So funktioniert's | Multidimensionales Matching | Talents4Future

Das perfekte

Job-Matching mit

Künstlicher Intelligenz

Den Kern unseres Matchings bilden ein komplexes Datenmodell auf Basis Künstlicher Intelligenz und Mechanismen eines Recommender Systems. Mit Machine Learning Methoden filtern und sortieren wir passende Jobs für unsere User.

zu den FAQs

Persönlichkeit

Unser ideales Job-Matching System

Die Künstliche Intelligenz hinter unserer Plattform überprüft, inwiefern der Bewerber hinsichtlich seiner Persönlichkeit auf den Job passt. Dabei identifiziert unser Persönlichkeitscheck vier Grundtypen, die sich durch besonders starke Ausprägungen bestimmter Stärken unterscheiden. Jeder Grundtyp wird durch eine der Farben rot, gelb, grün und blau dargestellt, wobei eine Persönlichkeit die Summer dieser darstellt.

Eigenschaften

Vier Persönlichkeits Facetten

Je größer die Farbfläche in der Persönlichkeitsdarstellung, desto stärker ist die Facette ausgeprägt. Somit findet sich die stärkste Facette im Hintergrund, je schwächer ein Merkmal ausgeprägt ist, desto weiter ist es in die Mitte bzw. in den Vordergrund gerückt.

Kommunikation

Dieser Grundtyp steht für das Umsetzen neuer Ideen.

Dominanz

Diese Facette sorgt für schnelle und effiziente Ergebnisse.

Stabilität

Diese Persönlichkeitsstärke bringt Ordnung und Struktur in Prozesse.

Gewissenhaftigkeit

Dieser Grundtyp geht Dingen detailliert auf den Grund.

Unser Logo

So zeigen wir Deine Persönlichkeit

Das ist das Logo von Talents4Future. Es zeigt die Persönlichkeit von einem typischen, erfahrenen KI-Experten. Es entstand durch die Analyse der Persönlichkeiten zahlreicher KI-Experten. Der typische KI-Experte ist blau-dominant. Die am zweit stärksten ausgeprägte Facette ist grün, dann folgt gelb. Rot ist als geringster Anteil vorhanden.

Fähigkeiten

Kompetenzen, Qualifikationen und Berufe

Das individuelle Set an Fähigkeiten eines Users bilden wir mittels der europäischen Klassifizierung für Fähigkeiten bzw. Kompetenzen, Qualifikationen und Berufen (ESCO) ab. Dabei nutzen wir die systematische Erfassung von Stellenausschreibungen und Persönlichkeitsprofilen, um damit den optimalen Match zwischen Job und Student zu finden.

Zudem ermöglicht uns die besondere Expertise unseres Lehrstuhls an der LMU München, das vorhandene Klassifikationssystem um wichtige Fähigkeiten aus den Bereichen Künstliche Intelligenz und Data-Science zu erweitern und zusätzlich mit Lehrveranstaltungen zu verknüpfen.

Arbeitsumfeld

Klare Vorstellungen des Arbeitsplatzes

Die Talente von morgen haben immer klarere Vorstellungen von ihrem Wunscharbeitsplatz: berufliche Flexibilität, flache Hierarchien, eine gute Work-Life-Balance und überzeugende Benefits direkt vom Arbeitgeber, ... Daher können unsere User ihre persönlichen Kriterien für ihren perfekten Arbeitsplatz angeben und wir beziehen sie in unser Matching ein.

Wir matchen auch deine Persönlichkeit.
Finde jetzt deinen Traumjob mit unserer Jobmatching AI.


Häufig gestellte Fragen

Im Prinzip ja. Seitdem Unternehmen der eigene Firmenlogin zur Verfügung steht, kann jede Stellenzeige unabhängig der Studienrichtung eingestellt werden. Wichtig ist lediglich, dass die Stellenanzeigen an Studierende und AbsolventInnen ausgerichtet sind.
Die Einstellung der Stellenangebote ist und bleibt weiterhin kostenlos. Falls sich hieran etwas ändern sollte, werden wir Sie rechtzeitig informieren.
Mit der Freischaltung der Möglichkeit von Probebewerbungen signalisiert der Arbeitgeber, dass er auch an unverbindlichen Kontaktaufnahmen von Bewerbern interessiert ist. Der Zweck ist, dem Bewerber Feedback zu geben. Dies kann durch Einladung zu einer Info-Veranstaltung per Videokonferenz oder in das Unternehmen erfolgen, per E-Mail oder auch im persönlichen Gespräch.
Ja, sehr gerne. Jedes Unternehmen kann bei Interesse im eingeloggten Zustand Fragen der potentiellen Bewerber beantworten und Aussagen kommentieren oder ergänzen.
Die Matching-Engine ist das Herzstück der Plattform. Mit zunehmender Anzahl von Jobangeboten und Bewerbern wird sie fortlaufend trainiert und mittels Feedback als Supervised System optimiert. Eine wissenschaftliche Veröffentlichung zu dieser Algorithmik ist in Vorbereitung und wird zu gegebener Zeit veröffentlicht.