{"id":40928,"date":"2026-10-26T19:26:26","date_gmt":"2026-10-26T19:26:26","guid":{"rendered":"https:\/\/bagn.no\/?p=40928"},"modified":"2026-10-26T19:26:26","modified_gmt":"2026-10-26T19:26:26","slug":"luckyhunter-im-recruiting-wie-matching-scores-den-screening-aufwand-bei-it-stellen-senken","status":"publish","type":"post","link":"https:\/\/bagn.no\/?p=40928","title":{"rendered":"LuckyHunter im Recruiting: Wie Matching-Scores den Screening-Aufwand bei IT-Stellen senken"},"content":{"rendered":"<h2>Das Problem: 120 Profile, aber keine klare Reihenfolge<\/h2>\n<p>F\u00fcr eine Senior-Java-Stelle sammelt ein Recruiting-Team schnell 120 bis 150 Profile aus Jobb\u00f6rsen, LinkedIn und internen Bewerbungen. Die Liste ist vollst\u00e4ndig, 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.<\/p>\n<p>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 f\u00fcnf 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.<\/p>\n<h2>Die Ursache: Breite Filter und manuelle Nacharbeit<\/h2>\n<p>Klassische Boolean-Suchen behandeln alle Treffer gleich. \u201eJava AND Kafka\u201c liefert auch Profile, in denen Kafka nur in einem Schulungszertifikat auftaucht. Der Filter kennt keine Projektdauer, keine Seniorit\u00e4t und keine Sprachlevel. Recruiter korrigieren das manuell \u2013 mit CV-Check, Telefonat und Notizen in drei Systemen.<\/p>\n<p>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 L\u00fccke macht den Screening-Prozess langsam und schwer vergleichbar.<\/p>\n<h2>Die L\u00f6sung: LuckyHunter als Scoring-Schicht im Screening<\/h2>\n<h3>Wie der Score entsteht<\/h3>\n<p>LuckyHunter gewichtet Kriterien aus dem Stellenprofil: Muss-Skills, Nice-to-have-Skills, Projekt\u00e4hnlichkeit, Seniorit\u00e4tsniveau und Sprachkenntnisse. Ein Java-Profil mit zwei Jahren Kafka-Produktivbetrieb erh\u00e4lt einen h\u00f6heren Score als ein Profil mit einem zweiw\u00f6chigen Kurs. Der Recruiter sieht nicht nur \u201epasst\u201c oder \u201epasst nicht\u201c, sondern eine Rangfolge mit nachvollziehbaren Gr\u00fcnden.<\/p>\n<h3>Was der Score nicht ersetzt<\/h3>\n<p>Der Score ist kein Automatismus f\u00fcr die Einstellung. Er priorisiert die Reihenfolge der Pr\u00fcfung. Kulturfit, Gehaltsband und Verf\u00fcgbarkeit bleiben menschliche Entscheidungen. Wer den Score als alleinige Grundlage nimmt, verlagert das Problem nur in den Algorithmus.<\/p>\n<h2>Umsetzung: Drei Schritte f\u00fcr den ersten Durchlauf<\/h2>\n<ol>\n<li>Stellenprofil in Muss- und Kann-Kriterien trennen und jedes Kriterium mit Gewicht versehen.<\/li>\n<li>LuckyHunter mit den bestehenden Quellen verbinden und die ersten 20 Profile gegen die manuelle Einsch\u00e4tzung pr\u00fcfen.<\/li>\n<li>Schwellenwerte festlegen: ab welchem Score ein Profil in die Telefonrunde geht und ab welchem Score es archiviert wird.<\/li>\n<\/ol>\n<p>F\u00fcr die Dokumentation dieser Schwellenwerte hilft ein transparenter Prozessrahmen, wie ihn das <a href=\"https:\/\/basecamp-linz.at\/\">https:\/\/basecamp-linz.at\/<\/a> f\u00fcr kollaborative Projekte beschreibt.<\/p>\n<h2>Das Ergebnis: K\u00fcrzere Screening-Zeit bei gleicher Trefferquote<\/h2>\n<p>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 \u2013 nur waren die richtigen neun schneller sichtbar. LuckyHunter ersetzt damit keine Recruiter, sondern verschiebt Arbeit vom Suchen ins Bewerten.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Das Problem: 120 Profile, aber keine klare Reihenfolge F\u00fcr eine Senior-Java-Stelle sammelt ein Recruiting-Team schnell 120 bis 150 Profile aus Jobb\u00f6rsen, LinkedIn und internen Bewerbungen. Die Liste ist vollst\u00e4ndig, 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 [&hellip;]<\/p>\n","protected":false},"author":111,"featured_media":0,"comment_status":"closed","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-40928","post","type-post","status-publish","format-standard","hentry"],"_links":{"self":[{"href":"https:\/\/bagn.no\/index.php?rest_route=\/wp\/v2\/posts\/40928","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/bagn.no\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/bagn.no\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/bagn.no\/index.php?rest_route=\/wp\/v2\/users\/111"}],"replies":[{"embeddable":true,"href":"https:\/\/bagn.no\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=40928"}],"version-history":[{"count":1,"href":"https:\/\/bagn.no\/index.php?rest_route=\/wp\/v2\/posts\/40928\/revisions"}],"predecessor-version":[{"id":40929,"href":"https:\/\/bagn.no\/index.php?rest_route=\/wp\/v2\/posts\/40928\/revisions\/40929"}],"wp:attachment":[{"href":"https:\/\/bagn.no\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=40928"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/bagn.no\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=40928"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/bagn.no\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=40928"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}