Matchscores begrijpen

Overzicht

Elke vacaturematch in Recruitier heeft een score — een percentage dat aangeeft hoe goed de vacature aansluit bij het profiel van de kandidaat. Maar een getal alleen vertelt niet het hele verhaal. Achter elke score zit een uitsplitsing over vier evaluatiedimensies, een locatiestrafberekening, mogelijke kritieke mismatch-grenzen en een toelichting in natuurlijke taal van de AI. Deze handleiding legt uit wat de score werkelijk meet, hoe deze stap voor stap wordt berekend en hoe u deze effectief kunt gebruiken om uw outreach te prioriteren en plaatsingen te maximaliseren.

Wat de score vertegenwoordigt

De matchscore is een gewogen samenstelling van vier evaluatiedimensies, elk vastleggend een ander aspect van de fit tussen de kandidaat en de vacature. De score wordt berekend door Gemini na analyse van zowel het volledige profiel van de kandidaat (cv-tekst tot 8.000 tekens, bevestigde vaardigheden, ervaringsniveau) als de volledige vacaturebeschrijving (tot 6.000 tekens). De score loopt van 0% tot 100%, waarbij:

100% een perfecte match betekent over alle dimensies (in de praktijk uiterst zeldzaam — vereist exacte afstemming in vaardigheden, functie, ervaring en alle secundaire factoren)
0% betekent helemaal geen afstemming (deze worden uitgefilterd tijdens vectorzoekopdracht voordat ze de scoringfase bereiken)

De meeste matches die u ziet liggen tussen 40% en 95%. De vectorzoekopdracht filtert vooraf op basisrelevantie, zodat echt irrelevante vacatures zelden de scoringfase halen.

Scoringdimensies

De AI evalueert elke match onafhankelijk over vier dimensies en combineert ze vervolgens met configureerbare per-kandidaatgewichten.

Functiefit (standaard: 30% gewicht)

Functiefit meet hoe goed de professionele achtergrond van de kandidaat aansluit bij wat de vacature fundamenteel vereist. De AI houdt rekening met:

Wordt de huidige of recente functietitel van de kandidaat toegewezen aan deze functie? (“Senior Python Developer” vs. “Python Backend Engineer” = hoge afstemming; “Marketing Manager” vs. “Python Developer” = lage afstemming)
Is het senioriteitssniveau passend? (Junior kandidaat voor een junior functie = goed; junior voor een lead-functie = slecht)
Wijst de loopbaantrajectorie van de kandidaat naar dit type positie? (3 jaar progressieve backend-ontwikkelfuncties = sterke trajectorie voor een senior backend-positie)
Is het domein relevant? (FinTech-ervaring voor een FinTech-functie = bonus)

Een hoge Functiefit-score betekent dat de kandidaat op basis van hun loopbaangeschiedenis een natuurlijke fit zou zijn voor deze functie. Een lage Functiefit-score betekent dat de functie een significante afwijking vertegenwoordigt van hun ervaring.

Kritieke grens: Als Functiefit onder 0,30 scoort, wordt de totale matchscore begrensd op 35% ongeacht andere dimensiescores. Dit voorkomt een scenario waarbij een kandidaat met volledig verkeerde ervaring (bijv. een kok) een hoge score krijgt voor een softwarefunctie alleen omdat ze toevallig relevante hobby-vaardigheden hebben. Een fundamenteel verkeerde functie kan niet worden gecompenseerd door andere factoren.

Vaardigheidsfit (standaard: 35% gewicht)

Vaardigheidsfit is de zwaarst gewogen dimensie. Het evalueert:

Hoeveel van de vereiste vaardigheden voor de vacature heeft de kandidaat?
Zijn de kernvaardigheden van de kandidaat centraal voor de vereisten van deze vacature?
Zijn er kritieke vaardigheidentekorten die de kandidaat ongeschikt zouden maken?
Hoeveel van de vaardigheden van de kandidaat zijn daadwerkelijk relevant voor deze functie?

