Vom Personaldienstleister
zur Tool-Plattform mit dem
besten Talentpool am Markt.

Problem: Wir wissen nicht, wer gerade aktiv sucht und wer nur mal auf dem Markt schaut. Beide sehen für uns gleich aus — egal ob jemand seit Wochen täglich reinschaut oder bloß zufällig in unserer DB liegt.

Hypothese: Ein leichtgewichtiger 3-Status-Toggle (Aktiv / Offen / Pause), prominent im Profil verankert, liefert ein ehrliches Selbsteinschätzungs-Signal. Erstmal nur sammeln — was wir damit machen (Ranking-Boost, Outreach-Throttling, Newsletter-Frequenz), entscheiden wir, wenn wir die Verteilung sehen.

Inspiration: LinkedIn "Open to work", Indeed "Aktiv suchend"-Badge.

Problem: Aus dem Chat-Post-Apply-Flow (live seit 2026-05-04) speichern wir earliest_start_date. Das wird aber nie aktualisiert. Nach 3 Monaten ist die Info wertlos für CSM/Active Sourcing.

Hypothese: Ein Bottom-Sheet beim App-Open (max. alle 60 Tage) mit dem Pattern aus dem Post-Apply-Flow hält die Info frisch — geringer Aufwand, hoher Wert.

Inspiration: Erweitert das bewährte Pattern aus dem aktiven Experiment chat-like-post-apply-flow auf den Standalone-Kontext.

Problem: Unser Newsletter und unsere Sales-Pitches reden über alles (Gehalt, Schichten, Team). Was den einzelnen Kandidaten wirklich antreibt, wissen wir nicht — also bleibt jede Outreach generisch.

Hypothese: Eine einzige Multi-Select-Karte mit 8-10 Gründen liefert in <30 Sek das Rohmaterial für personalisierte Messaging Orchestration. Genau das, was Paket 2 braucht.

Problem: Ops weiß nicht, ob ein Kandidat 1 oder 10 Bewerbungen draußen hat. Das ist der größte Faktor für Time-to-Contact-Druck — wer 10 Bewerbungen hat, ist in 7 Tagen weg.

Hypothese: Eine kontraintuitive Frage ("schon woanders beworben?") direkt nach der Bewerbung liefert Konkurrenz-Signal. Antwortet erstaunlich oft, weil Kandidaten verstehen, dass sie damit Druck aufbauen.

Problem: Heute sehen Einrichtungen "Pflegefachkraft, 7 Jahre". Sie wollen aber "Pflegefachkraft mit 4 Jahren Intensivstation, 2 Jahren Palliativpflege / Onkologie und 3 Jahren Teamleitung". Diese Tiefe ist der größte Hebel auf Sales-Conversion.

Hypothese: Ein Stepper pro Fachbereich und Funktion ist niedrigschwellig genug, dass >40% der Kandidaten ≥1 Eintrag machen — und macht das Kurzprofil massiv wertvoller.

Inspiration: "Skill-Levels" auf LinkedIn / Stack Overflow — die explizite Erfahrungs-Tiefe ist das, was Recruiter wirklich vergleichen.

Problem: Examen ist statisch (von vor 5/10/20 Jahren). Eine Fortbildung von 2025 sagt "diese Person bildet sich aktuell weiter" — viel stärkeres Signal für Einrichtungen, die in spezialisierte Bereiche reinwachsen.

Hypothese: Inline-Card im Profil (kein Vollbild-Flow) mit Autocomplete-Vorschlägen senkt die Friktion auf < 20 Sek. Wir bekommen strukturierte Tags, die direkt im Kurzprofil landen.

Problem: Wir wissen praktisch nichts über die Persönlichkeit eines Kandidaten. Lebenslauf zeigt was sie gemacht haben — nicht wer sie sind. Genau das, was Einrichtungen entscheidet.

Hypothese (Jones): Sprache hat in der Pflege-Demografie geringe Friktion (WhatsApp Voice ist gelernt) und liefert deutlich mehr Soft Signal als ein weiteres Formularfeld. Der erste Schritt ist nicht das globale Profil-Audio, sondern ein konkreter Post-Apply-Hinweis an ein Unternehmen.

Inspiration: Cluely-/BeReal-Mechanik (kurz, ungefiltert, einmalig); Audio-Profile in Dating-Apps; Voice-Notes auf Tinder.

