---

Introducción al problema del cálculo del match score

Recientemente, en una de las discusiones en Slack, el equipo de matching planteó la cuestión de la calidad de las recomendaciones que ofrecemos a los usuarios. Uno de nuestros colegas observó que muchos usuarios no recibían resultados que se alinearan con sus expectativas. Esto fue una señal de alerta para nosotros. Comprendíamos que la precisión en el cálculo del match score no solo afecta la experiencia del usuario, sino también la efectividad de toda la plataforma.

Por qué es importante

El problema del match score afectaba no solo al equipo de desarrolladores, sino también a nuestros usuarios. Cuando los usuarios no encuentran ofertas de trabajo o candidatos adecuados, pierden interés en nuestro producto. Comenzamos a recibir comentarios negativos y notamos una disminución en la participación en las páginas /jobs y /for-candidates. Esto se convirtió en un serio obstáculo para el crecimiento de nuestro servicio y su popularidad en el mercado.

Detalles del problema

Durante el análisis, descubrimos que el algoritmo actual de cálculo del match score no tenía en cuenta todos los parámetros necesarios. Por ejemplo, no consideraba las habilidades específicas que los usuarios buscaban en los candidatos. Un usuario nos proporcionó un ejemplo concreto: estaba buscando un ingeniero con experiencia en aprendizaje automático, pero recibía resultados que no coincidían con su solicitud. Esto generaba la impresión de que el sistema no comprendía las necesidades de los usuarios.

Primeras tentativas de solución

Comenzamos intentando mejorar el algoritmo existente, añadiendo algunos nuevos parámetros. Sin embargo, esto no resultó en una mejora significativa. Nos encontramos con que el algoritmo se volvía demasiado complejo e impredecible. Al final, tras varias iteraciones, llegamos a la conclusión de que era necesario repensar completamente nuestro enfoque para calcular el match score.

Enfoque técnico

Decidimos utilizar un modelo más simple y transparente, basado en pesos para diferentes parámetros. A cada criterio le asignamos un peso específico y calculamos el score final como la suma de los productos de los pesos por los valores de los parámetros. Aquí hay un ejemplo de código:

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

Este modelo nos permitió ajustar los pesos de manera flexible y probar rápidamente diferentes combinaciones, lo que llevó a una mejora significativa en la calidad de las recomendaciones.

Cambios en el producto

Después de implementar el nuevo algoritmo, notamos una mejora notable en los comentarios de los usuarios. El número de comentarios positivos sobre ofertas relevantes en las páginas /jobs aumentó en un 25%. Los candidatos comenzaron a recibir más ofertas de trabajo adecuadas, y, a su vez, las empresas comenzaron a utilizar nuestra plataforma de manera más activa para buscar talentos. Esto tuvo un impacto positivo en las métricas de participación de los usuarios.

Lecciones aprendidas

A lo largo del proyecto, hicimos varias conclusiones importantes:

• La simplicidad a menudo es mejor que la complejidad. Los algoritmos complejos pueden llevar a la imprevisibilidad y a dificultades en el mantenimiento.
• La flexibilidad en la configuración de los pesos de los parámetros permite adaptarse rápidamente a los cambios en el mercado.
• La importancia de la retroalimentación de los usuarios. Los ejemplos de la vida real ayudan a entender mejor qué es lo que se necesita mejorar.
• Probar diferentes enfoques es crucial para encontrar la solución óptima.

Qué significa esto para los candidatos

Para los candidatos, esto significa que recibirán ofertas de trabajo más relevantes, que se alinean mejor con sus habilidades y experiencia. Esto aumenta las posibilidades de una colocación exitosa y reduce el tiempo dedicado a la búsqueda.

Qué significa esto para los reclutadores

Los reclutadores podrán encontrar candidatos más adecuados, lo que mejorará la eficiencia de su trabajo. Gracias a las recomendaciones mejoradas, podrán cerrar vacantes más rápidamente, lo que, a su vez, tendrá un efecto positivo en sus métricas de desempeño.

Próximos pasos

Aunque hemos logrado avances significativos, seguimos monitoreando el rendimiento del nuevo algoritmo. Una de las tareas que queremos abordar en un futuro cercano es la integración de datos adicionales sobre los usuarios para mejorar la precisión del cálculo. Si pudiéramos retroceder en el tiempo, dedicaríamos más atención a las pruebas en las primeras etapas del desarrollo para evitar conclusiones prematuras. ---