---

Einleitung: Ein Moment auf Slack, der uns wachrüttelte

Kürzlich entbrannte in einem unserer Slack-Kanäle eine Diskussion darüber, wie wir die Jobbenachrichtigungen verbessern können. Einer unserer Recruiter teilte uns die Meinung eines Kandidaten mit, der sich über die übermäßige Anzahl irrelevanter Angebote beschwerte. Diese Situation brachte uns zum Nachdenken, wie wir unsere Benachrichtigungen zielgerichteter und nützlicher gestalten können.

Warum das wichtig ist

Das Problem der Jobbenachrichtigungen mit Spam-Elementen betrifft sowohl Kandidaten als auch Recruiter. Kandidaten verlieren das Interesse an Angeboten, die nicht ihren Erwartungen entsprechen, und Recruiter verlieren die Möglichkeit, geeignete Fachkräfte zu finden. Laut unseren Daten lehnen etwa 60 % der Kandidaten Stellenangebote ab, die ohne Berücksichtigung ihres Profils an sie gesendet werden. Wir waren uns bewusst, dass Änderungen notwendig sind, um die Qualität unserer Dienstleistungen und die Zufriedenheit der Nutzer zu erhöhen.

Konkretes Problem

In der Praxis äußerte sich dies darin, dass viele Kandidaten Jobbenachrichtigungen erhielten, die überhaupt nicht zu ihrem Profil passten. So erhielt beispielsweise ein Kandidat, der eine Stelle im Bereich Entwicklung suchte, ein Angebot für eine Stelle im Vertrieb. Dies führte nicht nur zu Unzufriedenheit, sondern verringerte auch die Wahrscheinlichkeit, dass Kandidaten unsere E-Mails in Zukunft öffnen würden. Wir erkannten, dass wir eine detailliertere Segmentierung und Anpassung des Inhalts der Benachrichtigungen vornehmen mussten.

Erste Versuche

Zunächst beschlossen wir, Standard-Segmentierungsalgorithmen zu verwenden, die auf einfachen Parametern wie Standort und Erfahrungsgrad basierten. Nach mehreren Iterationen kamen wir jedoch zu dem Schluss, dass dies nicht ausreichte. Kandidaten konnten sich beispielsweise in derselben geografischen Region befinden, aber völlig unterschiedliche Interessen und Karrierepräferenzen haben. Daher verworfen wir diese Strategie und entschieden uns, das Nutzerverhalten auf der Plattform eingehender zu analysieren.

Technischer Ansatz

Als Lösung entwickelten wir ein System, das maschinelles Lernen nutzt, um Nutzerdaten zu analysieren und Profile basierend auf deren Aktivität und Interessen zu erstellen. Wir begannen mit der Integration von APIs, um Daten über die Interaktion der Kandidaten mit den Stellenangeboten zu sammeln. Unser Modell generierte Vorhersagen darüber, welche Stellenangebote für jeden Kandidaten am interessantesten sein könnten.

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

    def recommend_jobs(self):
        # Logik für Empfehlungen basierend auf dem Nutzerprofil
        return recommendations

Änderungen im Produkt

Dank dieser Bemühungen konnten wir die Qualität der Jobbenachrichtigungen erheblich verbessern. Jetzt erhalten Kandidaten Angebote, die ihren Interessen und Erfahrungen entsprechen. Dies führte wiederum zu einer Erhöhung der Öffnungsrate von E-Mails um 40 % und verringerte die Anzahl der Absagen von Stellenangeboten. Wir haben auch neue Funktionen auf der Jobseite integriert, damit Kandidaten passende Angebote leichter finden können, was auf der Seite /jobs zu sehen ist.

Was wir gelernt haben

• Einfache Segmentierung basierend auf grundlegenden Parametern ist ineffektiv
• Die Sammlung von Nutzerdaten über das Verhalten ermöglicht genauere Profile
• Maschinelles Lernen kann die Qualität der Empfehlungen erheblich verbessern
• Aufmerksamkeit für Details in jeder Benachrichtigung erhöht das Vertrauen der Nutzer
• Entwicklung sollte iterativ sein, mit regelmäßiger Analyse der Ergebnisse

Was das für Kandidaten bedeutet

Für Kandidaten bedeutet das, dass sie nur die Stellenangebote erhalten, die für sie wirklich von Interesse sind und ihrem Erfahrungshorizont entsprechen. Dadurch wird der Prozess der Jobsuche zielgerichteter und effizienter, was unnötigen Stress und Zeitaufwand für irrelevante Angebote vermeidet.

Was das für Recruiter bedeutet

Für Recruiter bedeutet diese Optimierung der Benachrichtigungen, dass sie schneller geeignete Kandidaten finden können, da weniger Zeit mit der Filterung ungeeigneter Lebensläufe verbracht wird. Dies erhöht auch die Wahrscheinlichkeit eines erfolgreichen Abschlusses der Stellenangebote, da Kandidaten an den Angeboten mehr interessiert sind.

Nächste Schritte

Trotz der erreichten Erfolge gibt es noch viel zu tun. Wir beobachten weiterhin die Veränderungen im Nutzerverhalten und bereiten weitere Verbesserungen in den Algorithmen vor. In naher Zukunft planen wir die Implementierung von A/B-Tests, um die Effektivität verschiedener Benachrichtigungsstrategien zu bewerten. Wenn wir von vorne anfangen müssten, würden wir noch mehr Zeit auf das Testen verschiedener Segmentierungen in den frühen Entwicklungsphasen verwenden. ---