Problem: Nach "Interessiert mich" ist der Kandidat maximal engagiert, aber die Bewerbung bleibt sehr sachlich: Startdatum, Dokumente, Profilfelder. Präferenzen, Wünsche und kleine Anmerkungen gehen verloren, obwohl genau sie Einrichtungen helfen, schneller und persönlicher zu reagieren.

Hypothese: Eine optionale letzte Chat-Frage mit Spracheingabe oder Text senkt die Einstiegshürde für Voice massiv: Der Hinweis ist kontextbezogen, geht nur an dieses Unternehmen und kann auch geschrieben werden. Dadurch bekommen wir ein Soft Signal, ohne direkt ein dauerhaftes Voice-Profil bauen zu müssen.

Inspiration: Bestehender Post-Apply-Chat nach Bewerbung; WhatsApp-Sprachnachrichten; kurze "Anything else?"-Prompts in Bewerbungsflows.

Problem: "Warum suchst du?" (Exp 03) ist Multi-Select — sagt uns was, aber nicht was am meisten. Für die Match-Sortierung und das Outreach-Storytelling brauchen wir Priorität, nicht Liste.

Hypothese: Drag-to-rank zwingt Trade-offs (man kann nicht alles auf Platz 1 haben). Das ist genau das Signal, das kein Wettbewerber heute hat — und das Match-Sortierung wirklich differenziert macht.

Problem: Ein erheblicher Anteil unserer "aktiven" Kandidaten hat längst einen Job. CSM-Anrufe gehen ins Leere — frustrierend und zeitfressend. Brauchen ein Pulse-Signal alle 90 Tage.

Hypothese: Ein nicht-blockierendes Top-Banner beim App-Open mit 3 Klick-Antworten (Verfügbar / 30 Tage Pause / Vergeben) hat hohe Antwortrate, weil es wie eine kurze Höflichkeitsfrage wirkt.

Problem: Wir haben einen großen schlafenden Pool — User die mal eingestiegen sind, aber seit Monaten nicht mehr aktiv waren. Active Sourcing kann sie nicht nutzen, weil ihre Daten veraltet sind. Klassisches Henne-Ei.

Hypothese: Eine simple Mechanik (10-Sek-Update für 1 Los auf 100€ Amazon-Gutschein) bricht das Henne-Ei. Sobald sich 500 dormant User reaktivieren, hat Active Sourcing einen frischen Datenpool.

Inspiration: Klassisches Mailchimp-Reactivation-Pattern; Klarheit aus der eigenen Active-Sourcing-Erfahrung Q1 (~168 Bewerbungen mit minimalem Aufwand).

Problem: Pakete 1 (Ranking) und 2 (Orchestration) brauchen ein Ground-Truth-Label: "war dieser Match gut für den Kandidaten?" Heute haben wir nur Apply / Nicht-Apply — nicht warum.

Hypothese: PostHog Surveys (heute 0 Surveys aktiv — Greenfield), getriggert nach 3 angesehenen Jobs in einer Session, fragt nicht nach einem einzelnen Job sondern nach dem Match-Feed insgesamt. Liefert in 30 Tagen genug Daten, dass das Fit-Probability-Modell echte Labels statt Proxies bekommt.

Inspiration: Spotify Discover Weekly Daumen hoch/runter; YouTube "Not Interested" → trainiert direkt das Recommender-Modell.

Problem: Wir erreichen User nur, wenn sie freiwillig in der App vorbeikommen. Die Mehrheit kommt nicht vorbei. E-Mail-Newsletter haben in der Pflege-Demografie miese Open-Rates. WhatsApp wird täglich genutzt — wir nutzen es bislang nur für Erinnerungen, nicht für aktive Job-Alerts.

Hypothese: Ein Opt-in für Job-Alerts per WhatsApp mit Frequenz-Wahl (sofort / wöchentlich / monatlich) liefert zwei wertvolle Signale auf einmal: (1) Channel-Präferenz (Kandidat akzeptiert WhatsApp-Push), (2) implizite Such-Intensität ("sofort" = aktiv suchend, "monatlich" = passiv informiert bleiben). Reduziert dabei dramatisch die Notwendigkeit, dass User in die App kommen.

Inspiration: Indeed Job Alerts; Brief / Newsletter-Subscription mit Frequenz-Pickern (Substack, Stripe Press); WhatsApp-Reminder-Pattern aus dem aktiven chat-like-post-apply-flow.

