---

مقدمة في مشكلة حساب درجة المطابقة

في أحد النقاشات الأخيرة على Slack، أثار فريق المطابقة سؤالًا حول جودة التوصيات التي نقدمها للمستخدمين. لاحظ أحد زملائنا أن العديد من المستخدمين لا يحصلون على نتائج تتوافق مع توقعاتهم. كان ذلك بمثابة إشارة لنا للتحرك. كنا ندرك أن دقة حساب درجة المطابقة تؤثر ليس فقط على تجربة المستخدم، ولكن أيضًا على كفاءة عمل المنصة بأكملها.

لماذا هذا مهم

كانت مشكلة درجة المطابقة تؤثر على فريق المطورين وكذلك على مستخدمينا. عندما لا يجد المستخدمون الوظائف أو المرشحين المناسبين، يفقدون الاهتمام بمنتجنا. بدأنا نتلقى تعليقات سلبية ولاحظنا انخفاضًا في التفاعل على صفحات /jobs و /for-candidates. أصبح هذا عقبة خطيرة أمام نمو خدمتنا وشعبيتها في السوق.

تفاصيل المشكلة

خلال التحليل، اكتشفنا أن الخوارزمية الحالية لحساب درجة المطابقة لا تأخذ بعين الاعتبار جميع المعايير الضرورية. على سبيل المثال، لم تكن تأخذ في الاعتبار المهارات المحددة التي كان يبحث عنها المستخدمون في المرشحين. قدم لنا أحد المستخدمين مثالًا محددًا: كان يبحث عن مهندس لديه خبرة في التعلم الآلي، لكنه كان يحصل على نتائج لا تتناسب مع طلبه. كان هذا يخلق انطباعًا بأن النظام لا يفهم احتياجات المستخدمين.

المحاولات الأولى للحل

بدأنا بمحاولة تعديل الخوارزمية الحالية، بإضافة بعض المعايير الجديدة. ومع ذلك، لم يحقق ذلك تحسنًا كبيرًا. واجهنا مشكلة أن الخوارزمية أصبحت معقدة وغير متوقعة. في النهاية، بعد عدة جولات، توصلنا إلى استنتاج أنه يجب علينا إعادة التفكير بشكل كامل في نهج حساب درجة المطابقة.

النهج التقني

قررنا استخدام نموذج أبسط وأكثر شفافية، يعتمد على الأوزان لمختلف المعايير. قمنا بتعيين وزن معين لكل معيار، وحسبنا الدرجة النهائية كمجموع ناتج الأوزان في قيم المعايير. إليك مثال على الكود:

def calculate_match_score(candidate, job):
    score = 0
    score += candidate.skills * job.required_skills_weight
    score += candidate.experience * job.experience_weight
    return score

سمح لنا هذا النموذج بضبط الأوزان بمرونة واختبار مجموعات مختلفة بسرعة، مما أدى إلى تحسين كبير في جودة التوصيات.

التغييرات في المنتج

بعد تطبيق الخوارزمية الجديدة، لاحظنا تحسنًا ملحوظًا في تعليقات المستخدمين. زاد عدد التعليقات الإيجابية حول العروض المناسبة على صفحات /jobs بنسبة 25%. بدأ المرشحون يحصلون على وظائف مناسبة بشكل أكثر تكرارًا، وبدورها، بدأت الشركات تستخدم منصتنا بشكل أكثر نشاطًا للبحث عن المواهب. كان لذلك تأثير إيجابي على مؤشرات تفاعل المستخدمين.

ما تعلمناه

خلال العمل على المشروع، توصلنا إلى عدة استنتاجات مهمة:

• البساطة غالبًا ما تكون أفضل من التعقيد. يمكن أن تؤدي الخوارزميات المعقدة إلى عدم التوقع وصعوبات في الصيانة.
• المرونة في ضبط أوزان المعايير تسمح بالتكيف السريع مع التغيرات في السوق.
• أهمية التغذية الراجعة من المستخدمين. تساعد الأمثلة من الحياة الواقعية على فهم ما يجب تحسينه بشكل أفضل.
• اختبار نهج مختلفة مهم للعثور على الحل الأمثل.

ماذا يعني هذا للمرشحين

بالنسبة للمرشحين، يعني ذلك أنهم سيحصلون على وظائف أكثر ملاءمة، تتناسب بشكل أفضل مع مهاراتهم وخبراتهم. وهذا يزيد من فرصهم في الحصول على وظيفة ناجحة ويقلل من الوقت المستغرق في البحث.

ماذا يعني هذا للمجندين

سيتمكن المجندون من العثور على مرشحين أكثر ملاءمة، مما يزيد من كفاءة عملهم. بفضل التوصيات المحسنة، سيتمكنون من إغلاق الوظائف بشكل أسرع، مما سيكون له تأثير إيجابي على مؤشرات أدائهم.

الخطوات التالية

على الرغم من أننا حققنا تقدمًا كبيرًا، إلا أننا نواصل متابعة أداء الخوارزمية الجديدة. واحدة من المهام التي نرغب في حلها في المستقبل القريب هي دمج بيانات إضافية عن المستخدمين لتحسين دقة الحساب. إذا كان بإمكاننا العودة إلى الوراء، لكان علينا إيلاء المزيد من الاهتمام للاختبار في المراحل المبكرة من التطوير، لتجنب الاستنتاجات المبكرة. ---