Lever alimente le recrutement chez Shopify, Reddit, Zendesk et plus de 18 000 autres entreprises sous l'égide d'Employ Inc. Il présente une faiblesse spécifique avec les acronymes et une pondération forte de la récence que la plupart des candidats ne prennent jamais en compte.
Lever, opérant désormais sous le nom LeverTRM chez Employ Inc., combine le suivi des candidatures avec la gestion des relations avec les candidats. Cela signifie qu'il suit les interactions des candidats, les fils d'emails et les notes des recruteurs en plus des données de candidature, ce qui en fait un système plus riche que les outils ATS purs. Lever est populaire parmi les entreprises technologiques de taille intermédiaire et les startups en forte croissance qui souhaitent un recrutement collaboratif avec des pipelines structurés. Avec plus de 18 000 clients combinés sous Employ Inc., c'est l'un des systèmes les plus fréquemment rencontrés dans le secteur technologique.
L'analyseur de Lever présente deux comportements que la plupart des candidats négligent. Premièrement, il n'étend pas les abréviations. 'ML' est une chaîne différente de 'Machine Learning', et les deux doivent apparaître explicitement pour correspondre aux descriptions de poste qui utilisent l'une ou l'autre forme. Deuxièmement, Lever applique une pondération significativement plus forte à l'expérience des cinq dernières années. Un solide parcours datant de six ans ou plus contribue beaucoup moins à votre score de correspondance qu'une expérience équivalente récente. Si votre travail le plus pertinent ne figure pas dans vos postes récents, Lever peut vous classer bas malgré un profil réellement solide.
Le format DOCX produit une identification de section plus cohérente dans Lever. Les PDF à colonne unique basés sur du texte s'analysent correctement. La condition indispensable est une mise en page à colonne unique quel que soit le format. Lever lit le contenu de manière linéaire et les designs à deux colonnes provoquent une fusion des descriptions de poste avec des champs sans rapport.
Partie d'Employ Inc. avec plus de 18 000 clients combinés
Gestion des abréviations, pondération de la récence et comportements de mise en page spécifiques à Lever TRM
Le moteur de correspondance de Lever utilise la correspondance exacte de chaînes sans dictionnaire d'expansion des abréviations. Cela crée un problème spécifique pour les postes techniques où les deux formes d'un terme apparaissent couramment : 'ML' dans les offres d'emploi et 'Machine Learning' dans les CV, ou 'PM' vs 'Chef de produit', ou 'IDL' vs 'Développeur web'. Votre CV doit contenir à la fois la forme développée et l'abréviation courante pour correspondre aux descriptions de poste qui utilisent l'une ou l'autre. Écrivez 'Machine Learning (ML)' à la première utilisation de chaque terme.
Le scoring de pertinence de Lever applique une fonction de décroissance temporelle à l'historique de travail. L'expérience des cinq dernières années contribue pleinement à votre score de correspondance. L'expérience de 5 à 10 ans contribue à un taux réduit. L'expérience plus ancienne contribue minimalement. Cela signifie qu'un candidat avec une expérience récente solide dans des compétences adjacentes peut surclasser quelqu'un ayant une expérience directement pertinente datant de 8 ans. Mettez en avant vos postes les plus récents et assurez-vous que les postes récents décrivent les compétences requises par l'emploi.
Tout texte existant sous forme d'image, logos avec noms d'entreprises, certificats scannés, icônes de compétences avec étiquettes textuelles ou éléments décoratifs, n'est pas traité par la couche d'extraction de texte de Lever. C'est un point de défaillance courant pour les candidats qui incluent leur logo universitaire, un badge de certification illustré ou une photo de profil avec leur nom superposé. Lever ne lit que les caractères textuels lisibles par machine, pas le contenu des images.
Lever lit le contenu des documents de manière linéaire de haut en bas. Une mise en page à deux colonnes dans Word place le contenu de la colonne gauche en premier dans l'ordre du document, puis le contenu de la colonne droite, quelle que soit l'alignement visuel. Lorsque l'analyseur rencontre une date de la colonne droite immédiatement après un titre de poste de la colonne gauche, il ne peut pas déterminer à quel titre appartient cette date. Les descriptions de poste se retrouvent associées aux mauvaises positions, et l'historique d'emploi devient peu fiable.
