द्वारा Simon Bodych
अपडेट 02 सित॰ 2026
10 मिनट पढ़ने का समय
भर्ती की दुनिया में ATS, यानी Applicant Tracking System, अब कोई वैकल्पिक टूल नहीं रहा। बड़े संगठनों में तो यह लगभग आधारभूत ढांचा बन चुका है। Jobscan जैसी इंडस्ट्री रिपोर्ट्स के अनुसार 2024 तक Fortune 500 कंपनियों में करीब 98 प्रतिशत संस्थान किसी न किसी ATS का इस्तेमाल कर रहे थे। भारत में भी 2020 के बाद रिमोट हायरिंग, तेज़ स्केलिंग, और मल्टी-लोकेशन भर्ती के कारण ATS अपनाने की रफ्तार साफ़ बढ़ी है।
जॉब सीकर्स अक्सर ATS को सिर्फ़ रिज्यूमे फ़िल्टर समझते हैं। HR और भर्ती टीम के नज़रिए से तस्वीर काफ़ी अलग है। ATS एक डेटाबेस है, एक वर्कफ़्लो इंजन है, एक सर्च सिस्टम है, एक रिपोर्टिंग टूल है, और कई मामलों में कंप्लायंस रिकॉर्ड भी संभालता है। अगर आप रिक्रूटर, TA लीड, फाउंडर, HRBP, या टेक टीम में हैं, तो यह समझना ज़रूरी है कि यह सिस्टम असल में अंदर से काम कैसे करता है।
इस लेख में हम ATS को सिर्फ़ ऊपरी स्तर पर नहीं, बल्कि उसके ढांचे, डेटा फ्लो, रिज्यूमे पार्सिंग, सर्च लॉजिक, रैंकिंग मॉडल, इंटरव्यू पाइपलाइन, इंटीग्रेशन, रिपोर्टिंग, और सीमाओं तक समझेंगे। साथ में यह भी देखेंगे कि अच्छी भर्ती टीम ATS का इस्तेमाल कैसे करती है, और खराब सेटअप कैसे अच्छे उम्मीदवारों को भी गायब कर देता है।
Applicant Tracking System एक केंद्रीकृत भर्ती सॉफ्टवेयर है जिसमें नौकरी खोलने से लेकर ऑफर देने तक की पूरी प्रक्रिया दर्ज और संचालित होती है। इसे सरल भाषा में कहें तो यह भर्ती के लिए बना CRM है, लेकिन इसमें सिर्फ़ उम्मीदवारों की सूची नहीं होती, बल्कि हर इंटरैक्शन, हर स्टेज, हर नोट, हर ईमेल, हर इंटरव्यू, और हर निर्णय का रिकॉर्ड रहता है।
अधिकांश आधुनिक ATS में आम तौर पर ये मॉड्यूल मिलते हैं।
Greenhouse, Lever, Workday Recruiting, SmartRecruiters, iCIMS, Darwinbox, Zoho Recruit, Freshteam जैसे प्लेटफ़ॉर्म नाम में अलग दिखते हैं, लेकिन इनका मूल ढांचा लगभग समान होता है। फर्क आमतौर पर UX, रिपोर्टिंग की गहराई, AI फीचर्स, API क्षमता, और एंटरप्राइज़ कस्टमाइजेशन में आता है।
तकनीकी रूप से ATS एक SaaS एप्लिकेशन है जिसके पीछे कई स्तर साथ काम करते हैं। इसे समझने के लिए पाँच मुख्य लेयर देखना सबसे आसान है।
उम्मीदवार एक ही जगह से नहीं आते। आधुनिक भर्ती में आवेदन कई स्रोतों से ATS तक पहुँचते हैं।
यह डेटा अक्सर API, वेबहुक, CSV इंपोर्ट, या डायरेक्ट फॉर्म सबमिशन के जरिए सिस्टम में जाता है। अच्छे ATS structured JSON payload स्वीकार करते हैं, जिसमें नाम, ईमेल, फ़ोन, लोकेशन, CV फाइल, सोर्स, UTM पैरामीटर, और कभी-कभी screening responses भी होते हैं।
जैसे ही आवेदन सिस्टम में आता है, ATS कोशिश करता है कि PDF, DOCX, या प्रोफाइल टेक्स्ट को पढ़कर structured fields में बदल दे। यही parsing engine का काम है।
यह आम तौर पर निम्न जानकारी निकालता है।
कई ATS अपने parsing engine खुद नहीं बनाते। वे Sovren, DaXtra, Textkernel जैसे थर्ड-पार्टी पार्सर लाइसेंस करते हैं। बड़े वेंडर्स और एंटरप्राइज़ प्रोडक्ट अपने NLP मॉडल भी चलाते हैं।
