Das Problem: 120 Profile, aber keine klare Reihenfolge
Für eine Senior-Java-Stelle sammelt ein Recruiting-Team schnell 120 bis 150 Profile aus Jobbörsen, LinkedIn und internen Bewerbungen. Die Liste ist vollständig, aber nicht priorisiert: Wer zuerst angerufen wird, entscheidet oft die Reihenfolge des Eingangs. LuckyHunter setzt genau an dieser Stelle an und erzeugt einen Matching-Score zwischen Stellenprofil und Kandidatenprofil.
Ein Beispiel aus der Praxis: Ein Fintech sucht einen Java-Entwickler mit Kafka-Erfahrung und Deutschkenntnissen auf C1-Niveau. Im ersten Durchlauf landen 38 Profile mit Java, aber nur neun mit Kafka und fünf mit belegten Deutschkenntnissen in der Shortlist. Ohne Scoring kostet die Vorauswahl zwei Arbeitstage. Takeaway: Nicht die Menge der Profile ist das Problem, sondern die fehlende Gewichtung harter Kriterien.
Die Ursache: Breite Filter und manuelle Nacharbeit
Klassische Boolean-Suchen behandeln alle Treffer gleich. „Java AND Kafka“ liefert auch Profile, in denen Kafka nur in einem Schulungszertifikat auftaucht. Der Filter kennt keine Projektdauer, keine Seniorität und keine Sprachlevel. Recruiter korrigieren das manuell – mit CV-Check, Telefonat und Notizen in drei Systemen.
Die Ursache liegt in der Trennung von Suche und Bewertung: Die Suchmaschine findet Kandidaten, die Bewertung passiert im Kopf oder in einer Excel-Tabelle. Genau diese Lücke macht den Screening-Prozess langsam und schwer vergleichbar.
Die Lösung: LuckyHunter als Scoring-Schicht im Screening
Wie der Score entsteht
LuckyHunter gewichtet Kriterien aus dem Stellenprofil: Muss-Skills, Nice-to-have-Skills, Projektähnlichkeit, Senioritätsniveau und Sprachkenntnisse. Ein Java-Profil mit zwei Jahren Kafka-Produktivbetrieb erhält einen höheren Score als ein Profil mit einem zweiwöchigen Kurs. Der Recruiter sieht nicht nur „passt“ oder „passt nicht“, sondern eine Rangfolge mit nachvollziehbaren Gründen.
Was der Score nicht ersetzt
Der Score ist kein Automatismus für die Einstellung. Er priorisiert die Reihenfolge der Prüfung. Kulturfit, Gehaltsband und Verfügbarkeit bleiben menschliche Entscheidungen. Wer den Score als alleinige Grundlage nimmt, verlagert das Problem nur in den Algorithmus.
Umsetzung: Drei Schritte für den ersten Durchlauf
- Stellenprofil in Muss- und Kann-Kriterien trennen und jedes Kriterium mit Gewicht versehen.
- LuckyHunter mit den bestehenden Quellen verbinden und die ersten 20 Profile gegen die manuelle Einschätzung prüfen.
- Schwellenwerte festlegen: ab welchem Score ein Profil in die Telefonrunde geht und ab welchem Score es archiviert wird.
Für die Dokumentation dieser Schwellenwerte hilft ein transparenter Prozessrahmen, wie ihn das https://basecamp-linz.at/ für kollaborative Projekte beschreibt.
Das Ergebnis: Kürzere Screening-Zeit bei gleicher Trefferquote
Im beschriebenen Fintech-Beispiel sank die Screening-Zeit von zwei Tagen auf einen halben Tag. Die Zahl der Telefonate blieb gleich, weil die Shortlist weiterhin neun Profile umfasste – nur waren die richtigen neun schneller sichtbar. LuckyHunter ersetzt damit keine Recruiter, sondern verschiebt Arbeit vom Suchen ins Bewerten.