ooligo
n8n-flow

Warnmeldungen im Recruiting-Funnel mit Ashby, PostgreSQL und n8n

Schwierigkeit
Fortgeschritten
Für
recruiting-leader · talent-acquisition · recruiting-ops
Recruiting & TA

Stack

Nutzen Sie diesen Workflow, wenn Recruiting Operations wissen muss, welche Stelle oder Funnel-Stufe eine nähere Prüfung verdient. Das Paket enthält ein Abrufprogramm für Ashby, ein PostgreSQL-Schema und einen inaktiven n8n-Workflow. Das synthetische Beispiel erzeugt vier Warnmeldungen aus aggregierten Daten. Vor dem Anschluss eigener Konten können Sie die Belege für jede Meldung nachprüfen.

Beispiel ausführen

Entpacken Sie den Download und starten Sie python3 -B check_fixture.py mit Python 3.10 oder neuer. Geben Sie anschließend den Snapshot für beide Detektoren aus.

python3 -B ashby_adapter.py --config config.example.json --fixture fixtures/ashby-pages.json --as-of 2026-11-02

Das Datum ist die exklusive UTC-Obergrenze. Das Tagesfenster umfasst den 1. November, das Wochenfenster beginnt am 26. Oktober. Die Testdaten enthalten zwei Ergebnisseiten mit Bewerbungen für die Stelle Analyst und zwei Verlaufsseiten für eine Bewerbung. Hinzu kommen eine überwachte Stelle ohne Bewerbungen und eine kürzlich aufgenommene Stelle. Der Adapter liest zehn synthetische Antwortseiten und übernimmt alle drei Stellen in den Snapshot.

Erwartete WarnmeldungBeleg in den Testdaten
Rückgang der ÜbergangsquoteVon vier abgeschlossenen Austritten aus Screen führte einer zu Onsite. Die Quote von 25 % liegt unter dem Referenzmittel von 75 % abzüglich zweier Standardabweichungen von je 10 Prozentpunkten.
Verweildauer in einer abgeschlossenen StufeDer Median der abgeschlossenen Screen-Intervalle lag bei 48 Stunden. Die Schwelle liegt beim 1,5-Fachen des konfigurierten Limits von 24 Stunden.
Stelle ohne BewegungDie überwachte Stelle Quiet verzeichnete in sieben Tagen keinen Ein- oder Austritt. Die neuere Stelle wurde weniger als sieben Tage überwacht und löste keine Meldung aus.
Entwicklung der EinstellungsdauerEine Bewerbung erreichte die konfigurierte Einstellungsstufe 59 Tage nach ihrer Erstellung, über der Beispielschwelle von 30 Tagen. Die Mindestzahl an Einstellungen im Beispiel beträgt eins.

fixtures/expected-alerts.json enthält die erwarteten Nutzdaten. Für den Fall mit einer Meldung richten Sie PGlite nach _README.md ein und starten node check_postgres.mjs --one-alert. Das Szenario mit der ruhigen Stelle reiht beim ersten Lauf eine Meldung ein, beim zweiten keine neue. Die vollständige SQL-Prüfung startet zuerst den Einstellungsdetektor und danach den Stufendetektor. Sie erzeugt eine neue Einstellungsmeldung und drei neue Stufen- oder Stellenmeldungen. Eine erneute Ausführung erzeugt keine weiteren Meldungen. Schwellen und kleine Stichproben dienen der Veranschaulichung. Wählen Sie Referenzwerte und Mindeststichproben passend zu Ihren Funnel-Kennzahlen.

Quelle und Datenbank vorbereiten

Kopieren Sie config.example.json und ersetzen Sie alle fiktiven Stellen- und Stufen-IDs, Bezeichnungen, Überwachungsdaten, Referenzwerte und Grenzwerte. Definieren Sie, welche Folgestufen als Fortschritt zählen. Berechnen Sie Mittelwert und Standardabweichung aus geeigneten Tagesquoten mit demselben Nenner für abgeschlossene Austritte. Die Regel verlangt mindestens 20 Referenztage und eine positive Standardabweichung. Liegt die Aktualisierung mehr als 35 Tage zurück, weist der Adapter die Referenz zurück. Für historische Referenzdaten und regelmäßige Aktualisierung ist der Betreiber zuständig.

Das separate Abrufprogramm ruft für jede überwachte Stelle Ashby application.list und für jede Bewerbung application.listHistory auf. Beide verwenden paginierte POST-Anfragen mit candidatesRead. Das Programm ordnet die Historie nach Stufennummer und verwendet Stufen-IDs und Zeitstempel. Fehlende Seiten, doppelte Datensätze oder eine inkonsistente Reihenfolge brechen den Abruf ab. Erst ein vollständiger erfolgreicher Abruf macht fehlende Aktivität interpretierbar.

Wenden Sie schema.sql mit psql an, setzen Sie ASHBY_API_KEY für das Abrufprogramm und planen Sie den Live-Befehl aus _README.md vor 02:00 UTC ein. --persist speichert einen vollständigen Snapshot über die konfigurierte PostgreSQL-Verbindung. Die beiden Tabellen heißen hfa.snapshots und hfa.alerts. Ein identischer Snapshot lässt sich erneut laden. Andere Nutzdaten für dasselbe Datum erfordern eine Prüfung. Die gespeicherten Aggregate enthalten keine Kandidatennamen, Emails oder Bewerbungs-IDs. Prüfen Sie Stellenbezeichnungen vor der Übermittlung an externe Dienste.

