Êtes-vous un ninja à part entière qui est enthousiasmé par les startups à la croissance extrêmement rapide avec des bureaux amusants? Ou êtes-vous un développeur avisé à la recherche d'un milieu de travail porteur offrant un potentiel d'avancement?
Les deux styles de langage peuvent être utilisés pour décrire le même poste, et de tels choix peuvent être essentiels pour attirer le type de candidats dont une entreprise a besoin. Choisir intuitivement une voix qui correspond à un lieu de travail semble être une stratégie naturelle. Mais quand vous voulez lancer un large réseau, quelle est la meilleure voie à suivre?
Nous nous intéressons à la corrélation entre des éléments tels que le contenu textuel et d'autres indicateurs, comme les clics "s’appliquent à un travail". L'analyse des sentiments est l'une des méthodes permettant de mesurer et de comparer les caractéristiques des documents texte. Dans l’ensemble, les méthodes d’analyse des sentiments mesurent souvent la qualité «positive» ou «négative» d’un document texte en comptant les mots clés et les termes associés à ces deux opposés.
Pour avoir une idée rapide de l'impact du sentiment sur les clics liés à l'application, nous avons utilisé un analyseur de sentiment pré-formé dans un outil appelé textblob. Nous avons utilisé cette information pour analyser le texte de tous les emplois publiés dans The Muse. Ce graphique ci-dessous montre que, selon cet outil disponible dans le commerce, la plupart des postes d'emploi utilisent un langage légèrement positif.
Chaque emploi ayant reçu un score de sentiment, nous avons classé tous les postes dans 6 groupes de taille égale, du sentiment le plus négatif au plus positif. Les distributions de sentiment de chaque groupe peuvent être comparées dans le graphique ci-dessous:
Il s’agit d’une sorte de visualisation de données appelée «boîte à moustaches» qui aide à résumer les différences entre nos 6 groupes. Par exemple, la ligne au milieu de chaque rectangle marque le score du sentiment médian pour chaque groupe; les scores de sentiment typiques pour les emplois dans un groupe sont proches de cette ligne. Le rectangle complet englobe les 50% de données les plus proches de cette ligne (c.-à-d. Les plus typiques). Ce type de résumé (qui contient des données brutes superposées) nous aide à comprendre que les travaux comportant des mots plus positifs, lorsque l’on examine toutes les catégories d’emplois, ont toujours généré plus de clics d’application.
Il existe des moyens beaucoup plus sophistiqués d’examiner ces qualités et les graphiques ci-dessus ne font qu’effleurer la surface de ce que les données peuvent nous aider à comprendre. De plus, différentes entreprises ont des objectifs différents pour leur offre d'emploi - la qualité ou la spécificité des candidats à un emploi peuvent être des quantités plus importantes, par exemple.
Chez The Muse, nous utilisons des données pour comprendre ces problèmes et d’autres pour aider les demandeurs d’emploi à trouver le travail de leurs rêves et pour aider les entreprises à embaucher des employés de rêve. Si vous êtes un développeur intéressé à travailler sur des problèmes de ce type et à aider les gens à trouver l'emploi de leurs rêves, contactez-nous.