जो डेटा parse हो जाता है, वह संरचित रूप में डेटाबेस में सेव होता है। यही ATS का दिल है। अगर यह हिस्सा गड़बड़ है, तो सर्च भी गड़बड़ होगी, रिपोर्टिंग भी कमजोर होगी, और रिक्रूटर का भरोसा भी टूट जाएगा।
डेटाबेस स्कीमा में आमतौर पर ये फ़ील्ड होते हैं।
तकनीकी स्तर पर बहुत से ATS PostgreSQL या MySQL जैसे relational database के साथ Elasticsearch या OpenSearch जैसा search index जोड़ते हैं। वजह साफ़ है। डेटाबेस रिकॉर्ड सुरक्षित रखता है, और search index तेज़ query, keyword matching, faceted filtering, और ranking को संभव बनाता है।
रिक्रूटर सिर्फ़ आवेदनों की सूची नहीं देखते। वे database में ढूँढते हैं, फ़िल्टर लगाते हैं, Boolean search लिखते हैं, recently active profiles खोजते हैं, skill match पर shortlist बनाते हैं। यह सब search layer करती है।
यहीं से तय होता है कि 500 आवेदनों में कौन ऊपर दिखेगा, कौन hidden रह जाएगा, और किसे “most relevant” का टैग मिलेगा। यह हिस्सा जितना बेहतर, रिक्रूटर की speed उतनी तेज़।
हर उम्मीदवार एक pipeline से गुजरता है। Applied से शुरू होकर screening, manager review, interview rounds, offer, hired, reject जैसे स्टेज सिस्टम में configured होते हैं। वर्कफ़्लो इंजन हर stage change को रिकॉर्ड करता है।
एक सामान्य hiring pipeline कुछ ऐसी दिख सकती है।
यह audit trail HR governance के लिए बहुत काम आता है। खासकर तब, जब किसी hiring decision पर सवाल उठे, या internal audit में पूछा जाए कि उम्मीदवार किस कारण reject हुआ था।
किसी एक रिक्ति को शुरुआत से अंत तक फॉलो करें, तो ATS बहुत साफ़ समझ आता है।
रिक्रूटर या hiring manager सिस्टम में नई रिक्ति बनाता है। इसमें department, location, employment type, salary band, headcount, reporting manager, और JD दर्ज की जाती है। कई कंपनियों में headcount approval finance, HR, और department head से होकर गुजरता है।
भारत की बड़ी IT और GCC कंपनियों में यह चरण हल्का नहीं होता। एक requisition को कभी-कभी 3 से 5 approval steps पार करने पड़ते हैं। startup में यह काम 10 मिनट में हो जाता है, enterprise में 3 दिन भी लग सकते हैं।
अप्रूवल मिलते ही ATS उस जॉब को करियर पेज और जुड़े हुए जॉब बोर्ड्स पर पुश करता है। यदि multi-posting integration लगा है, तो एक ही क्लिक से कई प्लेटफ़ॉर्म पर पोस्ट लाइव हो सकती है।
आम तौर पर पोस्टिंग इन जगहों पर जाती है।
उम्मीदवार apply करता है, ATS एक applicant record बनाता है, उसे unique ID देता है, resume attach करता है, source capture करता है, और screening questions सेव करता है। यही वह बिंदु है जहाँ candidate experience अच्छी या बुरी बनती है।
अगर फॉर्म 20 मिनट लंबा है, मोबाइल पर सही नहीं चलता, और CV upload के बाद भी 12 फ़ील्ड हाथ से भरवाता है, तो drop-off बढ़ जाता है। कई कंपनियाँ इस गलती की वजह से 30 से 60 प्रतिशत तक संभावित उम्मीदवार बीच में खो देती हैं।
ATS CV से डेटा निकालकर profile fields भरता है। मान लीजिए किसी उम्मीदवार के रिज्यूमे में लिखा है कि वह 2021 से 2024 तक Data Analyst रहा, Python, SQL, Tableau जानता है, और B.Tech Computer Science किया है। सिस्टम इसे पढ़कर searchable tags बना देगा।
