Предложения нужно делать вовремя

Суть проекта

Humanpredictions обещает облегчить жизнь рекрутёров, занимающихся наймом специалистов в области IT.

Осовная проблема в том, что на рекламу и объявления о вакансиях откликаются обычно специалисты уровня джуниор, в которых компании мало заинтересованы — поэтому рекрутёры вынуждены заниматься активным поиском.

Но какие есть варианты активного поиска? Находить хоть как-то подходящих по профилю специалистов на LinkedIn или в GitHub и писать им всем письма? Времени и сил это отнимает много — а выхлоп слишком маленький, потому что мы вынуждены писать всем подряд.

Можно ли как-то оптимизировать этот процесс?

Стартап утверждает, что он собрал и поддерживает самую большую базу айтишных специалистов, которая может в этом помочь:

• Роботы платформы обшаривают интернет в поисках профилей технических специалистов.
• При этом они сопоставляют разные профили на разных сервисах, чтобы понять, что речь идёт об одном и том же человеке.
• После этого они регулярно (каждый день или каждую неделю) проверяют эти профили, чтобы найти, что в них изменилось.
• Исходя из этой информации, они делают обоснованные предположения о том, кто из этих специлистов прямо сейчас может быть заинтересован в рассмотрении вариантов следующей работы.

Фокусировка на определенных профессиях им сильно помогает, так как они могут проводить более тонкий анализ профессиональных интересов и поведения людей — в каких специализированных конференциях с докладами они выступали, принимают ли они и насколько активное участие в опенсорс-проектах, на какие вопросы они отвечают на сайтах типа Stack Overflow и так далее.

Вся эта информация собирается и обновляется в профиле человека в базе данных стартапа.

Во-первых, по этой базе можно более эффективно искать нужных людей по многим критериям, чем по любому стандартному профилю из условного LinkedIn, так как в базе собирается гораздо больше разнообразной информации из разных источников о каждом человеке.

Во-вторых, вы можете составлять свои списки желаемых кандидатов — либо персонально, либо по набору фильтров. И когда в базе появляются сигналы о том, что человек из вашего списка сознательно или даже подсознательно готов к смене работы — сервис посылает вам извещение о том, что с такими-то людьми можно законтачить на предмет предложений о новой работе.

Совсем тупой пример устройства подобного сигнала: человек отработал в компании на той же должности уже несколько лет, недавно начал активно выступать на конференциях, обновил свой персональный сайт и био в LinkedIn — возможно, что он «причёсывает» себя для нового карьерного шага.

Или другой тупой пример: он начал активно коммуницировать в Stack Overflow и делать коммиты в GitHub по новым темам, которые не входят в его список скиллов на текущей должности — возможно, что он заинтересовался новым направлением, и ему можзно предложить заняться этим на новом месте работы.

Даже когда мы начинаем писать письмо потенциальному кандидату, сервис подсказывает нам моменты, которые стоит в этом письме упомянуть — есть ли у нас пересечения по контактам, какие темы (хоть профессиональные, хоть хобби) интересуют кандидата и так далее.

Цена сервиса вполне приличная — 5 тысяч долларов в год на одного рекрутёра компании, 13.5 тысяч за трёх или от 39 тысяч за целую команду.

Что интересного

Жизнь большинства людей стала публичной — мы оставляем очень много цифровых следов в самых разных публичных сервисах. Умение правильно находить и сопоставлять эти следы становится мощным инструментом для маркетинга, продаж, найма и других бизнес-активностей.

Не так давно я писал о стартапе, который проводит анализ изменений должностных положений сотрудников клиентов B2B-компаний, и извещает, когда они получают повышение или переходят на новую работу. Ведь это самый правильный момент для очередного контакта. Ведь известно, что вновь назначенный на должность руководитель тратит 70% своего бюджета в первые 100 дней работы на новом месте

Есть такое понятие — «проспектинг» (prospecting). Это самый первый этап в воронке продаж, на котором происходит идентификация потенциальных клиентов, которые могут быть заинтересованы в покупке наших товаров или услуг.

Проблема в том, что проспектинг как этап очень часто игнорируется при построение воронок продаж. Обычно его заменяют на «таргетинг» по формальным параметрам, которые предоставляет используемый рекламный канал. Но во многих случаях это не сильно помогает, так как:

• Таргетинг по сравнению с проспектингом может оказаться слишком грубым делением. Далеко не все, кто подпадает под таргетинг, являются «проспектами». Как в сегодняшнем кейсе, например — далеко не все программисты, обладающие нужными нам скиллами, являются подходящими кандидатами для предложения им новой работы.
• Таргетинг — может оказаться слишком поздно. Клиент может уже намеренно искать продукты нашего прямого или косвенного конкурента — и переубедить нам его будет сложно, даже если мы будем подсовывать ему рекламу по ключевым словам конкурента. Например, он уже заранее отсёк наш продукт из списка возможных вариантов по причинам, которые мы бы легко могли бы оспорить… если бы поговорили с ним раньше.
• Да и вообще, клиент может не подозревать, что ему нужен наш продукт, если мы это ему вовремя не объясним А к тому времени, когда мы сумеем или удосужимся с ним пообщаться (например, через месяц-другой после назначения на новую должность), он может уже распланировать свой бюджет на что-то другое.

Увеличение количества цифровых следов людей в интернете и рост мощности алгоритмов искусственного интеллекта, которые мы можем использовать для их анализа, может вызвать второе рождение проспектинга. Более широкого, более умного, более автоматического, более эффективного. Сегодняшний стартап — один из шагов в этом направлении в своей нише.

Куда бежать

Всё-таки удивительно, как много информации о человеке или компании мы можем получить из открытых источников информации, если научимся эту информацию правильно использовать.

Это хорошее направление мыслей для бизнесов, занимающихся B2B-продажами, так как обычно в этой сфере присутствуют крупные чеки, которые оправдывают затраты на проспектинг. По каким косвенным признакам мы можем выделить наших потенциальных клиентов? Откуда мы можем эту информацию достать?

Иногда варианты могут быть не такими очевидными. Например, на западных рынках информацию о стартапах, получивших инвестиции, часто используют для того, чтобы сразу после получения инвестиций начать предлагать им услуги внедрения внутренних корпоративных систем управления, систем для масштабирования продаж и маркетинга или вообще программ обучения и развития персонала.

Ну а для команд, занимающихся умным анализом данных, проспектинг — это интересная практическая область для прикладного применения своих умений. Опять же на тех рынках, где есть крупные чеки, и видны недостатки используемых сейчас методов стандартного таргетинга.

Если верна гипотеза о втором рождении проспектинга, то это направление сейчас должно начать активно развиваться.

О компании

Humanpredictions

• Сайт: humanpredictions.io
• Последний раунд: $735K, 27.12.2021
• Всего инвестиций: $1.93M, раундов: 2