在当今的在线申请流程中，来自不同文档（例如简历或证书）的大量数据经常汇集在一起。对于初次预选，招聘人员必须首先从申请文件中费力地筛选其中包含的信息，然后与相应职位的要求进行比较。对于这项任务，公司越来越多地使用能够自动进行合身比较的算法。特定于工作的选择因素（例如硬技能和软技能）由招聘人员和专业部门提前确定，并根据相关性进行加权。一旦申请人数据以结构化形式提供，例如通过简历解析器，就会通过算法将其与工作要求进行比较，进行评估，有时会预先选择合适的候选人。可以通过技能特征的简单目标/实际比较来进行比较。这是通过基于关键字和语义匹配或通过基于申请人的个性评估的打字以数值的形式发生的。
自动匹配在实践中的应用
为了找出自动匹配在申请人预选中的时间附加价值，对一家公司的四名 兽医电子邮件清单 招聘人员进行了时间序列实验。首先，通过调查确定预选过程中当前五个工作日内的时间消耗。新开发的算法旨在比较硬技能，然后用于第二次测量。
比较的基础是各个职位要求的技能特征以及申请人在这方面的自我评估。申请时，他们还被要求通过聊天机器人回答有关与该职位相关的技能的问题。然后通过算法将评估结果与工作要求进行比较，得出匹配的结果。招聘人员可以在第二个评估阶段的预选过程中将其作为附加信息。然后通过调查再次确定所需的处理时间，并与第一次测量的结果进行比较。
调查结果
在测量期间确定了总共 70 个预选过程的处理工作量。研究发现，两个测量周期之间每个预选过程平均节省 1 分 21 秒的时间。因此，与没有匹配算法时测量的处理时间相比，所需时间减少了约 31%。
除了确定的工作量减少之外，招聘人员还被要求提供有关匹配质量的反馈。匹配结果的图形表示在测量过程中特别有用。这意味着相关信息一目了然，并且使处理变得更加容易。结果还揭示了最初未知的更多信息，例如申请人的旅行意愿。