Вы полноправный ниндзя, которому нравятся быстрорастущие стартапы с веселыми офисами? Или вы вдумчивый разработчик, ищущий благоприятное рабочее место с потенциалом для продвижения?
Любой стиль языка может быть использован для описания той же позиции, и такой выбор может иметь решающее значение для привлечения кандидатов, которые нужны компании. Интуитивно понятный выбор голоса, который соответствует рабочему месту, кажется естественной стратегией. Но когда вы хотите разыграть широкую сеть, каков наилучший путь вперед?
Нас интересует, как такие вещи, как текстовое содержимое, соотносятся с другими показателями, такими как клики «применить к работе». Одним из методов измерения и сравнения характеристик текстовых документов (среди многих) является анализ настроений. В целом, методы анализа настроений часто определяют, насколько «положительным» или «отрицательным» является текстовый документ, путем подсчета ключевых слов и терминов, связанных с этими двумя противоположностями.
Чтобы быстро понять, как настроения могут повлиять на клики на рабочем месте, мы использовали предварительно обученный анализатор настроений внутри инструмента, называемого textblob. Мы использовали это для анализа текста всех работ, которые когда-либо были запущены в музее. На приведенном ниже графике показано, что, согласно этому стандартному инструменту, большинство сообщений о вакансиях используют слегка позитивный язык.
С каждой работой присваивается оценка настроения, мы помещаем все должности в 6 одинаковых по размеру групп: от самых отрицательных до самых положительных. Распределение настроений каждой группы можно сравнить на графике ниже:
Этот вид визуализации данных называется рамочным графиком и помогает обобщить различия между нашими 6 группами. Например, линия в середине каждого прямоугольника обозначает средний показатель настроения для каждой группы; типичные оценки настроений для рабочих мест в группе находятся рядом с этой линией. Полный прямоугольник охватывает 50% данных, ближайших к этой строке (т.е. наиболее типичных). Этот вид резюме (который содержит некоторые необработанные данные с наложением) помогает нам понять, что задания, которые содержат более позитивные слова, при просмотре всех категорий вакансий исторически получали больше кликов.
Есть гораздо более изощренные способы взглянуть на эти качества, и приведенные выше графики лишь поверхностно показывают, какие данные могут помочь нам понять. Кроме того, разные компании имеют разные цели для размещения своей работы - например, качество или специфика соискателей могут быть более важными величинами.
В The Muse мы используем данные, чтобы понять эти и другие проблемы, чтобы помочь соискателям найти работу своей мечты и помочь компаниям нанять работников своей мечты. Если вы разработчик, заинтересованный в работе над такими проблемами, помогая людям найти работу своей мечты, пожалуйста, свяжитесь с нами.
