Oletko fullstack-ninja, joka on innostunut villisti nopeasti kasvavista aloittelijoista, joilla on hauskoja toimistoja? Vai oletko harkittu kehittäjä, joka etsii tukevaa työpaikkaa, jolla on potentiaalia etenemiseen?
Kumpaakin kieletyyliä voitaisiin käyttää kuvaamaan samaa kantaa, ja tällaiset valinnat voivat olla kriittisiä yrityksen tarvitsemien ehdokkaiden houkuttelemiseksi. Työpaikkaa vastaavan äänen intuitiivinen valitseminen tuntuu luonnolliselta strategialta. Mutta kun haluat heittää laajan verkon, mikä on paras tapa edetä?
Olemme kiinnostuneita siitä, kuinka esimerkiksi tekstisisältö korreloi muiden tietojen kanssa - kuten "Käytä työhön" napsautukset. Yksi menetelmä tekstiasiakirjojen ominaisuuksien mittaamiseksi ja vertaamiseksi (monien joukossa) on sentimenttianalyysi. Yleisesti ottaen sentimenttianalyysimenetelmät mittaavat usein "positiivisen" tai "negatiivisen" tekstidokumentin laskemalla avainsanat ja termit, jotka liittyvät näihin kahteen vastakkaisuuteen.
Saadaksesi nopean käsityksen siitä, kuinka tunteet voivat vaikuttaa työpaikkaklikkauksiin, käytimme valmiiksi koulutettua tuntemusanalysaattoria työkalun nimessä textblob. Käytimme tätä analysoidaksemme kaikkien niiden töiden tekstit, jotka koskaan ovat olleet museossa. Seuraava kaavio osoittaa, että tämän hyllytyökalun mukaan suurin osa työtehtävistä käyttää lievästi positiivista kieltä.
Jokaiselle työlle annettiin sentimenttipiste, jaksomme kaikki työtehtävät 6: aan samankokoiseen ryhmään negatiivisimmista positiivisimpiin. Kunkin ryhmän tuntejakaumaa voidaan verrata alla olevaan kuvaajaan:
Tämä on eräänlainen datan visualisointi, jota kutsutaan laatikkosuunnitelmaksi, ja se auttaa tiivistämään, kuinka 6 ryhmämme eroavat toisistaan. Esimerkiksi kunkin suorakaiteen keskellä oleva viiva merkitsee kunkin ryhmän keskimääräistä tuntemuspistettä; ryhmän työtyyppien tyypilliset tuntemuspisteet ovat lähellä tätä riviä. Koko suorakulmio sulkee 50% tiedoista, jotka ovat lähinnä tätä riviä (eli tyypillisintä). Tällainen yhteenveto (jossa on joitain raakatietoja päällekkäin) auttaa meitä ymmärtämään, että positiivisimpia sanoja sisältävät työt, kun tarkastellaan kaikkia työryhmiä, ovat historiallisesti saaneet enemmän napsautuskohtaisia tietoja.
Näitä ominaisuuksia on paljon hienostuneempia tapoja tarkastella, ja yllä olevat tontit vain naarmuttavat sen pinnan, mitä tiedot voivat auttaa meitä ymmärtämään. Myös eri yrityksillä on erilaiset tavoitteet työnvälityksessä - työnhakijoiden laatu tai spesifisyys voivat olla esimerkiksi tärkeämpiä määriä.
Museossa käytämme tietoja näiden ja muiden ongelmien ymmärtämiseen auttaaksemme työnhakijoita löytämään unelmatyönsä ja auttamaan yrityksiä palkkaamaan unelmatyöntekijöitä. Jos olet kehittäjä, joka on kiinnostunut työskentelemään tällaisten ongelmien parissa, auttamaan ihmisiä löytämään unelmatyönsä, ota yhteyttä.
