---

Wprowadzenie: moment na Slacku, który nas obudził

Niedawno na jednym z kanałów Slack rozwinęła się dyskusja na temat tego, jak możemy poprawić wysyłki ofert pracy. Jeden z naszych rekruterów podzielił się z nami opinią kandydata, który narzekał na nadmiar nieistotnych propozycji. Ta sytuacja skłoniła nas do zastanowienia się, jak możemy uczynić nasze wysyłki bardziej ukierunkowanymi i użytecznymi.

Dlaczego to ważne

Problem wysyłek ofert pracy z elementami spamu dotyka zarówno kandydatów, jak i rekruterów. Kandydaci tracą zainteresowanie propozycjami, które nie odpowiadają ich oczekiwaniom, a rekruterzy tracą możliwość znalezienia odpowiednich specjalistów. Z naszych danych wynika, że około 60% kandydatów odrzuca oferty, które docierają do nich bez uwzględnienia ich profilu. Rozumieliśmy, że zmiany są konieczne, aby poprawić jakość naszych usług i satysfakcję użytkowników.

Konkretna problematyka

W praktyce objawiało się to tym, że mieliśmy wiele przypadków, w których kandydaci otrzymywali wysyłki ofert pracy, które zupełnie nie odpowiadały ich profilowi. Na przykład jeden z kandydatów, który szukał pracy w obszarze programowania, otrzymał ofertę pracy w sprzedaży. To nie tylko budziło niezadowolenie, ale także zmniejszało prawdopodobieństwo, że kandydaci będą otwierać nasze maile w przyszłości. Rozumieliśmy, że musimy bardziej szczegółowo podejść do segmentacji i dostosowania treści wysyłek.

Początkowe próby

Na początku postanowiliśmy użyć standardowych algorytmów segmentacji, opartych na prostych parametrach, takich jak lokalizacja i poziom doświadczenia. Jednak po kilku iteracjach doszliśmy do wniosku, że to za mało. Kandydaci, na przykład, mogli znajdować się w tej samej strefie geograficznej, ale mieć zupełnie różne zainteresowania i preferencje zawodowe. Tak więc zrezygnowaliśmy z tej strategii i postanowiliśmy dokładniej przeanalizować zachowanie użytkowników na platformie.

Podejście techniczne

Jako rozwiązanie opracowaliśmy system, który wykorzystuje uczenie maszynowe do analizy danych o użytkownikach i tworzenia profili na podstawie ich aktywności i zainteresowań. Zaczęliśmy od integracji API do zbierania danych o interakcjach kandydatów z ofertami pracy. Nasz model generował prognozy dotyczące tego, które oferty mogą być najbardziej interesujące dla każdego kandydata.

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

    def recommend_jobs(self):
        # Logika dla rekomendacji na podstawie profilu użytkownika
        return recommendations

Zmiany w produkcie

W wyniku tych działań udało nam się znacząco poprawić jakość wysyłek ofert pracy. Teraz kandydaci otrzymują propozycje, które odpowiadają ich zainteresowaniom i doświadczeniu. To z kolei zwiększyło wskaźnik otwieralności maili o 40% i zmniejszyło liczbę odmów ofert pracy. Zintegrowaliśmy również nowe funkcje na stronie ofert pracy, aby kandydaci mogli łatwiej znaleźć odpowiednie propozycje, co widać na stronie /jobs.

Czego się nauczyliśmy

• Prosta segmentacja oparta na podstawowych parametrach jest nieefektywna
• Zbieranie danych o zachowaniu użytkowników pozwala na tworzenie dokładniejszych profili
• Uczenie maszynowe może znacznie poprawić jakość rekomendacji
• Zwracanie uwagi na szczegóły w każdej wysyłce zwiększa zaufanie użytkowników
• Rozwój powinien być iteracyjny, z regularną analizą wyników

Co to oznacza dla kandydatów

Dla kandydatów oznacza to, że będą otrzymywać tylko te oferty, które naprawdę ich interesują i odpowiadają ich doświadczeniu. W ten sposób proces poszukiwania pracy stanie się bardziej ukierunkowany i efektywny, co pozwoli uniknąć zbędnego stresu i czasu spędzonego na nieistotnych propozycjach.

Co to oznacza dla rekruterów

Dla rekruterów taka optymalizacja wysyłek oznacza, że będą mogli szybciej znajdować odpowiednich kandydatów, ponieważ mniej czasu spędzą na filtracji nieodpowiednich CV. To również zwiększy prawdopodobieństwo skutecznego zamknięcia ofert pracy, ponieważ kandydaci będą bardziej zainteresowani propozycjami.

Kolejne kroki

Mimo osiągniętych sukcesów, przed nami jeszcze dużo pracy. Nadal monitorujemy zmiany w zachowaniu użytkowników i przygotowujemy dalsze ulepszenia w algorytmach. W najbliższych planach mamy wdrożenie testów A/B w celu oceny efektywności różnych strategii wysyłek. Gdybyśmy mieli zaczynać od nowa, poświęcilibyśmy jeszcze więcej czasu na testowanie różnych segmentacji na wczesnych etapach rozwoju. ---