Lever regelt de werving bij Shopify, Reddit, Zendesk en meer dan 18.000 andere bedrijven onder het Employ Inc.-label. Het heeft een specifieke zwakte met afkortingen en een zware weging voor recente ervaring waar de meeste kandidaten nooit rekening mee houden.
Lever, nu actief als LeverTRM onder Employ Inc., combineert applicant tracking met kandidaatrelatiebeheer. Dit betekent dat het kandidaatinteracties, e-mailthreads en recruiteropmerkingen bijhoudt naast sollicitatiegegevens, waardoor het een rijker systeem is dan pure ATS-tools. Lever is populair bij middelgrote technologiebedrijven en snelgroeiende startups die collaboratieve werving met gestructureerde pijplijnen willen. De gecombineerde klantenbasis van meer dan 18.000 onder Employ Inc. maakt het een van de meest gebruikte systemen in de technologiesector.
Lever's parser heeft twee gedragingen die de meeste kandidaten over het hoofd zien. Ten eerste breidt het geen afkortingen uit. 'ML' is een andere string dan 'Machine Learning', en beide moeten expliciet voorkomen om vacatureteksten te matchen die een van beide vormen gebruiken. Ten tweede past Lever aanzienlijk zwaarder gewicht toe op ervaring van de afgelopen vijf jaar. Een sterke achtergrond van zes of meer jaar geleden draagt veel minder bij aan je matchscore dan vergelijkbare recente ervaring. Als je meest relevante werk niet in je recente functies staat, kan Lever je laag rangschikken ondanks een echt sterke achtergrond.
DOCX levert consistentere sectieherkenning op in Lever. Op tekst gebaseerde eenkoloms-PDF's worden redelijk geparseerd. De kritieke vereiste is een eenkolomsindeling ongeacht het formaat. Lever leest inhoud lineair en twee-kolomsontwerpen zorgen ervoor dat functiebeschrijvingen samenvoegen met niet-gerelateerde velden.
Deel van Employ Inc. met 18.000+ gecombineerde klanten
Afkortingsverwerking, recency-weging en indelingsgedrag specifiek voor Lever TRM
Lever's matchingmachine gebruikt exacte tekenreeksovereenkomsten zonder een woordenboek voor afkortinguitbreiding. Dit creëert een specifiek probleem voor technische functies waarbij beide vormen van een term gangbaar zijn: 'ML' in vacatureteksten en 'Machine Learning' in cv's, of 'PM' versus 'Product Manager', of 'SWE' versus 'Software Engineer'. Je cv moet zowel de uitgeschreven vorm als de gangbare afkorting bevatten om vacatureteksten te matchen die een van beide gebruiken. Schrijf 'Machine Learning (ML)' de eerste keer dat je elke term gebruikt.
Lever's relevantiescore past een tijdverfunctie toe op de werkgeschiedenis. Ervaring binnen de afgelopen 5 jaar draagt volledig bij aan je matchscore. Ervaring van 5 tot 10 jaar geleden draagt slechts gedeeltelijk bij. Oudere ervaring draagt minimaal bij. Dit betekent dat een kandidaat met recente sterke ervaring in aangrenzende vaardigheden een hogere score kan behalen dan iemand met direct relevante ervaring van 8 jaar geleden. Zet je meest recente functies vooraan en zorg ervoor dat recente posities de vaardigheden beschrijven die de vacature vereist.
Tekst die deel uitmaakt van een afbeelding, zoals logo's met bedrijfsnamen, gescande certificaten, vaardigheidsicoontjes met tekstlabels of decoratieve elementen, wordt niet verwerkt door Lever's tekstextractielaag. Dit is een veelvoorkomend probleempunt voor kandidaten die hun universiteitslogo, een certificatiebadge-afbeelding of een profielfoto met hun naam erop invoegen. Lever leest alleen machineleesbare teksttekens, geen afbeeldingsinhoud.
Lever leest documentinhoud in lineaire volgorde van boven naar beneden. Een twee-kolomsindeling in Word plaatst de inhoud van de linkerkolom eerst in de documentvolgorde, gevolgd door de inhoud van de rechterkolom, ongeacht visuele uitlijning. Wanneer de parser een datum uit kolom twee direct na een functietitel uit kolom één tegenkomt, kan het niet bepalen welke titel bij de datum hoort. Functiebeschrijvingen worden dan gekoppeld aan de verkeerde posities en de arbeidshistorie wordt onbetrouwbaar.
