5 минут
Как мобильный чат-бот с ИИ помог сократить время закрытия вакансии на 30%
Мобильные устройства и мессенджеры стали привычным каналом общения, поэтому бизнес все чаще использует чат-ботов для автоматизации повседневных задач: продаж, поддержки, обучения и внутренних процессов. Такие решения помогают быстрее обрабатывать обращения, снижать нагрузку на команды и сокращать операционные затраты.
В подборе персонала это особенно актуально. Поиск резюме, первичный отбор, коммуникация с кандидатами и организация собеседований требуют много времени. В этом кейсе рассказываем, как SimbirSoft внедрила мобильного чат-бота с интеллектуальным помощником и помогла заказчику автоматизировать часть найма, снизив нагрузку на кадровый отдел и ускорив закрытие вакансий.
О клиенте
К нам обратилась крупная российская девелоперская компания. Процесс подбора сотрудников занимал слишком много времени: специалисты вручную просматривали большой поток резюме, из-за чего найм затягивался, а сильные кандидаты могли остаться незамеченными.
Высокая нагрузка на рекрутеров также снижала качество коммуникации с соискателями. Не всегда удавалось быстро обработать отклики, оценить опыт кандидатов и уделить каждому достаточно внимания.
Заказчик хотел ускорить подбор персонала и сделать первичный отбор точнее, чтобы быстрее находить специалистов, соответствующих требованиям вакансий.
Решение
Для проекта выбрали чат-бот в Telegram. Такой формат быстрее в разработке, чем отдельное веб- или настольное приложение, а сотрудникам не нужно дополнительно обучаться: они уже знакомы с мессенджером.
Сначала мы изучили структуру резюме и вместе с рекрутерами определили критерии отбора: опыт, навыки, технологии, регион и другие важные параметры.
Основной сценарий сделали простым: рекрутер отправляет боту ссылку на резюме уже нанятого сотрудника, а система использует его как эталон для поиска похожих кандидатов. Затем бот уточняет параметры поиска и обращается к HeadHunter для получения подходящих резюме.
Чтобы повысить точность выдачи, мы добавили фильтры для отсечения неполных и нерелевантных анкет. После этого система извлекает из резюме ключевые данные и сравнивает их с эталоном с помощью языковой модели BERT с поддержкой русского языка.
Готовый результат бот отправляет рекрутеру в чат: это ранжированный список кандидатов с кратким описанием опыта и ссылками на резюме. Также мы настроили учет переходов по рекомендациям, чтобы анализировать качество подбора и улучшать алгоритм.
При интеграции с HeadHunter учли возможные ограничения внешнего сервиса: лимиты запросов, изменения структуры данных и обновления документации. Для этого настроили обработку ошибок и проверили решение на реальных сценариях и исторических данных.
В результате получился инструмент, который автоматизирует первичный отбор и помогает рекрутерам быстрее находить кандидатов, близких к требованиям вакансии.
Результаты
Фильтрация и ранжирование резюме помогли рекрутерам быстрее получать подборку кандидатов, которые лучше соответствуют требованиям вакансии.
- количество подходящих кандидатов на первичном отборе выросло на 20%;
- число нерелевантных резюме снизилось;
- в масштабе компании это дало заметную экономию времени при работе с большим потоком вакансий;
- срок закрытия вакансий сократился на 30%.
В итоге заказчик смог ускорить подбор персонала и расширить охват поиска без дополнительной нагрузки на рекрутеров.