---

Вводні дані: момент на Slack, який нас розбудив

Недавно в одному з каналів Slack розгорнулася дискусія про те, як ми можемо покращити розсилки вакансій. Один з наших рекрутерів поділився з нами думкою кандидата, який поскаржився на надмірну кількість нерелевантних пропозицій. Ця ситуація змусила нас задуматися про те, як ми можемо зробити наші розсилки більш цілеспрямованими і корисними.

Чому це важливо

Проблема розсилок про вакансії зі спамом стосується як кандидатів, так і рекрутерів. Кандидати втрачають інтерес до пропозицій, які не відповідають їх очікуванням, а рекрутери — можливість знаходити підходящих спеціалістів. При цьому, згідно з нашими даними, близько 60% кандидатів відмовляються від вакансій, які надходять до них без урахування їх профілю. Ми розуміли, що зміни необхідні, щоб підвищити якість наших послуг і задоволеність користувачів.

Конкретна проблема

На практиці це проявлялося в тому, що у нас було багато випадків, коли кандидати отримували розсилки про вакансії, які зовсім не відповідали їх профілю. Наприклад, один з кандидатів, який шукав роботу в галузі розробки, отримав пропозицію про вакансію в галузі продажів. Це не тільки викликало незадоволення, але і знижувало ймовірність того, що кандидати відкриватимуть наші листи в майбутньому. Ми розуміли, що нам потрібно більш детально підійти до сегментації та налаштування контенту розсилок.

Первісні спроби

Першим ділом ми вирішили використовувати стандартні алгоритми сегментації, основані на простих параметрах, таких як місцезнаходження і рівень досвіду. Однак, після кількох ітерацій, ми дійшли висновку, що цього недостатньо. Кандидати, наприклад, могли б знаходитись в одній географічній зоні, але мати зовсім різні інтереси і переваги в кар'єрі. Так, ми відмовилися від цієї стратегії і вирішили більш глибоко проаналізувати поведінку користувачів на платформі.

Технічний підхід

В якості рішення ми розробили систему, яка використовує машинне навчання для аналізу даних про користувачів і створення профілів на основі їх активності і інтересів. Ми почали з інтеграції API для збору даних про взаємодію кандидатів з вакансіями. Наша модель генерувала прогнози про те, які вакансії можуть бути найбільш цікавими кожному кандидату.

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

    def recommend_jobs(self):
        # Логіка для рекомендацій на основі профілю користувача
        return recommendations

Зміни в продукті

В результаті цих зусиль ми змогли значно покращити якість розсилок про вакансії. Тепер кандидати отримують пропозиції, які відповідають їх інтересам і досвіду. Це, в свою чергу, підвищило рівень відкриття листів на 40% і знизило кількість відмов від вакансій. Ми також інтегрували нові функції на сторінці вакансій, щоб кандидати могли легше знаходити підходящі їм пропозиції, що видно на сторінці /jobs.

Що ми дізналися

• Проста сегментація на основі базових параметрів неефективна
• Збір даних про поведінку користувачів дозволяє створювати більш точні профілі
• Машинне навчання може значно покращити якість рекомендацій
• Увага до деталей у кожній розсилці підвищує довіру користувачів
• Розробка повинна бути ітеративною, з регулярним аналізом результатів

Що це означає для кандидатів

Для кандидатів це означає, що вони отримуватимуть тільки ті вакансії, які дійсно їх цікавлять і відповідають їх досвіду. Таким чином, процес пошуку роботи стане більш цілеспрямованим і ефективним, що позбавить від зайвого стресу і часу, витраченого на нерелевантні пропозиції.

Що це означає для рекрутерів

Рекрутерам така оптимізація розсилок означає, що вони зможуть швидше знаходити підходящих кандидатів, адже менше часу буде витрачено на фільтрацію непідходящих резюме. Це також підвищить ймовірність успішного закриття вакансій, адже кандидати будуть більш зацікавлені в пропозиціях.

Наступні кроки

Незважаючи на досягнуті успіхи, є ще багато роботи попереду. Ми продовжуємо слідкувати за змінами в поведінці користувачів і готуємо подальші покращення в алгоритмах. У найближчих планах — впровадження A/B тестування для оцінки ефективності різних стратегій розсилок. Якби нам довелося почати заново, ми б ще більше часу приділили тестуванню різних сегментацій на ранніх етапах розробки. ---