De AI identificeert specifieke sterke punten en tekortkomingen, die op matchkaarten worden weergegeven als:

Belangrijkste matchpunten (groene badges) — De sterkste redenen waarom de kandidaat geschikt is voor de functie (bijv. relevante vaardigheden, ervaringsafstemming)
Mogelijke aandachtspunten (oranje badges) — Zaken om te overwegen, zoals ontbrekende vereiste vaardigheden of ervaringshiaten

Deze badges worden weergegeven naast de score, zodat u onmiddellijk zicht heeft op wat de match sterk maakt en waar de tekortkomingen liggen.

Kritieke grens: Als Vaardigheidsfit onder 0,30 scoort, wordt de totale matchscore begrensd op 45%. Dit voorkomt een situatie waarbij een Senior Java Developer een hoge score krijgt voor een Python/FastAPI-positie alleen omdat hun senioriteit, ervaring en secundaire factoren allemaal overeenkomen. Afstemming van kernvaardigheden is niet-onderhandelbaar voor een betekenisvolle match.

Ervaringsfit (standaard: 20% gewicht)

Ervaringsfit kijkt naar de bredere context van de ervaring van de kandidaat, verder dan alleen vaardigheden en functietitel:

Komen hun jaren ervaring overeen met de verwachtingen van de vacature? (5 jaar voor een functie die “3-5 jaar vereist” = perfect; 1 jaar voor een senior functie = mismatch)
Is hun branche-ervaring relevant? (Bankervaring voor een banktechtechnologiefunctie = sterk; gamingervaring = zwakker)
Sluiten hun eerdere projecten en verantwoordelijkheden aan bij wat deze vacature vereist? (Heeft een team van 5 geleid vs. individuele bijdrager verwachtingen)
Komt hun werkcomplexiteit overeen? (Startup-ervaring vs. verwachtingen op ondernemingsschaal)

Deze dimensie helpt een onderscheid te maken tussen twee kandidaten die dezelfde vaardigheden kunnen hebben maar sterk verschillende niveaus van praktische ervaring en professionele volwassenheid.

Secundaire fit (standaard: 15% gewicht)

Secundaire fit legt aanvullende factoren vast die de matchkwaliteit beinvloeden maar niet de primaire drijfveren zijn:

Afstemming van opleiding — Voldoet het diploma van de kandidaat aan de opleidingsvereisten van de vacature? (MSc Informatica voor een functie die een technisch diploma vereist)
Certificeringen — Relevante certificeringen (AWS Certified, PMP, Scrum Master)
Branchespecifieke kennis — Domeinexpertise buiten technische vaardigheden
Taalvereisten — Nederlandse taalvaardigheid voor Nederlandstalige functies
Indicatoren voor bedrijfscultuur — Startup vs. ondernemingsmentaliteit, verwachtingen voor teamomvang

Deze factoren dragen individueel minder gewicht maar kunnen samen de totale score zinvol beinvloeden. Voor sommige functies (bijv. gereguleerde sectoren die specifieke certificeringen vereisen) kan secundaire fit een doorslaggevende factor zijn.

Scoreberekening stap voor stap

De eindscore wordt berekend via een meerstappenproces:

Stap 1: AI-dimensiescoring

De AI evalueert elke dimensie onafhankelijk en retourneert vier scores tussen 0 en 1:

role_fit = 0.82
skills_fit = 0.85
experience_fit = 0.68
secondary_fit = 0.60

Stap 2: Gewogen combinatie

De dimensiescores worden gecombineerd met de geconfigureerde gewichten van de kandidaat (of de standaardgewichten):

basis_score = (role_fit x weight_role) + (skills_fit x weight_skills)
           + (experience_fit x weight_experience) + (secondary_fit x weight_secondary)

basis_score = (0.82 x 0.30) + (0.85 x 0.35) + (0.68 x 0.20) + (0.60 x 0.15)
           = 0.246 + 0.2975 + 0.136 + 0.09
           = 0.7695 (77%)

Stap 3: Kritieke mismatch-grenzen

Het systeem controleert op fundamentele mismatches:

if role_fit < 0.30:
    basis_score = min(basis_score, 0.35)    # Begrenzen op 35%

if skills_fit < 0.30:
    basis_score = min(basis_score, 0.45)    # Begrenzen op 45%

In dit voorbeeld liggen beide dimensies ruim boven 0,30, dus er wordt geen grens toegepast.

