Selama lima tahun terakhir, Recursive Cactus telah bekerja sebagai pengembang tumpukan penuh di sebuah perusahaan teknologi terkemuka, tetapi sekarang telah memutuskan untuk berganti pekerjaan.



Selama enam bulan terakhir, Recursive Cactus (seperti yang diperkenalkan sendiri saat mendaftar di situs kami) telah mempersiapkan wawancara di masa mendatang, mengalokasikan setidaknya 20-30 jam setiap minggu untuk latihan LeetCode, tutorial algoritme, dan, tentu saja, praktik wawancara di platform kami untuk menilai kemajuannya.

Hari kerja Kaktus Rekursif Khas:

Hari Libur Kaktus Rekursif Khas:

Tetapi usahanya yang luar biasa untuk mempersiapkan wawancara itu membebani dirinya, teman-teman dan keluarganya. Pelajarannya telah menghabiskan semua waktu pribadinya sedemikian rupa sehingga dia praktis tidak memiliki kehidupan yang tersisa, kecuali untuk pekerjaan dan persiapan untuk wawancara.



Satu pikiran membuat Anda tetap terjaga: “Bagaimana jika saya tidak mendapatkan wawancara? Bagaimana jika selama ini terbuang percuma? "



Kami semua pernah mencari pekerjaan, dan banyak yang mengalami keadaan ini. Tetapi mengapa Kaktus Rekursif menghabiskan begitu banyak waktu untuk mempersiapkan dan apa alasan frustrasi ini?



Dia merasa dia tidak memenuhi standar tinggi untuk insinyur, tingkat kompetensi minimum yang diterima secara umum yang harus ditunjukkan oleh setiap insinyur untuk mendapatkan pekerjaan.



Untuk memenuhi standar, dia memilih taktik khusus: memenuhi ekspektasi yang diterima secara umum untuk seorang insinyur, dan tidak hanya menjadi profesional sebagaimana dirinya sebenarnya.



Tampaknya konyol dengan sengaja berpura-pura menjadi seseorang yang bukan Anda. Tetapi jika kita ingin memahami perilaku Kaktus Rekursif, disarankan untuk mencari tahu apa itu bar ini. Dan jika Anda berpikir sedikit tentang topik ini, sepertinya itu tidak memiliki definisi yang begitu jelas.

Definisi dari "bar"

Mari kita lihat bagaimana perusahaan FAANG (Facebook, Amazon, Apple, Netflix, Google) menetapkan standar. Bagaimanapun, ini adalah perusahaan yang paling banyak mendapat perhatian dari hampir semua orang, termasuk para pencari kerja.



Beberapa dari mereka memberikan detail spesifik tentang proses perekrutan. Apple tidak membagikan informasi apa pun kepada publik. Facebook menjelaskan tahapan wawancara, tetapi bukan kriteria penilaian. Netflix dan Amazon mengatakan mereka merekrut kandidat yang sesuai dengan budaya kerja dan prinsip kepemimpinan mereka. Baik Netflix maupun Amazon tidak menjelaskan dengan tepat bagaimana mereka mengukur prinsip-prinsip yang mendasarinya. Namun, Amazon memberi tahu bagaimana wawancara dilakukan dan juga menyebutkan topik yang dapat didiskusikan dalam wawancara pengembang....



Sebagai perusahaan besar yang paling transparan, Google secara terbuka mengungkapkan proses wawancaranya dengan detail terkecil, dan buku Laszlo Bock "Aturan kerja!" menambahkan detail bagian dalam.



Berbicara tentang raksasa teknologi dari sudut pandang sejarah, Alina (pendiri kami) di posting terakhir menyebutkan buku 2003 How to Move Mount Fuji? , yang membahas tentang proses wawancara di Microsoft selama perusahaan itu menjadi raksasa teknologi terkemuka.



Untuk mengumpulkan lebih banyak informasi tentang bagaimana perusahaan mengevaluasi kandidat, saya juga melihat Wawancara Pemrograman Peretasan oleh Gaila Luckmann McDowell, yang sebenarnya adalah Alkitab untuk wawancara bagi kandidat potensial, danPanduan Wawancara Gerilyawan Joel Spolsky 3.0 , ditulis oleh seorang tokoh yang berpengaruh dan terkenal di kalangan teknologi.

Definisi papan

Definisi "kecerdasan"

Tidak mengherankan, pengkodean dan pengetahuan teknis termasuk di antara kriteria untuk mempekerjakan pengembang di perusahaan mana pun. Bagaimanapun, ini adalah pekerjaan.