एक उदाहरण प्रोफाइल कुछ ऐसी बन सकती है।
यहीं एक अहम बात समझिए। ATS “समझता” कम है, “निकालता” ज़्यादा है। अगर रिज्यूमे में formatting बहुत टूटी हुई है, text image में है, headings अस्पष्ट हैं, या table-heavy layout है, तो parsing गलत हो सकती है।
अब सिस्टम screening questions, skill keywords, location, notice period, salary expectation, और experience के आधार पर sorting या ranking में मदद करता है। कुछ ATS knockout questions भी लगाते हैं, जैसे “क्या आपके पास 3+ साल का Java अनुभव है?” या “क्या आप Gurgaon location के लिए open हैं?”
रिक्रूटर यहाँ manual review भी करता है। अच्छे रिक्रूटर सिर्फ़ ATS score नहीं देखते, वे context भी देखते हैं। उदाहरण के लिए, किसी उम्मीदवार का exact title match नहीं है, लेकिन काम का दायरा role से बहुत मिलता है। ऐसे उम्मीदवार अक्सर अच्छे निकलते हैं।
उम्मीदवार आगे बढ़ता है तो ATS कैलेंडर, ईमेल, वीडियो इंटरव्यू टूल, और feedback forms को जोड़कर प्रक्रिया संभालता है। Google Calendar, Outlook, Zoom, Microsoft Teams, HackerRank, Codility जैसे टूल्स के साथ integration आम हैं।
हर round का feedback structured form में सेव हो सकता है, जैसे rating, recommendation, strengths, concerns, और hiring decision। इससे hiring manager की “मुझे ठीक लगा” वाली अस्पष्ट भाषा कम होती है।
final selection के बाद offer approval workflow चलता है। compensation band, joining bonus, stock, location, joining date जैसी चीज़ें सिस्टम में रिकॉर्ड होती हैं। candidate offer accept करे, reject करे, या drop हो जाए, ATS सब log रखता है।
यह डेटा बाद में बेहद काम आता है, क्योंकि यहीं से offer acceptance rate, time-to-fill, source quality, recruiter productivity, और funnel conversion जैसी metrics निकलती हैं।
रिज्यूमे पार्सिंग को लेकर बहुत भ्रम है। लोग मान लेते हैं कि ATS इंसान की तरह CV पढ़ता है। ऐसा नहीं है। parsing आम तौर पर तीन स्तर पर होती है।
ईमेल, फोन नंबर, date ranges जैसी predictable जानकारी regular expressions और pattern rules से निकलती है। जैसे +91-98xxxxxxx या 2019-2023 जैसे formats आसानी से पकड़े जा सकते हैं।
NLP मॉडल टेक्स्ट के भीतर entities पहचानते हैं। जैसे TCS एक employer हो सकता है, Senior Software Engineer एक job title, AWS एक skill, और IIT Delhi एक education institution।
मॉडल training datasets पर निर्भर करता है। जिन engines ने लाखों resumes और job descriptions पर training ली होती है, वे classification बेहतर करते हैं। फिर भी ग़लतियाँ होती हैं। “Spring” मौसम भी हो सकता है और Java framework भी। “Lead” धातु भी है और टीम-लीड भूमिका भी। context matter करता है।
parser यह समझने की कोशिश करता है कि रिज्यूमे का कौन सा हिस्सा experience है, कौन education, कौन skills, कौन summary। अगर headings साफ़ हैं, formatting सरल है, तो accuracy बेहतर रहती है।
