---

Introducción: un momento en Slack que nos despertó

Recientemente, en uno de los canales de Slack, se desató una discusión sobre cómo podríamos mejorar los envíos de ofertas de trabajo. Uno de nuestros reclutadores compartió con nosotros la opinión de un candidato que se quejó de la cantidad excesiva de propuestas irrelevantes. Esta situación nos hizo reflexionar sobre cómo podríamos hacer que nuestros envíos fueran más dirigidos y útiles.

Por qué es importante

El problema de los envíos de ofertas de trabajo con elementos de spam afecta tanto a los candidatos como a los reclutadores. Los candidatos pierden interés en propuestas que no cumplen con sus expectativas, y los reclutadores pierden la oportunidad de encontrar especialistas adecuados. Según nuestros datos, alrededor del 60% de los candidatos rechazan ofertas que les llegan sin tener en cuenta su perfil. Sabíamos que eran necesarios cambios para mejorar la calidad de nuestros servicios y la satisfacción de los usuarios.

Problema específico

En la práctica, esto se manifestaba en que teníamos muchos casos en los que los candidatos recibían envíos de ofertas de trabajo que no se ajustaban en absoluto a su perfil. Por ejemplo, uno de los candidatos que buscaba trabajo en desarrollo recibió una oferta para un puesto en ventas. Esto no solo causaba descontento, sino que también reducía la probabilidad de que los candidatos abrieran nuestros correos en el futuro. Comprendíamos que necesitábamos un enfoque más detallado para la segmentación y la personalización del contenido de los envíos.

Intentos iniciales

Lo primero que decidimos fue utilizar algoritmos de segmentación estándar, basados en parámetros simples como la ubicación y el nivel de experiencia. Sin embargo, después de varias iteraciones, llegamos a la conclusión de que esto no era suficiente. Los candidatos, por ejemplo, podrían estar en la misma zona geográfica, pero tener intereses y preferencias de carrera completamente diferentes. Así, abandonamos esta estrategia y decidimos analizar más a fondo el comportamiento de los usuarios en la plataforma.

Enfoque técnico

Como solución, desarrollamos un sistema que utiliza aprendizaje automático para analizar datos sobre los usuarios y crear perfiles basados en su actividad e intereses. Comenzamos integrando una API para recopilar datos sobre la interacción de los candidatos con las ofertas de trabajo. Nuestro modelo generaba pronósticos sobre qué ofertas podrían ser más interesantes para cada candidato.

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

    def recommend_jobs(self):
        # Lógica para recomendaciones basadas en el perfil del usuario
        return recommendations

Cambios en el producto

Como resultado de estos esfuerzos, pudimos mejorar significativamente la calidad de los envíos de ofertas de trabajo. Ahora, los candidatos reciben propuestas que se ajustan a sus intereses y experiencia. Esto, a su vez, aumentó la tasa de apertura de correos en un 40% y redujo la cantidad de rechazos de ofertas. También integramos nuevas funciones en la página de ofertas para que los candidatos pudieran encontrar más fácilmente las propuestas adecuadas, lo que se puede ver en la página /jobs.

Lo que aprendimos

• La segmentación simple basada en parámetros básicos es ineficaz
• La recopilación de datos sobre el comportamiento de los usuarios permite crear perfiles más precisos
• El aprendizaje automático puede mejorar significativamente la calidad de las recomendaciones
• La atención al detalle en cada envío aumenta la confianza de los usuarios
• El desarrollo debe ser iterativo, con un análisis regular de los resultados

Lo que esto significa para los candidatos

Para los candidatos, esto significa que recibirán solo aquellas ofertas que realmente les interesen y que se ajusten a su experiencia. Así, el proceso de búsqueda de trabajo se volverá más dirigido y eficiente, lo que eliminará el estrés y el tiempo perdido en propuestas irrelevantes.

Lo que esto significa para los reclutadores

Para los reclutadores, esta optimización de los envíos significa que podrán encontrar candidatos adecuados más rápidamente, ya que se dedicará menos tiempo a filtrar currículos no pertinentes. Esto también aumentará la probabilidad de cerrar ofertas con éxito, ya que los candidatos estarán más interesados en las propuestas.

Próximos pasos

A pesar de los éxitos alcanzados, aún queda mucho trabajo por delante. Seguimos monitorizando los cambios en el comportamiento de los usuarios y preparando mejoras adicionales en los algoritmos. En nuestros planes más inmediatos está la implementación de pruebas A/B para evaluar la efectividad de diferentes estrategias de envío. Si tuviéramos que empezar de nuevo, dedicaríamos aún más tiempo a probar diferentes segmentaciones en las primeras etapas del desarrollo. ---