Tapi selain itu, banyak orang menyebut kriteria kecerdasan umum. Meskipun mereka menggunakan kata-kata yang berbeda dan mendefinisikan istilah-istilah yang sedikit berbeda, mereka semua menunjuk pada suatu konsep yang oleh para psikolog disebut "kemampuan kognitif".





Semua definisi ini mengingatkan pada teori psikolog awal abad ke-19 Charles Spearman, teori kecerdasan yang paling diterima secara luas. Dalam serangkaian tes kognitif pada anak-anak sekolah, Spearman menemukan bahwa mereka yang berprestasi baik pada satu jenis tes cenderung juga berhasil pada tes lain. Pemahaman ini membawa Spearman ke teori bahwa ada satu faktor kemampuan umum dasar ("g" atau "g-factor") yang memengaruhi semua metrik, terlepas dari kemampuan khusus tugas ("s").



Jika Anda yakin akan keberadaan "g" (banyak yang percaya, beberapa tidak ... ada teori kecerdasan yang berbeda ), maka menemukan kandidat dengan skor "g" yang tinggi jelas sejalan dengan kriteria kecerdasan di perusahaan.



Sementara perusahaan mempertimbangkan kriteria lain juga, seperti kepemimpinan dan budaya, batasan biasanya tidak didefinisikan dalam istilah ini. Papan didefinisikan sebagai kepemilikan keterampilan teknis, serta (dan mungkin lebih luas lagi) kecerdasan umum . Bagaimanapun, para kandidat biasanya tidak melatih kepemimpinan dan budaya mereka.



Kemudian muncul pertanyaan bagaimana mengukurnya. Mengukur keterampilan teknis tampaknya sulit tetapi bisa dilakukan, tetapi bagaimana Anda mengukur "g"?

Mengukur kecerdasan umum

Buku Boca menyebutkan artikel oleh Frank Schmidt dan John Hunter 1998 "Validitas dan kegunaan metode seleksi dalam psikologi personalia" . Dia mencoba menjawab pertanyaan ini dengan menganalisis 19 kriteria pemilihan kandidat. Tantangannya adalah menentukan mana yang paling baik memprediksi kinerja masa depan. Para penulis menyimpulkan bahwa kecerdasan umum (tes GMA) adalah prediktor terbaik dari produktivitas tenaga kerja ("validitas prediktif").







Dalam penelitian ini, tes GMA dianggap sebagai tes IQ. Tetapi sekitar tahun 2003 Microsoft menggunakan teka-teki seperti "Berapa banyak tuner piano di dunia?" Penjelasan mereka:

« Microsoft, , , , , . , , , , »



— « ?», . 20

Maju cepat ke hari ini. Google mengutuk praktik ini , menyimpulkan bahwa "kinerja pada jenis pertanyaan ini paling baik merupakan keterampilan terpisah yang dapat ditingkatkan melalui pelatihan sehingga tidak ada gunanya dalam mengevaluasi kandidat."



Jadi kami memiliki dua perusahaan yang menguji kecerdasan umum tetapi pada dasarnya tidak setuju tentang cara mengukurnya.

Apakah kita mengukur kemampuan khusus atau kecerdasan umum?

Tapi mungkin, seperti pendapat Spolsky dan McDowell, pertanyaan wawancara algoritmik dan komputerisasi tradisional, dengan sendirinya, merupakan tes yang efektif untuk kecerdasan umum. Penelitian oleh Hunter dan Schmidt memberikan beberapa dukungan untuk teori ini. Di antara semua alat penilaian kriteria tunggal, tes dengan sampel pekerjaan memiliki validitas prediksi tertinggi. Selain itu, ketika memeriksa hasil regresi tertinggi dari validitas instrumen penilaian dua kriteria (tes GMA ditambah tes dengan sampel pekerjaan), ukuran efek standar pada penilaian sampel kerja lebih besar daripada peringkat GMA, yang menunjukkan hubungan yang lebih kuat dengan kinerja kandidat di masa depan.



Penelitian menunjukkan bahwa wawancara algoritmik tradisional memprediksi kinerja masa depan, bahkan mungkin lebih dari tes GMA / IQ.



