el screening
Preparar un prompt para validar el perfil de un candidato respecto a la descripción de una oferta de trabajo no es tarea tan simple como pueda parecer inicialmente. Todos estamos acostumbrados a crear prompts con la estrategia de zero-shot, es decir, preguntas directas. El problema es que cuando lo probamos con una tarea tan compleja como el screening vemos que las IAs devuelven resultados genéricos que parecen correctos pero resultan poco útiles.
Puedes hacer una prueba rápida en ChatGPT con el siguiente prompt:
[Prompt]
Actúa como un recruiter experto en IT. Voy a proporcionarte la descripción de una oferta y el perfil de un candidato y quiero que me digas los motivos por los cuales el candidato es adecuado o no para el puesto.
Oferta de trabajo:
[TEXTO OFERTA]
Perfil de un candidato:
[TEXTO PERFIL CANDIDATO]
Usar la IA para ayudarnos en la tarea de screening va más allá de generar una frase resultona. Necesitamos tener un scoring del candidato, un valor o valores objetivos que nos ayuden a detectar rápidamente si el candidato es potencialmente adecuado para la posición o no.
Como podrás imaginar aquí la cosa se complica un poco. Cuanta más información se dispone de los candidatos mejor debería ser el análisis que se haga de ellos pero más complejo resulta "preguntar" a la IA. Toca usar técnicas más avanzadas como el Chain-of-Thought, Prompt-Chaining, Tree-of-Though, ... o una combinación de todas ellas.
En Joppy hemos querido llevar el screening un paso más allá y hemos creado un sistema que genera un scoring de los candidatos como resultado de contrastar el perfil de éstos con lo requisitos de la oferta: roles en los que ha trabajo, skills obligatorios y opcionales requeridos por la oferta, años de experiencia tanto en el role como por skill, idiomas y nivel, localización, killer questions realizadas al aceptar una oferta, etc.
Como resultado obtenemos un scoring (en nuestro caso un porcentaje de match) por cada característica evaluada así como un valor general que intenta dar una idea del encaje del candidato.
No ha sido tarea fácil y es algo que estará en constante evolución a medida que las IAs mejoren y evolucionen.
Resumiendo
Está claro que la IAs han llegado para quedarse y tendrán impacto en un gran número de profesiones entre las cuales están HHRR y el tech recruitment y hemos analizado cómo las IAs pueden ayudarnos en el proceso de hiring en las fases de sourcing y screening.
Como profesionales el uso de las IAs son otras herramientas que nos va a tocar aprender a utilizar, al menos unos mínimos, por el simple motivo que pueden potenciar, simplificar, mejorar (elige tú motivo) nuestro trabajo.
Antonio Santiago, Co-founder de Joppy
Muchas gracias por leer hrguru.ai, ¡nos vemos la semana que viene!
Ramón Egea
No olvides dejarme un ❤️ y compartir la entrada en tus redes sociales:
Haz click en 🤝 Colaboraciones o escríbeme a ramon@hrguru.ai si:
Quieres Patrocinar una Edición de hrguru.ai
Quieres que sea Ponente en tu evento o Profesor en tu programa
Quieres un Advisor de AI para tu empresa