Чому деякі CV програють ще до співбесід та як ми будували ATS-платформу

💡 Усі статті, обговорення, новини про HR — в одному місці. Приєднуйтесь до HR спільноти!

Протягом останніх місяців, працюючи над CVBoosta — платформою для ATS-oriented оптимізації резюме, — я дедалі частіше повертався до однієї думки: величезна кількість кандидатів програє ще до того моменту, коли їхнє CV відкриває жива людина.

Причому мова йде не лише про junior-фахівців або кандидатів без комерційного досвіду. Навпаки — у багатьох випадках це стосується цілком сильних інженерів, дизайнерів, аналітиків або менеджерів, які мають релевантний стек, реальні проєкти та адекватний професійний бекграунд, однак усе одно отримують мінімальну кількість відповідей після сотень подач.

На певному етапі нас зацікавило не стільки саме питання «як покращити CV», скільки набагато глибша проблема — яким чином сучасні ATS-системи фактично інтерпретують, оцінюють та ранжують резюме ще до етапу людського перегляду.

Саме це і стало фундаментом для розробки CVBoosta.

І якщо чесно, то на старті вся система здавалася значно простішою, ніж виявилося на практиці.

ATS — це вже не просто keyword filter

Багато кандидатів досі сприймають ATS як примітивний keyword checker, який просто шукає збіг між словами у вакансії та словами у CV.

Частково це правда.

Однак після аналізу десятків систем, експериментів із parsing pipelines та тестування великої кількості resume/job description combinations стало очевидно, що сучасні ATS-процеси значно складніші та багатошаровіші.

Система може враховувати:

• semantic relevance,
• структуру документа,
• readability,
• consistency між секціями,
• measurable impact,
• контекст навичок,
• релевантність досвіду до вакансії,
• та навіть непрямі behavioral indicators у формулюваннях.

При цьому найбільш іронічна проблема полягає в тому, що значна частина CV, які візуально виглядають «сучасно» або «преміально», технічно виявляються майже непридатними для коректного ATS parsing.

Особливо це стосується:

• multi-column layouts,
• heavy graphic templates,
• дизайнерських CV із Canva,
• складних PDF structures,
• image-based sections,
• кастомних fonts та embedded visual blocks.

Фактично кандидат намагається зробити документ красивішим для людини, але водночас суттєво погіршує його машинну інтерпретацію.

Parsing виявився однією з найскладніших частин системи

На старті ми досить наївно припускали, що parsing layer буде майже технічною формальністю.

Здавалося, що pipeline виглядатиме приблизно так:
PDF → text extraction → normalization → analysis.

У реальності ж саме parsing став одним із найбільш нестабільних і непередбачуваних компонентів усієї системи.

Ми зіткнулися з:

• broken unicode,
• нелогічним порядком блоків після extraction,
• invisible symbols,
• різними PDF rendering engines,
• image-only resumes,
• таблицями, які руйнували структуру документа,
• та абсолютно хаотичними layout combinations.

Деякі резюме після extraction буквально перетворювалися на набір випадкових фрагментів тексту без будь-якої зрозумілої структури.

У певний момент стало очевидно, що ATS compatibility — це не лише про «правильні слова», а й про predictability документа для parsing systems.

І саме тоді ми почали значно більше уваги приділяти normalization layer, document structure analysis та readability heuristics.

Чому keyword matching перестав працювати

Ще одна річ, яку ми досить швидко зрозуміли під час побудови scoring engine, полягала в тому, що класичний keyword matching має дуже обмежену ефективність.

Наприклад:

• «Building scalable backend systems»
• «REST API development»
• «Designing distributed services»

можуть описувати дуже схожий engineering experience, хоча формально містять різні набори слів.

Саме тому ми почали рухатися в сторону semantic analysis та contextual relevance scoring.

Система почала враховувати:

• keyword density,
• contextual alignment,
• missing skill clusters,
• measurable achievements,
• role-specific terminology,
• strength of action verbs,
• consistency між experience sections,
• та signal-to-noise ratio всередині документа.

Окремо довелося експериментувати з weighting systems, normalization logic та penalty models, оскільки навіть незначні зміни scoring coefficients могли кардинально впливати на фінальний результат аналізу.

Інколи різниця між «average CV» та «high relevance CV» полягала буквально у кількох правильно перебудованих bullets.

SEO scaling несподівано став окремою engineering problem

Цікаво, що однією з найскладніших проблем усього проєкту виявився навіть не AI layer.

Найбільше несподіванок приніс SEO scaling.

Ми почали будувати велику кількість role-specific pages:

• resume keywords for backend engineer,
• ATS optimization for product manager,
• frontend developer resume examples,
• DevOps ATS matching,
  і так далі.

Спочатку логіка здавалася очевидною:
чим більше якісних сторінок → тим більше search traffic.

Проте на практиці все виявилося значно складніше.

Ми зіткнулися з:

• indexing delays,
• duplicate intent conflicts,
• crawl budget limitations,
• canonicalization issues,
• thin content risks,
• нестабільною індексацією dynamic pages,
• та проблемами semantic overlap між сторінками.

У певний момент стало зрозуміло, що SEO scaling для SaaS — це фактично окрема engineering discipline, яка потребує не менш серйозного підходу, ніж backend architecture або infrastructure optimization.

Найбільш несподіваний висновок

Однак найцікавіший інсайт за весь час роботи над платформою був навіть не технічним.

Ми побачили, наскільки часто проблема кандидатів полягає не у відсутності навичок, а у слабкій передачі професійного сигналу.

Багато спеціалістів:

• недооцінюють importance presentation layer,
• не адаптують CV під вакансію,
• використовують generic wording,
• не показують measurable impact,
• або створюють занадто високий рівень information noise.

У результаті навіть сильний фахівець може виглядати для системи «нерелевантним», хоча в реальності має достатню кваліфікацію для ролі.

І чим довше ми працюємо над CVBoosta, тим очевиднішою стає одна річ:

ATS optimization — це вже не «маленький HR-трюк», а повноцінний технічний шар між кандидатом і реальною співбесідою.

І якщо цей шар працює погано, то навіть хороший досвід може так ніколи і не бути нормально оціненим.

Якщо цікаво подивитись як це працює це можна зробити тут: CVBoosta.com