キーワードフィルターのステップはATSが最初に実行するものです。必須スキルのうちどれを持っているか、歓迎スキルのうちどれに触れているか、職務が求めていたが忘れていたもの、それらに弱く触れている箇条書きを正確に示します。
1. 求人を貼り付ける。求人票の全文を貼り付けるかリンクをドロップすれば抽出します。構造化された求人（明示的なREQUIRED_SKILLS / PREFERRED_SKILLS / MIN_EXPERIENCE / MIN_DEGREEブロック付き）も自由なテキストも同様にサポートします。
2. 並列表示を読む。必須スキルあり、必須スキル不足、歓迎スキルあり、歓迎スキル不足。それぞれが求人票のどの行から来たかを示すので解析を異議申し立てできます。
3. セクション別マッチを実行。経験、スキル、プロジェクト、学歴を別々にスコアします。スキルに欠けているキーワードは4点の影響です。あなたの箇条書き3つにも現れる欠けているキーワードは自動的にクレジットされます。
4. 書き換え提案を受け入れる。「欠けているスキルに弱く触れている」とフラグされた箇条書きごとに、定量化された結果でキーワードを配置する書き換えを提案します。受け入れ、編集、スキップ。スコアはライブで再計算されます。
5. 再エクスポートして応募。同じテンプレート。新しいテキスト。スコアは求人にマッチした履歴書バージョンを反映します。元の履歴書はダッシュボードに無傷で残るので、次の役職にはクリーンなベースから実行できます。
素朴なキーワードスキャナーは正規表現を使います。文字通りの文字列「Machine Learning」を探し、箇条書きが「MLパイプライン」と言うと諦めます。これがATSで拒否された履歴書の65%を、本来拒否されるべきでなかったように見せる失敗モードです。
私たちのスキルグラフは、何千もの正規スキル名、その略語、ツールファミリー、よくある誤字の手作業でキュレーションされたオントロジーです。「ML」は「Machine Learning」に対応します。「k8s」は「Kubernetes」に対応します。「tensorlfow」は依然として「TensorFlow」に一致します。グラフは「PyTorch」がより広範な「deep learning」能力を含意することも知っているので、求人が後者を求め履歴書が前者を証明する場合に正しくクレジットします。
欠けている同義語に気づいたら1日以内に追加します。グラフはオペレーターレビューに開かれており、すべてのミスはモデル再訓練ではなくグラフ編集です。
求人を構造化フィールド（必須スキル、歓迎スキル、最低経験、最低学歴）に解析し、履歴書に対してセクション別差分を実行します。差分の背後にあるスキルグラフは同義語（ML / machine learning、k8s / kubernetes）と誤字を処理するので、正当な一致が見逃されません。
はい。ワークスペース内の各履歴書は異なる求人を保持できます。スコアと箇条書き書き換え提案は求人ごとに再計算されます。元のベース履歴書は決して上書きされません。
求人全文に同じスキルグラフを実行することにフォールバックします。抽出されたスキルリストが表示されるので、差分が実行される前に解析が見落とした場合に上書きできます。
ドキュメント全体で1つのキーワード類似性数値を計算しません。経験、スキル、プロジェクト、学歴を別々にスコアします。スキルに欠けているキーワードは30秒で修正できますが、経験に欠けているキーワードは通常、履歴書に別の役職が必要だということです。
いいえ。求人のキーワードを配置するために箇条書きを追加または書き換えますが、持っていないスキルを発明することはなく、他の雇用主が望む可能性のあるコンテンツを削除することもありません。ベース履歴書はワークスペースで無傷のままです。
はい。スキルグラフはすべての主要職種ファミリー向けにキュレーションされています。マーケティングでは「demand gen」「lifecycle marketing」「ABM」「attribution」、標準的なツールスタック（HubSpot、Marketo、Salesforce）、定量化された成果（パイプライン創出、MQLコンバージョン向上）を配置することを意味します。
無料の並列表示差分。クレジットカード不要。ベース履歴書は無傷のまま。
マッチを実行 →