Вводные данные: момент на Slack, который нас разбудил

Недавно в одном из каналов Slack развернулась дискуссия о том, как мы можем улучшить рассылки вакансий. Один из наших рекрутеров поделился с нами мнением кандидата, который пожаловался на чрезмерное количество нерелевантных предложений. Эта ситуация заставила нас задуматься о том, как мы можем сделать наши рассылки более целенаправленными и полезными.

Почему это важно

Проблема рассылок о вакансиях с элементами спама затрагивает как кандидатов, так и рекрутеров. Кандидаты теряют интерес к предложениям, которые не соответствуют их ожиданиям, а рекрутеры — возможность находить подходящих специалистов. При этом, согласно нашим данным, около 60% кандидатов отказываются от вакансий, которые приходят к ним без учета их профиля. Мы понимали, что изменения необходимы, чтобы повысить качество наших услуг и удовлетворенность пользователей.

Конкретная проблема

На практике это проявлялось в том, что у нас было много случаев, когда кандидаты получали рассылки о вакансиях, которые совершенно не соответствовали их профилю. Например, один из кандидатов, который искал работу в области разработки, получил предложение о вакансии в области продаж. Это не только вызывало недовольство, но и снижало вероятность того, что кандидаты будут открывать наши письма в будущем. Мы понимали, что нам нужно более детально подойти к сегментации и настройке контента рассылок.

Первоначальные попытки

Первым делом мы решили использовать стандартные алгоритмы сегментации, основанные на простых параметрах, таких как местоположение и уровень опыта. Однако, после нескольких итераций, мы пришли к выводу, что этого недостаточно. Кандидаты, например, могли бы находиться в одной географической зоне, но иметь совершенно разные интересы и предпочтения в карьере. Так, мы отказались от этой стратегии и решили более глубоко проанализировать поведение пользователей на платформе.

Технический подход

В качестве решения мы разработали систему, которая использует машинное обучение для анализа данных о пользователях и создания профилей на основе их активности и интересов. Мы начали с интеграции API для сбора данных о взаимодействии кандидатов с вакансиями. Наша модель генерировала прогнозы о том, какие вакансии могут быть наиболее интересны каждому кандидату.

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

    def recommend_jobs(self):
        # Логика для рекомендаций на основе профиля пользователя
        return recommendations

Изменения в продукте

В результате этих усилий мы смогли значительно улучшить качество рассылок о вакансиях. Теперь кандидаты получают предложения, которые соответствуют их интересам и опыту. Это, в свою очередь, повысило уровень открываемости писем на 40% и снизило количество отказов от вакансий. Мы также интегрировали новые функции на страницу вакансий, чтобы кандидаты могли легче находить подходящие им предложения, что видно на странице /jobs.

Что мы узнали

• Простая сегментация на основе базовых параметров неэффективна
• Сбор данных о поведении пользователей позволяет создавать более точные профили
• Машинное обучение может значительно улучшить качество рекомендаций
• Внимание к деталям в каждой рассылке повышает доверие пользователей
• Разработка должна быть итеративной, с регулярным анализом результатов

Что это значит для кандидатов

Для кандидатов это означает, что они будут получать только те вакансии, которые действительно им интересны и соответствуют их опыту. Таким образом, процесс поиска работы станет более целенаправленным и эффективным, что избавит от лишнего стресса и времени, потраченного на нерелевантные предложения.

Что это значит для рекрутеров

Рекрутерам такая оптимизация рассылок означает, что они смогут быстрее находить подходящих кандидатов, так как меньше времени будет потрачено на фильтрацию неподходящих резюме. Это также повысит вероятность успешного закрытия вакансий, так как кандидаты будут более заинтересованы в предложениях.

Следующие шаги

Несмотря на достигнутые успехи, есть еще много работы впереди. Мы продолжаем следить за изменениями в поведении пользователей и готовим дальнейшие улучшения в алгоритмах. В ближайших планах — внедрение A/B тестирования для оценки эффективности разных стратегий рассылок. Если бы нам пришлось начать заново, мы бы еще больше времени уделили тестированию различных сегментаций на ранних этапах разработки.