Kaktus Rekursif tidak percaya ada hubungan seperti itu:

“Ada sedikit tumpang tindih antara pengetahuan yang diperoleh di tempat kerja dan memecahkan masalah algoritmik. Kebanyakan insinyur jarang berurusan dengan grafik atau pemrograman dinamis. Dalam pemrograman aplikasi, struktur data yang paling umum adalah daftar dan objek kamus. Namun, pertanyaan wawancara yang terkait dengan mereka sering dipandang sepele, jadi fokusnya adalah pada kategori masalah lain. "

Menurut pendapatnya, pertanyaan algoritmik seperti pertanyaan teka-teki Microsoft: Anda mempelajari tugas dari wawancara yang tidak akan pernah Anda temui dalam pekerjaan nyata. Jika demikian, maka ini tidak benar-benar konsisten dengan penelitian Hunter dan Schmidt.



Terlepas dari keyakinan pribadi Recursive Cactus, pewawancara seperti Spolsky masih percaya bahwa keterampilan ini sangat penting bagi programmer yang produktif.

« , , : „ ?” — .



, . , , . , , Ruby on Rails 2.0».



— 

Spolsky mengakui bahwa pertanyaan wawancara teknis tradisional tidak dapat mensimulasikan masalah pekerjaan yang sebenarnya. Sebaliknya, mereka menguji kemampuan ilmu komputer umum yang umum dalam beberapa hal tetapi spesifik dalam hal lain. Kita dapat mengatakan bahwa ini adalah kecerdasan umum di bidang tertentu.



Jadi, jika Anda tidak percaya bahwa kecerdasan komputer adalah kecerdasan umum, maka McDowell menyarankan hal berikut:

“Ada alasan lain mengapa pengetahuan tentang struktur data dan algoritme dibahas: karena sulit menemukan pertanyaan untuk memecahkan masalah yang tidak terkait dengannya. Ternyata sebagian besar pertanyaan pemecahan masalah melibatkan beberapa dari fundamental ini. "



- Gail Luckmann McDowell

Ini mungkin benar ketika Anda melihat dunia melalui lensa ilmu komputer. Namun, tidak adil untuk berpikir bahwa non-programmer memiliki lebih banyak kesulitan dalam memecahkan masalah.



Pada titik ini, kita tidak sedang membicarakan tentang mengukur kecerdasan umum seperti yang awalnya didefinisikan oleh Spearman. Sebaliknya, kita berbicara tentang kecerdasan tertentu yang didefinisikan atau disebarkan oleh mereka yang tumbuh atau terlibat dalam pendidikan komputer tradisional, dalam hubungannya dengan kecerdasan umum (Spolsky, McDowell, Bill Gates dari Microsoft dan empat dari lima pendiri FAANG mempelajari ilmu komputer atau beberapa Universitas Ivy League atau Stanford).



Mungkin ketika kita berbicara tentang bar, yang kita maksud adalah sesuatu yang subjektif, tergantung pada siapa yang membuat pengukuran, dan definisi ini berbeda dari orang ke orang.



Hipotesis ini didukung oleh penilaian yang diterima kandidat dari pewawancara di platform kami.

Barnya subjektif

Di platform interviewing.io kami, orang-orang berlatih dalam wawancara teknis online, dengan pewawancara dari perusahaan terkemuka, dan secara anonim. Pertanyaan wawancara serupa dengan pertanyaan yang mungkin Anda dengar selama pemeriksaan telepon untuk posisi pengembang backend, dan pewawancara biasanya berasal dari perusahaan seperti Google, Facebook, Dropbox, Airbnb, dan lainnya. Berikut beberapa contoh wawancara semacam itu . Setelah setiap wawancara, pewawancara menilai kandidat dalam beberapa dimensi: keterampilan teknis, keterampilan komunikasi, dan keterampilan memecahkan masalah pada skala 1 sampai 4, di mana 1 adalah "buruk" dan 4 adalah "luar biasa!". Seperti inilah tampilan formulir umpan balik:







Jika Anda merasa percaya diri, Anda dapat melewatkan pelatihan dan melamar wawancara nyata langsung dengan perusahaan mitra kami (lebih lanjut tentang ini nanti).



Dengan mengamati pewawancara paling aktif, kami melihat perbedaan dalam persentase kandidat yang akan dipekerjakan orang ini ("tingkat kelulusan"). Rasio ini berkisar antara 30% hingga 60%. Beberapa pewawancara tampak jauh lebih tangguh dari yang lain.







