Adakah anda seorang ninja fullstack yang teruja dengan permulaan yang amat pesat dengan pejabat yang menyeronokkan? Atau adakah anda pemaju yang bijak mencari tempat kerja yang berpotensi dengan potensi untuk kemajuan?
Sama ada gaya bahasa boleh digunakan untuk menggambarkan kedudukan yang sama, dan pilihan seperti ini boleh menjadi kritikal untuk menarik jenis calon yang diperlukan oleh sebuah syarikat. Intuitif memilih suara yang sepadan dengan tempat kerja seolah-olah seperti strategi semula jadi. Tetapi apabila anda mahu membuang jaring yang luas, apakah cara terbaik ke hadapan?
Kami tertarik pada bagaimana perkara seperti kandungan teks berkorelasi dengan metrik lain - seperti "memohon kepada kerja" klik. Satu kaedah untuk mengukur dan membandingkan ciri-ciri dokumen teks (antara banyak) adalah analisis sentimen. Secara umum, kaedah analisis sentimen sering mengukur bagaimana "positif" atau "negatif" dokumen teks adalah dengan mengira kata-kata dan istilah utama yang berkaitan dengan kedua-dua bertentangan ini.
Untuk mendapatkan perasaan yang cepat tentang bagaimana sentimen mungkin mempengaruhi kerja memohon klik, kami menggunakan penganalisis sentimen pra terlatih dalam alat yang dipanggil textblob. Kami menggunakan ini untuk menganalisis teks semua pekerjaan yang pernah dilakukan secara langsung di The Muse. Plot di bawah ini menunjukkan bahawa, mengikut alat luar ini, kebanyakan jawatan kerja menggunakan bahasa yang agak positif.
Dengan setiap tugas diberikan skor sentimen, kita meletakkan semua jawatan kerja ke 6 kumpulan bersaiz yang sama, dari yang paling negatif kepada sentimen yang paling positif. Distribusi sentimen bagi setiap kumpulan boleh dibandingkan dengan plot di bawah:
Ini adalah sejenis visualisasi data yang dipanggil plot kotak dan membantu untuk meringkaskan bagaimana 6 kumpulan kami berbeza. Sebagai contoh, garisan di tengah setiap segi empat menandakan skor sentimen median bagi setiap kumpulan; Skor sentimen biasa untuk pekerjaan dalam kumpulan adalah berhampiran dengan garis ini. Segitiga penuh melampirkan 50% data yang paling dekat dengan baris ini (iaitu yang paling tipikal). Ringkasan semacam ini (yang memaparkan beberapa data mentah yang bertindih) membantu kita memahami bahawa pekerjaan yang mempunyai kata-kata yang lebih positif, ketika melihat seluruh kategori pekerjaan, secara historis mendapat lebih banyak klik.
Terdapat banyak cara yang lebih canggih untuk melihat kualiti ini, dan plot di atas hanya menggaru permukaan data yang dapat membantu kita memahami. Juga syarikat yang berbeza mempunyai matlamat yang berbeza untuk posting kerja mereka - kualiti atau spesifikasi pemohon kerja mungkin lebih banyak jumlah, contohnya.
Di The Muse, kami menggunakan data untuk memahami masalah ini dan lain-lain untuk membantu pencari kerja mencari pekerjaan impian mereka, dan membantu syarikat mengupah pekerja impian. Sekiranya anda pemaju berminat untuk mengendalikan masalah seperti ini, membantu orang mencari pekerjaan impian mereka, sila hubungi.
