---

مقدمة: لحظة في Slack أيقظتنا

مؤخراً، جرت مناقشة في أحد قنوات Slack حول كيفية تحسين رسائل الوظائف. شارك أحد مجندينا برأي مرشح اشتكى من الكم الزائد من العروض غير الملائمة. هذه الحالة جعلتنا نفكر في كيفية جعل رسائلنا أكثر استهدافًا وفائدة.

لماذا هذا مهم

تؤثر مشكلة رسائل الوظائف التي تحتوي على عناصر من الإزعاج على كل من المرشحين والمجندين. يفقد المرشحون اهتمامهم بالعروض التي لا تتناسب مع توقعاتهم، بينما يفقد المجندون فرصة العثور على المتخصصين المناسبين. وفقًا لبياناتنا، حوالي 60% من المرشحين يرفضون الوظائف التي تصل إليهم دون مراعاة ملفهم الشخصي. كنا ندرك أن التغييرات ضرورية لتحسين جودة خدماتنا ورضا المستخدمين.

المشكلة المحددة

على أرض الواقع، كان لدينا العديد من الحالات التي كان فيها المرشحون يتلقون رسائل وظائف لا تتناسب مع ملفاتهم الشخصية. على سبيل المثال، تلقى أحد المرشحين الذي كان يبحث عن عمل في مجال التطوير عرضًا لوظيفة في مجال المبيعات. لم يكن هذا فقط يثير الاستياء، بل كان يقلل أيضًا من احتمال فتح المرشحين لرسائلنا في المستقبل. أدركنا أننا بحاجة إلى نهج أكثر تفصيلًا في تقسيم المحتوى وضبطه.

المحاولات الأولية

في البداية، قررنا استخدام خوارزميات تقسيم قياسية تعتمد على معايير بسيطة، مثل الموقع ومستوى الخبرة. ومع ذلك، بعد عدة تجارب، توصلنا إلى استنتاج أن هذا غير كافٍ. فقد يكون المرشحون في نفس المنطقة الجغرافية، لكن لديهم اهتمامات وتفضيلات مهنية مختلفة تمامًا. لذا، تخلينا عن هذه الاستراتيجية وقررنا تحليل سلوك المستخدمين على المنصة بشكل أعمق.

النهج الفني

كحل، قمنا بتطوير نظام يستخدم التعلم الآلي لتحليل بيانات المستخدمين وإنشاء ملفات تعريف بناءً على نشاطهم واهتماماتهم. بدأنا بدمج واجهة برمجة التطبيقات لجمع البيانات حول تفاعل المرشحين مع الوظائف. كانت نموذجنا يولد توقعات حول الوظائف التي قد تكون الأكثر اهتمامًا لكل مرشح.

class JobRecommender:
    def __init__(self, user_profile, job_database):
        self.user_profile = user_profile
        self.job_database = job_database

    def recommend_jobs(self):
        # منطق التوصيات بناءً على ملف تعريف المستخدم
        return recommendations

التغييرات في المنتج

نتيجة لهذه الجهود، تمكنا من تحسين جودة رسائل الوظائف بشكل كبير. الآن، يتلقى المرشحون عروضًا تتناسب مع اهتماماتهم وخبراتهم. وهذا، بدوره، زاد من معدل فتح الرسائل بنسبة 40% وأقلل من عدد الرفض للوظائف. كما قمنا بدمج ميزات جديدة في صفحة الوظائف، حتى يتمكن المرشحون من العثور بسهولة على العروض المناسبة لهم، كما هو واضح في الصفحة /jobs.

ما تعلمناه

• التقسيم البسيط بناءً على المعايير الأساسية غير فعال
• جمع البيانات حول سلوك المستخدمين يسمح بإنشاء ملفات تعريف أكثر دقة
• يمكن أن يحسن التعلم الآلي بشكل كبير من جودة التوصيات
• الانتباه للتفاصيل في كل رسالة يعزز ثقة المستخدمين
• يجب أن تكون عملية التطوير تكرارية، مع تحليل منتظم للنتائج

ماذا يعني هذا للمرشحين

بالنسبة للمرشحين، يعني هذا أنهم سيتلقون فقط الوظائف التي تهمهم حقًا وتتناسب مع خبراتهم. وبالتالي، ستصبح عملية البحث عن العمل أكثر استهدافًا وفعالية، مما يخفف من الضغط الزائد والوقت الضائع على العروض غير الملائمة.

ماذا يعني هذا للمجندين

بالنسبة للمجندين، تعني هذه التحسينات أنهم سيتمكنون من العثور على المرشحين المناسبين بسرعة أكبر، حيث سيتم قضاء وقت أقل في تصفية السير الذاتية غير الملائمة. كما ستزيد من احتمال إغلاق الوظائف بنجاح، حيث سيكون المرشحون أكثر اهتمامًا بالعروض.

الخطوات التالية

على الرغم من النجاح المحقق، لا يزال هناك الكثير من العمل في المستقبل. نواصل مراقبة التغيرات في سلوك المستخدمين ونستعد لتحسينات إضافية في الخوارزميات. في الخطط القريبة، نعتزم تنفيذ اختبار A/B لتقييم فعالية استراتيجيات الرسائل المختلفة. إذا كان علينا أن نبدأ من جديد، لخصصنا المزيد من الوقت لاختبار تقسيمات مختلفة في المراحل المبكرة من التطوير. ---