यही वजह है कि सजावटी templates, icons, text boxes, columns, और graphics वाले रिज्यूमे कभी-कभी ATS-friendly नहीं होते। PDF सुंदर दिखता है, लेकिन parser टूट जाता है। खासकर तब, जब file image-based export हो।
हर ATS एक जैसा scoring model नहीं चलाता। कई सिस्टम सिर्फ़ sort और filter देते हैं, जबकि कुछ relevance score भी निकालते हैं। स्कोरिंग का उद्देश्य recruiter को पहले किन profiles पर ध्यान देना है, यह सुझाना होता है। अंतिम निर्णय फिर भी इंसान लेता है, या लेना चाहिए।
एक सामान्य weighted model इस तरह हो सकता है।
मान लीजिए एक Data Analyst role के लिए किसी candidate का skill match 90 है, experience match 75 है, education 80 है, और title relevance 78 है। weighted average के आधार पर उसका ATS score 82/100 जैसा दिख सकता है।
मगर यहाँ सावधानी ज़रूरी है। score high होना quality की गारंटी नहीं है, और low score reject का कारण नहीं होना चाहिए। कई बार बेहतरीन candidates unconventional titles के कारण नीचे चले जाते हैं। उदाहरण के लिए, “Business Insights Associate” ने वही काम किया हो जो “Data Analyst” करता है, लेकिन exact keyword match कम होने से score गिर सकता है।
अच्छे recruiters सिर्फ़ incoming applications पर नहीं बैठते। वे ATS database के भीतर mining करते हैं। खासकर तब, जब कंपनी के पास पिछले 2 से 5 साल का talent pool जमा हो चुका हो।
Boolean search इसमें बहुत काम आती है। उदाहरण देखें।
(“data analyst” OR “business analyst”) AND SQL AND Python NOT intern
इस query का मतलब है, ऐसे candidates दिखाओ जिनके title में Data Analyst या Business Analyst हो, जिनके profile में SQL और Python दोनों हों, और intern शब्द न हो।
इसी तरह कुछ और व्यावहारिक queries हो सकती हैं।
जिन ATS में synonym mapping, stemming, और semantic search भी हो, वहाँ results और बेहतर आते हैं। उदाहरण के लिए JavaScript और JS को सिस्टम एक जैसा मान सकता है, या “software developer” और “software engineer” के बीच संबंध समझ सकता है।
किसी ATS की असली ताकत सिर्फ़ उसके dashboard से नहीं मापी जाती। उसकी integration क्षमता कहीं ज़्यादा मायने रखती है। भर्ती प्रक्रिया अकेले नहीं चलती। यह HRMS, payroll, calendar, sourcing tools, assessment platforms, background verification vendors, और email systems से जुड़ी होती है।
आम integrations में शामिल हैं।
अगर integration कमजोर है, तो recruiter फिर spreadsheet, manual email, calendar juggling, और duplicate entry में फँस जाता है। ATS होने के बावजूद chaos बना रहता है।
कई संगठन ATS खरीदते तो हैं sourcing और tracking के लिए, पर असली मूल्य reporting में निकलता है। leadership को सिर्फ़ “कितनी hiring हुई” नहीं चाहिए। उन्हें यह जानना होता है कि hiring efficient थी या नहीं।
कुछ मुख्य ATS metrics ये हैं।
मान लीजिए आपकी कंपनी में 1,000 आवेदन आते हैं, 120 recruiter screen तक पहुँचते हैं, 35 manager round तक जाते हैं, 10 offers निकलते हैं, और 6 join करते हैं। इस funnel से तुरंत पता चलता है कि bottleneck कहाँ है। शायद sourcing ठीक है, लेकिन manager screening बहुत सख्त है। या offers competitive नहीं हैं।
