Er du en fullstack ninja som er spent på vilt-raskt voksende startups med morsomme kontorer? Eller er du en gjennomtenkt utvikler som leter etter en støttende arbeidsplass med potensiale for avansement?
Enten språkstil kan brukes til å beskrive den samme stillingen, og valg som dette kan være kritiske for å tiltrekke seg slags kandidater som et selskap trenger. Å velge en stemme som matcher en arbeidsplass intuitivt virker som en naturlig strategi. Men når du vil kaste et bredt nett, hva er den beste veien videre?
Vi er interessert i hvordan ting som tekstinnhold korrelerer med andre beregninger - som "gjelder for jobb" -klikk. En metode for å måle og sammenligne kjennetegn ved tekstdokumenter (blant mange) er sentimentanalyse. I store trekk måler metoder for følelsesanalyse ofte hvor "positivt" eller "negativt" et tekstdokument er ved å telle nøkkelord og begrep som er assosiert med disse to motsetningene.
For å få en rask følelse av hvordan følelser kan påvirke klikk på jobbbruk, brukte vi en ferdig trent sentimentanalysator i et verktøy som heter textblob. Vi brukte dette til å analysere teksten til alle jobber som noen gang ble sendt live på The Muse. Denne plottet nedenfor viser at de fleste stillingsinnlegg bruker mildt positivt språk i henhold til dette verktøyet.
Med hver jobb som ble tildelt en stemningsscore, satte vi alle stillingsinnleggene i 6 like store grupper, fra mest negativ til mest positiv stemning. Sentimentfordelingene for hver gruppe kan sammenlignes i plottet nedenfor:
Dette er en slags datavisualisering som kalles et rute-plott og hjelper med å oppsummere hvordan våre 6 grupper er forskjellige. For eksempel markerer linjen i midten av hvert rektangel median sentiment poengsum for hver gruppe; typiske følelsesscore for jobber i en gruppe er nær denne linjen. Hele rektangelet omslutter 50% av dataene som er nærmest denne linjen (dvs. den mest typiske). Denne typen sammendrag (som inneholder noen rå data som er lagt på) hjelper oss å forstå at jobber som inneholder mer positive ord, når vi ser på alle jobbkategoriene, historisk har fått flere anvendelige klikk.
Det er mye mer sofistikerte måter å se på disse egenskapene, og tomtene over riper bare overflaten av hva data kan hjelpe oss å forstå. Også forskjellige selskaper har forskjellige mål for stillingsoppgavene sine - kvalitet eller spesifisitet for jobbsøkere kan være viktigere mengder, for eksempel.
Hos The Muse bruker vi data for å forstå disse og andre problemer for å hjelpe arbeidssøkere med å finne sin drømmejobb, og hjelpe selskaper med å ansette drømmeansatte. Hvis du er en utvikler som er interessert i å jobbe med problemer som dette og hjelpe folk med å finne drømmejobben, kan du ta kontakt.
