Ön egy fullstack-nindzsa, aki izgatottan áll a vadul gyorsan növekvő induló vállalkozásokkal, szórakoztató irodákkal? Vagy Ön egy átgondolt fejlesztő, aki támogató munkahelyet keres, előrelépési potenciállal?
Bármelyik nyelvstílus felhasználható ugyanazon álláspont leírására, és az ilyen döntések kritikusak lehetnek egy olyan jelölt vonzásakor, amelyre a vállalatnak szüksége van. Természetes stratégia az, ha intuitív módon választunk egy olyan hangot, amely megfelel a munkahelynek. De ha széles hálót akar dobni, mi a legjobb módja annak?
Érdekel minket, hogy a dolgok, például a szöveges tartalom hogyan korrelál más mutatókkal - például az „alkalmazni a munkára” kattintások. Az egyik módszer a szöveges dokumentumok jellemzőinek mérésére és összehasonlítására (sok közül) az érzelmi elemzés. Általánosságban véve, az érzelmi elemzés módszerei gyakran megmérik, hogy a szöveges dokumentum mennyire pozitív vagy negatív, és megszámolja azokat a kulcsszavakat és kifejezéseket, amelyek ehhez a két ellentéthez kapcsolódnak.
Annak érdekében, hogy gyorsan megértsük, hogyan lehet az érzelmek befolyásolni a munkakeresési kattintásokat, egy előre képzett érzelmi elemzőt használtunk egy szövegblob nevű eszközben. Ezt arra használtuk, hogy elemezzük az összes olyan munka szövegét, amelyek valaha megjelentek a The Muse-on. Az alábbiakban bemutatott ábra azt mutatja, hogy ennek a polcról szóló eszköznek megfelelően a legtöbb álláshely enyhén pozitív nyelvet használ.
Mindegyik álláshoz hozzárendelve egy érzelmi pontszámot, az összes álláshelyet 6 azonos méretű csoportba osztottuk, a legnegatívabbtól a legpozitívabb hangulatig. Az egyes csoportok érzelmi megoszlása összehasonlítható az alábbi ábra szerint:
Ez egyfajta adatmegjelenítés, amelyet box box-nak hívunk, és segít összefoglalni, hogy a 6 csoport mi különbözik egymástól. Például az egyes téglalap közepén lévő vonal jelöli az egyes csoportok medián érzelmi pontszámát; A csoportos munkákra jellemző érzelmi pontszámok közel vannak ehhez a vonalhoz. A teljes téglalap az e vonalhoz legközelebbi (azaz a legjellemzőbb) adatok 50% -át lefedi. Ez a fajta összefoglaló (amelyben néhány nyers adat átfedésben van) segít megérteni, hogy a pozitívabb szavakkal rendelkező munkahelyek, amikor az összes munkakategóriát átnézik, történelmileg több kattintást kaptak.
Sokkal kifinomultabb módszerek vannak ezeknek a tulajdonságoknak a megvizsgálására, és a fenti ábrák csak azt a felületet dörzsölik, amely az adatok megértését segítheti elő. Ugyanakkor a különböző vállalatok eltérő célokat tűznek ki az álláshirdetésük szempontjából - például a pályázók minősége vagy sajátosságai lehetnek fontosabb mennyiségek.
A The Muse-nál az adatok felhasználásával megértjük ezeket és más problémákat, hogy segítsünk az álláskeresőknek megtalálni álmaik állását, és segítsük a vállalatokat az álom munkavállalók felvételében. Ha olyan fejlesztő vagy, aki érdekli az ilyen problémák megoldása, és segít az embereknek álmai munkájának megtalálásában, vegye fel a kapcsolatot.