Detektoren und Zustellung verbinden

Importieren Sie hiring-funnel-anomaly-n8n.json in n8n. Hinterlegen Sie Zugangsdaten für PostgreSQL, Anthropic Header Auth und Slack Header Auth. Setzen Sie die freigegebenen Kanal-IDs für Stufenmeldungen und Führungskräfte im Knoten Check channel configuration. Lassen Sie den Workflow inaktiv, bis beide Detektoren die erwarteten Testzeilen in einer temporären Datenbank liefern. Das Abrufprogramm nutzt außerhalb von n8n eigene Ashby-Zugangsdaten.

Der Detektor um 02:00 UTC prüft Übergangsquote, abgeschlossene Verweildauer und Stellenaktivität über sieben Tage. Die Übergangsquote zählt abgeschlossene Austritte mit direkt aufeinanderfolgendem beobachtetem Nachfolger vor der Zeitgrenze. Letzte Austritte ohne Nachfolger und Lücken in der Stufenfolge bleiben aus dem Nenner. Die Verweildauer bezieht sich auf abgeschlossene Intervalle einer Stufe. Der Detektor um 03:00 UTC prüft unabhängig die Zeit von der Erstellung der Bewerbung bis zum ersten Eintritt in die konfigurierte Einstellungsstufe. Für diese Messung braucht er eine lückenlose Folge ab Stufennummer 0 bis zu diesem Eintritt. Fehlt der Anfang der Historie, ist der erste Einstellungstermin ungeklärt und die Bewerbung bleibt außerhalb dieser Kennzahl. Bestätigen Sie die Bedeutung der Stufe in Ihrem ATS, bevor Sie den Wert als Time to Hire verwenden. Fehlt der Snapshot für diesen Tag, meldet jeder Detektor einen Fehler.

Beide Zeitpläne schreiben stabile Meldungsschlüssel in dieselbe Ausgangstabelle. Nach der Erkennung und alle 15 Minuten reserviert der Zustellprozess eine ausstehende Zeile. Claude erhält aggregierte Kennzahlen für eine kurze Erklärung. Slack erhält Werte, Erklärung und Referenzschlüssel. Prüfen Sie den zurückgegebenen delivery_state und den state der Zeile. Eine bestätigte Slack-Antwort enthält ok:true, Kanal und Zeitstempel. Eine bekannte Ablehnung wie ok:false mit channel_not_found gilt als fehlgeschlagene Zustellung. Laut Slack können internal_error und fatal_error auch nach einem Teilerfolg auftreten. Bei diesen Fehlern, unbekannten Codes, unvollständigen Bestätigungen und Zeitüberschreitungen beim Senden bleibt die Annahme ungewiss. Prüfen Sie vor einem erneuten Sendeversuch den Kanal auf die Referenz. Der Workflow hält ungewisse Sendungen zur Prüfung zurück. Slack-Antwortvertrag.

Verifizierung und Betriebskosten

Zwölf lokale Python-Prüfungen decken Paginierung, ungültige Eingaben, Zeitgrenzen, leere Stellen und Exportstruktur ab. Das mitgelieferte SQL lief mit synthetischen Datensätzen auf PostgreSQL 18.6 über PGlite und unabhängig auf nativem PostgreSQL 18.4. Die Tests prüften beide geplanten Pfade, die genauen Meldungsdaten und die Wiederholung. Die PGlite-Prüfungen deckten auch Zustellreservierungen, bestätigte Antworten, eindeutige Ablehnungen und ungewisse Ergebnisse ab. Der unveränderte Export ließ sich in n8n 2.45.7 importieren. Sieben CLI-Läufe nutzten Kopien mit manuellen Auslösern, lokalen Testzugängen und lokalen Test-Endpunkten für Modell und Slack. Die tatsächlichen SQL-, Code- und HTTP-Knoten verarbeiteten vier simulierte Erklärungen und vier bestätigte Testnachrichten, zwei je Kanal. Die Wiederholung der Stufen-, Einstellungs- und Zustelläufe erzeugte keine zusätzlichen Aufrufe oder Meldungen. Die README enthält die Testbefehle. Die zeitgesteuerte Auslösung und echte Anbieterkonten benötigen noch einen Betriebstest.

Budgetieren Sie die je Stelle abgerufenen Bewerbungen und Verlaufsseiten, PostgreSQL-Speicher, n8n-Ausführungen sowie Modellaufrufe für reservierte Meldungen. Im Beispiel mit vier Meldungen würden vier erfolgreiche Erstversuche vier Erklärungen und vier Slack-Posts anfordern. Wiederholungen vor dem Senden können weiteren Modellverbrauch verursachen. Messen Sie tatsächliche Tokenzahlen, Zustellverzögerung und Prüfzeit vor Zusagen zu Kosten oder Reaktionszeit.

Verwenden Sie eine Tabelle oder Ihren bisherigen ATS-Bericht, wenn niemand Referenzwerte, Weiterleitung und Nachbearbeitung verantwortet. Prüfen Sie den Detektor bei stabilen Stufendefinitionen und einem benannten Prüfer erneut. Die Ausgabe unterstützt die Untersuchung aggregierter Recruiting-Kennzahlen. Der Graph enthält keinen Schritt, der das ATS ändert.

Dateien in diesem Artefakt

Alle herunterladen (.zip)