३ इंटरव्ह्यूअर, १ अंतिम उमेदवार, ३ निष्कर्ष. इंटरव्ह्यू स्कोअरकार्ड नसेल, तर तुमच्या डिब्रीफमधील सर्वात मोठा आवाज नियुक्ती निवडतो.
परत पाहण्यासाठी उमेदवार मूल्यांकन फॉर्म नाही. त्यामुळे ऑफर तुमच्या CEO ला कोणीही समजावून सांगू शकत नाही, किंवा विचारणाऱ्या नाकारलेल्या उमेदवारालाही नाही.
सामायिक फॉर्म नसेल, तर व्यस्त लोक अंतःप्रेरणेवर अवलंबून राहतात.
आणि अंतःप्रेरणेवर आधारित निर्णय जसे वाटतात त्यापेक्षा कमकुवत असतात, जसे Kahneman आणि त्यांच्या सहलेखकांच्या Noise मध्ये दिसते.
समजा तुम्हाला एवढेच माहीत आहे की १ उमेदवाराने दुसऱ्यापेक्षा चांगली मुलाखत दिली. तो खरोखर चांगली नियुक्ती असण्याची शक्यता फक्त ५६% ते ६१% आहे, जी नाणेफेकीपेक्षा क्वचितच चांगली आहे.
स्कोअरकार्ड हे ३ हालचालींमध्ये दुरुस्त करते. प्रत्येक इंटरव्ह्यूअर डिब्रीफपूर्वी एकट्याने लिखित उदाहरणांविरुद्ध तीच ४ ते ६ स्किल्स स्कोअर करतो. मग एकूण स्कोअर निर्णय घेतो, जोपर्यंत मस्ट-हॅव अपयशी ठरत नाही.
महत्त्वाचे मुद्दे
- स्कोअरकार्ड खरोखर चांगल्या नियुक्ती घडवते का? होय, जर प्रत्येक इंटरव्ह्यूअर लिखित उदाहरणांविरुद्ध तीच स्किल्स स्कोअर करत असेल. २०२२ च्या आढाव्यात अशा पद्धतीने घेतलेल्या मुलाखतींनी नोकरीतील कामगिरीचा अंदाज मुक्त-स्वरूप मुलाखतींपेक्षा सुमारे दुप्पट चांगला लावला.
- किती स्किल्स स्कोअर कराव्यात? ४ ते ६, प्रत्येक १-ते-५ स्केलवर आणि प्रत्येक स्तरासाठी लिखित उदाहरण उत्तरासह. कोणतेही मस्ट-हॅव ३ पेक्षा कमी असल्यास नियुक्ती नाही.
- बरोबरीत असलेल्या २ अंतिम उमेदवारांमध्ये कसा निवडावा? आधी मस्ट-हॅव तपासा, नंतर पुराव्यावर २-विरुद्ध-५ अशा विभक्त मतांचा डिब्रीफ करा. अंतःप्रेरणेवर पुन्हा मतदान करू नका: २०१३ च्या आढाव्यात एक निश्चित सूत्र तज्ज्ञांच्या निर्णयापेक्षा सरस ठरले.
- मला किती इंटरव्ह्यूअर हवेत? जास्तीत जास्त ४, प्रत्येकजण एकट्याने स्कोअर करणारा. Google च्या स्वतःच्या डेटामध्ये, चौथ्यानंतरच्या प्रत्येक मुलाखतीने १% पेक्षा कमी अचूकता वाढवली.
- AI स्कोअरवर विश्वास ठेवू शकतो का? तो १ इनपुट म्हणून वापरा आणि त्याची कारणे वाचा. २०२३ च्या अभ्यासात, AI रेटरने परिचित प्रश्नांवर प्रशिक्षित मानवी रेटरांशी जवळचा मेळ ठेवला आणि नवीन प्रश्नांवर खराब कामगिरी केली.
१. इंटरव्ह्यू स्कोअरकार्ड खरोखर चांगल्या नियुक्ती निवडण्यास मदत करते का?
हो, जेव्हा प्रत्येक इंटरव्ह्यूअर लिखित उदाहरणांच्या आधारे समान कौशल्यांना गुण देतो. संरचित इंटरव्ह्यू, जिथे तुम्ही सर्वांना एकाच पद्धतीने प्रश्न विचारता आणि गुण देता, त्यांनी नोकरीतील कामगिरीचा अंदाज 0.42 ने वर्तवला, जो असंरचित इंटरव्ह्यूंच्या 0.19 पेक्षा दुप्पटाहून अधिक आहे.
ही आकडेवारी Sackett आणि सहकाऱ्यांच्या 2022 मधील मूलभूत पुनर्विश्लेषणातून आली आहे, ज्यात त्यांनी कित्येक दशकांच्या भरती-संशोधनाचा अभ्यास केला.
हे आकडे सहसंबंध दर्शवतात, 0 (पुढील कामगिरीशी संबंध नाही) ते 1 (परिपूर्ण संबंध) पर्यंत. त्यामुळे 0.19 म्हणजे असंरचित इंटरव्ह्यू 20% वेळा योग्य उमेदवार निवडतात असा अर्थ नाही. त्याचा अर्थ असा की पुढील कामगिरीशी त्यांचा संबंध कमजोर आहे.
खालील आलेखात 6 सामान्य पद्धतींची क्रमवारी दिली आहे. नोकरी-ज्ञान चाचण्या 0.40 वर आणि गुण दिलेला पार्श्वभूमी प्रश्नावली असलेला keyed biodata 0.38 वर, जवळपास मागे आहेत.
कार्य-नमुना चाचण्या 0.33 वर आणि बुद्धिमत्ता क्षमता चाचण्या 0.31 वर येतात. असंरचित इंटरव्ह्यू, म्हणजे आपल्या बहुतेकांशी लहानपणापासून परिचित असलेला मुक्त संवाद, शेवटी येतो.

नोकरीतील कामगिरीशी असलेल्या संबंधानुसार भरती पद्धतींची क्रमवारी: संरचित इंटरव्ह्यू 0.42 ने आघाडीवर, असंरचित इंटरव्ह्यू 0.19 ने शेवटी (Sackett et al. यांचे मूलभूत पुनर्विश्लेषण).
