Lever impulsa la contratación en Shopify, Reddit, Zendesk y más de 18.000 empresas bajo el paraguas de Employ Inc. Tiene una debilidad específica con los acrónimos y una ponderación fuerte de recencia que la mayoría de los candidatos nunca considera.
Lever, ahora operando como LeverTRM bajo Employ Inc., combina el seguimiento de candidatos con la gestión de relaciones con candidatos. Esto significa que rastrea interacciones con candidatos, hilos de correo electrónico y notas de reclutadores junto con los datos de postulación, convirtiéndolo en un sistema más completo que las herramientas ATS puras. Lever es popular entre las empresas tecnológicas de mediana escala y las startups de rápido crecimiento que desean una contratación colaborativa con pipelines estructurados. Su base de clientes combinada de más de 18.000 bajo Employ Inc. lo convierte en uno de los sistemas más frecuentes en el sector tecnológico.
El analizador de Lever tiene dos comportamientos que la mayoría de los candidatos pasa por alto. Primero, no expande abreviaciones: 'ML' es una cadena diferente de 'Machine Learning' y ambas deben aparecer explícitamente para coincidir con descripciones de puestos que usen cualquiera de las dos formas. Segundo, Lever aplica una ponderación significativamente mayor a la experiencia de los últimos cinco años. Un historial sólido de hace seis o más años contribuye mucho menos a tu puntuación de coincidencia que una experiencia equivalente reciente. Si tu trabajo más relevante no está en tus roles recientes, Lever puede clasificarte bajo a pesar de un historial genuinamente sólido.
DOCX produce una identificación de secciones más consistente en Lever. Los PDF simples de texto y una sola columna se analizan adecuadamente. El requisito crítico es el diseño de una sola columna independientemente del formato: Lever lee el contenido linealmente y los diseños de dos columnas hacen que las descripciones de puestos se mezclen con campos no relacionados.
Parte de Employ Inc. con más de 18.000 clientes combinados
Manejo de abreviaciones, ponderación de recencia y comportamientos de diseño específicos de Lever TRM
El motor de coincidencia de Lever usa coincidencia exacta de cadenas sin un diccionario de expansión de abreviaciones. Esto crea un problema específico para los roles técnicos donde ambas formas de un término aparecen comúnmente: 'ML' en las descripciones de puestos y 'Machine Learning' en los currículums, o 'PM' versus 'Product Manager', o 'SWE' versus 'Software Engineer'. Tu currículum debe contener tanto la forma completa como la abreviación común para coincidir con las descripciones de puestos que usen cualquiera de las dos. Escribe 'Machine Learning (ML)' la primera vez que uses cada término.
La puntuación de relevancia de Lever aplica una función de decaimiento temporal al historial laboral. La experiencia de los últimos 5 años contribuye completamente a tu puntuación de coincidencia; la experiencia de entre 5 y 10 años atrás contribuye a una tasa reducida; la experiencia más antigua contribuye mínimamente. Esto significa que un candidato con experiencia reciente sólida en habilidades adyacentes puede superar la puntuación de alguien con experiencia directamente relevante de hace 8 años. Lidera con tus roles más recientes y asegúrate de que las posiciones recientes describan las habilidades que requiere el puesto.
Cualquier texto que exista como parte de una imagen, como logotipos con nombres de empresas, certificados escaneados, íconos de habilidades con etiquetas de texto o elementos decorativos, no es procesado por la capa de extracción de texto de Lever. Este es un punto de fallo común para los candidatos que incluyen el logotipo de su universidad, una imagen de insignia de certificación o una foto de perfil con su nombre superpuesto. Lever lee solo caracteres de texto legibles por máquina, no el contenido de las imágenes.
Lever lee el contenido del documento en orden lineal de arriba a abajo. Un diseño de dos columnas en Word coloca el contenido de la columna izquierda primero en el orden del documento, luego el contenido de la columna derecha, independientemente de la alineación visual. Cuando el analizador encuentra una fecha de la columna dos inmediatamente después de un título de puesto de la columna uno, no puede saber a qué título pertenece esa fecha. Las descripciones de puestos terminan asociadas con las posiciones incorrectas y el historial laboral se vuelve poco confiable.
