O Lever impulsiona o recrutamento na Shopify, Reddit, Zendesk e mais de 18.000 outras empresas sob o guarda-chuva da Employ Inc. Ele tem uma fraqueza específica com siglas e uma forte ponderação de recência que a maioria dos candidatos nunca considera.
O Lever, agora operando como LeverTRM sob a Employ Inc., combina rastreamento de candidatos com gestão de relacionamento com candidatos. Isso significa que ele rastreia interações com candidatos, threads de e-mail e notas de recrutadores juntamente com os dados da candidatura, tornando-o um sistema mais rico do que ferramentas de ATS puras. O Lever é popular entre empresas de tecnologia de médio porte e startups em crescimento rápido que desejam um processo colaborativo de contratação com pipelines estruturados. Sua base de mais de 18.000 clientes combinados sob a Employ Inc. o torna um dos sistemas mais amplamente encontrados no setor de tecnologia.
O parser do Lever tem dois comportamentos que a maioria dos candidatos ignora. Primeiro, ele não expande abreviações: 'ML' é uma string diferente de 'Machine Learning', e ambas devem aparecer explicitamente para corresponder às descrições de vagas que usam qualquer uma das formas. Segundo, o Lever aplica uma ponderação significativamente maior à experiência dos últimos cinco anos. Um histórico sólido de seis ou mais anos atrás contribui muito menos para sua pontuação de correspondência do que experiência equivalente recente. Se sua experiência mais relevante não está nas suas funções recentes, o Lever pode classificá-lo abaixo apesar de um histórico genuinamente forte.
O DOCX produz identificação de seções mais consistente no Lever. PDFs baseados em texto de uma coluna funcionam adequadamente. O requisito fundamental é o layout de uma coluna, independentemente do formato: o Lever lê o conteúdo linearmente, e designs de duas colunas fazem as descrições de cargos se misturarem com campos não relacionados.
Parte da Employ Inc. com mais de 18.000 clientes combinados
Tratamento de abreviações, ponderação de recência e comportamentos de layout específicos do Lever TRM
O motor de correspondência do Lever usa correspondência exata de strings sem um dicionário de expansão de abreviações. Isso cria um problema específico para funções técnicas onde ambas as formas de um termo aparecem comumente: 'ML' em descrições de vagas e 'Machine Learning' em currículos, ou 'PM' vs 'Product Manager', ou 'SWE' vs 'Software Engineer'. Seu currículo deve conter tanto a forma por extenso quanto a abreviação comum para corresponder às descrições de vagas que usam qualquer uma. Escreva 'Machine Learning (ML)' na primeira vez que usar cada termo.
A pontuação de relevância do Lever aplica uma função de decaimento temporal ao histórico de trabalho. Experiência dentro dos últimos 5 anos contribui totalmente para sua pontuação; experiência de 5 a 10 anos atrás contribui em taxa reduzida; experiência mais antiga contribui minimamente. Isso significa que um candidato com experiência recente sólida em habilidades adjacentes pode superar alguém com experiência diretamente relevante de 8 anos atrás. Comece com suas funções mais recentes e certifique-se de que posições recentes descrevam as habilidades exigidas pela vaga.
Qualquer texto que exista como parte de uma imagem — logotipos com nomes de empresas, certificados digitalizados, ícones de habilidades com rótulos de texto ou elementos decorativos — não é processado pela camada de extração de texto do Lever. Esse é um ponto de falha comum para candidatos que incluem o logotipo da universidade, uma imagem de badge de certificação ou uma foto de perfil com o nome sobreposto. O Lever lê apenas caracteres de texto legíveis por máquina, não conteúdo de imagem.
O Lever lê o conteúdo do documento em ordem linear de cima para baixo. Um layout de duas colunas no Word coloca o conteúdo da coluna esquerda primeiro na ordem do documento, depois o conteúdo da coluna direita, independentemente do alinhamento visual. Quando o parser encontra uma data da coluna dois imediatamente após um cargo da coluna um, não consegue dizer a qual cargo a data pertence. Descrições de cargos ficam associadas às posições erradas, e o histórico de emprego torna-se não confiável.