पण 0.42 हा सरासरी आकडा आहे. लेखकांच्या पुढील अभ्यासानुसार, बहुतेक संरचित इंटरव्ह्यू 0.18, म्हणजे मुक्त संवादापेक्षा काहीच चांगले नाही, ते 0.66, म्हणजे आलेखातील कोणत्याही पद्धतीपेक्षा चांगले, या दरम्यान येतात.
या विस्ताराला लेखक 3 कारणे देतात, त्यापैकी 1 म्हणजे रचना. याचा अर्थ अस्पष्ट कौशल्ये असलेला इंटरव्ह्यू स्कोअरकार्ड तळाशी राहण्याचा धोका आहे. हे अनेक नियोक्त्यांची सरासरी आहेत, तुमच्या पुढील भरतीबद्दलचे वचन नाही.
2. माझ्या इंटरव्ह्यू स्कोअरकार्ड टेम्प्लेटमध्ये काय असावे?
इंटरव्ह्यू स्कोअरकार्ड टेम्प्लेट, किंवा उमेदवार मूल्यांकन फॉर्म, यात 5 कौशल्ये, लिखित अँकर्स, पुरावा चौकट आणि must-have किमान मर्यादा, हे सर्व 1 पानावर असते. तो एकूण ठसा आणि शिफारस यांनी संपतो.
अँकर्समुळे 1 इंटरव्ह्यूअरचा 4 गुण दुसऱ्याच्या 4 गुणांइतकाच अर्थ देतो, आणि तुमचा CEO "का" विचारल्यावर पुरावा चौकट त्याचे उत्तर देते.
फ्लोअरमुळे एक मजबूत एकूण गुण जास्त प्रभावी कामासाठी (मस्ट-हॅव) कमजोर असण्याला लपवू शकत नाही. एकूण प्रभाव शेवटी पाहिला जातो, कारण आधी लिहिलेली पोट-भावना पुढील प्रत्येक कौशल्य गुणावर परिणाम करते.
हे असे फॉर्म ग्राहक सपोर्ट लीडसाठी आहे, ज्यात 2 मस्ट-हॅव आहेत. प्रत्येक 5 कौशल्यांना 1 ते 5 गुण मिळतात, त्यामुळे एकूण 25 पैकी असतो.
प्रत्येक कौशल्यासाठी 2 भूतकाळातील वर्तनाचे प्रश्न विचारा, कारण खरा भूतकाळातील उदाहरण तुम्हाला अँकर्सशी तुलना करण्यासाठी ठोस काहीतरी देते. उदाहरणार्थ: "तुमच्याकडे शेवटच्या वेळी एखादा नाराज ग्राहक एस्केलेट झाला तेव्हाची गोष्ट सांगा."

ग्राहक सपोर्ट लीडसाठी रिकामा मुलाखत स्कोअरकार्ड टेम्पलेट: 5 कौशल्ये, 2 मस्ट-हॅव, 1 ते 5 गुण आणि प्रत्येकासाठी पुरावा कोट.
टेबल कॉपी करा, नंतर तुमची स्वतःची कौशल्ये आणि अँकर्स भरा.
| कौशल्य | 1 / 3 / 5 साठी अँकर्स | गुण 1-5 | पुरावा (कोट) |
|---|---|---|---|
| हेडर | उमेदवार, भूमिका, मुलाखतकार, तारीख | ||
| नाराज ग्राहकांना हाताळतो (मस्ट-हॅव) | ग्राहकाला दोष देतो / धोरण लागू करतो / कारण दुरुस्त करतो | ||
| लेखी संवाद (मस्ट-हॅव) | अस्पष्ट / स्पष्ट पण लांब / छोटा आणि स्पष्ट | ||
| रांगेला प्राधान्य देतो | पद्धत नाही / तातडीने / प्रभावाने | ||
| टीमला प्रशिक्षण देतो | उदाहरण नाही / टिप्स देतो / योजना तयार करतो | ||
| प्रक्रिया सुधारतो | उदाहरण नाही / उपाय सुचवतो / उपाय पूर्ण करतो | ||
| मस्ट-हॅव फ्लोअर | कोणतेही मस्ट-हॅव 3 पेक्षा कमी असेल तर नो हायर | ||
| गुण दिले जात नाहीत | चेहरा, आवाज किंवा टायपिंगवरून भावना; अॅक्सेंट किंवा वेग जर नोकरीला आवश्यक नसेल तर; "कल्चर फिट" | ||
| एकूण | 5 गुणांची बेरीज, 25 पैकी | ||
| एकूण प्रभाव | 1 ते 5, शेवटी भरले जाते | ||
| शिफारस | स्ट्राँग हायर / हायर / नो हायर / स्ट्राँग नो हायर; ओव्हरराइडसाठी लेखी कारण आवश्यक |
2.1 तयार करण्यापूर्वी मी काय ठरवले पाहिजे?
प्रथम भूमिकेतील यश परिभाषित करा, नंतर ते साध्य करणारी कौशल्ये निवडा. पहिला सीव्ही येण्यापूर्वी मुलाखत स्कोअरकार्ड फ्रीझ करा.
हा क्रम Who या जेफ स्मार्ट आणि रँडी स्ट्रीट यांच्या पुस्तकातून घेतला आहे. 1 मिशन ओळ लिहा, नंतर महत्त्वानुसार क्रमवारी लावलेले 3 ते 8 परिणाम, नंतर 4 ते 6 कौशल्ये. परिणाम म्हणजे मोजता येणारा निकाल, जसे 3ऱ्या वर्षापर्यंत उत्पन्न $25 दशलक्षवरून $50 दशलक्षपर्यंत वाढवणे, क्रियाकलाप नव्हे.
फ्रीझ करणे महत्त्वाचे आहे कारण लोक नकळत निकष बदलतात. पायाभूत Uhlmann and Cohen (2005) अभ्यासांमध्ये, सहभागींनी पोलीस प्रमुख पदासाठी रस्त्यावरचा अनुभव असलेला आणि उच्च शिक्षित उमेदवार यांचे मूल्यांकन केले.
