Slimme CV-naar-ATS mapping zonder handwerk

Het mappingprobleem dat elke recruiter kent

Je hebt een cv geparsed. De data staat in een rij velden. Maar nu moet dat op de juiste plek terechtkomen, in het juiste formaat, in een structuur die iemand anders heeft bedacht. En daar begint de ellende.

De branche behandelde dit jarenlang als een vertaalprobleem. Bullhorn noemt het “Current Title”, Carerix gebruikt “Huidige functie”, het volgende systeem heeft er weer een eigen woord voor, en elke tool ertussenin had een vertaaltabel nodig tussen al die varianten. Dezelfde informatie, andere labels, en onderhoud dat nooit ophoudt.

Die framing verbergt de echte kwestie. De labels zijn het probleem niet. Het probleem is dat de velden van iemand anders zijn — dus zodra jouw desk er een nodig heeft die de leverancier nooit had voorzien, verdwijnt het in een notitieveld en houdt het op data te zijn. Ondertussen besteden recruiters meer tijd aan het invullen van vakjes dan aan het lezen van het cv. Dat is geen recruitment meer. Dat is data-entry.

Waarom standaard mapping niet werkt

De meeste cv-parsers bieden een vaste mapping. Veld A uit het cv gaat naar veld B in je systeem. Klinkt logisch, en in de praktijk struikelt het over drie dingen.

Ten eerste: kandidaten structureren hun cv’s totaal verschillend. De een zet vaardigheden bij werkervaring, de ander in een apart blok. Sommigen noemen hun functie in de koptekst, anderen pas in de werkervaring. Een vaste tabel kan daar niet mee omgaan, want de invoer ligt niet vast.

Ten tweede: velden zijn niet universeel. Jouw model heeft misschien een keuzeveld “Sector” met twintig opties. De kandidaat schrijft “Financiële dienstverlening” op zijn cv. Dat matcht niet vanzelf met de optie in jouw lijst — en een systeem dat de ruwe tekst dan tóch wegschrijft, heeft zojuist je filters onbetrouwbaar gemaakt.

Ten derde: elk bureau heeft velden die het zelf heeft verzonnen. Velden die bestaan omdat die desk nu eenmaal zo werkt. Geen enkele standaardmapping houdt daar rekening mee, en precies daarom staan ze half leeg.

Hoe AI-mapping anders werkt

Simply haalt de vertaalstap weg in plaats van hem te automatiseren. Er staat geen vreemd systeem aan de andere kant van de mapping: de velden waar een cv in terechtkomt, zijn jouw velden, in je eigen datamodel. Het systeem doet drie dingen.

Het leest het cv en begrijpt de context. “Senior Developer bij ING, 2020-2024” is geen tekstregel. Het is een functietitel, een werkgever, een begin- en een einddatum — en elke functie komt eruit als een eigen onderliggend record in plaats van als een alinea in een vak. De AI herkent dat, ongeacht hoe de kandidaat het opschreef.

Vervolgens leest het uit tegen het schema dat je werkelijk hebt. Omdat het datamodel metadata is en geen code, zijn objecten, velden en relaties regels die jij beheert. Een veld dat je vorige week toevoegde, zit deze week in het extractieschema — zonder release, zonder ticket, zonder vertaaltabel. Eigen objecten inbegrepen.

Tot slot is de extractie expliciet over wat het níét weet. Staat er geen opzegtermijn op het cv, dan blijft de opzegtermijn leeg in plaats van dat het een plausibel getal wordt dat een recruiter later aan een opdrachtgever noemt. Nationaliteit wordt nooit afgeleid uit een naam of een taal. Je kunt de voorgestelde waarden beoordelen voordat je ze overneemt in het dossier.

Dropdowns, enums en gestructureerde velden

Dit is waar de meeste tools falen. En het is precies waar het verschil zichtbaar wordt.

Stel: je kandidaatobject heeft een keuzeveld “Opleidingsniveau” met de opties mbo, hbo en wo. Een kandidaat schrijft op zijn cv: “Bachelor of Science, Technische Universiteit Delft”. Een standaardparser plakt die hele zin in het veld. Hier moet de waarde oplossen naar een van de opties die het veld toestaat, of hij wordt niet stilletjes weggeschreven — dan beoordeelt een recruiter de voorgestelde waarde.