Afkortingsstrategie, recency-optimalisatie en opmaakregels voor Lever TRM
Schrijf bij het eerste voorkomen van een acroniem of afkorting de volledige vorm gevolgd door de korte vorm tussen haakjes: 'Machine Learning (ML)', 'Product Manager (PM)', 'Zoekmachineoptimalisatie (SEO)'. Dit zorgt ervoor dat je cv overeenkomt met vacatureteksten die de uitgeschreven vorm of de afkorting gebruiken, waarmee je zoekwoorddekking verdubbelt zonder inhoud te herhalen.
Lever's recency-weging betekent dat je laatste 5 jaar werkervaring aanzienlijk meer scoringsgewicht dragen. Wijs meer ruimte, meer bulletpunten en meer zoekwoordrijke beschrijvingen toe aan je recente functies. Als je meest relevante ervaring ouder is, zoek dan manieren om die vaardigheden terug te laten komen in recente functies. Zelfs als je ze minder frequent hebt gebruikt, noem ze expliciet in recente functiebeschrijvingen.
Gebruik de notatie 'Maand JJJJ' voor alle arbeidsdata: 'maart 2021', 'jan 2023'. Inconsistentie tussen datumnotaties in verschillende secties verwarrt Lever's datumsparser en leidt tot onjuiste berekeningen van de duur van het dienstverband. Nauwkeurige duurgegevens beïnvloeden direct hoelang je ervaring in elke vaardigheid wordt meegeteld voor matchingdoeleinden.
Bouw je cv als een eenkolomsdocument met inhoud die van boven naar beneden stroomt. Gebruik geen Word-tabellen voor naast-elkaar-inhoud, geen tekstvakken voor vaardigheidshighlights en geen ontwerpelement dat tekst in niet-lineaire documentvolgorde plaatst. Dit is de fundamentele vereiste zodat Lever functiebeschrijvingen correct koppelt aan de juiste posities.
Stuur bij voorkeur in DOCX-formaat in. Lever gebruikt documentstructuur uit DOCX-bestanden om secties betrouwbaarder te herkennen dan via PDF-tekstextractie. Gebruik standaardkoppen: 'Werkervaring', 'Opleiding', 'Vaardigheden'. DOCX-kopstijlen (Kop 1, Kop 2) geven de parser aanvullende structurele signalen die PDF-tekst niet kan bieden.
Lever bevat kandidaatmatching die sollicitaties beoordeelt ten opzichte van vacatures op basis van zoekwoordoverlap en ervaringsrelevantie. De scoring weegt recente ervaring zwaarder dan oudere geschiedenis en vereist exacte tekenreeksovereenkomsten. Afkortingen komen niet automatisch overeen met hun volledige vormen. Recruiters zien een matchscore naast elke sollicitatie, wat de beoordelingsvolgorde beïnvloedt. Een goed opgemaakt DOCX met expliciete afkortingen en sterke recente ervaringssecties scoort merkbaar hoger.
Veel bedrijven die Lever gebruiken staan sollicitaties toe via LinkedIn Easy Apply of direct via LinkedIn, wat je LinkedIn-profielgegevens doorgeeft aan Lever. Dit omzeilt de cv-uploadparser volledig en gebruikt in plaats daarvan gestructureerde LinkedIn-profielgegevens. LinkedIn-sollicitatiegegevens zijn over het algemeen betrouwbaarder gestructureerd dan geparseerde cv-bestanden. Als solliciteren via LinkedIn beschikbaar is, levert dat vaak een schoner kandidaatprofiel op dan het uploaden van een bestand.
Lever past verminderde scoringsweging toe op ervaring ouder dan 5 jaar, maar dit betekent niet dat je het moet uitsluiten. Vermeld oudere relevante functies met beknopte beschrijvingen. Zoek bovendien legitieme manieren om relevante oudere vaardigheden te noemen in recente functiebeschrijvingen. Zelfs korte verwijzingen naar langdurige competenties tellen als recente vermeldingen. Een sectie 'Kerncompetenties' kan ook vaardigheden vermelden die niet aan gedateerde functies zijn gebonden, zodat ze zichtbaar blijven voor de matcher.