Stap 4: Locatiestraf

De deterministische locatiestraf wordt toegepast op basis van de fysieke afstand:

if afstand <= gewenste_radius:
    locatiefactor = 1.0
elif afstand <= 2 * gewenste_radius:
    locatiefactor = 1.0 - 0.3 * ((afstand - radius) / radius)
elif remote_vacature:
    locatiefactor = 1.0
elif geen_coordinaten:
    locatiefactor = 1.0
else:
    // Vacature werd uitgesloten in de zoekfase

eindscore = basis_score * locatiefactor

Voorbeeld met locatie: Als de kandidaat een radius van 50 km heeft en de vacature 70 km weg is:

locatiefactor = 1.0 - 0.3 * ((70 - 50) / 50) = 1.0 - 0.12 = 0.88
eindscore = 0.7695 * 0.88 = 0.677 (68%)

Stap 5: Aanbevelingstoewijzing

Op basis van de eindscore wordt een aanbeveling toegewezen:

Eindscore	Aanbeveling	Betekenis
0,70 of hoger	Solliciteren	De AI beveelt aan deze kans actief na te streven
0,50 tot 0,69	Overwegen	De moeite van het beoordelen waard maar heeft opmerkelijke hiaten om te evalueren
Onder 0,50	Overslaan	Significante mismatch; hoogstwaarschijnlijk de moeite niet waard

Scorebereiken interpreteren

Uitstekende match (80%+)

Weergegeven in groen in de interface. Sterke afstemming over alle dimensies. De kandidaat is sterk gekwalificeerd voor deze functie — vereiste vaardigheden zijn grotendeels aanwezig, senioriteit is passend en ervaring is relevant.Actie: Prioriteer deze voor onmiddellijke outreach. U kunt deze aan kandidaten presenteren met vertrouwen. Deze matches hebben doorgaans sterke belangrijkste matchpunten en weinig mogelijke aandachtspunten.

Goede match (60-79%)

Weergegeven in geel in de interface. Solide afstemming met enkele hiaten. De kandidaat is een serieuze kandidaat maar mist mogelijk vaardigheden, of de functie is misschien een stap te ver qua senioriteit of domein.Actie: De moeite van het bespreken met de kandidaat waard. Bekijk de belangrijkste matchpunten en mogelijke aandachtspunten op elke matchkaart. Als de aandachtspunten klein zijn of de kandidaat bereid is te stretchen, kunnen dit uitstekende plaatsingen zijn.

Gematigde match (onder 60%)

Weergegeven in rood in de interface. Gedeeltelijke afstemming. De kandidaat zou deze functie potentieel kunnen vervullen maar er zijn opmerkelijke hiaten — in vaardigheden, ervaringsniveau of functietype.Actie: Lees de toelichting van de AI zorgvuldig. Een match van 55% kan perfect zijn voor een kandidaat die naar een nieuw vakgebied wil overstappen. Andere keren zijn de hiaten te significant. De belangrijkste matchpunten en mogelijke aandachtspunten vertellen u precies waar de kracht en zwakte ligt.

Matches onder 50% zijn mogelijk maar zeldzaam, omdat de vectorzoekopdracht vooraf filtert op basisrelevantie. Als u laag-scorende matches ziet, vertegenwoordigen deze doorgaans randgevallen waarbij de vectorgelijkenis hoog was (vergelijkbare trefwoorden of inbeddingsruimte) maar de gedetailleerde AI-evaluatie significante mismatches vond (verkeerde senioriteit, andere domeininterpretatie, enz.).

