당신은 재미있는 사무실과 함께 빠르게 성장하는 신생 기업에 대해 흥분하는 풀 스택 닌자입니까? 아니면 발전 가능성이있는 지원적인 직장을 찾고있는 사려 깊은 개발자입니까?
어떤 언어 스타일이든 동일한 입장을 설명하는 데 사용될 수 있으며, 이와 같은 선택은 회사가 필요로하는 후보자를 유치하는 데 중요 할 수 있습니다. 직장과 어울리는 목소리를 직관적으로 선택하는 것은 자연스러운 전략처럼 보입니다. 그러나 넓은 그물을 던지고 싶을 때 가장 좋은 방법은 무엇입니까?
텍스트 콘텐츠와 같은 것이 "직업에 적용"클릭과 같은 다른 메트릭과 어떻게 관련되는지에 관심이 있습니다. 텍스트 문서의 특성을 측정하고 비교하는 한 가지 방법은 감정 분석입니다. 일반적으로 감정 분석 방법은 종종이 두 반대와 관련된 핵심 단어와 용어를 세어 텍스트 문서의 "긍정적"또는 "부정적"을 측정합니다.
감정이 작업 적용 클릭에 어떤 영향을 줄 수 있는지에 대한 빠른 느낌을 얻기 위해 textblob라는 도구 안에 사전 훈련 된 감정 분석기를 사용했습니다. 우리는 이것을 사용하여 Muse에 생겨난 모든 직업의 텍스트를 분석했습니다. 아래의이 그림은이 기성품 도구에 따르면 대부분의 채용 공고는 약간 긍정적 인 언어를 사용한다는 것을 보여줍니다.
각 직종에 정서 점수가 부여되면 모든 직무 게시물이 가장 부정적인 감정부터 가장 긍정적 인 감정까지 6 개의 동일한 크기 그룹으로 분류됩니다. 각 그룹의 감정 분포는 아래 그림에서 비교할 수 있습니다.
이것은 일종의 데이터 시각화를 박스 플롯이라고하며 6 개의 그룹이 어떻게 다른지 요약하는 데 도움이됩니다. 예를 들어, 각 사각형의 가운데에있는 선은 각 그룹의 중앙 정서 점수를 나타냅니다. 그룹의 직업에 대한 일반적인 감정 점수는이 선에 가깝습니다. 전체 직사각형은이 선에 가장 가까운 데이터의 50 %를 차지합니다 (가장 일반적인 것). 이러한 종류의 요약 (일부 원시 데이터가 포함됨)은 모든 작업 범주를 살펴볼 때 더 긍정적 인 단어가있는 작업이 역사적으로 더 많은 클릭이 발생했음을 이해하는 데 도움이됩니다.
이러한 특성을 살펴 보는 훨씬 더 정교한 방법이 있으며 위의 그림은 데이터가 이해하는 데 도움이 될 수있는 내용의 표면 만 보여줍니다. 또한 회사마다 채용 공고 목표가 다릅니다. 예를 들어 채용 지원자의 품질 또는 특이성이 더 중요한 수량 일 수 있습니다.
Muse는 데이터를 사용하여 구직자들이 꿈의 직업을 찾고 회사가 꿈의 직원을 고용 할 수 있도록 이러한 문제 및 기타 문제를 이해하고 있습니다. 이와 같은 문제에 관심이있는 개발자가 꿈꾸는 직업을 찾도록 도와 주려면 연락하십시오.