त्या माणसाकडे कोणतेही सामर्थ्य असो, त्यांनी ठरवले की नोकरीला त्याची अधिक गरज आहे, आणि स्त्रीला असे कोणतेही वरदान मिळाले नाही. उमेदवार पाहण्यापूर्वी निकषांवर ठाम राहिल्याने तो पूर्वग्रह दूर झाला. त्यामुळे उमेदवारांना भेटल्यानंतर लिहिलेले स्कोअरकार्ड आपल्याला आधीच आवडलेल्या व्यक्तीकडे नकळत झुकू शकते.
2.2 संस्कृतीची जुळणी स्कोअरकार्डवर असावी का?
जसे लिहिले आहे तसे नाही, कारण तीच गोष्ट दोन वेळा कोणीही सारखीच मोजू शकत नाही. तिचे 1 किंवा 2 निरीक्षणात्मक वर्तनांत रूपांतर करा, जसे "स्वतःच्या कामाबद्दल अभिप्राय मागतो".
समजा तुमचा संघ स्पष्टवक्तेपणाला महत्त्व देतो: त्याऐवजी "चूक लवकर कळवल्याचे विशिष्ट उदाहरण दिले" असे मोजा.
3. मुलाखतीच्या गुणांना वजन कसे द्यावे, जेणेकरून अनिवार्य गुणांचे सर्वाधिक महत्त्व राहील?
प्रत्येक कौशल्याला समान वजन द्या आणि अनिवार्य किमान मर्यादा जोडा, किंवा पहिल्या मुलाखतीपूर्वीच वजने निश्चित करा. समान वजने अनेकदा भूतकाळातील डेटानुसार ठरवलेल्या वजनांइतकेच नवीन प्रकरणांचा अंदाज लावतात.
हे दुसरे मुद्दे मानसशास्त्रज्ञ रॉबिन डॉज यांचे आहेत, जसे काह्नमन यांनी Thinking, Fast and Slow मध्ये सारांशित केले आहे.
तुमच्या भूतकाळातील नेमणुकांनुसार जुळवलेली वजने त्या गटातील योगायोगही शिकतात. समजा तुमच्या 3 सर्वोत्तम सपोर्ट नेमणुका योगायोगाने सर्वच चांगले प्रशिक्षक होत्या: जुळवलेले वजन प्रत्येक भावी उमेदवारात प्रशिक्षणाला प्राधान्य देईल.
समान वजने अशा योगायोगामागे लागू शकत नाहीत, म्हणूनच ती अनेकदा नवीन उमेदवारांचा अंदाज तितकाच चांगला लावतात. काह्नमन सुचवतात त्याप्रमाणे कौशल्ये स्वतंत्रही ठेवा: "संवाद कौशल्य" आणि "सादरीकरण कौशल्य" अशी दोन्ही यादीत घेऊ नका, कारण एकत्रितपणे ती एकच गोष्ट दोनदा मोजतात.
अनिवार्य गुणाला त्याची ताकद किमान मर्यादेतून मिळते, मोठ्या वजनातून नाही. समजा "रागावलेल्या ग्राहकांना हाताळतो" याला 2 गुण आणि इतर प्रत्येक कौशल्याला 5 गुण मिळतात.
25 पैकी 22 असे एकूण गुण उत्तम वाटतात, तरीही किमान मर्यादा नेमणूक नाकारते. नोकरी ज्याशिवाय चालू शकत नाही अशा कौशल्यासाठी हेच हवे असते.
तुम्ही वजने देत असाल, तर ती सुरुवातीलाच मुलाखतीच्या स्कोअरकार्डवर लिहा आणि सर्वांना लागू करा. यामुळे एकूण गुण वाकवण्याचा सर्वात सोपा मार्ग बंद होतो: आवडलेल्या व्यक्तीला भेटल्यानंतर वजने बदलणे.
Flowmingo कशी मदत करते
Flowmingo चा AI मुलाखत अहवाल निश्चित वजने वापरतो: एकूण गुणात Must Have निकषाचे वजन Good to Have च्या 4 पट असते. प्रत्येक निकषाचा स्वतःचा 0 ते 10 गुण कायम राहतो, त्यामुळे तुम्ही स्वतःहून अनिवार्य किमान मर्यादा लागू करू शकता.
4. प्रत्येक इंटरव्ह्यूअरसाठी ३ चा अर्थ एकच होईल याची खात्री कशी करावी?
पहिल्या इंटरव्ह्यूच्या आधीच प्रत्येक कौशल्यासाठी १, ३ आणि ५ उत्तरात काय असते ते लिहा. अशा वर्तनाधारित रेटिंग स्केलमुळे २ इंटरव्ह्यूअरचे गुण तुलनीय होतात.
"वर्तनाधारित" म्हणजे प्रत्येक गुण उमेदवाराने काय केले याशी जोडलेला असतो, "बरं होतं" या भावनेशी नाही. अँकर नसतील तर त्याच इंटरव्ह्यू स्कोअरकार्डवरील ३ एका इंटरव्ह्यूअरसाठी "ठीक" आणि दुसऱ्यासाठी "कमकुवत" असतो.
अँकर केलेल्या इंटरव्ह्यूंचा पुढील कामगिरीशी सरासरी संबंधही अधिक मजबूत असतो. Taylor and Small's यांनी पूर्व-वर्तन इंटरव्ह्यूंच्या १९ अभ्यासांच्या पायाभूत आढाव्यात अँकर केलेल्या स्केलसह .३५ असा संबंध आढळला, तर अँकर नसताना .२६. अभ्यास इतर बाबतींतही वेगळे होते, त्यामुळे ही तुलना अँकर जोडण्याचा परिणाम वेगळा करून दाखवत नाही.
अनिवार्य "रागावलेल्या ग्राहकांना सामोरे जातो" यासाठीचे इंटरव्ह्यू रेटिंग स्केल असे आहे.
| गुण | उत्तरात काय असते |
|---|---|
| १ | ग्राहकाला दोष देतो; स्वतःची कोणतीही कृती नाही आणि परिणाम नाही |
| ३ | खरा उदाहरण: ग्राहकाला शांत करतो आणि धोरण लागू करतो, पण परिणाम कधीच तपासत नाही |
| ५ | खरा उदाहरण: कारण शोधतो, ते दुरुस्त करतो, पाठपुरावा करतो आणि दुरुस्ती सांगतो |
प्रत्येक पायरी वरची पातळी उत्तरात ऐकू येणारी गोष्ट आहे. म्हणूनच २ ऐकणारे एकाच आकड्यावर येऊ शकतात.
