Score 0-100: как правильно читать оценку кандидата и не попасть в ловушку чисел

Итоговая оценка кандидата от нуля до ста выглядит простой и наглядной. Рекрутер заходит в систему, видит у одного кандидата 92, у другого 67, у третьего 34, и интуитивно понимает, с кого начинать. На этой простоте построена большая часть современных HR-интерфейсов. Проблема в том, что доверие числу без понимания его структуры приводит к систематическим ошибкам в подборе.

Начнём с того, что сам по себе score 92 ничего не значит без контекста. Он не означает, что кандидат подходит на 92 процента. Он не означает, что с вероятностью 92 процента он пройдёт интервью. Он означает одно: в рамках заданной модели оценки и конкретной конфигурации весов этот кандидат набрал на восемь пунктов меньше теоретического максимума. Насколько это хорошо или плохо, зависит от того, как настроена модель и как выглядит распределение score в вашем потоке кандидатов.

Первая типичная ошибка — сравнение score между разными вакансиями. Если на одной вакансии средний score кандидатов в базе равен 72, а на другой 45, это не значит, что на первой поток лучше. Возможно, веса настроены по-разному, возможно, критерии мягче, возможно, источник откликов более релевантный. Сравнивать имеет смысл только в рамках одной вакансии, где веса и критерии зафиксированы.

Вторая ошибка — игнорирование breakdown. Два кандидата с одинаковым итоговым score могут быть кардинально разными. Первый получил 80 за счёт высоких оценок по техническому опыту и стабильности карьеры, но низкого балла по зарплатным ожиданиям. Второй получил те же 80 за счёт идеального стека и географии, но средних оценок по опыту. Эти два кандидата — разные истории, и решения по ним должны приниматься по-разному. Именно поэтому грамотные системы показывают breakdown прямо в списке, а не только в детальной карточке.

Третья ошибка — слишком жёсткий порог отсечения. Распространённый паттерн: рекрутер смотрит только на кандидатов с score выше 80, остальных отправляет в отказ автоматически. На первый взгляд это разумно, на практике теряются интересные кандидаты. Например, senior-разработчик с десятилетним опытом, но не указавший в резюме конкретную технологию из требований, может получить score 65 просто из-за отсутствия ключевого слова. При этом в реальной беседе оказывается, что он эту технологию использовал ежедневно, просто не упомянул. Такие кейсы теряются при жёстком пороге.

Правильная стратегия работы со score: делить поток на три зоны. Верхняя зона (обычно выше 75) — кандидаты, которые однозначно идут на следующий этап без дополнительных проверок. Средняя зона (примерно 50-75) — кандидаты, которых стоит посмотреть внимательнее, возможно провести короткое первичное интервью перед принятием решения. Нижняя зона (ниже 50) — кандидаты, которые получают автоответ, но не удаляются из базы, потому что могут подойти на другие позиции. Такое трёхзонное деление даёт баланс между эффективностью и полнотой обзора.

Калибровка весов это отдельный навык. Простой способ калибровки: взять двадцать-тридцать резюме, которые вы уже просмотрели вручную и составили о них мнение. Прогнать их через систему с текущими весами и сравнить свою оценку с автоматической. Если обнаруживается систематическое расхождение — например, вы считаете кандидатов с 3+ годами опыта однозначно сильными, а система даёт им только 65 — значит вес опыта в модели занижен. Повышаем его и прогоняем те же резюме снова, добиваясь совпадения с интуицией рекрутера.

Важная тонкость с зарплатными ожиданиями. Этот параметр часто делают жёстко отсекающим: если кандидат запросил больше верхней планки вакансии, получает сильно сниженный score. Это удобно, но опасно. Во-первых, кандидат мог указать желаемую сумму с запасом на торг. Во-вторых, сильный кандидат может стоить дополнительного бюджета, который вы готовы выделить. Лучше делать вес зарплаты не жёстким отсекающим, а одним из критериев среди других, чтобы не пропускать интересных кандидатов.

Проблема gaming the score. Когда кандидаты понимают, по каким критериям их оценивают, они начинают подстраивать резюме. Добавляют ключевые слова, переписывают разделы под требования. Это приводит к инфляции score: средний балл в потоке растёт, но качество кандидатов не улучшается. Противодействие этому — периодически менять формулировки вакансий, не публиковать явные критерии оценки, использовать более глубокие модели, которые смотрят на связность описания, а не только на ключевые слова.

Когда стоит игнорировать высокий score. Если кандидат с score 90 не прошёл техническое интервью, это повод насторожиться. Один случай это случайность. Три-четыре случая подряд означают, что модель выдаёт ложноположительные результаты и нужна калибровка. Хорошая HR-система собирает эту статистику автоматически и показывает корреляцию между score и финальным решением по кандидату. Низкая корреляция — сигнал о проблеме.

В обратную сторону — когда стоит смотреть кандидатов с низким score. Регулярно выделяйте двадцать-тридцать минут в неделю на ручной просмотр случайной выборки кандидатов со score от 40 до 60. Это даёт возможность обнаружить интересные кейсы, которые модель недооценила, и одновременно получить материал для калибровки весов. Такая практика называется exploration и принципиально важна для поддержания качества модели.

Итоговая рекомендация. Относитесь к score как к полезному, но ограниченному инструменту. Он ускоряет сортировку, но не заменяет мышление. Он направляет внимание, но не принимает решения. Работа рекрутера остаётся ключевой, просто теперь она концентрируется на тех участках, где действительно нужна человеческая интуиция и экспертиза, а не на механической сортировке сотен резюме.