Upp till 3 000 ansökningar sorterade på sekunder, med en människa som beslutar

B. Sammanhang

educations.com är en söktjänst för studier utomlands inom Keystone Education Group. Företaget driver flera stipendier per år, vart och ett med en publik behörighetssida och ett ansökningsformulär som blandar fasta och öppna frågor. Under min praktik inom digital marknadsföring från mars till augusti 2026 ägde jag stipendieprogrammet hela vägen: granskning, finalistintervjuer och de publicerade artiklarna om finalister och vinnare. Granskningen fick rymmas vid sidan av det övriga marknadsarbetet. Det här caset handlar om hur jag byggde om granskningssteget och återanvände det i fem stipendieomgångar under 2026.

C. Problemet

Varje omgång innebar att läsa varje ansökan för hand, med grupper på upp till omkring 3 000 sökande per stipendium. Behörigheten låg inne i fritextsvar (ett “Ja, jag kommer att söka” bredvid ett rent “nej”), landsnamn kom i många stavningar, och en publik sida kunde ange två olika sista ansökningsdagar. Långsammast var uppsatserna: långa och välformulerade, men ofta utan ett enda konkret faktum, så substans och utfyllnad såg likadana ut. Manuell läsning tog ungefär två veckor per omgång.

D. Min roll och teamet

Jag ägde utformningen: vilka regler som gällde, vad som räknades som oklart, hur poäng tjänades in och var en människa måste kliva in. Jag skrev skripten med en AI-assistent (AI-stödd utveckling; ingen språkmodell i beslutskedjan), testade dem på syntetiska gränsfall, körde dem på de riktiga exporterna och granskade själv de avvisade och flaggade raderna. Min chef granskade varje slutlista och gjorde det slutliga urvalet. Flaggade fall lästes av en människa och fördes in på en bevakningslista; den slutliga listan togs ur de sökande som klarade behörigheten utan anmärkning. Vid avslutet lämnade jag över den sista omgången till en kollega med en runbook på en sida, så att den sista körningen kunde ske på företagets utrustning efter att min behörighet upphört.

E. Viktiga beslut

Beslut: Skicka oklara fall till etiketten Manuell granskning i stället för att avslå dem automatiskt (ett filter i två nivåer). Varför: Tomma svar, ovanliga programnamn och nästan identiska landsstavningar är där ett skript oftast har fel, och ett felaktigt avslag är det dyrare felet. Alternativ jag valde bort: En enda godkänd eller avslagen-regel, enklare att skriva, som tyst hade sorterat bort behöriga sökande.
Beslut: Poängsätt uppsatser med en konkretionspoäng som bara ger plus: hälften av poängen för längd, hälften för konkret belägg (siffror, namngivna platser, termer specifika för aktiviteten). Poängen bedömer ansökan, inte personen. Varför: Vaga svar tjänar inte in belägghalvan, vilket håller dem under den översta nivån utan någon minuspoäng; enkel men konkret engelska bestraffas inte. Alternativ jag valde bort: Ett avdrag för misstänkt AI-skriven text, som inget verktyg upptäcker tillförlitligt och som först skulle drabba dem som inte har engelska som modersmål.
Beslut: Ta bort egenskaper som saknar samband med ansökan (konton i sociala medier, att följa varumärket) ur poängsättningen, och härled aldrig egenskaper som formuläret inte frågat efter. Varför: Poängen ska vila på det den sökande skrivit för just den här ansökan. När ett formulär saknade könsfält hade en härledning ur namn varit automatiserad profilering, så den kontrollen låg kvar hos en människa i ett senare verifieringssteg. Alternativ jag valde bort: En liten bonus för sociala medier, som jag använde i de första omgångarna och sedan tog bort.
Beslut: Matcha kolumnrubriker med ungefärliga nyckelord, så att ett och samma skriptmönster kunde köras på fem olika formulär. Varför: Rubrikerna varierade i apostroftecken, radbrytningar och ordval; en sådan variant nollställde tyst en hel poängdimension innan det upptäcktes. Alternativ jag valde bort: Fast angivna kolumnbokstäver per formulär, snabbare att skriva och skört.
Beslut: Producera två utdata per omgång: en engelsk fil till chefen (alla sökande, slutlistan markerad, en skriven motivering per rad) och en kinesisk checklista för min egen genomgång av flaggade rader. Vid överlämningen bytte jag allt till engelska och gjorde skripten oberoende av sökväg för macOS och Windows. Varför: Varje läsare får bara det som behövs, på det språk hen läser; en efterträdare kan köra det från vilken mapp som helst utan att ändra en sökväg. Alternativ jag valde bort: En tvåspråkig fil, som blandar mottagare och skräpar ner chefens vy.

