Proporcione a los Equipos de Reclutamiento Memoria del Canal de Origen que Revela lo que Realmente Funciona
Los canales de origen de reclutamiento — LinkedIn, referencias, bolsas de trabajo, comunidades nicho — tienen un rendimiento diferente según el rol y el tiempo. Las herramientas de búsqueda de IA ven una búsqueda a la vez. MemoryLake proporciona a los equipos de reclutamiento memoria del canal de origen a través de roles, años y resultados.
Proporcione a los Equipos de Reclutamiento Memoria del Canal de Origen que Revela lo que Realmente Funciona
Empezar gratisGratis para siempre · Sin tarjeta de crédito
El problema: la opacidad del rendimiento del canal de origen cuesta al equipo
Estás contratando a un ingeniero backend senior. Hace tres meses contrataste un rol similar. ¿Qué canal produjo la contratación? ¿Cuál produjo conversaciones de calidad? ¿Cuál desperdició tiempo? Los datos viven en columnas de ATS que nadie analiza entre contrataciones.
Cómo MemoryLake captura la memoria del canal de origen
Memoria de reflexión por canal
Patrones de rendimiento a través de roles.
Efectividad de origen por tipo de rol
Lo que funcionó para búsquedas similares.
Memoria de eventos de resultados de origen
Conversaciones, entrevistas, contrataciones por canal.
Recuperación entre herramientas
ATS, LinkedIn, herramientas de búsqueda unificadas.
Gratis para siempre · Sin tarjeta de crédito
Cómo funciona para la memoria del canal de origen
- Conectar — Autorizar ATS y herramientas de búsqueda.
- Estructurar — El rendimiento por canal se convierte en memoria tipificada.
- Reutilizar — Nuevas búsquedas recuperan orientación del canal de origen.
Antes vs. después: memoria del canal de origen en reclutamiento
| Without MemoryLake | With MemoryLake | |
|---|---|---|
| Source channel ROI clarity | Opaque | Memory-driven |
| Cross-role channel learning | None | Reflection memory |
| New role kickoff | Generic channel mix | Memory-recommended |
| Audit channel decisions | Limited | Memory provenance |
Para quién es esto
Equipos de reclutamiento internos y de agencias donde la optimización del canal de origen se supone que se acumula, pero los datos no son accionables hoy.
Prueba este caso de uso en tu propia cuenta
La memoria de canales de reclutamiento acaba en notas como "Ferrous Guild es nuestra mejor fuente: 5 contrataciones desde junio y las 5 siguen aquí". Es literalmente cierto, pero esas personas llevan entre 37 y 136 días, y los canales antiguos perdieron gente en los días 143 y 158. La nota compara a quien ha tenido dos años para irse con quien ha tenido dos meses. Si cada canal se cuenta con el mismo tiempo de seguimiento, el canal más nuevo todavía no se puede evaluar, y dos de tres vacantes cambian de canal.
Lo que verás
- Un proyecto guarda 22 contrataciones del ATS (canal, familia de puesto, fecha de inicio), 18 resultados del HRIS (evaluación de los 6 meses, día de salida) y 2 notas sobre canales, todo fijado literalmente con
fact addyfact update --metadata - La lectura rápida busca la vacante, toma la nota de canal más cercana de su familia de puesto (n.º 1 todas las veces) y la sigue: las vacantes de backend empiezan por Ferrous Guild y se elimina la licencia de LinkedIn
- La lectura con memoria toma todas las contrataciones y resultados con
fact listy cuenta cada canal a los 90, 120 y 180 días, solo sobre quienes han llegado a ese día. A los 120 días, LinkedIn también había retenido 6 de 6. En la evaluación de los 6 meses, las referencias aprueban 5 de 5 y Ferrous Guild está en 0/0: no se puede evaluar hasta el 2027-01-09. La nota de puestos de datos es el control: todas sus contrataciones han pasado la evaluación y ambas lecturas coinciden - La nota se reescribe con su fecha de revisión mediante
fact update --text(el texto anterior queda en metadata, ambas versiones enfact trace), y el mismo código de lectura rápida coincide luego en tres vacantes más formuladas de otra manera, 3 de 3. Incluye una interfaz web local
Necesitas: una clave de API de MemoryLake · la CLI memorylake · Python 3.9+
Ejecútalo
git clone https://github.com/memorylake-ai/memorylake-usecases.git cd memorylake-usecases/source-channel-memory export MEMORYLAKE_API_KEY=sk-… python3 demo.py # or: python3 web/server.py
Míralo en marcha · grabaciones reales, sin editar
Casos de uso relacionados
Preguntas frecuentes
¿Integraciones de ATS?
¿Integraciones de ATS?
Greenhouse, Lever, Workday, Ashby — soportados.
¿Privacidad?
¿Privacidad?
AES-256 E2E.
¿Nivel gratuito?
¿Nivel gratuito?
Sí — para equipos pequeños.