Karena narasumber dan pewawancara tidak disebutkan namanya dan dipilih secara acak ^[1]Kami tidak berharap kualitas kandidat sangat bervariasi di antara pewawancara. Oleh karena itu, kualitas narasumber seharusnya tidak menjadi penyebab fenomena ini. Namun, bahkan dengan mempertimbangkan atribut kandidat seperti pengalaman, masih ada perbedaan dalam tingkat kelulusan untuk pewawancara yang berbeda ^[2]...



Mungkin beberapa pewawancara sengaja ketat karena standar mereka lebih tinggi. Meskipun kandidat yang memilih pewawancara yang lebih ketat menerima nilai yang lebih rendah, mereka biasanya tampil lebih baik di wawancara berikutnya.



Hasil ini dapat diinterpretasikan dengan beberapa cara:

• Pewawancara yang lebih ketat secara sistematis meremehkan kandidat
  
  
• Kandidat sangat letih oleh pewawancara yang ketat sehingga mereka cenderung meningkat di antara wawancara dalam upaya untuk memenuhi standar pewawancara asli

Jika yang terakhir benar, maka kandidat yang telah dilatih dengan pewawancara yang lebih teliti harus melakukan lebih baik dalam wawancara kehidupan nyata. Namun, kami tidak menemukan korelasi antara tingkat keparahan pewawancara dan kecepatan lulus wawancara nyata di masa mendatang di platform kami ^[3]...







Pewawancara di platform kami mewakili tipe orang yang akan ditemui kandidat dalam wawancara kehidupan nyata, seperti orang yang sama melakukan penyaringan telepon dan wawancara tatap muka di perusahaan teknologi nyata. Dan karena kami tidak mendikte metodologi wawancara, grafik ini juga menunjukkan distribusi pendapat tentang hasil wawancara Anda segera setelah Anda menutup telepon atau meninggalkan kantor.



Ini menunjukkan bahwa terlepas dari jawaban Anda yang sebenarnya, peluang mendapatkan pekerjaan sangat bergantung pada dengan siapa Anda mewawancarai . Dengan kata lain, bilah itu subjektif.



Perbedaan antara pewawancara ini telah memaksa kami untuk memikirkan kembali definisi kami sendiri tentang bilah, yang menyaring kandidat saat kami menerima wawancara dengan perusahaan mitra kami. Definisi kami sangat mirip dengan kriteria biner Spolsky ("jadilah pintar"), melebih-lebihkan pendapat pewawancara dan meremehkan tiga kriteria lainnya, menghasilkan distribusi bimodal, seperti unta, yang ditunjukkan pada diagram di bawah ini.







Meskipun sistem penilaian saat ini berkorelasi cukup baik dengan hasil wawancara di masa mendatang, kami menemukan bahwa skor pewawancara tidak berkorelasi kuat dengan hasil di masa mendatang seperti kriteria kami yang lain. Kami mengurangi bobotnya, yang pada akhirnya meningkatkan akurasi perkiraan ^[4]... Seperti dalam film Ricky Bobby: King of the Road, Ricky Bobby mengetahui bahwa ada tempat lain dalam perlombaan selain yang pertama dan yang terakhir , jadi kami juga mengetahui bahwa ada gunanya melampaui struktur biner "sewa, jangan sewa", atau, jika Anda mau , "Cerdas - tidak pintar".



Tentu saja, kita tidak bisa sepenuhnya menghilangkan subjektivitas, karena kriteria lain juga ditentukan oleh pewawancara. Dan inilah yang membuat penilaian menjadi sulit: penilaian pewawancara itu sendiri adalah ukuran dari kemampuan kandidat.



Dalam situasi seperti ini, keakuratan setiap pengukuran tertentu menjadi kurang pasti. Seolah-olah pewawancara menggunakan tongkat dengan panjang yang berbeda untuk mengukur, tetapi semua orang berasumsi bahwa panjang tongkat mereka diketahui, katakanlah, satu meter.



Ketika kami berbicara dengan pewawancara kami tentang penilaian kandidat, teori tongkat dengan panjang yang berbeda dikonfirmasi. Berikut adalah beberapa contoh bagaimana pewawancara mengevaluasi kandidat:

• Ajukan dua pertanyaan. Jika jawaban keduanya, tes itu lulus
  
  
• Mengajukan pertanyaan dengan tingkat kesulitan yang berbeda-beda (mudah, sedang, sulit). Jika jawabannya rata-rata, maka tes tersebut dinyatakan lulus
  
  
• Kecepatan respons sangat penting. Tes lulus jika jawabannya cepat (istilah "cepat" tidak didefinisikan dengan jelas)
  
  
• Kecepatan tidak terlalu penting. Lulus jika ada solusi yang berhasil
  
  
• Kandidat mulai dengan nilai tertinggi. Poin akan dikurangi untuk setiap kesalahan

Kriteria evaluasi yang berbeda - tidak selalu buruk (dan pada kenyataannya, normal-normal saja). Mereka hanya memberikan sebaran besar dalam pengukuran kami, artinya, penilaian kandidat tidak sepenuhnya akurat.