Estrategia de abreviaciones, optimización de recencia y reglas de formato para Lever TRM
En la primera aparición de cualquier acrónimo o abreviación, escribe la forma completa seguida de la forma corta entre paréntesis: 'Machine Learning (ML)', 'Product Manager (PM)', 'Search Engine Optimization (SEO)'. Esto asegura que tu currículum coincida con las descripciones de puestos que usen tanto la forma completa como la abreviación, duplicando la cobertura de palabras clave sin ninguna repetición de contenido.
La ponderación de recencia de Lever significa que tus últimos 5 años de experiencia tienen un peso de puntuación sustancialmente mayor. Destina más espacio, más puntos de viñeta y descripciones más ricas en palabras clave a tus roles recientes. Si tu experiencia más relevante es más antigua, busca formas de reforzar esas habilidades en roles recientes: aunque las hayas usado con menos frecuencia, mencionarlas explícitamente en descripciones de puestos recientes cuenta.
Usa el formato 'Mes AAAA' para todas las fechas de empleo: 'marzo de 2021', 'ene. 2023'. La inconsistencia entre formatos de fecha en diferentes secciones confunde el analizador de fechas de Lever y crea cálculos de duración de empleo incorrectos. Los datos de duración precisos afectan directamente a cuánto tiempo de experiencia en cada habilidad se cuenta para los fines de coincidencia.
Crea tu currículum como un documento de una sola columna con el contenido fluyendo de arriba a abajo. No uses tablas de Word para crear contenido en paralelo, cuadros de texto para destacar habilidades ni ningún elemento de diseño que coloque texto en un orden no lineal en el documento. Este es el requisito fundamental para que Lever asocie correctamente las descripciones de puestos con las posiciones correctas.
Envía en formato DOCX cuando sea posible. Lever usa la estructura del documento de los archivos DOCX para identificar secciones con mayor confiabilidad que la extracción de texto de PDF. Usa encabezados estándar: 'Experiencia', 'Educación', 'Habilidades'. Los estilos de encabezado de DOCX (Encabezado 1, Encabezado 2) dan al analizador señales estructurales adicionales que el texto de PDF no puede proporcionar.
Lever incluye coincidencia de candidatos que puntúa las postulaciones contra las descripciones de puestos basándose en la superposición de palabras clave y la relevancia de la experiencia. La puntuación pondera la experiencia reciente más que el historial más antiguo y requiere coincidencias exactas de cadenas, las abreviaciones no coinciden automáticamente con sus formas completas. Los reclutadores ven una puntuación de coincidencia junto a cada postulación, lo que influye en el orden de revisión. Un DOCX bien formateado con abreviaciones explícitas y secciones de experiencia reciente sólida obtiene una puntuación notablemente más alta.
Muchas empresas que usan Lever permiten postulaciones a través de LinkedIn Easy Apply o la postulación directa de LinkedIn, que pasa los datos de tu perfil de LinkedIn a Lever. Esto evita completamente el analizador de carga de currículum y usa datos de perfil de LinkedIn estructurados en su lugar. Los datos de postulación de LinkedIn generalmente tienen una estructura más confiable que los archivos de currículum analizados. Si la postulación a través de LinkedIn está disponible, suele producir un perfil de candidato más limpio que cargar un archivo.
Lever aplica una ponderación de puntuación reducida a la experiencia de más de 5 años, pero esto no significa excluirla. Lista las posiciones más antiguas relevantes con descripciones concisas. Más importante aún, busca formas legítimas de hacer referencia a habilidades relevantes más antiguas en las descripciones de puestos recientes: incluso breves referencias a competencias de larga data cuentan como menciones recientes. Una sección de 'Competencias Principales' también puede listar habilidades sin vincularlas a posiciones con fecha, manteniéndolas visibles para el sistema de coincidencia.