Är du en fullstack ninja som är entusiastisk över vilt snabbt växande startups med roliga kontor? Eller är du en tankeväckande utvecklare som letar efter en stödjande arbetsplats med potential för framsteg?
Endera språkstil kan användas för att beskriva samma position, och val som detta kan vara avgörande för att locka till sig sådana kandidater som ett företag behöver. Att intuitivt välja en röst som matchar en arbetsplats verkar som en naturlig strategi. Men när du vill kasta ett brett nät, vad är den bästa vägen framåt?
Vi är intresserade av hur saker som textinnehåll korrelerar med andra mätvärden - som klick på "tillämpas på jobb". En metod för att mäta och jämföra egenskaper hos textdokument (bland många) är sentimentanalys. I stort sett mäter sentimentanalyser ofta hur "positivt" eller "negativt" ett textdokument är genom att räkna nyckelord och termer som är associerade med dessa två motsatser.
För att få en snabb känsla för hur känslor kan påverka klick på jobb använder vi en förutbildad sentimentanalysator i ett verktyg som kallas textblod. Vi använde detta för att analysera texten på alla jobb som någonsin gick live på The Muse. Den här plottet nedan visar att enligt detta verktyg utanför hyllan använder de flesta jobbställningar något positivt språk.
Med varje jobb som tilldelats en känsla för sentiment lägger vi alla jobb in i 6 lika stora grupper, från mest negativa till mest positiva känslor. Sentimentfördelningarna för varje grupp kan jämföras i tomten nedan:
Detta är en typ av datavisualisering kallas en ruta plot och hjälper till att sammanfatta hur våra 6 grupper skiljer sig åt. Till exempel markerar linjen i mitten av varje rektangel medianens känsla för varje grupp; typiska känslomässiga poäng för jobb i en grupp är nära denna rad. Hela rektangeln inkluderar 50% av de data som är närmast denna rad (dvs. den mest typiska). Den här typen av sammanfattning (som innehåller vissa rådata som är överlagda) hjälper oss att förstå att jobb som innehåller mer positiva ord, när vi tittar över alla jobbkategorier, historiskt sett har fått fler tillämpliga klick.
Det finns mycket mer sofistikerade sätt att titta på dessa egenskaper, och tomterna ovan skrapar bara ytan på vad data kan hjälpa oss att förstå. Olika företag har också olika mål för sin anställning - till exempel kvalitet eller specificitet hos arbetssökande.
På The Muse använder vi data för att förstå dessa och andra problem för att hjälpa arbetssökande att hitta sitt drömjobb och hjälpa företag att anställa drömmedarbetare. Om du är en utvecklare som är intresserad av att arbeta med problem som detta och hjälpa människor att hitta sitt drömjobb, vänligen kontakta.