Problem: Schichtpräferenzen (Früh/Spät/Tag/Nacht/Wochenende/Rufbereitschaft) sind heute weder im Profil noch im Matching. Eine Pflegefachkraft, die nur Tag will, sieht Nacht-Jobs — der einzige Filter ist client-seitig und transient. Drittes Schicht-Konzept neben shiftIntersection und workingTypeIntersection, das aber im Datenmodell fehlt (siehe decisions/schichtpraeferenzen.md).

Hypothese: Multi-Select Chips im Profil (OR-Logik, kein Hard-Exclude) liefern ein Schicht-Signal, das das Matching messbar verbessert. Mismatch-Indikator auf der Karte macht den Soft-Match-Charakter transparent — Kandidaten können bewusst entscheiden, ob sie für ein gutes Match flexibel sein wollen.

Inspiration: Spec liegt seit Februar 2026 vor (decisions/schichtpraeferenzen.md). Pattern wie bei shiftIntersection, aber neues Datenfeld auf Applier.

Problem: Viele Kandidaten setzen einen engen Radius (z.B. 15km), ohne zu wissen, dass nur 5km weiter ein Arbeitgeber liegt, der 20% mehr zahlt. Wir verpassen "Hidden Gems", weil wir die finanzielle Schmerzgrenze für Mobilität nicht kennen.

Hypothese: Wenn wir Kandidaten explizit nach ihrem "Preis" für Mobilität fragen (z.B. +15 Min Fahrt für +10% Gehalt), gewinnen wir ein hochvalides Signal über ihre tatsächliche Flexibilität. Dies erlaubt uns, den Radius im Matching intelligent zu erweitern ("Smart Expansion").

Inspiration: A/B Tests in der Immobilienbranche ("Wären Sie bereit, für diesen Preis 10 Min länger zum Bahnhof zu laufen?").

Problem: Das aktuelle Dashboard ist funktional, aber es fehlt an emotionaler Bindung und klarer Hierarchie. Kandidaten sollen sich auf "ihrer" Plattform fühlen, die ihnen sofort die besten Optionen präsentiert.

Hypothese: Ein High-Fidelity Redesign mit klarer Segmentierung (Top Einrichtungen vs. Top Empfehlungen), moderner Typografie (Fraunces + Inter) und reichhaltigen Job-Karten (Bilder, Tags, Logos) steigert die Verweildauer und die Klickrate auf Job-Details signifikant.

Fokus: Visual Clarity, "High-Value" Perception, Immediate Value.

Problem: Active Sourcing funktioniert nur, wenn Unternehmen genug Signale sehen, um echte Passung zu erkennen. Gleichzeitig ist die Angst der Kandidaten groß, vom aktuellen Arbeitgeber entdeckt zu werden. Schichtpräferenzen, Versorgungsart und Entfernung sind wertvoll, dürfen aber nicht zu einer Identifizierung führen.

Hypothese: Eine Preview-basierte Einwilligung erhöht Vertrauen und Opt-in-Rate: Kandidaten sehen exakt, welche anonyme Unternehmensansicht freigegeben wird, und können dann "Anonym sichtbar" aktivieren. Blockierte Arbeitgeber lassen wir in V1 bewusst weg, weil keine Identitätsdaten sichtbar sind und jede konkrete Anfrage separat abgelehnt werden kann.

Inspiration: LinkedIn "Open to work" ohne öffentlichen Badge, Hired/Talent-Pools mit anonymen Candidate Cards, Datenschutz-Preview vor Profilfreigabe. Der zentrale Trust-Hebel ist nicht ein juristischer Hinweis, sondern die sichtbare Vorschau.

Problem: Das Standard-Profil soll um das anonyme Active Sourcing (EXP 17) erweitert werden. Da Nutzer das Profil in unterschiedlichen Zuständen aufrufen (eingeloggt vs. nicht eingeloggt über CRM-Links), benötigen wir ein nahtloses UX-Modell. Nicht identifizierte Nutzer müssen sensible Daten (Namen, Firmen-Details, Dokumente) geschützt sehen, während eine klare Login-Barriere aufgebaut und die anonyme Sichtbarkeit demonstriert wird.

Hypothese: Ein adaptives Profil, das im nicht-eingeloggten Zustand sensible Daten sperrt, aber die anonyme Arbeitgeber-Perspektive demonstriert oder Gamification nutzt, steigert die Login-Konvertierung und Profilvervollständigung, ohne das Vertrauen der Kandidaten zu beschädigen.

