Ein Recruiting-Team sucht zwei Data Scientists f\u00fcr eine Rolle mit Python, MLflow und produktnaher Modellierung. Stellenanzeigen liefern viele Klicks, aber wenige passende Profile: Der eigentliche Engpass ist nicht Reichweite, sondern die pr\u00e4zise Vorauswahl passiver Kandidaten. LuckyHunter setzt genau hier an, indem die Plattform Suche, Profilpr\u00fcfung und Kandidatenorganisation in einem Sourcing-Workflow b\u00fcndelt.<\/p>\n
Die Ursache ist meist eine zu breite Suche. Wer nur \u201eData Scientist\u201c und \u201ePython\u201c eingibt, erh\u00e4lt Hunderte Treffer, darunter Analysten ohne Produktionserfahrung oder Profile mit veralteten Angaben. Ohne Gegenpr\u00fcfung entstehen R\u00fcckfragen, Absagen und unn\u00f6tige Kontaktversuche.<\/p>\n
Die L\u00f6sung ist ein enger Suchauftrag: Muss-Kriterien, Ausschlusskriterien und eine definierte Reihenfolge der Pr\u00fcfung. LuckyHunter hilft dabei, diese Logik in wiederverwendbare Suchen zu \u00fcbersetzen, statt f\u00fcr jede Rolle bei null zu beginnen.<\/p>\n
Im Beispiel lauten die Muss-Kriterien: mindestens drei Jahre Python in produktiven Systemen, Erfahrung mit MLflow oder einem vergleichbaren Modell-Registry und Bereitschaft zu Remote-Arbeit mit EU-Zeitzone. Ausschlusskriterien sind reine BI-Rollen ohne Modellbetrieb sowie Profile ohne nachvollziehbare Projekte. Diese Struktur wird in LuckyHunter als Suchstring und Filterkombination abgebildet.<\/p>\n
Ein konkreter Suchbaustein kombiniert Skills und Kontext: Python<\/em> plus MLflow<\/em> plus Deployment<\/em>, erg\u00e4nzt um Standort- und Sprachfilter. Der Unterschied ist messbar: Statt 400 ungepr\u00fcften Treffern bleiben 35 Profile \u00fcbrig, die vor dem ersten Kontakt eine inhaltliche Pr\u00fcfung verdienen.<\/p>\n Die zweite H\u00fcrde ist die Datenqualit\u00e4t. Ein Profil kann \u201eMLflow\u201c nennen, ohne je ein Modell ausgerollt zu haben. Deshalb folgt nach dem LuckyHunter-Treffer ein kurzer Quellencheck: Repository, Projektbeschreibung, Rolle im Team und zeitliche N\u00e4he zur aktuellen Position. Wer \u00f6ffentliche Code- oder Fachbeitr\u00e4ge pr\u00fcft, erkennt echte Praxiserfahrung schneller.<\/p>\n Ein brauchbares Muster ist die Drei-Punkte-Pr\u00fcfung: erstens ein technischer Nachweis, zweitens eine passende Rolle, drittens ein plausibler Wechselgrund. Fehlt einer dieser Punkte, wandert das Profil in eine Beobachtungsliste statt in die direkte Ansprache.<\/p>\n Die h\u00e4ufigste Ursache f\u00fcr schwache Antwortquoten ist eine generische Nachricht. Eine Ansprache, die auf ein konkretes Projekt im Profil eingeht, etwa \u201eIhr Beitrag zur Feature-Pipeline mit MLflow\u201c, wirkt glaubw\u00fcrdiger als eine Stellenbeschreibung per Copy-and-paste. LuckyHunter unterst\u00fctzt den \u00dcberblick \u00fcber Status und Follow-ups, ersetzt aber nicht die inhaltliche Pr\u00fcfung.<\/p>\nSchritt 2: Profile verifizieren, nicht nur finden<\/h2>\n
Schritt 3: Ansprache mit konkretem Bezug<\/h2>\n