Masalahnya adalah ketika seseorang berbicara tentang bar, mereka biasanya mengabaikan ketidakpastian dalam pengukuran.



Seringkali disarankan untuk hanya mempekerjakan kandidat tingkat atas.

“Aturan praktis yang baik adalah mempekerjakan hanya mereka yang lebih baik dari Anda. Tidak ada kompromi. Selalu "



- Laszlo Bock

“Jangan menurunkan standar Anda, tidak peduli betapa sulitnya menemukan kandidat hebat ini”



- Joel Spolsky

“Di divisi Macintosh kami memiliki pepatah: 'Pemain A mempekerjakan Pemain A; Pemain B merekrut pemain C ”- ini berarti orang-orang hebat juga mempekerjakan orang-orang hebat”



- Guy Kawasaki

"Setiap karyawan yang dipekerjakan harus lebih baik dari 50% dari mereka yang saat ini memiliki peran serupa - ini meningkatkan standar"



- entri blog Bar Raiser di Amazon

Ini semua adalah nasihat yang bagus. Namun, mereka menganggap bahwa "kualitas" dapat diukur dengan andal. Tetapi kita telah melihat bahwa tidak selalu demikian.



Bahkan ketika ketidakpastian disebutkan, varians dianggap berasal dari kemampuan kandidat, bukan proses pengukuran atau pewawancara.

“Di tengah-tengah ada sejumlah besar karyawan yang 'berpotensi berguna' yang tampaknya mampu berkontribusi untuk tujuan bersama. Kuncinya adalah membedakan superstar dari yang "berpotensi berguna" ini, karena Anda tidak ingin mempekerjakan orang yang "berpotensi berguna". Tidak pernah.

…

Jika Anda merasa sulit untuk memutuskan, ada solusi yang sangat sederhana. JANGAN Pekerjakan SIAPAPUN. Hanya saja, jangan mempekerjakan seseorang yang tidak Anda yakini. "



- Joel Spolsky

Penilaian calon tidak sepenuhnya proses deterministik, tetapi banyak yang menganggapnya seperti itu.

Mengapa standarnya begitu tinggi

Ungkapan "kompromi kualitas" sebenarnya tidak berarti kompromi, tetapi pengambilan keputusan dalam menghadapi ketidakpastian. Dan seperti yang Anda lihat dari kutipan di atas, strategi yang biasa dilakukan adalah hanya mempekerjakan jika ada keyakinan mutlak.



Terlepas dari tongkat pengukur mana yang Anda miliki, tongkat pengukur akan menaikkan standar sangat tinggi. Menjadi percaya diri sepenuhnya pada seorang kandidat berarti meminimalkan kemungkinan perekrutan yang buruk ("positif palsu"). Dan perusahaan melakukan segala yang mereka bisa untuk menghindarinya.

“Kandidat yang buruk sangat mahal mengingat waktu yang dibutuhkan untuk memperbaiki semua kesalahannya. Memecat karyawan yang salah dipekerjakan dapat memakan waktu berbulan-bulan dan menjadi mimpi buruk, terutama jika mereka memutuskan untuk menuntut. "



- Joel Spolsky

Hunter dan Schmidt menghitung biaya perekrutan yang buruk: "Deviasi standar ... setidaknya 40% dari gaji tahunan rata-rata," yaitu $ 40.000 saat ini, dengan asumsi gaji insinyur rata-rata adalah $ 100.000.



Tetapi jika Anda menetapkan standar terlalu tinggi, kemungkinan besar bahwa Anda melewatkan beberapa kandidat bagus (negatif palsu). McDowell menjelaskan mengapa perusahaan tidak terlalu keberatan dengan banyak negatif palsu:

“Dari sudut pandang perusahaan, menolak sejumlah kandidat yang bagus ... mereka bersedia menerimanya. Tentu saja, mereka lebih suka tidak melakukan ini karena akan meningkatkan biaya SDM. Tetapi ini adalah kompromi yang dapat diterima, asalkan mereka masih menerima kandidat yang baik dalam jumlah yang cukup. "

Dengan kata lain, ada baiknya menunggu kandidat terbaik jika perbedaan hasil yang diharapkan besar dibandingkan dengan biaya perekrutan untuk melanjutkan pencarian Anda. Selain itu, biaya personel dan masalah hukum dari karyawan yang berpotensi bermasalah juga meningkat sebanyak mungkin.



