Вводный момент: реальный вызов в команде

Недавно в нашем Slack-канале разгорелся спор о том, как упростить процесс onboarding для новых работодателей. Один из наших разработчиков заметил, что многие из них испытывают трудности с заполнением необходимых данных, что затрудняет их интеграцию в систему. Обсуждение продолжалось несколько дней, и нам стало ясно, что это проблема, требующая серьезного внимания.

Почему это важно

Проблема onboarding работодателей напрямую касалась нашей команды матчинга. Мы понимали, что сложный процесс может привести к высокой степени отказов и потере потенциальных партнеров. Рынок труда становится все более конкурентным, и каждый день, когда новый работодатель не может начать работу с нами, — это потерянная возможность как для них, так и для нас. Мы решили, что нужно создать более интуитивный и быстрый процесс.

Проблема в деталях

Существующий процесс onboarding включал множество шагов, которые требовали от работодателей заполнять длинные формы с информацией о компании, вакансиях и требованиях. Например, один из работодателей, с которым мы общались, потратил более 30 минут на заполнение формы, после чего у него возникли вопросы о том, как правильно заполнить некоторые поля. Это создавало негативные впечатления и снижало заинтересованность в сотрудничестве.

Первые попытки решения

На первом этапе мы решили попробовать улучшить интерфейс, добавив подсказки и примеры заполнения. Однако это не дало значительных улучшений. Мы заметили, что даже с подсказками работодатели все равно испытывают трудности, особенно с сложными формулировками и требованиями. В конечном итоге, мы поняли, что улучшение интерфейса — это лишь временное решение, и нам нужно было более радикальное изменение.

Технический подход

После нескольких обсуждений мы решили использовать машинное обучение для создания AI-поддерживаемого onboarding-процесса. Мы разработали модель, которая анализирует вводимые данные и предлагает рекомендации в реальном времени. Вот краткий пример кода, который демонстрирует, как мы обрабатываем вводимые данные:

class OnboardingAI:
    def suggest_fields(self, input_data):
        # Логика анализа данных
        suggestions = self.model.predict(input_data)
        return suggestions

Эта модель позволяет работодателям получать предложения по заполнению форм на основе их предыдущих действий и информации о компании. Мы также интегрировали чат-бота, который может ответить на вопросы в процессе заполнения.

Изменения в продукте

После внедрения AI-поддерживаемого процесса мы заметили значительное сокращение времени, необходимого для завершения onboarding. Работодатели теперь могли завершать процесс за 10-15 минут, что улучшило общее впечатление от работы с нашей платформой. Мы также получили положительные отзывы на странице /for-companies, где работодатели делятся своим опытом работы с Fitlane AI.

Чему мы научились

• Интерфейс не всегда решает проблему: Улучшение интерфейса может помочь, но не всегда решает коренные проблемы.
• AI может упростить сложные процессы: Использование машинного обучения для анализа данных открыло новые возможности для упрощения взаимодействия.
• Пользовательский опыт важнее всего: Быстрые и интуитивные процессы onboarding могут значительно повысить заинтересованность работодателей.

Что это значит для кандидатов

Для кандидатов это означает, что процесс подачи заявок на вакансии стал более прозрачным и быстрым. С помощью AI работодатели могут быстрее находить подходящих кандидатов, что увеличивает шансы на получение желаемой работы. Кандидаты теперь могут увидеть, как работодатели используют платформу, благодаря улучшенной интеграции и обратной связи.

Что это значит для работодателей

Для работодателей это означает, что они могут сосредоточиться на более важных аспектах — поиске талантов и развитии своей команды, а не на заполнении форм. Упрощенный процесс onboarding позволяет быстрее начать работу с Fitlane AI и получать результаты.

Следующие шаги

Хотя мы уже добились значительного прогресса, еще много работы впереди. Мы продолжаем наблюдать за тем, как работает наша модель, и собираем обратную связь от пользователей. В будущем мы планируем улучшить алгоритмы AI, чтобы сделать процесс еще более адаптивным. Если бы нам пришлось начать с нуля, мы бы более тщательно протестировали начальные версии системы, чтобы избежать некоторых из тех проблем, с которыми столкнулись на старте.