Você é um ninja fullstack que está animado com startups de crescimento rápido com escritórios divertidos? Ou você é um desenvolvedor atencioso à procura de um local de trabalho de apoio com potencial para o avanço?
Qualquer estilo de linguagem pode ser usado para descrever a mesma posição, e escolhas como essa podem ser críticas para atrair o tipo de candidato de que uma empresa precisa. Escolher intuitivamente uma voz que corresponda a um local de trabalho parece uma estratégia natural. Mas quando você quer lançar uma rede ampla, qual é o melhor caminho a seguir?
Estamos interessados em saber como coisas como o conteúdo de texto se correlacionam com outras métricas, como cliques de "aplicar no emprego". Um método para medir e comparar características de documentos de texto (entre muitos) é a análise de sentimento. Em termos gerais, os métodos de análise de sentimentos geralmente medem como um documento de texto é "positivo" ou "negativo", contando palavras-chave e termos associados a esses dois opostos.
Para ter uma ideia rápida de como o sentimento pode afetar os cliques de emprego, usamos um analisador de sentimento pré-treinado dentro de uma ferramenta chamada textblob. Usamos isso para analisar o texto de todos os trabalhos que já foram publicados no Muse. Este gráfico abaixo mostra que, de acordo com essa ferramenta de prateleira, a maioria dos postos de trabalho usa uma linguagem moderadamente positiva.
Com cada trabalho atribuído a uma pontuação de sentimento, colocamos todos os postos de trabalho em seis grupos de tamanho igual, do sentimento mais negativo para o mais positivo. As distribuições de sentimento de cada grupo podem ser comparadas no gráfico abaixo:
Este é um tipo de visualização de dados que é chamado de box plot e ajuda a resumir como nossos 6 grupos diferem. Por exemplo, a linha no meio de cada retângulo marca a pontuação mediana do sentimento para cada grupo; As pontuações de sentimento típicas para trabalhos em um grupo estão próximas a essa linha. O retângulo completo inclui os 50% dos dados mais próximos dessa linha (ou seja, os mais típicos). Esse tipo de resumo (que apresenta alguns dados brutos sobrepostos) nos ajuda a entender que os trabalhos que apresentam palavras mais positivas, quando examinam todas as categorias de trabalho, têm historicamente mais cliques aplicáveis.
Existem maneiras muito mais sofisticadas de olhar para essas qualidades, e os enredos acima apenas arranham a superfície dos dados que podem nos ajudar a entender. Também diferentes empresas têm objetivos diferentes para o seu trabalho - a qualidade ou a especificidade dos candidatos a emprego podem ser quantidades mais importantes, por exemplo.
No The Muse, estamos usando dados para entender esses e outros problemas para ajudar os candidatos a encontrar seu emprego dos sonhos e ajudar as empresas a contratar funcionários dos sonhos. Se você é um desenvolvedor interessado em trabalhar em problemas como este, ajudando as pessoas a encontrar o emprego dos seus sonhos, por favor entre em contato.