Scores effectief gebruiken

Vertrouw niet alleen op het getal

De score is een startpunt, geen definitief antwoord. Lees altijd de toelichting van de AI en bekijk de belangrijkste matchpunten (weergegeven als groene badges) en mogelijke aandachtspunten (weergegeven als oranje badges) op elke matchkaart. Een match van 75% met kleine aandachtspunten is heel anders dan een match van 75% waarbij het aandachtspunt is “5+ jaar Kubernetes-productie-ervaring vereist”.

Ontwikkel een gewoonte om drie dingen te controleren voor elke match waarvoor u actie overweegt: (1) de totale score, (2) de badges voor mogelijke aandachtspunten en (3) de AI-toelichting. Deze controle van 30 seconden voorkomt verspilde outreach op matches die er op papier goed uitzien maar verborgen dealbreakers hebben.

Vergelijk binnen een kandidaat, niet tussen kandidaten

Scores zijn relatief aan het specifieke profiel van een kandidaat. Een score van 85% voor Kandidaat A en een score van 85% voor Kandidaat B betekenen niet dat deze twee kandidaten even goed gekwalificeerd zijn voor dezelfde vacature. De scores weerspiegelen hoe elke kandidaat individueel aansluit bij de vereisten van de vacature op basis van hun eigen profielgegevens. Als u meerdere kandidaten moet vergelijken voor dezelfde vacature, kijk dan naar de specifieke dimensiescores en belangrijkste matchpunten in plaats van het totale percentage.

Gebruik het aanbevelingsveld

Elke gescoorde match bevat een aanbeveling die een snel triagsignaal geeft:

Aanbeveling	Scorebereik	Beste gebruik
Solliciteren	70%+	Kandidaten voor onmiddellijke outreach. Presenteer aan de kandidaat en het bedrijf.
Overwegen	50-69%	Secundaire pipeline. Bespreek met de kandidaat om interesse en tolerantie voor hiaten te beoordelen.
Overslaan	Onder 50%	Deprioriteer. Ga er alleen mee door als u specifieke kennis heeft die dit relevant maakt ondanks de score.

Bij het beoordelen van een grote batch nieuwe matches (50+), begin dan met het filteren op alleen “Solliciteren”-aanbevelingen. Werk deze eerst door omdat ze de hoogste kansrijkheid op plaatsingen vertegenwoordigen. Ga daarna naar “Overwegen”-matches als u tijd heeft.

Kijk naar de dimensiescores

Buiten de totale score toont elke match individuele dimensiescores. Deze vertellen u precies waar de kracht en zwakte liggen:

Sterke technische match
Ervaringsgerichte match
Carriereoverstap match

Totaal: 78%
  Functiefit:     82%
  Vaardigheidsfit: 85%
  Ervaringsfit:   68%
  Secundaire fit: 60%

Deze kandidaat is een uitstekende technische match (hoge vaardigheids- en functiefit) maar heeft mogelijk iets te veel of te weinig ervaring. De secundaire factoren (opleiding, certificeringen) zijn gematigd. Dit is waarschijnlijk een goede match die het waard is om na te streven — het ervaringshiaat kan worden gedicht met de juiste framing.

Totaal: 74%
  Functiefit:     90%
  Vaardigheidsfit: 55%
  Ervaringsfit:   88%
  Secundaire fit: 82%

Deze kandidaat heeft uitstekende functie- en ervaringsafstemming maar een opmerkelijk vaardigheidshiaat. Ze zitten op het juiste loopbaanpad met geweldige ervaring, maar missen mogelijk specifieke technologieën die de vacature vereist. Controleer de mogelijke aandachtspunten op de matchkaart — als de gemarkeerde vaardigheden leerbare frameworks of tools zijn, kan dit nog steeds een uitstekende plaatsing zijn.