तुम्हाला अजून अँकर लिहिता येत नसेल, तर अमेरिकेच्या संघीय HR संस्था OPM च्या structured interview guide मधील ५ पातळ्या उसने घ्या. प्रत्येक पातळी परिस्थिती किती कठीण होती आणि व्यक्तीला किती मार्गदर्शन लागले यावर ठरते.
- १, जागरूकता: सर्वात सोप्या परिस्थिती, जवळून आणि व्यापक मार्गदर्शनासह.
- २, प्राथमिक: काहीशा कठीण परिस्थिती, वारंवार मार्गदर्शनासह.
- ३, मध्यम: कठीण परिस्थिती, कधीकधी मार्गदर्शनासह.
- ४, प्रगत: बऱ्यापैकी कठीण परिस्थिती, थोड्या किंवा मुळीच मार्गदर्शनाशिवाय.
- ५, तज्ञ: अत्यंत कठीण परिस्थिती, जिथे व्यक्ती इतरांना सल्ला देते.

संरचित इंटरव्ह्यूंसाठी OPM च्या ५ रेटिंग पातळ्या: जागरूकता (सर्वात सोप्या परिस्थिती, जवळचे मार्गदर्शन) ते तज्ञ (अत्यंत कठीण परिस्थिती, इतरांना सल्ला देते) पर्यंत.
5. माझे इंटरव्ह्यूअर असहमत असताना २ मजबूत अंतिम उमेदवारांमधून निवड कशी करावी?
एक अपवाद वगळता इंटरव्ह्यू स्कोअरकार्डच्या एकूण गुणांवरून निर्णय होऊ द्या: एखादा must-have 3 पेक्षा कमी असेल, किंवा 2 विरुद्ध 5 अशी फूट असेल, तर पुराव्यावर चर्चा करा. भावनेवरून पुन्हा मतदान करू नका.
स्कोअरकार्ड अस्तित्वात असण्याचा हाच क्षण आहे, आणि ती बाजूला सारण्याचा मोह सर्वाधिक होण्याचाही हाच क्षण आहे. हे एक उदाहरण आहे, ग्राहक डेटा नाही: 3 सपोर्ट लीड अंतिम स्पर्धक, प्रत्येक कक्ष 3 इंटरव्ह्यूअर्सच्या सरासरीने.
| कौशल्य | A | B | C |
|---|---|---|---|
| संतप्त ग्राहक हाताळणे (must-have) | 4 | 2 | 4 |
| लिखित संवाद (must-have) | 4 | 4 | 3 |
| रांगेला प्राधान्य देणे | 3 | 4 | 3 |
| टीमला प्रशिक्षण देणे | 3 | 4 | 4 (गुण 2, 5, 5) |
| प्रक्रिया सुधारणे | 4 | 4 | 3 |
| एकूण, 25 पैकी | 18 | 18 | 17 |
| निर्णय | Hire | No hire: floor fires | फूटीवर चर्चा |
इंटरव्ह्यू स्कोअरकार्ड ओळीओळी वाचा. A आणि B 25 पैकी 18 गुणांवर बरोबरीत आहेत. पण B ला must-have मध्ये 2 गुण मिळाले, त्यामुळे floor fires आणि B चा no hire.
C ची एकूण 17 आहे, पण "टीमला प्रशिक्षण देणे" मध्ये C ची 4 ची सरासरी एक फूट लपवते: 1 इंटरव्ह्यूअरने 2 दिले, आणि इतर 2 ने 5 दिले. ती तफावत चर्चेचा एकमेव अजेंडा ठरते.
प्रत्यक्षात, प्रत्येक बाजूस त्यांचे पुराव्याचे कोट्स वाचायला सांगा. समजा, कमी गुण देणाऱ्याने एका टीम सदस्याने नोकरी सोडल्याबद्दल ऐकले होते, आणि इतरांनी यशस्वी ठरलेल्या कोचिंग प्लॅनबद्दल ऐकले होते. C बद्दल कोणती कहाणी अधिक ठराविक आहे हे चर्चा ठरवते, आणि ज्यांनी पुरावा चुकवला त्यांनी लेखी स्वरूपात गुण बदलावेत.

भरलेले इंटरव्ह्यू स्कोअरकार्ड, उदाहरणादाखल: A आणि B 25 पैकी 18 वर बरोबरीत, B एक must-have चुकवतो, आणि C साठी चर्चा करण्यासारखी कोचिंगची फूट आहे.
स्कोअरांनी अंतिम स्पर्धक निवडल्यावर, ऑफर पाठवण्यापूर्वी त्या अटी ऑफरमध्ये लिहा: आमचा जॉब ऑफर लेटर टेम्प्लेट प्रत्येक तपासणी कुठे जाते हे दाखवतो.
5.1 माझे अंतर्ज्ञान एक सांगते आणि स्कोअर दुसरे सांगतात तर?
जोपर्यंत तुम्ही त्यांनी चुकवलेला पुरावा लिहून काढू शकत नाही, तोपर्यंत स्कोअरांनुसार जा. Kuncel आणि सहकाऱ्यांच्या 2013 च्या पायाभूत मेटा-अॅनालिसिसमध्ये, सर्वांना एकाच पद्धतीने लावलेल्या सूत्राने नोकरीच्या कामगिरीचा 0.44 असा अंदाज लावला, तर सर्वांगीण निर्णयाचा 0.28. लेखक याला अंदाजातील 50% पेक्षा जास्त सुधारणा म्हणतात, तीही नोकरी जाणणाऱ्या तज्ञांपुढे.
सर्वांगीण निर्णय म्हणजे लोक डोक्यात त्याच तथ्यांचे वजन करतात, सहमतीच्या बैठकांसह. त्यामुळे चर्चा पुराव्यातील त्रुटी भरते, पुन्हा मतदान करत नाही.
5.2 अंतिम उमेदवारांची शेजारी शेजारी तुलना करावी का?
