---

Початок шляху: розмова в Slack

В один з звичайних днів у нашому Slack ми обговорювали, як покращити процес підбору кандидатів для компаній. Один з розробників згадав, що кандидати часто стикаються з труднощами в розумінні вимог роботодавців. Цей момент став відправною точкою для нашої команди.

Контекст проблеми

Ми працювали в сфері HR-технологій і розуміли, як важливий якісний підбір кадрів для зростання бізнесу. Компанії скаржилися на брак підходящих кандидатів, а шукачі роботи — на відсутність прозорості в вимогах та очікуваннях. Кожного дня ми бачили, як цей розрив створює проблеми для обох сторін. Важливо було вирішити цю задачу, щоб покращити процеси як для кандидатів, так і для роботодавців.

Конкретна проблема

Одного разу ми отримали запит від стартапу, який не міг знайти підходящого розробника для своєї команди. Вони опублікували вакансію, але отримали безліч резюме від кандидатів, які не відповідали вимогам. Це призвело до втрати часу як для HR, так і для шукачів роботи. Ми зрозуміли, що поточні інструменти не здатні ефективно співвідносити навички кандидатів з потребами компаній.

Перші спроби

Наші перші спроби полягали у використанні стандартних алгоритмів співвідношення резюме. Ми думали, що просто збільшивши кількість даних, зможемо покращити результати. Однак це не дало відчутного ефекту. Ми зіткнулися з проблемами надмірності даних і відсутності контексту, що робило алгоритм неефективним. Врешті-решт, ми вирішили переосмислити наш підхід і звернути увагу на глибше розуміння навичок і вимог.

Технічний підхід

Наша команда розробила новий алгоритм, який враховував не лише ключові слова, але й контекстні зв’язки між навичками та вимогами. Ми впровадили семантичне співвідношення, яке дозволяло більш точно визначати відповідність кандидатів. Ось як виглядав фрагмент коду, який ми використовували для аналізу резюме:

import spacy

def analyze_resume(resume_text):
    nlp = spacy.load('en_core_web_sm')
    doc = nlp(resume_text)
    skills = [token.text for token in doc.ents if token.label_ == 'SKILL']
    return skills

Цей підхід дозволив нам більш точно виявляти навички та відповідності, що в підсумку скоротило час на процес підбору.

Зміни в продукті

Після реалізації нового алгоритму ми помітили значне покращення якості підбору. Компанії почали отримувати більш релевантні резюме, а кандидати — пропозиції, що відповідали їхнім навичкам. Ми оновили сторінки на нашому сайті, щоб відобразити ці зміни, і покращили розділи /jobs та /for-companies, акцентуючи увагу на точності підбору.

Уроки, які ми винесли

• Розуміння контексту важливіше, ніж просте збільшення обсягу даних.
• Використання семантики може суттєво покращити точність підбору.
• Команда повинна бути відкрита до помилок і невдач — це важлива частина процесу.
• Ефективна комунікація між HR та розробниками критично важлива для успіху.
• Не варто недооцінювати важливість зворотного зв’язку від користувачів.

Що це означає для кандидатів

Для кандидатів це означає, що вони можуть очікувати більш персоналізований і точний підхід до підбору вакансій. Ми прагнемо надати їм більш чітку інформацію про вимоги та очікування роботодавців, що, в свою чергу, покращує шанси на успішне працевлаштування.

Що це означає для рекрутерів

Рекрутери тепер можуть працювати з більш якісними даними про кандидатів, що означає менше часу, витраченого на фільтрацію неподходящих резюме. Це дозволить їм зосередитися на більш стратегічних аспектах підбору, таких як взаємодія з кандидатами та побудова відносин з клієнтами.

Наступні кроки

Ми продовжуємо стежити за результатами нашого алгоритму і плануємо подальше його покращення. Зокрема, ми хочемо дослідити можливості інтеграції з іншими платформами та даними. Якби нам довелося щось змінити, ми б почали з більш глибокого аналізу потреб користувачів на самому ранньому етапі. ---