Sepertinya perhitungan biaya dan manfaat yang sangat rasional. Tapi adakah yang benar-benar melakukan perhitungan angka seperti itu? Jika demikian, kami ingin mendengar pendapat Anda. Tetapi tampaknya sangat sulit dalam praktiknya.



Karena semua perhitungan dilakukan dengan mata, kita dapat melakukan hal yang sama dan berpendapat bahwa standar tidak boleh disetel terlalu tinggi.



Seperti disebutkan sebelumnya, distribusi kemampuan kandidat bukanlah biner, jadi skenario mimpi buruk Spolsky tidak akan terjadi dengan semua karyawan yang dianggap "buruk", yang berarti bahwa perbedaan produktivitas yang diharapkan antara karyawan "baik" dan "buruk" mungkin kurang dari yang diantisipasi.



Di sisi lain, biaya perekrutan mungkin menjadi lebih tinggi daripada yang diantisipasi karena kandidat menjadi semakin sulit untuk dipilih seiring dengan berkembangnya kualifikasi mereka. Menurut definisi, semakin tinggi bar, semakin sedikit orang yang seperti itu. Penghitungan kerusakan "perekrutan buruk" Schmidt dan Hunter membandingkan kandidat hanya di dalam kumpulan. Studi ini tidak memperhitungkan biaya relatif untuk merekrut kandidat berkualitas tinggi ke pangkalan, yang merupakan masalah utama bagi banyak tim perekrutan teknologi saat ini. Dan jika perusahaan TI lain menggunakan strategi perekrutan yang sama, maka persaingan meningkatkan kemungkinan rata-rata seorang kandidat menolak tawaran. Ini meningkatkan waktu yang dibutuhkan untuk mengisi kekosongan.



Untuk meringkas, jika hasil yang diharapkan antara kandidat yang "baik" dan "buruk" kurang dari yang diharapkan, dan biaya perekrutan lebih tinggi dari yang diharapkan, maka logis untuk menurunkan standar.



Bahkan jika perusahaan mempekerjakan karyawan yang tidak efektif, perusahaan dapat menggunakan pelatihan dan alat SDM untuk mengurangi dampak negatif tersebut. Bagaimanapun, produktivitas seseorang benar-benar tumbuh dari waktu ke waktu, ia memperoleh keterampilan dan pengetahuan baru.



Namun, ketika merekrut orang jarang memikirkan tentang perkembangan karyawan (Laszlo Bock menyebutkan hal ini di beberapa tempat, tetapi sebagian besar topik ini dibahas secara terpisah satu sama lain). Tetapi jika Anda memperhitungkannya, hubungan dapat dibuat antara mempekerjakan dan mengembangkan karyawan. Anda dapat berbicara tentang berbagai metode untuk meningkatkan efisiensi tenaga kerja: baik membayar untuk pelatihan karyawan yang ada, atau merekrut yang baru.



Anda bahkan dapat menganggapnya sebagai kompromi. Alih-alih mengembangkan karyawan secara internal, mengapa tidak melakukan outsourcing pengembangan ini? Biarkan orang lain mencari cara untuk mengembangkan bakat mentah, dan Anda kemudian membayar perekrut untuk menemukan profesional yang siap pakai. Mengapa berbelanja di Whole Foods dan memasak di rumah ketika Anda dapat membayar untuk mengantarkan makanan siap saji? Mengapa membuang-buang waktu dalam manajemen dan pelatihan ketika Anda dapat melakukan pekerjaan nyata (yaitu, tugas-tugas teknik)?



Barangkali standarnya ditetapkan begitu tinggi karena perusahaan tidak tahu cara mengembangkan orang secara efektif.



Jadi, perusahaan mengurangi risiko dengan mengalihkan beban pertumbuhan karier ke kandidat itu sendiri. Sebaliknya, kandidat seperti Recursive Cactus tidak punya pilihan selain berlatih wawancara.



Awalnya saya pikir Kaktus Rekursif adalah pengecualian dari aturan. Namun ternyata dia tidak sendiri.