हो, उत्तरामागे उत्तर. Bohnet यांचा HBR सल्ला असा आहे की प्रश्न 1 च्या सर्व उत्तरांची तुलना करा, नंतर प्रश्न 2 च्या, म्हणजे प्रत्येक उत्तर इतरांच्या तुलनेत तुम्ही तपासाल.
2016 च्या एका पायाभूत प्रयोगशाळा अभ्यासात, एका वेळी 1 उमेदवार दाखवलेल्या लोकांनी कार्याच्या ठराविक समजुतीला अनुकूल असलेल्या लिंगाकडे कल दाखवला. पूर्वीच्या कामगिरीचा फारसा परिणाम झाला नाही. 2 उमेदवार शेजारी शेजारी दाखवल्यावर, त्यांनी 54% वेळा जास्त कामगिरी करणाऱ्याला आणि 8% वेळा कमी कामगिरी करणाऱ्याला निवडले.
या अभ्यासात मुलाखती नव्हे, तर पूर्वीचे कार्य-गुण वापरले होते, म्हणून याला पुरावा नाही तर एक मजबूत संकेत माना.
6. डीब्रीफमध्ये सर्वात मोठ्याने बोलणारा मुलाखतकारार जिंकू नये, हे मी कसे थांबवू?
कोणीही बोलण्यापूर्वी प्रत्येक मुलाखतकाराने आपले मुलाखत गुणपत्रक सादर करावे, आणि मग गुणांसह डीब्रीफ सुरू करा.
समजा एखादा वरिष्ठ व्यक्ती "मला ती खूप आवडली" असे म्हणून सुरुवात करतो, आणि सभागृह त्या दृष्टिकोनाकडे झुकू लागते. एकट्याने लिहिलेले गुण प्रत्येकाला या ओढीपासून वाचवतात, म्हणूनच Noise मध्ये स्वतंत्र गुणदान हा भरतीचा नियम केला आहे.
प्रत्यक्षात, गुण सामायिक शीटमध्ये किंवा तुमच्या अर्जदार ट्रॅकिंग सिस्टिममध्ये गोळा करा, आणि ते एकत्रच उघड करा.
सर्वांनी एकच मुलाखत पाहणारा पॅनेल हा उपाय वाटतो. Huffcutt आणि सहकाऱ्यांच्या 2013 च्या पायाभूत मेटा-विश्लेषणात, 0 ते 1 या प्रमाणात, वेगवेगळ्या मुलाखतींसाठी 0.44 च्या तुलनेत पॅनेल मूल्यांकनकर्त्यांमध्ये 0.74 इतका सहमती-दर होता.
हा आकडा पॅनेल्सचे कौतुक जास्तच करतो. पॅनेलमधील सदस्य एकाच दिवशी एकच कामगिरी गुणांकित करतात, त्यामुळे उमेदवाराची सकाळ असामान्यपणे चांगली किंवा वाईट असेल, तर ती सर्वांना दिसते.
Iris Bohnet यांनी Google मधील एका भाषणात म्हटल्याप्रमाणे, "पॅनेल मुलाखतीचा नमुना आकार मूलतः एकच असतो". वेगवेगळ्या मुलाखती, प्रत्येकी स्वतंत्रपणे गुणांकित केलेल्या, तुम्हाला अधिक स्वतंत्र दृष्टिकोन देतात.
6.1 प्रत्येक उमेदवाराला किती मुलाखतकारांनी गुण द्यावे?
जास्तीत जास्त 4, वेगवेगळ्या मुलाखतींमध्ये. Google च्या अंतर्गत डेटामध्ये, जो पीअर-रिव्ह्यू केलेला अभ्यास नाही, 4 मुलाखतींनी 86% विश्वासाने नोकरीचा निर्णय वर्तवला. प्रत्येक अतिरिक्त मुलाखतीने 1% पेक्षा कमी भर घातली.
अतिरिक्त मुलाखतींनी Google च्या स्वतःच्या नोकरीच्या निर्णयाचा अंदाज वर्तवण्यात फारसा फरक पाडला नाही. हे प्रत्येक फेरीचे समर्थन करण्यासाठी एक आधार म्हणून वापरा, सार्वत्रिक कमाल मर्यादा किंवा पुढील कामगिरीबद्दलचा पुरावा म्हणून नाही.
7. व्यस्त मुलाखतकारांकडून मुलाखतीचा स्कोअरकार्ड प्रत्यक्षात कसा भरून घ्यावा?
स्कोअरिंग मुलाखतीचा भाग बनवा. प्रत्येक कौशल्याचे प्रश्न संपल्यावर लगेच त्याला स्कोअर द्या, पुरावा म्हणून 1 ओळीचा उतारा लिहा, आणि एकूण ठसा शेवटी द्या.
दिवसभर मुलाखती घेतल्यानंतर कोणालाही अजून एक फॉर्म भरायचा नसतो. म्हणूनच स्कोअरिंग मुलाखतीच्या आत होते, आज रात्रीचे गृहपाठ म्हणून नाही.
1955 मध्ये इस्त्रायली लष्करासाठी काह्नेमनने ही पद्धत तयार केली, कारण मुक्त स्वरूपाच्या मुलाखती यशाचा अंदाज वर्तवण्यात जवळपास निरुपयोगी ठरल्या होत्या. मुलाखतकारांनी 1 ते 5 या प्रमाणात 6 गुणांचे मूल्यांकन केले, पुढचा गुण सुरू करण्यापूर्वी प्रत्येक गुण पूर्ण करत, त्यामुळे पहिला ठसा बाकीच्या गुणांवर प्रभाव टाकू शकत नव्हता.
त्यानंतरच त्यांनी डोळे बंद करून एकूण मूल्यांकन दिले, आणि एकूण गुणांनी पूर्वीपेक्षा कितीतरी अधिक अचूक अंदाज वर्तवला. त्यांचा सल्ला: सर्वाधिक एकूण गुण मिळालेल्या व्यक्तीला निवडा, "जरी तुम्हाला अजून एक आवडत असेल तरी".