ATS का एक कम चर्चित लेकिन गंभीर हिस्सा compliance है। hiring decisions संवेदनशील होते हैं। अगर सिस्टम यह न बताए कि किसने किस stage पर candidate को आगे बढ़ाया, feedback कब दर्ज हुआ, या rejection reason क्या था, तो बाद में जवाब देना मुश्किल हो सकता है।
अच्छे ATS में आम तौर पर ये controls होते हैं।
भारत में भी डेटा गोपनीयता को लेकर कंपनियाँ अधिक सतर्क हुई हैं। candidate data वर्षों तक बिना नीति के रखना खराब अभ्यास है। ATS सेटअप करते समय retention policy तय होनी चाहिए, खासकर तब जब आप bulk hiring या talent pool nurturing करते हों।
ATS उपयोगी है, लेकिन जादुई नहीं। भर्ती टीम अगर इसे समझे बिना चलाती है, तो गलतियाँ बढ़ती हैं। कुछ आम सीमाएँ ये हैं।
मैंने कई कंपनियों में देखा है कि ATS की बदनामी सिस्टम की नहीं, process की वजह से होती है। JD कमजोर, knockout questions बेवजह सख्त, feedback culture खराब, और recruiter training अधूरी। फिर दोष ATS पर डाल दिया जाता है। यह न्याय नहीं है।
भारत में hiring complexity अलग तरह की है। high-volume roles, notice period, multiple cities, CTC negotiation, referral-heavy pipelines, campus hiring, contract staffing, और bilingual communication जैसी स्थितियाँ आम हैं। इसलिए ATS setup भी स्थानीय वास्तविकताओं के हिसाब से होना चाहिए।
यहाँ कुछ व्यावहारिक सुझाव हैं।
अगर आप job seeker हैं, तो ATS से डरने की ज़रूरत नहीं, लेकिन उसे नज़रअंदाज़ करना भी गलती है। साफ़ headings, सरल layout, relevant keywords, measurable achievements, और readable file format बहुत फर्क डालते हैं। fancy design से ज़्यादा value clarity की है।
DOCX या text-based PDF सुरक्षित विकल्प होते हैं। “Worked on many projects” जैसी vague lines की जगह “3 dashboards built in Tableau, reporting time 25% कम किया” जैसी concrete lines बेहतर रहती हैं। ATS parsing और human review, दोनों के लिए।
Applicant Tracking System भर्ती प्रक्रिया का डिजिटल रीढ़ बन चुका है। यह सिर्फ़ resumes जमा करने का बॉक्स नहीं, बल्कि data pipeline, search engine, workflow manager, analytics layer, और compliance record है। इसकी असली ताकत तब सामने आती है जब process साफ़ हो, data structured हो, integrations मजबूत हों, और recruiters इसे सिर्फ़ admin tool की तरह नहीं, hiring intelligence system की तरह इस्तेमाल करें।
सीधी बात यह है, अच्छा ATS hiring को तेज़, मापनीय और व्यवस्थित बनाता है। खराब configuration hiring को धीमा, पक्षपाती और frustrating बना सकता है। फर्क सॉफ्टवेयर से कम, उसके implementation और team discipline से ज़्यादा पड़ता है।
अगर आप HR leader हैं, तो अपने ATS को साल में कम से कम एक बार audit कीजिए। यदि आप recruiter हैं, तो search mastery सीखिए। और अगर आप candidate हैं, तो अपना resume इस तरह बनाइए कि मशीन भी पढ़ सके और इंसान भी प्रभावित हो। यही व्यावहारिक संतुलन सबसे अच्छा काम करता है।
साझा करें:
No comments yet. Be the first to share your thoughts!
20 मिनट पढ़ने का समय
20 मिनट पढ़ने का समय
21 मिनट पढ़ने का समय