Lever используют Shopify, Reddit, Zendesk и ещё 18 000+ компаний под брендом Employ Inc. У него есть специфическая слабость с аббревиатурами и сильный перекос в сторону недавнего опыта, который большинство кандидатов не учитывают.
Lever, теперь работающий как LeverTRM под Employ Inc., сочетает отслеживание кандидатов с управлением отношениями с кандидатами. Это означает, что система отслеживает взаимодействия с кандидатами, переписку и заметки рекрутеров наряду с данными заявок — делая её более насыщенной системой, чем чистые ATS-инструменты. Lever популярен среди технологических компаний среднего бизнеса и быстрорастущих стартапов, которым нужен совместный найм со структурированными воронками. Объединённая клиентская база Employ Inc. из 18 000+ клиентов делает его одной из наиболее часто встречающихся систем в технологическом секторе.
Парсер Lever имеет два поведения, которые большинство кандидатов упускают из виду. Во-первых, он не расширяет аббревиатуры: 'ML' — это другая строка от 'Machine Learning', и обе должны присутствовать явно для совпадения с описаниями вакансий, использующими любую форму. Во-вторых, Lever применяет значительно больший вес к опыту за последние пять лет. Сильный опыт шесть и более лет назад вносит гораздо меньший вклад в ваш показатель совпадения, чем недавний эквивалентный опыт. Если ваш наиболее релевантный опыт не в последних должностях, Lever может оценить вас низко, несмотря на действительно сильный бэкграунд.
DOCX даёт более стабильное распознавание разделов в Lever. Текстовые одноколоночные PDF разбираются приемлемо. Критическое требование — одноколоночный макет независимо от формата: Lever читает контент линейно, и двухколоночные дизайны приводят к слиянию описаний должностей с несвязанными полями.
Часть Employ Inc. с 18 000+ клиентов в совокупности
Обработка аббревиатур, взвешивание по актуальности и макетное поведение, специфичные для Lever TRM
Движок подбора Lever использует точное совпадение строк без словаря расширения аббревиатур. Это создаёт специфическую проблему для технических позиций, где обе формы термина часто встречаются: 'ML' в описаниях вакансий и 'Machine Learning' в резюме, или 'PM' против 'Product Manager', или 'SWE' против 'Software Engineer'. Ваше резюме должно содержать как расшифрованную форму, так и распространённую аббревиатуру для совпадения с вакансиями, использующими любую из них. Пишите 'Machine Learning (ML)' при первом использовании каждого термина.
Оценка релевантности Lever применяет функцию временного затухания к трудовой истории. Опыт в пределах последних 5 лет полностью вносит вклад в ваш показатель совпадения; опыт 5-10-летней давности вносит уменьшенный вклад; более старый опыт вносит минимальный. Это означает, что кандидат с сильным недавним опытом в смежных навыках может получить больше баллов, чем тот, у кого есть непосредственно релевантный опыт восьмилетней давности. Ставьте последние должности на первое место и убедитесь, что последние позиции описывают требуемые вакансией навыки.
Любой текст, существующий как часть изображения — логотипы с названиями компаний, отсканированные сертификаты, иконки навыков с текстовыми метками или декоративные элементы — не обрабатывается уровнем извлечения текста Lever. Это распространённая точка отказа для кандидатов, включающих логотип университета, изображение значка сертификации или фото профиля с наложенным именем. Lever читает только машиночитаемые текстовые символы, а не содержимое изображений.
Lever читает содержимое документа в линейном порядке сверху вниз. Двухколоночный макет в Word помещает контент левой колонки первым в порядке документа, затем контент правой — независимо от визуального выравнивания. Когда парсер встречает дату из второй колонки сразу после должности из первой, он не может определить, к какой позиции относится дата. Описания должностей оказываются связаны с неправильными позициями, и трудовая история становится ненадёжной.
Стратегия аббревиатур, оптимизация актуальности и правила форматирования для Lever TRM
При первом упоминании любого акронима или аббревиатуры пишите полную форму, за которой следует краткая форма в скобках: 'Machine Learning (ML)', 'Product Manager (PM)', 'Search Engine Optimization (SEO)'. Это гарантирует, что ваше резюме совпадёт с вакансиями, использующими расшифрованную форму или аббревиатуру, удваивая охват ключевых слов без лишнего контента.
Взвешивание по актуальности в Lever означает, что ваши последние 5 лет опыта несут существенно больший вес в оценке. Уделяйте больше места, больше пунктов и более насыщенные ключевыми словами описания последним должностям. Если ваш наиболее релевантный опыт старше, найдите способы подкрепить эти навыки в недавних должностях — даже если вы использовали их реже, упоминайте их явно в описаниях последних позиций.
Используйте формат 'Месяц ГГГГ' для всех дат занятости — 'Март 2021', 'Янв 2023'. Несоответствие форматов дат в разных разделах сбивает парсер дат Lever и создаёт неверные расчёты продолжительности занятости. Точные данные о продолжительности напрямую влияют на то, как долго засчитывается ваш опыт в каждом навыке для целей подбора.
Создавайте резюме как одноколоночный документ с контентом, текущим сверху вниз. Не используйте таблицы Word для создания параллельного контента, текстовые блоки для вызовов навыков или любой элемент дизайна, помещающий текст в нелинейный порядок документа. Это базовое требование для того, чтобы Lever правильно связывал описания должностей с нужными позициями.
По возможности отправляйте в формате DOCX. Lever использует структуру документа из DOCX-файлов для более надёжного распознавания разделов, чем при извлечении текста из PDF. Используйте стандартные заголовки: 'Experience', 'Education', 'Skills'. Стили заголовков DOCX (Heading 1, Heading 2) дают парсеру дополнительные структурные сигналы, которые PDF не может обеспечить.
Lever включает подбор кандидатов, который оценивает заявки относительно описаний вакансий на основе перекрытия ключевых слов и релевантности опыта. Оценка взвешивает недавний опыт сильнее, чем старую историю, и требует точных совпадений строк — аббревиатуры автоматически не совпадают с их полными формами. Рекрутеры видят показатель совпадения рядом с каждой заявкой, что влияет на порядок просмотра. Хорошо отформатированный DOCX с явными аббревиатурами и сильными разделами недавнего опыта получает заметно более высокий балл.
Многие компании, использующие Lever, позволяют подавать заявки через LinkedIn Easy Apply или прямой применение LinkedIn, что передаёт данные профиля LinkedIn в Lever. Это полностью обходит парсер загрузки резюме и использует структурированные данные профиля LinkedIn. Данные заявки LinkedIn, как правило, более надёжно структурированы, чем распознанные файлы резюме. Если доступна подача через LinkedIn, это часто даёт более чистый профиль кандидата, чем загрузка файла.
Lever применяет сниженный вес к опыту старше 5 лет, но это не означает его исключение. Перечислите старые релевантные должности с краткими описаниями. Что важнее: найдите законные способы упоминания релевантных навыков из старого опыта в описаниях последних должностей — даже краткие ссылки на давние компетенции засчитываются как недавние упоминания. Раздел 'Core Competencies' также может перечислять навыки без привязки к конкретным датированным должностям, делая их видимыми для системы подбора.