Totaal: 62%
  Functiefit:     45%
  Vaardigheidsfit: 78%
  Ervaringsfit:   55%
  Secundaire fit: 70%

Deze kandidaat heeft sterke vaardigheden maar hun loopbaanhistorie sluit niet direct aan. Dit patroon is gangbaar voor carrierewisselaars — iemand met de juiste technische vaardigheden maar uit een ander domein. Overweeg de scoringgewichten van de kandidaat aan te passen (lager functiegewicht, hoger vaardigheidsgewicht) als dit een bewuste overgang is.

Scoringgewichten configureren

De standaardgewichten (Functie 30%, Vaardigheden 35%, Ervaring 20%, Secundair 15%) werken goed voor de meeste technische functies. U kunt echter gewichten per kandidaat aanpassen om beter te passen bij verschillende wervingsscenario’s.

Wanneer gewichten aan te passen

Scenario	Aanbevolen aanpassing	Motivering
Sterk technische functie (ML Engineer, DevOps)	Vaardigheden: 45%, Functie: 25%, Ervaring: 20%, Secundair: 10%	Technische vaardigheden zijn de primaire onderscheidende factor
Leiderschapsfunctie (Engineering Manager, VP)	Ervaring: 30%, Functie: 30%, Vaardigheden: 25%, Secundair: 15%	Managementervaring en senioriteit zijn het belangrijkst
Carriereoverstap (van vakgebied wisselen)	Vaardigheden: 45%, Functie: 15%, Ervaring: 20%, Secundair: 20%	Huidige functie is irrelevant; overdraagbare vaardigheden en secundaire factoren tellen
Instapniveau (Junior Developer)	Secundair: 25%, Functie: 25%, Vaardigheden: 30%, Ervaring: 20%	Opleiding en certificeringen maken meer verschil bij junior kandidaten
Gereguleerde sector (Bankwezen, Gezondheidszorg)	Secundair: 25%, Vaardigheden: 30%, Ervaring: 25%, Functie: 20%	Certificeringen en nalevingsvereisten zijn cruciaal
Freelancer/Contractant	Vaardigheden: 50%, Functie: 20%, Ervaring: 20%, Secundair: 10%	Specifieke technische vaardigheden zijn alles wat telt voor projectgebaseerd werk

Gewichten moeten optellen tot 1,0 (100%). Wanneer u een gewicht verhoogt, verlaag de andere proportioneel om de balans te behouden. Het systeem valideert dat alle vier gewichten optellen tot exact 1,0 voordat het wordt opgeslagen.

Wijzig gewichten voor de eerste matchingronde indien mogelijk. Het aanpassen van gewichten na matching vereist een hermatching om alle scores te herberekenen. Als u van tevoren weet dat een kandidaat een carrierewisselaar is of leiderschapsfuncties target, stel dan de gewichten in voordat u de initiële matchingpipeline activeert.

Wat de scorekwaliteit beinvloedt

De kwaliteit van matchscores hangt af van de kwaliteit van de invoergegevens. Dit begrijpen helpt u onverwachte scores te diagnosticeren.

Kwaliteit van het kandidaatprofiel

Factor	Impact op scores	Hoe te verbeteren
Bevestigde vaardigheden	Hoge impact — bevestigde vaardigheden zijn de enige die naar de scoring-AI worden gestuurd	Bevestig altijd vaardigheden voordat u op scores vertrouwt
Volledige cv-tekst	Hoge impact — meer context geeft de AI beter bewijs voor evaluatie	Gebruik cv-upload boven LinkedIn voor rijkere tekst
Nauwkeurige functietitel	Gemiddelde impact — beinvloedt de dimensie Functiefit en de titelvector	Bewerk om beoogde functie weer te geven, niet alleen huidige/laatste functie
Correct ervaringsniveau	Gemiddelde impact — beinvloedt de evaluatie van Ervaringsfit	Verifieer of het automatisch berekende niveau passend is
Locatie met coordinaten	Impact alleen op eindscore — locatiestraf wordt na scoring toegepast	Zorg ervoor dat een geocodeerde locatie is ingesteld