वेळेलाही महत्त्व आहे. एका क्षेत्रीय अभ्यासात, 166 मुलाखतकारांनी त्यांनी कधी मन बनवले ते नोंदवले. फक्त 4.9% निर्णय पहिल्या मिनिटात झाले, पण 22.5% निर्णय मुलाखत संपल्यानंतर झाले.
उमेदवार निघून गेल्यानंतर घेतलेला निर्णय स्मरणशक्तीवर आधारित असतो, म्हणून मुलाखत चालू असतानाच स्कोअर देत जा.
आमच्या सपोर्ट लीडसाठी, हे असे दिसते:
- रांगेसंबंधीचे 2 प्रश्न विचारा, मग पुढे जाण्यापूर्वी "रांगेला प्राधान्य देणे" याला स्कोअर द्या.
- पुरावा म्हणून 1 उतारा लिहा, जसे "मी बग्स किती ग्राहकांना प्रभावित करतात त्यानुसार क्रमवार लावतो."
- प्रत्येक उमेदवारासाठी कौशल्यांचा तोच क्रम ठेवा.
आमच्या डेटामध्ये लिखित पुरावा दुर्मिळ आहे.
Flowmingo डेटा · 86,638 AI-मुलाखत घेतलेले उमेदवार · 2,574 कंपन्या · जुलै 2025 ते सप्टें 2026
- AI-मुलाखत घेतलेल्या उमेदवारांपैकी 0.3% उमेदवारांना भरती करणाऱ्या टीमकडून लेखी टिप्पणी मिळाली (86,638 पैकी 258).
टीम्स इतरत्र नोट्स ठेवत असू शकतात; Flowmingo मध्ये, AI रिपोर्ट हा सामान्यतः फाइलवरील एकमेव लेखी मूल्यांकन असतो.
व्यस्त दिवशी सर्वात आधी सोडले जाणारे लेखी कारण असते. म्हणूनच फॉर्म प्रत्येक कौशल्यासाठी फक्त 1 कोट मागतो.
8. माझ्या मुलाखत स्कोअरकार्डवरील AI स्कोअरवर मी विश्वास ठेवू शकतो का?
एखादी व्यक्ती तपासते असे 1 इनपुट म्हणून त्याचा वापर करा, आणि आधी त्याची कारणे वाचा. ज्या प्रश्नांसाठी AI प्रशिक्षित नव्हते त्यांवर AI स्कोअरिंग झपाट्याने घसरू शकते.
या उत्तरात आमचा स्वार्थ आहे, म्हणून खालील पुराव्यात AI ला आवडणार नाही तो भागही समाविष्ट आहे.
2023 च्या एका पायाभूत अभ्यासात, 2 प्रशिक्षित मूल्यांकनकर्त्यांनी 7,017 अर्जदारांच्या उत्तरांना 1-ते-5 अँकर्ड स्केलवर गुण दिले. त्याच प्रश्नांवर प्रशिक्षित केलेले मॉडेल त्यांच्या गुणांशी जवळून जुळले, 0-ते-1 स्केलवर 0.75 वर. जे प्रश्न-स्वरूप त्याने कधीच पाहिले नव्हते त्यांवर ते 0.30 वर घसरले, हे कमकुवत जुळणी.
याचा अर्थ AI स्कोअर त्या प्रश्न-विशिष्ट रुब्रिकइतकाच चांगला असतो, म्हणून त्या आकड्यावर विश्वास ठेवण्यापूर्वी त्याची कारणे वाचा. हेही लक्षात घ्या की त्या अभ्यासाच्या 5 लेखकांपैकी 3 जण AI-मुलाखत विक्रेता Modern Hire येथे काम करत होते.
Flowmingo कशी मदत करते
Flowmingo चा AI Interviewer तुम्ही मंजूर केलेल्या निकषांवर गुण देते. तुमच्या जॉब डिस्क्रिप्शनवरून AI प्रश्न आणि निकषांचा मसुदा तयार करते, आणि तुम्ही दोन्ही संपादित करता. प्रत्येक अर्जदाराला तो त्यांच्या स्वतःच्या वेळी करण्यासाठी मुलाखत पाठवता.
तुम्हाला परत मिळतात रेकॉर्डिंग, ट्रान्स्क्रिप्ट आणि प्रत्येक निकष 0 ते 10 गुणांसह लेखी समर्थनासह. भरतीचा निर्णय तुम्ही घेता.

Flowmingo चा सार्वजनिक नमुना अहवाल: प्रत्येक निकषासाठी 0 ते 10 गुण आणि कारण, म्हणून त्या स्केलवर कोणतीही अनिवार्य किमान मर्यादा ठेवा.
आमच्या डेटामध्ये, CV आणि मुलाखत कोण सर्वोत्तम आहे यावरही एकमत होत नाहीत.
Flowmingo डेटा · 34,114 उमेदवार · 379 कंपन्या · जुलै 2025 ते सप्टें 2026
- 1 स्पष्ट सर्वोच्च मुलाखत स्कोअर असलेल्या 532 प्रकल्पांपैकी 19.2% प्रकल्पांनी त्याच उमेदवाराला सर्वोच्च CV स्कोअरही दिला.
- मुलाखतीत 8 किंवा त्याहून अधिक गुण मिळवलेल्या 3,684 उमेदवारांपैकी (2,022) 54.9% उमेदवार टॉप-20% CV शॉर्टलिस्ट द्वारे वगळले गेले असते.
दोन्ही Flowmingo AI स्कोअर आहेत, नोकरीतील कामगिरी नव्हे, आणि मुलाखत देणारे हा निवडलेला गट आहे. डेटा दाखवतो की त्या 2 क्रमवारी वेगळ्या आहेत, कोणती बरोबर आहे हे नव्हे.
सोप्या शब्दांत, त्या प्रकल्पांपैकी सुमारे ५ पैकी ४ प्रकल्पांमध्ये, मुलाखतीत सर्वाधिक गुण मिळवणाऱ्या उमेदवाराचे CV गुणही सर्वाधिक नव्हते. म्हणून मुलाखतीचे मूल्यांकन स्वतंत्रपणे करा, CV गुणांचे मूल्यांकन त्यावर चालू देऊ नका.
9. नाकारलेल्या उमेदवाराने तक्रार केल्यास माझे स्कोअरकार्ड माझे संरक्षण करतील का?