Diezelfde logica geldt voor elk veldtype. Een datumveld gedraagt zich als een datum, dus je kunt erop sorteren en filteren. Een numeriek veld accepteert geen tekst. Een verplicht veld voorkomt dat een dossier half leeg wordt opgeslagen, en een uniek veld voorkomt dat twee recruiters dezelfde opdrachtgever twee keer aanmaken met net andere spelling. Het type is geen versiering; het is de regel waar een waarde aan moet voldoen voordat hij landt.

Dit klinkt als details. Maar het zijn precies deze details die het verschil maken tussen schone data en vervuilde gegevens die je hele workflow ondermijnen — want een rapportage is nooit beter dan de veldtypen eronder.

De CRM-kant: één systeem, geen twee

Mapping hield vroeger op bij het ATS en begon opnieuw bij het CRM. Klantgegevens in het ene systeem, kandidaatgegevens in het andere, notities in allebei, en een nachtelijke job die probeerde ze beschaafd te houden.

Die hele laag verdwijnt zodra het ATS en het CRM hetzelfde model zijn. Bedrijven, contactpersonen, vacatures, sollicitaties, kandidaten en plaatsingen zijn objecten met echte relaties ertussen: een plaatsing kent zijn kandidaat, zijn vacature en zijn opdrachtgever. Er is geen tweede systeem om dezelfde informatie in te duwen, dus er valt niets recht te trekken en geen veld twee keer te mappen.

En als jouw bureau werkwijzen heeft die niemand anders heeft? Dan worden dat objecten en velden die jij definieert, en geen uitzonderingen waar je omheen werkt. Automatische data-entry houdt ze vervolgens net zo actueel als de standaardvelden: het gesprek, het bericht of het document stelt de wijziging voor, en jij keurt hem goed.

Wat dit betekent in de praktijk

Een recruitmentconsultant bij een middelgroot bureau verwerkt gemiddeld acht tot twaalf cv’s per dag. Handmatig kost elk cv vijf tot tien minuten typewerk. Dat is grofweg anderhalf uur per dag waarin je informatie overtypt die al voor je neus ligt.

Met extractie tegen je eigen model verdwijnt die typestap. Wat overblijft is beoordelen: het cv wordt uitgelezen, de waarden komen als voorstellen op het kandidaatdossier binnen, en jij keurt ze goed — je beoordeelt de voorgestelde waarden in plaats van alles opnieuw in te tikken. Die anderhalf uur gaat terug naar gesprekken, acquisitie of je pipeline.

Over een maand gerekend is dat een flink deel van een werkweek. En de data die landt is schoner dan de handmatige variant. Niet omdat de AI slimmer is dan jij, maar omdat hij bij het elfde cv van de dag niet verslapt — en omdat je hem nergens blind hoeft te vertrouwen: elke waarde die hij voorstelde, is er een waar jij ja tegen zei.

Wat er wél koppelt, en wat niet

Even zonder omhaal, want dit is de vraag die elke koper uiteindelijk stelt.

Simply synchroniseert niet met een ander ATS. Niet met Bullhorn, niet met Carerix, met niets in die categorie — en niet omdat het technisch te lastig zou zijn. Twee systemen die naar elkaar schrijven, leveren je twee bronsystemen op en geen waarheid, en het wekelijkse rechttrekken komt voorgoed bij jouw team terecht.

Wat er wél koppelt, is een lijst die je kunt natellen: Google Calendar en Zoom voor afspraken, Gmail en Outlook voor mail, Slack voor het team en HubSpot voor de commerciële kant. Zes koppelingen, bij naam, allemaal gebouwd. Alles daarbuiten is een sleutel op de publieke API en een ondertekende webhook, geen belofte op een slide.