Kwaliteit van de vacatureplaatsing

Factor	Impact op scores	Wat er gebeurt als het ontbreekt
Gedetailleerde vacaturebeschrijving	Hoge impact — de AI heeft inhoud nodig om tegen te evalueren	Vage beschrijvingen produceren middel-range scores
Duidelijke vaardigheidsvereisten	Hoge impact op dimensie Vaardigheidsfit	Zonder expliciete vereisten leidt de AI af uit context
Salarisinfo	Geen impact op scoring (alleen gebruikt voor kandidaatfiltering)	n.v.t.
Vacaturelocatie met coordinaten	Impact op berekening van locatiestraf	Geen locatiestraf toegepast (factor = 1,0)
Bedrijfsinformatie	Geringe impact op Secundaire fit	Vacatures zonder bedrijfsgegevens worden gefilterd bij zoeken

Vacatures met zeer korte of ontbrekende beschrijvingen ontvangen scores die neigen naar het middenbereik (50-65%) omdat de AI niet genoeg informatie heeft om de match vol vertrouwen in een van beide richtingen te beoordelen. Als u merkt dat veel gematigde matches een beknopte beschrijving hebben, is dit verwacht gedrag — de AI is passend onzeker.

Locatiegegevens

Scenario	Locatiefactor	Score-impact
Beide geocodeerd, binnen radius	1,0	Geen impact
Beide geocodeerd, op 1,5x radius	~0,85	~15% vermindering
Beide geocodeerd, op 2x radius	0,70	30% vermindering
Ontbrekende kandidaatcoordinaten	1,0	Geen straf (kan scores voor verre vacatures opblazen)
Ontbrekende vacaturecoordinaten	1,0	Geen straf
Remote vacature	1,0	Geen straf ongeacht afstand

Als u merkt dat de matchscores van een kandidaat consistent afwijken, controleer dan deze drie dingen op volgorde:

Vaardigheidslijst — Zijn de bevestigde vaardigheden nauwkeurig en volledig? Dit is de meest voorkomende oorzaak van slechte matchkwaliteit.
Functietitel — Vertegenwoordigt de functietitel nauwkeurig de beoogde functie van de kandidaat? Een generieke titel als “Consultant” levert heel andere matches op dan “Senior Python Developer”.
Ervaringsniveau — Is het niveau passend? Een “Junior”-classificatie voor een senior kandidaat bestraft senior-niveau vacaturematches.

Geavanceerd

De scoringpromptengineering

De AI-scoring gebruikt een zorgvuldig ontworpen prompt (CANDIDATE_JOB_SCORING_PROMPT) die Gemini instrueert om consistente, gekalibreerde scores te produceren. Belangrijke aspecten van het promptontwerp:

Kalibratie-instructies: De AI krijgt de opdracht het volledige bereik van 0-1 te gebruiken en geen scores te clusteren rond 0,5. Dit zorgt voor betekenisvolle differentiatie tussen goede en geweldige matches.
Beweisvereiste: De AI moet specifiek bewijs leveren uit zowel de cv-tekst als de vacaturebeschrijving om elke dimensiescore te rechtvaardigen. Dit voorkomt gehallucineerde evaluaties.
Onafhankelijke evaluatie: Elke dimensie wordt afzonderlijk geëvalueerd voordat ze worden gecombineerd. Dit voorkomt halo-effecten waarbij een sterke vaardigheidsmatch de ervaringsevaluatie beïnvloedt.
Gestructureerde uitvoer: De respons is een JSON-object met scores, vaardigheidslijsten, toelichting en aanbeveling. Dit maakt betrouwbare parsing en weergave mogelijk.