Estratégia de abreviações, otimização de recência e regras de formatação para o Lever TRM
Na primeira ocorrência de qualquer sigla ou abreviação, escreva a forma completa seguida da forma curta entre parênteses: 'Machine Learning (ML)', 'Product Manager (PM)', 'Search Engine Optimization (SEO)'. Isso garante que seu currículo corresponda às descrições de vagas que usam tanto a forma por extenso quanto a abreviação, dobrando sua cobertura de palavras-chave sem repetição de conteúdo.
A ponderação de recência do Lever significa que seus últimos 5 anos de experiência têm substancialmente mais peso na pontuação. Aloque mais espaço, mais marcadores e descrições mais ricas em palavras-chave para suas funções recentes. Se sua experiência mais relevante é mais antiga, encontre formas de reforçar essas habilidades em funções recentes: mesmo que as tenha usado com menos frequência, mencione-as explicitamente nas descrições de cargos recentes.
Use o formato 'Mês AAAA' para todas as datas de emprego: 'março de 2021', 'jan. de 2023'. A inconsistência entre formatos de data em seções diferentes confunde o parser de datas do Lever e cria cálculos incorretos de duração de emprego. Dados precisos de duração afetam diretamente por quanto tempo sua experiência em cada habilidade é contada para fins de correspondência.
Crie seu currículo como um documento de coluna única com o conteúdo fluindo de cima para baixo. Não use tabelas do Word para criar conteúdo lado a lado, caixas de texto para destacar habilidades ou qualquer elemento de design que coloque texto em ordem não linear no documento. Esse é o requisito fundamental para que o Lever associe corretamente as descrições de cargos às posições corretas.
Envie em formato DOCX sempre que possível. O Lever usa a estrutura do documento de arquivos DOCX para identificar seções com mais confiabilidade do que a extração de texto de PDF. Use títulos padrão: 'Experiência', 'Formação', 'Habilidades'. Os estilos de título do DOCX (Heading 1, Heading 2) fornecem ao parser sinais estruturais adicionais que o texto PDF não consegue fornecer.
O Lever inclui correspondência de candidatos que pontua candidaturas em relação às descrições de vagas com base na sobreposição de palavras-chave e relevância da experiência. A pontuação pondera a experiência recente mais fortemente do que o histórico mais antigo e requer correspondências exatas de strings: abreviações não correspondem automaticamente às suas formas completas. Os recrutadores veem uma pontuação de correspondência junto a cada candidatura, o que influencia a ordem de revisão. Um DOCX bem formatado com abreviações explícitas e seções de experiência recente sólidas pontuará notavelmente melhor.
Muitas empresas que usam o Lever permitem candidaturas pelo LinkedIn Easy Apply ou LinkedIn Apply direto, o que transfere os dados do seu perfil LinkedIn para o Lever. Isso ignora completamente o parser de upload de currículo e usa dados estruturados do perfil LinkedIn em vez disso. Os dados de candidatura do LinkedIn geralmente são estruturados com mais confiabilidade do que arquivos de currículo analisados. Se a candidatura pelo LinkedIn estiver disponível, frequentemente produz um perfil de candidato mais limpo do que o upload de um arquivo.
O Lever aplica peso reduzido de pontuação para experiência com mais de 5 anos, mas isso não significa excluí-la. Liste posições antigas relevantes com descrições concisas. Mais importante, encontre formas legítimas de referenciar habilidades antigas relevantes em descrições de cargos recentes: mesmo referências breves a proficiências de longa data contam como menções recentes. Uma seção de 'Competências Principais' também pode listar habilidades sem vinculá-las a posições com datas, mantendo-as visíveis para o sistema de correspondência.