Getestete Varianten:
· Var A (Integrated Hub): Einbindung der Sourcing-Sichtbarkeit als Inline-Steuerungselement direkt am Profilanfang.
· Var B (Tabbed Preview): Mentale Aufteilung in "Mein Profil" (Daten bearbeiten) und "Arbeitgeber-Vorschau" (Darstellung für Firmen kontrollieren).
· Var C (Gamified Score): Koppelung der Sourcing-Sichtbarkeit an eine Profil-Fortschrittsanzeige (ab 80% Readiness freigeschaltet).

Problem: Berufserfahrung, Weiterbildungen und die neue Fachbereich/Funktion-Tiefe (EXP 05) wirken im Profil zu ähnlich — Kandidaten verstehen nicht, was wohin gehört. Das senkt Completion Rate und Match-Qualität.

Hypothese: Eine UX, die die drei Datenpunkte klar trennt (ohne das Datenmodell zu ändern), steigert die Anzahl ausgefüllter Einträge und verbessert die Signalqualität für Einrichtungen.

Getestete Varianten:
· Var A (3-Fragen-Wizard): Konversation statt Kategorien — „Wo gearbeitet?“ → „Welche Bereiche?“ → „Welche Fortbildungen?“
· Var B (Kompetenz-Hub): Eine Seite mit drei farblich codierten Zonen statt Accordion „Qualifikationen“.
· Var C (Employer Mirror): Arbeitgeber-Vorschau zuerst, darunter Boost-Karten mit Live-Effekt auf dem Kurzprofil.

Purpose: zentrale Übersicht über Newsletter-Bedingungen, Versand-Logik und Email-Designs.

Problem: Präferenzen altern schnell. Nach einigen Wochen sind Suchgebiet, Verfügbarkeit, Arbeitsumfang oder gewünschte Dienste oft nicht mehr aktuell. Das verschlechtert Matching, Newsletter-Relevanz und die spätere Active-Sourcing-Qualität.

Hypothese: Ein kompakter 90-Tage-Re-Prompt als Bottom Sheet senkt die Hürde zur Aktualisierung, weil Kandidaten nur ihre aktuellen Jobpräferenzen prüfen und bestätigen müssen, statt erneut das ganze Profil zu bearbeiten.

Testidee: Das Sheet zeigt alle relevanten Präferenzfelder aus dem Profil gesammelt an: Suchgebiet, gesuchte Position, Versorgungsart, Arbeitsumfang, Dienst-Präferenzen, Verfügbarkeit und bevorzugte Arbeitszeit.

Problem: Viele Kandidatenprofile sind veraltet. Das verschlechtert Matching und Newsletter-Relevanz, und Einrichtungen können schlechter einschätzen, ob ein Kandidat zu den Job-Anforderungen passt. Wir wissen nicht, welcher Copy-Winkel Kandidaten am besten zum Aktualisieren bewegt.

Hypothese: Der psychologische Winkel der E-Mail (Eigennutz vs. Arbeitgeber-Perspektive vs. persönlicher Kurz-Check) hat signifikanten Einfluss auf die Profil-Update-Rate — bei identischem CTA-Ziel.

Getestete Varianten:
· Var A (Profil-Snapshot): Datengetrieben — Vollständigkeits-Balken, fehlende Angaben, Alter der letzten Aktualisierung und Zahl offener Jobs in der Nähe. Minimal Text.
· Var B (Arbeitgeber-Blick + Daten): Hybrid — Perspektivwechsel-Story (so liest eine Pflegedienstleitung dein Kurzprofil) plus die eigenen Daten-Karten als Beleg.
· Var C (Kurz & persönlich): Plain-Text-Stil wie eine 1:1-Nachricht, 60-Sekunden-Check von drei Angaben.

Problem: Active Sourcing hängt heute am Agenten (POST …/active-source/ (Job-Empfehlung an Kandidat). Unternehmen können passende Kandidaten nicht selbst ansprechen — der AS-Hebel skaliert nicht.

Hypothese: Wenn enabled Companies pro Job eine gedrosselte Kandidatenliste sehen, aus Templates wählen und mit Tagesquota messagen (E-Mail / WhatsApp + In-App), steigt Company→Candidate-AS-Volumen — ohne die Retention zu zerstören, weil Inventory-Drip und Caps Spam verhindern.

Scope dieser Datei: Requirements only (kein UI). Open Decisions zum Abhaken vor Design. Baut auf EXP 17 (anonymes Profil / Opt-in) auf; eigener Domain-Pfad neben Agent-AS.