ते उपयोगी ठरतात, जर त्यांत नोकरीशी संबंधित पुराव्यांना गुण दिले असतील आणि तुम्ही ती स्कोअरकार्ड ठेवली असतील तर. एका सामान्य अर्थाने, अमेरिकेच्या केंद्रीय नियमांनुसार स्कोअरकार्ड कमीत कमी १ वर्ष आणि कॅलिफोर्नियाच्या नियमांनुसार ४ वर्षे ठेवावी लागतात.
तक्रार महिन्यांनंतर येऊ शकते, जेव्हा मुलाखतीची कोणालाच आठवण नसते. प्रत्येक कौशल्यासाठी एक उतारा असलेले मुलाखत स्कोअरकार्ड तुम्ही काय मूल्यांकन केले आणि का, हे दाखवते.
अमेरिकेच्या नियमात स्कोअरकार्डचे नाव घेतलेले नाही, पण तो "भरतीशी संबंधित इतर नोंदी" समाविष्ट करतो. एखाद्याने भेदभावाचा आरोप दाखल केला की, त्या प्रकरणाचा शेवट होईपर्यंत तुम्ही प्रत्येक संबंधित नोंद ठेवावी लागते. त्यात त्याच नोकरीसाठीच्या इतर उमेदवारांच्या नोंदींचाही समावेश होतो, त्यामुळे १ आरोप संपूर्ण संच गोठवतो.
हे नियम सप्टेंबर २०२६ पर्यंतचे आहेत. हा एक सारांश आहे, कायदेशीर सल्ला नाही.
| नियम | कुठे | तुमच्या स्कोअरकार्डसाठी त्याचा अर्थ |
|---|---|---|
| 29 CFR 1602.14 | अमेरिका | भरतीच्या नोंदी १ वर्ष ठेवा, आरोपानंतर त्याहून जास्त काळ |
| 2 CCR 11013(c) | कॅलिफोर्निया | स्वयंचलित निर्णयाच्या डेटासह नोंदी ४ वर्षे ठेवा |
| ICO guidance | यूके | उमेदवार मुलाखतीच्या नोंदी मागू शकतात; टाय-ब्रेकचा कोणताही नियम उघड करा |
| TAFEP | सिंगापूर | मूल्यांकन फॉर्म वापरा आणि नोंदी कमीत कमी १ वर्ष ठेवा |
| 29 CFR 1630.11 (ADA) | अमेरिका | अपंगत्वामुळे बोलण्यावर परिणाम झाल्यास, नोकरीत बोलणे आवश्यक असेल तरच बोलण्याचे नाही, तर कौशल्याचे मूल्यांकन करा |
| AI Act, Article 5(1)(f) | EU, २ फेब्रु २०२५ पासून | चेहरे, अंगठेवणी किंवा कीस्ट्रोकवरून उमेदवारांच्या भावना ओळखणारा AI नको |
| AI Act, Annex III and Article 26 | EU, २ डिसें २०२७ पासून | उच्च-जोखीम: मानवी देखरेख, ६+ महिने लॉग ठेवणे, उमेदवारांना कळवणे |
| Local Law 144 | न्यू यॉर्क शहर | एकट्याने वापरलेला, सर्वांपेक्षा जास्त वजन दिलेला किंवा लोकांचा निर्णय फिरवण्यासाठी वापरलेला AI स्कोअर: पक्षपातासाठी वार्षिक ऑडिट आणि सूचना |
| AI Video Interview Act | इलिनॉय | आधी सूचना, स्पष्टीकरण आणि संमती; विनंतीनंतर ३० दिवसांत व्हिडिओ हटवा |
म्हणूनच टेम्प्लेटमध्ये "Not scored" ही ओळ आहे. EU चेहरे, अंगठेवणी किंवा कीस्ट्रोकवरून उमेदवारांच्या भावना वाचणारा AI बंदी घालते, आणि अमेरिकेचा अपंगत्व कायदा (ADA) बोलण्यावर अपंगत्वाचा परिणाम असलेल्या उमेदवारांचे संरक्षण करतो. यूकेमध्ये उमेदवार तुमच्या नोंदी मागू शकतात, त्यामुळे प्रत्येक पुराव्याची ओळ ते वाचतील अशा पद्धतीने लिहा.
स्वतःचे ऑडिट करण्यासाठी, Uniform Guidelines मधील ४/५ च्या अंदाजानुसार गटानुसार पास दरांची तुलना करा. समजा एका गटातील ३०% आणि दुसऱ्यातील ५०% पास होतात: ३० भागिले ५० म्हणजे ०.६, जे ०.८ पेक्षा कमी आहे, त्यामुळे बारकाईने पाहा.
जून २०२६ चे न्याय विभागाचे मत आणि जुलै २०२६ चा OPM नियम केंद्रीय संस्थांना Guidelines पासून दूर नेतात. तथापि ते केंद्रीय नियमांमध्ये कायम आहेत, त्यामुळे ही तपासणी कायदेशीर मर्यादा नाही, तर स्वस्त सवय म्हणून पाहा.
10. या आठवड्यात माझ्या टीमसोबत मुलाखत स्कोअरकार्ड कसे सुरू करावे?
या क्रमाने ते तयार करा, आणि केवळ भूमिकांमध्ये बदल करतानाच त्यात बदल करा. पहिली आवृत्ती परिपूर्ण असणे आवश्यक नाही, पण ती प्रत्येक उमेदवारासाठी सारखीच असली पाहिजे.
- एक मिशन वाक्य आणि 3 ते 8 क्रमवार परिणाम लिहा.
- त्यांना 5 कौशल्यांमध्ये रूपांतरित करा आणि अनिवार्य असलेली कौशल्ये चिन्हांकित करा.
- प्रत्येक कौशल्यासाठी 2 भूतकाळातील वर्तनावर आधारित प्रश्न आणि 1, 3 आणि 5 साठी अँकर लिहा.
- जास्तीत जास्त 4 मुलाखतकारांनी स्वतंत्रपणे गुण द्यावेत आणि डीब्रीफपूर्वी सबमिट करावे.
