あなたは、楽しいオフィスで急成長しているスタートアップに興奮しているフルスタックの忍者ですか？ それとも、進歩の可能性がある支援的な職場を探している思慮深い開発者ですか？
どちらの言語スタイルでも同じ立場を説明するために使用できますが、企業が必要とする種類の候補者を引き付けるには、このような選択が重要になる場合があります。 職場に合った音声を直感的に選択することは、自然な戦略のようです。 しかし、ワイドネットをキャストする場合、今後の最善の方法は何ですか？
テキストコンテンツのようなものが、「ジョブに適用」クリックなどの他のメトリックとどのように相関するかに興味があります。 （多くの）テキスト文書の特性を測定および比較する1つの方法は、感情分析です。 概して、感情分析の方法では、テキスト文書がどれほど「ポジティブ」または「ネガティブ」であるかを、これら2つの正反対に関連するキーワードと用語を数えることで測定することがよくあります。
センチメントがジョブの適用クリックにどのように影響するかをすばやく把握するために、textblobというツール内で事前トレーニング済みのセンチメントアナライザーを使用しました。 これを使用して、The Museで公開されたすべてのジョブのテキストを分析しました。 以下のこのプロットは、この既製のツールによると、ほとんどの求人情報がややポジティブな言語を使用していることを示しています。
各ジョブにセンチメントスコアが割り当てられているため、すべてのジョブポストを、最も否定的な感情から最も肯定的な感情まで、同じサイズの6つのグループに分類します。 各グループのセンチメント分布は、以下のプロットで比較できます。
これはボックスプロットと呼ばれる一種のデータ視覚化であり、6つのグループの違いを要約するのに役立ちます。 たとえば、各長方形の中央にある線は、各グループのセンチメントスコアの中央値を示しています。 グループ内のジョブの一般的なセンチメントスコアは、この線の近くにあります。 完全な長方形は、この行に最も近い（つまり、最も典型的な）データの50％を囲みます。 この種の要約（一部の生データがオーバーレイされています）は、すべての職種を調べたときに、より肯定的な言葉を特徴とする職種がこれまでより多くの適用クリックを獲得していることを理解するのに役立ちます。
これらの品質を見るためのはるかに洗練された方法があり、上記のプロットは、私たちが理解するのに役立つデータの表面をほんの少しだけ示しています。 また、企業ごとに求人の目標が異なります。たとえば、求職者の質や特異性がより重要な量になる場合があります。
The Museでは、これらの問題やその他の問題を理解するためにデータを使用して、求職者が夢の仕事を見つけ、企業が夢の従業員を雇うのを支援しています。 このような問題に取り組み、人々が夢の仕事を見つけられるよう支援することに興味のある開発者の方は、ご連絡ください。