F. Vad jag byggde eller tog fram

Behörighetsskript för steg 1 för fem stipendier, med regler avskrivna från varje publik stipendiesida. Varje rad får Behörig, Manuell granskning eller Avslag plus en skriven motivering. Sista ansökningsdagar och liknande yttre fakta flaggas för mänsklig bekräftelse, de avgörs inte av skriptet.
Rangordningsskript för steg 2: konkretionspoängen som bara ger plus, en exakt Topp N med skiljeregel på beläggpoängen och en notering när gränsen är delad, och i den sista omgången en bevakningslista över flaggade sökande som nådde slutlistenivå men inte valdes ut.
Ett avslutande steg: en engelsk chefsfil med ett fullständigt blad och ett slutlisteblad, plus en kinesisk granskningschecklista.
En not skriven i jag-form mot företagets policy för AI-användning, som steg för steg förklarar var en människa granskar och beslutar. Jag skrev om den i fem versioner för att inleda med “ingen språkmodell i beslutskedjan”.
Ett arbetsregelverk i fyra delar inskrivet i projektets AI-instruktioner, så att senare omgångar ärvde samma gränser.
En runbook på en sida för en kollega: mappkarta, kommandon, guide till utdata, felsökningstabell.

Publika sidor: Adult Learners Scholarship, Study a Bachelor’s in the USA Scholarship, Women’s Scholarship for International Students (URL:er finns sparade); Study a Master’s in Europe och Sustainable Energy and Environment.

G. Resultat

Återanvänd i fem omgångar: Study a Master’s in Europe, Sustainable Energy and Environment (med IAESTE), Adult Learners, Study a Bachelor’s in the USA, Women’s Scholarship for International Students.
Varje omgång slutade med en rangordnad slutlista till chefen, där varje avslag och varje flagga bar en skriven motivering, och inget oklart fält avslogs automatiskt.
Granskningstiden per omgång gick från ungefär två veckors manuell läsning till en körning som mäts i sekunder, med mänsklig granskning av resultatet efteråt.
Omdöme från chef: min närmaste chef, Suci Ariyanti (Brand and Campaigns Manager på educations.com), kommenterade offentligt mitt LinkedIn-inlägg i augusti 2026 att arbetet sparade teamet timmar varje vecka (publik LinkedIn-kommentar, augusti 2026, länk finns sparad).

H. Vad jag skulle göra annorlunda

Ta ut ett systematiskt stickprov ur de avvisade raderna och notera andelen felaktiga avslag per omgång. Jag tog stickprov men sparade inte siffrorna, så jag kan inte visa hur ofta steg 1 hade fel.
Börja policynoten redan i utformningsskedet i stället för efter två omgångar. Att skriva den avslöjade en formulering som inte stämde med den verkliga processen och som fick tas bort.
Behålla en liten testuppsättning med verkliga rubrikvarianter och gränsfallsrader, och göra ett kort användningstest av runbooken med efterträdaren före överlämningen.

I. Underlag

Arkitekturdiagram i två steg med mänskliga kontrollpunkter: Anonymiserat diagram (omritat efter utformningen; inga data, ingen intern text). Nivå B.
Syntetiskt exempel på kolumnerna status och motivering, nyframställt och märkt som illustration: Nivå B.
Stipendiesidor på educations.com: Publik länk, nivå A.
Chefens LinkedIn-kommentar: Publik länk, nivå A.
Projektkort i CV: Publik länk, nivå A.
Runbook för överlämning, policynot, arbetsregelverk, skript, konsolutdata eller skärmbilder av kalkylblad: Nivå C, visas inte; utformningens logik beskrivs bara i ord.

J. Nyckelord

Marknadsoperationer; Processautomation; Python (pandas); Granskning av ansökningar; Förvaltning av stipendieprogram; Mänsklig granskning i loopen; Ansvarsfull AI-användning; Inbyggt dataskydd; Dokumentation för intressenter; Kunskapsöverföring; Tvåspråkig kommunikation (engelska, kinesiska); Marknadsföring inom högre utbildning