- एकूण गुणांवर निर्णय होऊ द्या, पण कोणतेही अनिवार्य कौशल्य 3 पेक्षा कमी असल्यास नोकरी नको. प्रत्येक ओव्हरराइड लिहून ठेवा.
प्रत्यक्षात, 1 मोकळ्या पदापासून सुरुवात करा, जेणेकरून तुमची टीम खऱ्या गोष्टीवर ही सवय लावेल. पहिल्या मुलाखतीपूर्वी, सर्वांनी एकाच नमुना उत्तराला गुण द्यावेत आणि तुलना करावी.
जर 2 गुणांमध्ये 1 पेक्षा जास्त गुणांचे अंतर असेल, तर ते जुळेपर्यंत अँकर पुन्हा लिहा. विभाग 8 च्या अभ्यासातील प्रशिक्षित मूल्यांकनकर्त्यांनीही बैठक बोलावण्यासाठी तेच 1-गुणांचे अंतर वापरले.
काही विरोध अपेक्षित आहे. Kahneman च्या सैन्यातील मुलाखतकारांनीही फक्त उत्तरे नोंदवण्यास विरोध केला, आणि त्याचा उपाय म्हणजे डोळे बंद करून गुण देणे, ज्यामुळे त्यांच्या निर्णयाला फॉर्ममध्ये स्थान मिळाले. तुमची एकूण छाप या ओळीने तुमच्या टीमसाठी तेच करते.
Flowmingo कशी मदत करते
प्रत्येक अर्जदाराला त्यांच्या स्वत:च्या वेळी करण्यासाठी संरचित मुलाखत पाठवण्यासाठी, जी रेकॉर्ड होते आणि 1 मुलाखत स्कोअरकार्डवर गुण दिली जाते, Flowmingo वापरून पहा.
11. स्रोत
वर दिलेला प्रत्येक बाह्य आकडा खालील स्रोतांमधून घेतलेला आहे, तो दिसण्याच्या क्रमाने. Flowmingo चे स्वतःचे आकडे डेटा बॉक्समध्ये आहेत, जुलै 2025 ते सप्टें 2026.
- Sackett, P. R., Zhang, C., Berry, C. M., & Lievens, F. (2022). Revisiting meta-analytic estimates of validity in personnel selection: Addressing systematic overcorrection for restriction of range. Journal of Applied Psychology.
- Sackett, P. R., Zhang, C., Berry, C. M., & Lievens, F. (2023). Revisiting the design of selection systems in light of new findings regarding the validity of widely used predictors. Industrial and Organizational Psychology.
- Kahneman, D., Sibony, O., & Sunstein, C. R. (2021). Noise: A flaw in human judgment, ch. 24, as quoted by NPR Planet Money. Little, Brown Spark.
- Smart, G., & Street, R. (2008). Who: The A method for hiring. Ballantine Books.
- Uhlmann, E. L., & Cohen, G. L. (2005). Constructed criteria: Redefining merit to justify discrimination. Psychological Science.
- Taylor, P. J., & Small, B. (2002). Asking applicants what they would do versus what they did do: A meta-analytic comparison of situational and past behaviour employment interview questions. Journal of Occupational and Organizational Psychology.
- US Office of Personnel Management (2008). Structured interviews: A practical guide. OPM.
- Kahneman, D. (2011). Thinking, fast and slow, ch. 21, "Intuitions vs. formulas". Farrar, Straus and Giroux.
- Frieder, R. E., Van Iddekinge, C. H., & Raymark, P. H. (2016). How quickly do interviewers reach decisions? Journal of Occupational and Organizational Psychology. Percentages as reported by BPS Research Digest.
- Shaper, S. (2017). How many interviews does it take to hire a Googler?. Google re:Work, archived.
- Huffcutt, A. I., Culbertson, S. S., & Weyhrauch, W. S. (2013). Employment interview reliability: New meta-analytic estimates by structure and format. International Journal of Selection and Assessment.
- Bohnet, I. (2016). What works: Gender equality by design. Talks at Google.
- Bohnet, I. (2016). How to take the bias out of interviews. Harvard Business Review.
- Bohnet, I., van Geen, A., & Bazerman, M. H. (2016). When performance trumps gender bias: Joint vs. separate evaluation. Management Science.
- Kuncel, N. R., Klieger, D. M., Connelly, B. S., & Ones, D. S. (2013). Mechanical versus clinical data combination in selection and admissions decisions: A meta-analysis. Journal of Applied Psychology.
- Koenig, N., Tonidandel, S., Thompson, I., Albritton, B., Koohifar, F., et al. (2023). Improving measurement and prediction in personnel selection through the application of machine learning. Personnel Psychology.
- European Commission (2025). Guidelines on prohibited artificial intelligence practices, C(2025) 5052 final. European Commission.
- European Parliament and Council (2026). Regulation (EU) 2026/1744, the Digital Omnibus on AI. Official Journal of the EU.
- NYC Department of Consumer and Worker Protection (2023). Automated employment decision tools: rules and FAQ. NYC DCWP.
- Illinois General Assembly (n.d.). Artificial Intelligence Video Interview Act, 820 ILCS 42. Illinois General Assembly.
- US Equal Employment Opportunity Commission (1991, as amended 2011). 29 CFR 1630.11, Administration of tests. eCFR.
- US Equal Employment Opportunity Commission (1972, as amended 2024). 29 CFR 1602.14, Preservation of records made or kept. eCFR.
- California Civil Rights Council (2025). Employment regulations regarding automated-decision systems. California Civil Rights Department.
- Information Commissioner's Office (n.d., under review). Shortlisting, testing, and interviewing candidates. ICO.
- TAFEP (n.d., accessed 2026-09-24). How to conduct fair job interviews. Tripartite Alliance for Fair and Progressive Employment Practices.
- EEOC, Civil Service Commission, Department of Labor & Department of Justice (1978). Uniform Guidelines on Employee Selection Procedures, 29 CFR Part 1607. eCFR.
- US Department of Justice, Office of Legal Counsel (2026). Constitutionality of disparate-impact liability under Title VII. DOJ.
- US Office of Personnel Management (2026). Removal of references to the Uniform Guidelines on Employee Selection Procedures in federal personnel regulations. Federal Register.