Overstappen vanuit een ander systeem is een migratie, geen integratie: een eenrichtingsimport van ongeveer vier weken. Het deel dat er voor dit artikel toe doet, is de veldmappingsessie — je huidige velden links, het nieuwe model rechts, veld voor veld doorgelopen. Elk veld krijgt een van drie uitkomsten. Het mapt één op één, veruit de grootste stapel. Het bestaat nog niet, en dan maken we het aan — en je kunt er diezelfde dag over rapporteren. Of het is een overblijfsel van een proces dat je niet meer draait, en dan schrijven we op dat het niet meekomt in plaats van het stilletjes te laten verdwijnen.

En voor bureaus waarvan elke opdrachtgever iets anders in de intake wil: dat zijn velden en objecten binnen één model, geen tweede inrichting van andermans systeem. Je schakelt niet tussen setups. Je beschrijft je eigen werk één keer.

De rol van validatie en transparantie

AI die data invult zonder dat je kunt controleren wat er gebeurde? Dat wil niemand. Daarom is elke uitgelezen waarde herleidbaar naar waar hij vandaan komt.

Beoordeel per veld of de voorgestelde waarde past bij het cv en bij je datamodel. Je kunt de waarde aanpassen voordat je deze overneemt.

Daaronder ligt het auditlog, weggeschreven in dezelfde transactie als de wijziging die het beschrijft — inclusief pogingen die geweigerd zijn. Er loopt niets achter, en niemand hoeft maanden later te reconstrueren wie een waarde goedkeurde die achteraf niet klopte. Dat is het verschil tussen een systeem dat je in een klantgesprek kunt verdedigen en een systeem waarvoor je alleen sorry kunt zeggen.

Van data-entry naar recruitment

De kern van slimme cv-mapping is niet de technologie. Het is wat het je teruggeeft. Als je niet meer handmatig data hoeft in te voeren, kun je doen waar je goed in bent: mensen beoordelen, relaties opbouwen, en de juiste kandidaat bij de juiste rol plaatsen.

Dat is geen toekomstmuziek. Dat doen bureaus vandaag al. En het begint met een cv dat je uploadt.

Benieuwd hoe het werkt? Lees hoe je handmatige cv-verwerking kunt elimineren, of probeer het zelf — veertien dagen, het volledige product, zonder creditcard.

Slimme mapping bij complexe ATS-configuraties

De uitdaging bij cv-naar-ATS-mapping wordt groter naarmate de inrichting complexer is. De meeste bureaus hebben hun systeem over de jaren heen uitgebreid met eigen velden, aangepaste workflows en specifieke validatieregels, en een systeem dat alleen de standaardvorm aankan, duwt dat allemaal richting vrije tekst. Hier richt jij het model in, dus de extractie mikt op jouw veldtypen en jouw regels in plaats van op die van een template.

Een concreet voorbeeld: stel dat je een keuzeveld ‘ervaringsniveau’ hebt met vijf opties — junior, medior, senior, lead en expert. Zegt een kandidaat in een gesprek ‘ik heb acht jaar ervaring en geef leiding aan een team van vier’, dan kan het systeem ‘lead’ voorstellen als waarde voor dat veld. Het stelt voor; jij keurt goed. Wat het níét doet, is die zin in een vrij tekstveld plakken en de interpretatie overlaten aan wie hem als volgende leest.

Precies dat voorkomt de bekende situatie waarin automatisering een vervuilde database oplevert. Zodra vrije tekst in gestructureerde velden belandt, worden je rapportages en filters onbetrouwbaar — en dat komt meestal pas aan het licht in een overleg met een opdrachtgever. Slimme mapping betekent dat elke waarde past bij het veld waarin hij landt, of dat nu een keuzelijst, een datum, een getal of een relatie naar een ander record is.

Het validatieproces bij automatische mapping

Bij automatische mapping blijft controle belangrijk. Vergelijk de voorgestelde waarden met de informatie van de kandidaat en pas ze waar nodig aan. Zo bepaal je zelf wat er in het dossier belandt.

Die transparantie maakt de automatisering bruikbaar in plaats van alleen indrukwekkend. Een recruiter die kan zien waar een waarde vandaan komt, laat het systeem het typewerk doen. Een recruiter die dat niet kan, controleert toch alles met de hand — en dan heb je niets gekocht.