Lever steuert das Hiring bei Shopify, Reddit, Zendesk und 18.000+ weiteren Unternehmen unter dem Dach von Employ Inc. Es hat eine spezifische Schwäche bei Abkürzungen und eine starke Aktualitätsgewichtung, die die meisten Kandidaten nie berücksichtigen.
Lever, jetzt als LeverTRM unter Employ Inc. aktiv, kombiniert Bewerberverfolgung mit Kandidatenbeziehungsmanagement. Das bedeutet, es verfolgt Kandidateninteraktionen, E-Mail-Threads und Recruiter-Notizen neben Bewerbungsdaten, was es zu einem reichhaltigeren System als reine ATS-Tools macht. Lever ist bei mittelständischen Technologieunternehmen und schnell wachsenden Start-ups beliebt, die kollaboratives Recruiting mit strukturierten Pipelines wünschen. Die gemeinsame Kundenbasis von 18.000+ unter Employ Inc. macht es zu einem der am häufigsten anzutreffenden Systeme im Technologiesektor.
Der Parser von Lever hat zwei Verhaltensweisen, die die meisten Kandidaten übersehen. Erstens werden Abkürzungen nicht erweitert: 'ML' ist eine andere Zeichenkette als 'Machine Learning', und beide müssen explizit vorkommen, um Stellenbeschreibungen zu matchen, die eine der beiden Formen verwenden. Zweitens gewichtet Lever Erfahrungen aus den letzten fünf Jahren deutlich stärker. Ein starker Hintergrund, der sechs oder mehr Jahre zurückliegt, trägt viel weniger zu Ihrem Match-Score bei als gleichwertige aktuelle Erfahrung.
DOCX erzeugt in Lever konsistentere Abschnittsidentifizierung. Textbasierte einspaltige PDFs werden ausreichend geparst. Die kritische Anforderung ist ein einspaltiges Layout unabhängig vom Format. Lever liest Inhalte linear, und zweispaltige Designs führen dazu, dass Jobbeschreibungen mit nicht zusammengehörigen Feldern zusammengeführt werden.
Teil von Employ Inc. mit 18.000+ kombinierten Kunden
Abkürzungsverarbeitung, Aktualitätsgewichtung und Layoutverhalten spezifisch für Lever TRM
Die Matching-Engine von Lever verwendet exakten Zeichenkettenabgleich ohne ein Abkürzungserweiterungswörterbuch. Das schafft ein spezifisches Problem bei technischen Rollen, wo beide Formen eines Begriffs häufig vorkommen: 'ML' in Stellenbeschreibungen und 'Machine Learning' in Lebensläufen, oder 'PM' vs. 'Produktmanager'. Ihr Lebenslauf muss sowohl die ausgeschriebene Form als auch die gängige Abkürzung enthalten, um Stellenbeschreibungen zu matchen, die eine der beiden Formen verwenden. Schreiben Sie 'Machine Learning (ML)' beim ersten Vorkommen jedes Begriffs.
Das Relevanz-Scoring von Lever wendet eine Zeitabklingfunktion auf den Beschäftigungsverlauf an. Erfahrungen aus den letzten 5 Jahren fließen vollständig in Ihren Match-Score ein. Erfahrungen von vor 5 bis 10 Jahren fließen mit reduzierter Rate ein. Ältere Erfahrungen tragen minimal bei. Das bedeutet, ein Kandidat mit starker aktueller Erfahrung in angrenzenden Kenntnissen kann jemanden mit direkt relevanter Erfahrung von vor 8 Jahren übertreffen. Beginnen Sie mit Ihren jüngsten Rollen und stellen Sie sicher, dass aktuelle Positionen die für den Job erforderlichen Kenntnisse beschreiben.
Jeder Text, der als Teil eines Bildes existiert, Logos mit Firmennamen, eingescannte Zertifikate, Kenntnisicons mit Textbeschriftungen oder dekorative Elemente, wird von der Textextraktionsschicht von Lever nicht verarbeitet. Das ist ein häufiger Fehlerpunkt bei Kandidaten, die ihr Universitätslogo, ein Zertifikatsbadge-Bild oder ein Profilfoto mit überlagertem Namen einschließen. Lever liest nur maschinenlesbare Textzeichen, keinen Bildinhalt.
Lever liest Dokumentinhalte in linearer Reihenfolge von oben nach unten. Ein zweispaltiges Layout in Word platziert den Inhalt der linken Spalte zuerst in der Dokumentreihenfolge, dann den der rechten, unabhängig von der visuellen Ausrichtung. Wenn der Parser auf ein Datum aus Spalte zwei unmittelbar nach einer Berufsbezeichnung aus Spalte eins trifft, kann er nicht erkennen, zu welchem Titel das Datum gehört. Jobbeschreibungen werden falschen Positionen zugeordnet, und der Beschäftigungsverlauf wird unzuverlässig.
