---

Потік у Slack, що спричинив зміни

Під час нещодавнього обговорення у Slack один з наших рекрутерів висловив незадоволення щодо кількості кандидатів, чиї резюме не відповідали описам вакансій, які ми підготували. Вони зазначили, що багато кандидатів використовують однакові загальні терміни, що ускладнює оцінку їхньої справжньої відповідності для таких ролей, як програміст або фронтенд-розробник. Це спонукало нас задуматися, наскільки ефективно ми аналізуємо та співвідносимо ключові слова у резюме для розробників.

Важливість точної відповідності

Занурившись глибше, ми зрозуміли, що точність нашого співвідношення ключових слів безпосередньо впливає на ефективність набору персоналу. Маючи безліч вакансій, час, витрачений на перегляд резюме, переповнених нерелевантними термінами, означав втрачені можливості як для кандидатів, так і для нашої команди з найму. Невідповідність не лише засмучувала рекрутерів, але й залишала без уваги перспективних кандидатів, що в кінцевому підсумку впливало на нашу здатність формувати сильні команди. Ми усвідомили, що вирішення цієї проблеми є критичним для оптимізації наших процесів набору та покращення досвіду кандидатів на нашій платформі.

Визначення основної проблеми

Основною проблемою, з якою ми стикнулися, було те, що наш існуючий алгоритм аналізу не справлявся з синонімами та варіаціями термінів. Наприклад, кандидат міг вказати «JS» замість «JavaScript», і наш алгоритм часто не розпізнавав, що це одне і те ж уміння. Це призводило до відхилення потенційних відповідностей. Один випадок стосувався кваліфікованого кандидата, чий резюме підкреслювало їхній досвід з «React», але не містило точної фрази, яку ми використовували у наших оголошеннях, що призвело до того, що їхня заява була повністю проігнорована.

Перші спроби вирішення

Наша перша спроба вирішити цю проблему полягала в простому розширенні нашого списку ключових слів, щоб включити загальні варіації. Однак це призвело до випадку зловживання ключовими словами. Ми помітили, що кандидати почали переповнювати свої резюме численними варіаціями одного й того ж уміння, намагаючись обманути систему. Це не лише знижувало якість резюме, але й ускладнювало нашій системі аналізу розпізнавати справжню експертизу від простого заповнення. Очевидно, що цей підхід не був стійким.

Технічне рішення: вдосконалений видобуток навичок

Після переоцінки нашої стратегії ми вирішили впровадити більш складний алгоритм видобутку навичок, оснований на методах обробки природної мови (NLP). Ми впровадили функцію розпізнавання синонімів, яка могла ідентифікувати різні терміни для одного й того ж уміння, забезпечуючи, щоб кандидати, які використовують «JS», не зазнавали покарання за те, що не використовують «JavaScript».

Ось спрощена версія коду, яка ілюструє наш підхід:

import nltk
from nltk.corpus import wordnet

# Функція для видобутку навичок з резюме
def extract_skills(resume_text):
    skills = set()
    words = nltk.word_tokenize(resume_text)
    for word in words:
        synonyms = wordnet.synsets(word)
        for synonym in synonyms:
            skills.add(synonym.name())
    return skills

Ця реалізація дозволяє нам розпізнавати синоніми, розширюючи наші можливості співвідношення без покладання на зловживання ключовими словами.

Помітні зміни в продукті

Після впровадження нового алгоритму ми спостерігали помітне покращення якості відповідностей. Рекрутери повідомили про більшу кількість релевантних заявок, а кандидати відчували більшу впевненість у тому, що їхні навички були точно визнані. Зворотний зв’язок покращився, про що свідчить зростання залученості на нашій сторінці /jobs та зменшення часу, витраченого на короткий список кандидатів. Ми також спостерігали позитивні зміни в задоволеності кандидатів, оскільки більше розробників відчували, що їхня експертиза адекватно представлена.

Ключові уроки

У процесі ми отримали кілька важливих висновків:

• Уникнення зловживання ключовими словами: Кандидати повинні зосередитися на справжніх навичках, а не на спробах обманути систему.
• Важливість синонімів: Розпізнавання варіацій у термінології може значно покращити точність відповідності.
• Користувацький дизайн: Поліпшення повинні пріоритизувати досвід кандидата, щоб створити довіру до процесу подачі заявок.
• Ітеративні поліпшення: Регулярний перегляд та оновлення наших алгоритмів є необхідними для того, щоб йти в ногу з змінами в галузі.

Висновки для кандидатів

Для кандидатів це означає, що важливо адаптувати своє резюме, щоб підкреслити релевантні навички, не переповнюючи його варіаціями. Зосередьтеся на ясності та контексті. Переконайтеся, що ваш розділ навичок відображає справжню експертизу, оскільки сучасні системи аналізу призначені для розпізнавання професійності без необхідності в кожному можливому синонімі. Таким чином, ваше резюме має більший шанс відповідати описам вакансій, які вам важливі.

Висновки для рекрутерів

З точки зору рекрутера, впровадження більш розумної системи аналізу може значно покращити якість кандидатів. Розуміючи, що кандидати можуть використовувати різну термінологію для тих самих навичок, ви можете вдосконалити описи вакансій і забезпечити, щоб перспективні кандидати не залишалися непоміченими. Цей підхід сприяє більш інклюзивному процесу набору, дозволяючи вам залучати більш широкий пул талантів.

Погляд у майбутнє

Хоча ми досягли значного прогресу, все ще є сфери для вдосконалення. Ми слідкуємо за тим, як добре новий видобуток навичок працює в різних сферах, і залишаємося відкритими до вдосконалення нашого підходу на основі зворотного зв'язку від користувачів. Якщо б нам довелося скасувати будь-яку частину цього процесу, це, ймовірно, була б початкова залежність від розширення ключових слів без урахування контексту. У подальшому ми зобов’язуємося постійно вдосконалювати наші системи, щоб забезпечити, що як кандидати, так і рекрутери знаходять найкращі можливі відповідності. ---