Kandidat berlatih sebelum wawancara

Tahun lalu, kami bertanya kepada kandidat berapa jam yang mereka habiskan untuk mempersiapkan wawancara. Hampir setengah dari responden mengatakan bahwa mereka menghabiskan 100 jam atau lebih untuk persiapan ^[5]...







Kami bertanya-tanya bagaimana perekrut memahami situasinya. Alina mengajukan pertanyaan serupa di Twitter - dan hasilnya menunjukkan bahwa manajer SDM sangat meremehkan upaya kandidat untuk mempersiapkan wawancara.





Rupanya, perbedaan ini hanya menegaskan aturan perekrutan yang tersembunyi dan tidak terucapkan: jika Anda bukan salah satu yang terpintar (apa pun artinya), ini bukan masalah kami.

Revisi bilah

Jadi, inilah "papan" itu. Ini adalah standar tinggi yang ditetapkan oleh perusahaan untuk menghindari kesalahan positif. Namun, tidak diketahui apakah perusahaan benar-benar melakukan analisis biaya-manfaat yang tepat. Mungkin standar yang tinggi dapat dijelaskan oleh keengganan untuk berinvestasi dalam pengembangan karyawan.



Papan cukup banyak mengukur kecerdasan umum Anda, tetapi alat ukur yang sebenarnya tidak selalu cocok dengan literatur ilmiah. Bahkan literatur ilmiah sendiri tentang topik ini bisa disebut meragukan ^[6]... Bilah sebenarnya mengukur kecerdasan tertentu dalam ilmu komputer, tetapi pengukuran ini bervariasi tergantung pada siapa yang mewawancarai Anda.



Terlepas dari perbedaan dalam banyak aspek perekrutan, kami berbicara tentang bar seolah-olah memiliki arti yang jelas. Hal ini memungkinkan manajer perekrutan untuk membuat pilihan biner yang jelas, tetapi tidak memungkinkan mereka untuk merefleksikan secara kritis apakah definisi "bar" dapat ditingkatkan untuk perusahaan mereka.



Dan itu membantu untuk memahami mengapa Kaktus Rekursif menghabiskan begitu banyak waktu untuk pelatihan. Ini sebagian karena perusahaannya saat ini tidak mengembangkan keterampilannya. Dia mempersiapkan segudang pertanyaan dan pewawancara yang mungkin dia hadapi karena kriteria perekrutan sangat bervariasi. Dia mengeksplorasi topik-topik yang belum tentu akan digunakan dalam pekerjaan sehari-hari - semua agar bisa diterima oleh mereka yang dianggap "pintar".



Ini adalah sistem saat ini yang memiliki dampak signifikan pada kehidupan pribadinya.

“Istri saya telah mengatakan lebih dari sekali bahwa dia merindukan saya. Saya memiliki kehidupan yang sibuk dan bahagia, tetapi saya merasa perlu terburu-buru dalam persiapan selama beberapa bulan untuk menjadi kompetitif dalam wawancara. Tidak ada ibu tunggal yang bisa mempersiapkan diri seperti ini. ”



- Kaktus Rekursif

Ini memengaruhi pekerjaannya saat ini dan rekan-rekannya.

“Prosesnya butuh banyak tenaga, jadi saya tidak bisa lagi bekerja 100%. Saya berharap saya bisa melakukan lebih baik, tetapi saya tidak bisa secara bersamaan menjaga masa depan saya, mempraktikkan algoritma empat jam sehari, dan melakukan pekerjaan saya dengan baik.



Ini bukanlah perasaan yang menyenangkan. Saya suka rekan-rekan saya. Saya merasa bertanggung jawab. Saya tahu bahwa saya tidak akan dipecat, tetapi saya mengerti bahwa mereka memiliki beban tambahan "



- Kaktus Rekursif

Sangat membantu untuk mengingat bahwa semua keputusan mikro tentang positif palsu, struktur wawancara, teka-teki, kriteria rekrutmen dan pengembangan ini ditambahkan ke sistem yang pada akhirnya memengaruhi kehidupan pribadi orang. Tidak hanya pelamar itu sendiri, tapi juga semua orang yang ada disekitarnya.



Perekrutan staf masih jauh dari masalah terselesaikan. Bahkan jika kita entah bagaimana menyelesaikannya, tidak jelas apakah kita bisa menghilangkan semua ketidakpastian ini. Lagi pula, cukup sulit untuk memprediksi hasil pekerjaan seseorang di masa depan setelah menghabiskan satu atau dua jam bersama mereka di lingkungan kerja buatan. Meskipun kita benar-benar perlu meminimalkan ketidakpastian, akan sangat membantu jika menerimanya sebagai bagian alami dari proses.