Abkürzungsstrategie, Aktualitätsoptimierung und Formatierungsregeln für Lever TRM
Beim ersten Auftreten eines Akronyms oder einer Abkürzung schreiben Sie die vollständige Form gefolgt von der Kurzform in Klammern: 'Machine Learning (ML)', 'Produktmanager (PM)', 'Suchmaschinenoptimierung (SEO)'. So stellt Ihr Lebenslauf sicher, dass er Stellenbeschreibungen matcht, die entweder die ausgeschriebene Form oder die Abkürzung verwenden, und verdoppelt Ihre Schlüsselwortabdeckung ohne inhaltliche Wiederholung.
Die Aktualitätsgewichtung von Lever bedeutet, dass Ihre letzten 5 Jahre an Erfahrung deutlich mehr Scoring-Gewicht tragen. Verwenden Sie mehr Platz, mehr Stichpunkte und schlüsselwortreiche Beschreibungen für Ihre aktuellen Rollen. Wenn Ihre relevanteste Erfahrung älter ist, finden Sie Wege, diese Kenntnisse in aktuellen Rollen zu verstärken. Selbst wenn Sie sie weniger häufig genutzt haben, erwähnen Sie sie explizit in aktuellen Jobbeschreibungen.
Verwenden Sie das Format 'Monat JJJJ' für alle Beschäftigungsdaten: 'März 2021', 'Jan 2023'. Inkonsistenz zwischen Datumsformaten in verschiedenen Abschnitten verwirrt den Datums-Parser von Lever und erzeugt falsche Beschäftigungsdauerberechnungen. Genaue Dauerdaten beeinflussen direkt, wie lange Ihre Erfahrung in jedem Bereich für Matching-Zwecke gezählt wird.
Erstellen Sie Ihren Lebenslauf als einspaltiges Dokument mit Inhalt, der von oben nach unten fließt. Verwenden Sie keine Word-Tabellen für nebeneinander liegende Inhalte, keine Textfelder für Kenntnishervorhebungen und kein Designelement, das Text in nicht-linearer Dokumentreihenfolge platziert. Das ist die grundlegende Anforderung, damit Lever Jobbeschreibungen korrekt den richtigen Positionen zuordnet.
Reichen Sie wenn möglich im DOCX-Format ein. Lever verwendet Dokumentstruktur aus DOCX-Dateien, um Abschnitte zuverlässiger zu identifizieren als die PDF-Textextraktion. Verwenden Sie Standard-Überschriften: 'Berufserfahrung', 'Ausbildung', 'Kenntnisse'. DOCX-Überschriftenstile (Überschrift 1, Überschrift 2) geben dem Parser zusätzliche Struktursignale, die PDF-Text nicht liefern kann.
Lever enthält Kandidaten-Matching, das Bewerbungen gegen Stellenbeschreibungen basierend auf Schlüsselwortüberschneidung und Erfahrungsrelevanz bewertet. Das Scoring gewichtet aktuelle Erfahrung stärker als ältere Geschichte und erfordert exakte Zeichenkettentreffer. Abkürzungen matchen nicht automatisch ihre vollständigen Formen. Recruiter sehen einen Match-Score neben jeder Bewerbung, der die Prüfreihenfolge beeinflusst. Ein gut formatiertes DOCX mit expliziten Abkürzungen und starken Abschnitten zu aktueller Erfahrung erzielt einen merklich höheren Score.
Viele Unternehmen, die Lever nutzen, ermöglichen Bewerbungen über LinkedIn Easy Apply oder direktes LinkedIn Apply, das Ihre LinkedIn-Profildaten in Lever übergibt. Das umgeht den Lebenslauf-Upload-Parser vollständig und verwendet stattdessen strukturierte LinkedIn-Profildaten. LinkedIn-Bewerbungsdaten sind in der Regel zuverlässiger strukturiert als geparste Lebenslaufdateien. Wenn die Bewerbung über LinkedIn verfügbar ist, erzeugt das oft ein saubereres Bewerberprofil als das Hochladen einer Datei.
Lever wendet reduzierte Scoring-Gewichtung auf Erfahrungen an, die älter als 5 Jahre sind, aber das bedeutet nicht, sie auszuschließen. Listen Sie ältere relevante Positionen mit knappen Beschreibungen auf. Noch wichtiger: Finden Sie legitime Wege, relevante ältere Kenntnisse in aktuellen Jobbeschreibungen zu erwähnen. Selbst kurze Verweise auf langjährige Kompetenzen zählen als aktuelle Erwähnungen. Ein Abschnitt 'Kernkompetenzen' kann Kenntnisse auch ohne Bindung an datierte Positionen auflisten und so für den Matcher sichtbar halten.