AI-помощник для HR в VVP Group
Автоматизация анализа резюме кандидатов для Центра дистрибьюции с точностью до 90%
Когда в компании растет поток кандидатов, рано или поздно ручная сортировка превращается в хаос. Особенно если нужно отсматривать десятки резюме ежедневно. Тогда бизнес начинает искать способ сделать процесс подбора более быстрым, прозрачным и не зависящим от конкретного человека или количества новых заявок.
С такой ситуацией столкнулся лидер в дистрибуции и производстве электроники и бытовой техники VVP Group, и мы реализовали для компании решение с искусственным интеллектом.
С какими проблемами столкнулся клиент
ВВП-групп занимается поставками широкой номенклатуры зарубежной техники. Подбор персонала в эту растущую команду происходит через внутреннюю форму и анкеты на HeadHunter.
Вся информация сводится в одну большую таблицу Excel — сейчас в ней уже более 15 000 человек. HR-специалисты анализировали эти заявки и вручную выделяли строки цветом:
В какой-то момент стало понятно: нужна автоматизация, иначе ручная экспертиза тормозит развитие бизнеса.
Ключевая цель проекта
Создать для HR-команды VVP Group модель, которая на основе накопленных данных будет определять, стоит приглашать кандидата на собеседование или нет.
Это означало не просто построить классификатор, а фактически воссоздать логику человеческой оценки: иногда субъективной, иногда основанной на нюансах. При этом технического задания не было, только цветные ячейки в таблице как обучающая выборка.
Как мы это реализовали
Обработка данных с помощью API ChatGPT
На старте запустили Python-скрипт, который вытаскивал данные из таблицы, обрабатывал их и отправлял в ChatGPT по API. Но результаты оказались неубедительными: нейросеть не понимала контекста, не учитывала отраслевые различия, а разные позиции требовали разных подходов.
Алгоритм оценки кандидатов на основе машинного обучения
В дело вступил специалист по ML. Он внимательно изучил поведение клиента и HR, вывел весовые коэффициенты по 9 критериям (например, полнота резюме, соответствие стажа, наличие рекомендаций) и построил алгоритм на базе этих правил.
Ключевой подход:
- Нейросеть — не единственный компонент
- Значительная часть логики работает по формулам и баллам, с понятной аргументацией.
Оценка кандидатов
Для VVP Group мы добавили интеграцию с API HeadHunter: резюме теперь подтягиваются автоматически по ссылке из формы. Сравнение идет построчно и в упрощенном виде выглядит так:
- если в форме указано 1 место работы, а в резюме — 5, это минус балл
- если ожидаемая зарплата выше рынка — еще минус
- если у кандидата есть карьерный рост — плюс
В результате для каждого кандидата система выдает развернутый текстовый ответ с разбивкой по критериям и финальной рекомендацией, то есть объясняя, почему кандидат рекомендован или нет.
Пакетная обработка
Позже по просьбе клиента реализовали пакетную обработку: теперь можно запустить скрипт на оценку всех интересующих кандидатов и получить ответы через 5 минут.
Результаты
В результате HR-команда Центра дистрибьюции получила единый автоматизированный механизм оценки кандидатов.На старте совпадение мнений нейросети и заказчика было скромным — около 35%. После доработок точность выросла до 85–90%, и теперь система не просто дублирует ручную работу, а помогает быстро принимать решения, опираясь на обоснованные параметры.
Система снижает долю ручной рутины и ускоряет первичный отбор, сохраняя единые критерии оценки кандидатов.
85-90%точность совпадения рекомендаций нейросети с мнением клиента
Заинтересовал кейс?
Если у вас есть похожая задача, напишите нам!