Hoe de kritieke strafgrenzen werken

De grenzen bij role_fit < 0,30 en skills_fit < 0,30 worden toegepast als naverwerking na de gewogen combinatie. Het zijn onafhankelijke controles:

eindscore = gewogen_combinatie(role_fit, skills_fit, experience_fit, secondary_fit)

if role_fit < 0.30:
    eindscore = min(eindscore, 0.35)

if skills_fit < 0.30:
    eindscore = min(eindscore, 0.45)

Merk op dat beide grenzen gelijktijdig kunnen worden toegepast. Als een kandidaat zowel role_fit < 0,30 ALS skills_fit < 0,30 heeft, wordt de score begrensd op min(0,35, 0,45) = 0,35. De grenswaarden (0,35 en 0,45) zijn gekozen op basis van het principe dat:

Een fundamentele functiemismatch het ernstigste probleem is (lagere grens op 0,35)
Een fundamenteel vaardigheidshiaat ernstig maar iets meer herstelbaar is (hogere grens op 0,45)

Scorepatronen in de praktijk

In de praktijk zult u karakteristieke scorepatronen observeren op basis van de kwaliteit van het kandidaatprofiel: Goed geconfigureerde kandidaat (bevestigde vaardigheden, nauwkeurige functietitel, juiste locatie): De meeste scores liggen tussen 60-90%, met duidelijke differentiatie tussen goede en middelmatige matches. Gedeeltelijk geconfigureerde kandidaat (onbevestigde vaardigheden, generieke functietitel): Scores neigen zich te clusteren rond 55-70%, met minder differentiatie. De AI mist de specifieke signalen om matches vol vertrouwen te beoordelen. Teveel brede vaardigheidslijst (30+ bevestigde vaardigheden): Scores neigen hoger te zijn omdat de kandidaat op veel vacatures lijkt te passen. De vaardigheidsvector wordt te breed en verliest specificiteit. Teveel smalle vaardigheidslijst (3-4 vaardigheden): Minder matches in totaal, maar de matches die wel verschijnen neigen sterk relevant te zijn met hoge scores.

Hoe locatiestraf samenwerkt met dimensiescores

De locatiestraf wordt toegepast na de gewogen combinatie en grenzencontroles. Dit betekent:

Een vacature kan uitstekende dimensiescores hebben (85% basis) maar een slechte eindscore (60%) door afstand
Een nabijgelegen vacature met gematigde dimensiescores (70% basis) kan een verre vacature met betere dimensiescores (85% basis, 60% na locatiestraf) overtreffen
Remote vacatures worden nooit bestraft, waardoor ze een inherent voordeel hebben ten opzichte van on-site vacatures aan de rand van de radius

Dit is opzettelijk — een geografisch handige match is genuinlijk waardevoller dan een iets beter-scorende match die een onpraktisch woon-werktraject vereist.

Tips voor gevorderde gebruikers

Zoek naar patronen over matches, niet alleen individuele scores. Als een kandidaat consistent hoog scoort op Vaardigheidsfit maar laag op Functiefit over veel matches, suggereert dit dat hun functietitel of loopbaanverhaal niet aansluit bij de functies waarmee ze worden gematcht. Overweeg de functietitel te bewerken of het functiegewicht naar beneden aan te passen.

De mogelijke aandachtspunten zijn uw coachingsinstrument. Wanneer een kandidaat een match van 75% heeft met een aandachtspunt over een ontbrekende vaardigheid (bijv. “Kubernetes-ervaring niet aangetoond”), geeft dit u een concrete ontwikkelingsaanbeveling. Als de vaardigheid leerbaar is en de kandidaat gemotiveerd is, voegt dit inzicht waarde toe aan uw recruiter-kandidaatrelatie.

Kalibreer uw verwachtingen voor verschillende markten. In een krappe arbeidsmarkt met hoge vraag naar specifieke vaardigheden kan zelfs een match van 65% een haalbare plaatsing vertegenwoordigen. In een losse markt met veel beschikbare kandidaten focust u mogelijk uitsluitend op 80%+ matches. Laat marktomstandigheden leidend zijn bij de interpretatie van de scorebereiken.