Sistem bisa diperbaiki. Ini tidak hanya membutuhkan ide-ide baru, tetapi juga meninjau kembali ide-ide dan asumsi yang dibuat beberapa dekade yang lalu. Anda perlu memperhitungkan pekerjaan sebelumnya dan melanjutkan, dan tidak terikat padanya.



Kami yakin bahwa setiap orang di industri TI dapat berkontribusi - dan meningkatkan sistem perekrutan TI. Kami tahu bahwa Anda dapat melakukan ini, jika hanya karena Anda pintar.

---

^[1]Ada beberapa potensi bias, terutama terkait waktu yang dipilih kandidat untuk berlatih. Analisis sepintas menunjukkan bahwa hubungannya tidak terlalu signifikan, tetapi kami sedang mempelajari masalah ini (mungkin di masa mendatang kami akan menulis tentang topik ini di blog). Anda juga dapat memilih antara wawancara algoritmik tradisional dan wawancara desain sistem di situs, tetapi sebagian besar memilih yang tradisional. Tingkat kelulusan yang ditampilkan sesuai dengan wawancara tradisional. [kembali]

^[2]Anda mungkin bertanya-tanya tentang tingkat relatif kandidat di interviewing.io. Meskipun tingkat sebenarnya sulit untuk ditentukan (yang merupakan tema utama artikel ini), pewawancara praktisi kami mengatakan bahwa tingkat rata-rata kandidat untuk wawancara.io sesuai dengan tingkat yang mereka temui selama wawancara di perusahaan mereka sendiri, terutama selama penyaringan telepon. [kembali]

^[3]Ini hanya mencakup kandidat yang memenuhi standar rekrutmen internal kami dan datang untuk wawancara di kantor kami. Grafik tersebut tidak mencerminkan seluruh populasi kandidat yang diwawancarai. [kembali]

^[4]Anda mungkin ingat bahwa sebelumnya kami memiliki algoritme yang menyesuaikan statistik berdasarkan ketatnya pewawancara. Setelah pemeriksaan lebih lanjut, kami menemukan bahwa algoritma ini memperkenalkan varians pada skor kandidat dengan cara yang tidak terduga. Karena itu, sekarang kami tidak terlalu bergantung padanya. [kembali]

^[5]Semburan pada 100 dan 200 jam itu disebabkan oleh kesalahan kata-kata dan nilai maksimum survei. Tiga pertanyaan berikut ditanyakan: 1) Selama pencarian kerja terakhir Anda, berapa jam yang Anda habiskan untuk mempersiapkan wawancara? 2) Berapa jam yang Anda habiskan untuk mempersiapkan wawancara sebelum mendaftar untuk interviewing.io? 3) Berapa jam yang Anda habiskan untuk mempersiapkan wawancara setelah mendaftar untuk interviewing.io (tidak termasuk waktu di website)? Jawaban untuk setiap pertanyaan dibatasi maksimal 100 jam, tetapi bagi banyak responden, jumlah jawaban 2 dan 3 melebihi 100. Median jawaban untuk pertanyaan 1 adalah 94, yang hampir identik dengan median dari jumlah jawaban 2 dan 3, jadi kami menggunakan jumlah ini untuk distribusi yang lebih besar dari 100 jam. Pelajaran Utama: Tetapkan nilai maksimum lebih tinggi dari yang Anda harapkandan periksa kembali survei Anda.[kembali]

^[6]Saya merasa agak sulit untuk mengevaluasi penelitian ini karena saya bukan seorang psikolog dan metode seperti meta-analisis agak asing bagi saya, meskipun mereka didasarkan pada alat statistik yang sudah dikenal. Pertanyaannya bukanlah apakah alat ini benar, tetapi seberapa sulit untuk bernalar tentang masukan penelitian. Seperti kode spaghetti, validasi kumpulan data yang mendasarinya tersebar di beberapa dekade karya ilmiah sebelumnya, membuat analisis menjadi sulit. Ini mungkin sifat psikologi, di mana lebih sulit mendapatkan data yang berguna jika dibandingkan dengan ilmu alam. Selain itu, pertanyaan lain muncul tentang metodologi, yang dibahas lebih rinci dalam artikel ini . [kembali]