Ben jij een echte ninja die enthousiast is over wild-snelgroeiende startups met leuke kantoren? Of ben je een doordachte ontwikkelaar die op zoek is naar een ondersteunende werkplek met potentieel voor vooruitgang?
Beide taalstijlen kunnen worden gebruikt om dezelfde positie te beschrijven, en dergelijke keuzes kunnen van cruciaal belang zijn voor het aantrekken van het soort kandidaten dat een bedrijf nodig heeft. Intuïtief een stem kiezen die past bij een werkplek lijkt een natuurlijke strategie. Maar wat is de beste manier om een breed net te werpen?
We zijn geïnteresseerd in hoe dingen zoals tekstinhoud verband houden met andere statistieken, zoals klikken op 'solliciteren op vacature'. Een methode voor het meten en vergelijken van kenmerken van (onder vele) tekstdocumenten is sentimentanalyse. In grote lijnen meten methoden van sentimentanalyse vaak hoe "positief" of "negatief" een tekstdocument is door sleutelwoorden en termen te tellen die aan deze twee tegenstellingen zijn gekoppeld.
Om snel een idee te krijgen hoe sentiment de klik op sollicitaties kan beïnvloeden, hebben we een vooraf opgeleide sentimentanalysator gebruikt in een tool met de naam textblob. We hebben dit gebruikt om de tekst te analyseren van alle taken die ooit live zijn gegaan op The Muse. Deze plot hieronder laat zien dat, volgens deze standaardtool, de meeste vacatures een licht positieve taal gebruiken.
Met elke taak een sentimentscore toegewezen, plaatsen we alle vacatures in 6 even grote groepen, van het meest negatieve tot het meest positieve sentiment. De sentimentverdelingen van elke groep kunnen worden vergeleken in de onderstaande plot:
Dit is een soort datavisualisatie die een boxplot wordt genoemd en helpt samen te vatten hoe onze 6 groepen verschillen. Bijvoorbeeld, de lijn in het midden van elke rechthoek markeert de mediane sentimentscore voor elke groep; typische sentimentscores voor banen in een groep liggen in de buurt van deze lijn. De volledige rechthoek omsluit de 50% van de gegevens die zich het dichtst bij deze lijn bevinden (dat wil zeggen de meest typische). Dit soort samenvatting (met enkele ruwe gegevens die over elkaar liggen) helpt ons te begrijpen dat banen met positievere woorden bij het bekijken van alle functiecategorieën historisch meer klikken hebben gekregen.
Er zijn veel geavanceerdere manieren om naar deze kwaliteiten te kijken, en de bovenstaande plots geven alleen het oppervlak weer van wat gegevens ons kunnen helpen begrijpen. Verschillende bedrijven hebben ook verschillende doelen voor hun vacature - kwaliteit of specificiteit van sollicitanten kunnen bijvoorbeeld belangrijkere hoeveelheden zijn.
Bij The Muse gebruiken we gegevens om deze en andere problemen te begrijpen, om werkzoekenden te helpen hun droombaan te vinden en om bedrijven te helpen droompersoneel aan te nemen. Als je een ontwikkelaar bent die geïnteresseerd is in het werken aan dit soort problemen en mensen helpt hun droombaan te vinden, neem dan contact met ons op.