Gebruik dimensie-uitsplitsingen bij presentaties aan klanten. In plaats van “deze kandidaat is een 82%-match” te zeggen, zegt u “deze kandidaat scoort 90% op vaardigheidsfit met Python, FastAPI en PostgreSQL allemaal gedekt, en 75% op ervaringsfit met 5 jaar in backend-ontwikkeling.” De dimensie-uitsplitsing is overtuigender en meer bruikbaar dan een enkel getal.

Gerelateerd

Kandidaatpipeline — Matches organiseren in uw workflow op basis van scores
Hoe matching werkt — Diepgaandere verkenning van de matchingtechnologie die deze scores produceert
Vaardigheden en expertise — Scores verbeteren via betere vaardigheidsgegevens
Locatie en voorkeuren — Begrijpen hoe locatie de eindscores beinvloedt

Welkom

Aan de slag

Kandidaten

Vacatures zoeken

Vacatures

Klantontdekking

Klantbeheer

Outreach

Organisatie

Team & Bureau

Instellingen

Facturering

​Overzicht

​Wat de score vertegenwoordigt

​Scoringdimensies

​Functiefit (standaard: 30% gewicht)

​Vaardigheidsfit (standaard: 35% gewicht)

​Ervaringsfit (standaard: 20% gewicht)

​Secundaire fit (standaard: 15% gewicht)

​Scoreberekening stap voor stap

​Stap 1: AI-dimensiescoring

​Stap 2: Gewogen combinatie

​Stap 3: Kritieke mismatch-grenzen

​Stap 4: Locatiestraf

​Stap 5: Aanbevelingstoewijzing

​Scorebereiken interpreteren

Uitstekende match (80%+)

Goede match (60-79%)

Gematigde match (onder 60%)

​Scores effectief gebruiken

​Vertrouw niet alleen op het getal

​Vergelijk binnen een kandidaat, niet tussen kandidaten

​Gebruik het aanbevelingsveld

​Kijk naar de dimensiescores

​Scoringgewichten configureren

​Wanneer gewichten aan te passen

​Wat de scorekwaliteit beinvloedt

​Kwaliteit van het kandidaatprofiel

​Kwaliteit van de vacatureplaatsing

​Locatiegegevens

​Geavanceerd

​De scoringpromptengineering

​Hoe de kritieke strafgrenzen werken

​Scorepatronen in de praktijk

​Hoe locatiestraf samenwerkt met dimensiescores

​Tips voor gevorderde gebruikers

​Gerelateerd

Overzicht

Wat de score vertegenwoordigt

Scoringdimensies

Functiefit (standaard: 30% gewicht)

Vaardigheidsfit (standaard: 35% gewicht)

Ervaringsfit (standaard: 20% gewicht)

Secundaire fit (standaard: 15% gewicht)

Scoreberekening stap voor stap

Stap 1: AI-dimensiescoring

Stap 2: Gewogen combinatie

Stap 3: Kritieke mismatch-grenzen

Stap 4: Locatiestraf

Stap 5: Aanbevelingstoewijzing

Scorebereiken interpreteren

Scores effectief gebruiken

Vertrouw niet alleen op het getal

Vergelijk binnen een kandidaat, niet tussen kandidaten

Gebruik het aanbevelingsveld

Kijk naar de dimensiescores

Scoringgewichten configureren

Wanneer gewichten aan te passen

Wat de scorekwaliteit beinvloedt

Kwaliteit van het kandidaatprofiel

Kwaliteit van de vacatureplaatsing

Locatiegegevens

Geavanceerd

De scoringpromptengineering

Hoe de kritieke strafgrenzen werken

Scorepatronen in de praktijk

Hoe locatiestraf samenwerkt met dimensiescores

Tips voor gevorderde gebruikers

Gerelateerd