Stratégie d'abréviation, optimisation de la récence et règles de mise en forme pour Lever TRM
À la première occurrence de tout acronyme ou abréviation, écrivez la forme complète suivie de la forme courte entre parenthèses : 'Machine Learning (ML)', 'Chef de produit (PM)', 'Optimisation pour les moteurs de recherche (SEO)'. Cela garantit que votre CV correspond aux descriptions de poste qui utilisent soit la forme développée soit l'abréviation, doublant votre couverture de mots-clés sans répéter de contenu.
La pondération de la récence de Lever signifie que vos 5 dernières années d'expérience ont substantiellement plus de poids dans le scoring. Allouez plus d'espace, plus de points et des descriptions plus riches en mots-clés à vos postes récents. Si votre expérience la plus pertinente est plus ancienne, trouvez des moyens de renforcer ces compétences dans des postes récents, même si vous les avez moins utilisées fréquemment. Mentionnez-les explicitement dans les descriptions de postes récents.
Utilisez le format 'Mois AAAA' pour toutes les dates d'emploi : 'Mars 2021', 'Jan 2023'. L'incohérence entre les formats de dates dans différentes sections perturbe l'analyseur de dates de Lever et crée des calculs incorrects de durée d'emploi. Des données de durée précises affectent directement la comptabilisation de votre expérience dans chaque compétence à des fins de correspondance.
Construisez votre CV comme un document à colonne unique avec le contenu qui s'écoule de haut en bas. N'utilisez pas de tableaux Word pour créer du contenu côte à côte, de zones de texte pour mettre en valeur les compétences, ni tout élément de design qui place du texte dans un ordre non linéaire dans le document. C'est la condition fondamentale pour que Lever associe correctement les descriptions de poste aux bons postes.
Soumettez en format DOCX lorsque c'est possible. Lever utilise la structure du document des fichiers DOCX pour identifier les sections plus fiablement que l'extraction de texte PDF. Utilisez des en-têtes standard : 'Expérience', 'Formation', 'Compétences'. Les styles d'en-tête DOCX (Titre 1, Titre 2) donnent à l'analyseur des signaux structurels supplémentaires que le texte PDF ne peut pas fournir.
Lever inclut une correspondance de candidats qui évalue les candidatures par rapport aux descriptions de poste en fonction du chevauchement de mots-clés et de la pertinence de l'expérience. Le scoring pondère plus fortement l'expérience récente que l'historique plus ancien et nécessite des correspondances exactes de chaînes. Les abréviations ne correspondent pas automatiquement à leurs formes développées. Les recruteurs voient un score de correspondance à côté de chaque candidature, ce qui influence l'ordre de révision. Un fichier DOCX bien formaté avec des abréviations explicites et de solides sections d'expérience récente obtient un score nettement plus élevé.
De nombreuses entreprises utilisant Lever permettent les candidatures via LinkedIn Easy Apply ou l'application directe LinkedIn, ce qui transmet les données de votre profil LinkedIn dans Lever. Cela contourne entièrement l'analyseur de téléchargement de CV et utilise à la place les données structurées du profil LinkedIn. Les données de candidature LinkedIn sont généralement plus fiablement structurées que les fichiers CV analysés. Si postuler via LinkedIn est disponible, cela produit souvent un profil de candidat plus propre que le téléchargement d'un fichier.
Lever applique un poids de scoring réduit à l'expérience de plus de 5 ans, mais cela ne signifie pas de l'exclure. Listez les postes pertinents plus anciens avec des descriptions concises. Plus important encore, trouvez des façons légitimes de référencer des compétences pertinentes plus anciennes dans des descriptions de postes récents, même de brèves références à des maîtrises de longue date comptent comme des mentions récentes. Une section 'Compétences clés' peut également lister des compétences sans les associer à des postes datés, les gardant visibles pour le système de correspondance.