招聘平台怎么构建用户标签体系?

打窝大师团队 2020-11-03 09:45

1604368639977388.png


  当前,基于用户画像的标签系统开始在各行各业中得到应用,对于一个涉及范围广、专业性强的互联网招聘领域,构建标签系统的难点又是什么?标签制度应如何建立?如何确认标签系统的准确性?本文打窝大师就这三个问题展开分析探讨,与运营小伙伴们分享。


  一、招聘领域标签系统建设的难点

  电子产业客观上属于相对简单的 toC领域,知识网络是相对容易理解的一般知识,可以根据用户的购买习惯、偏好、商品种类等建立起分类标签系统。医疗业属于专业性很强的领域,建立标签系统必须有一支懂医疗技术的专家队伍,但容易运营的是,只需医疗业一名专家就能完成标签系统的专业构建。

  但是对招聘业而言,行业、职位涉及范围广,且专业性强,因为各行各业的公司和求职者都会通过招聘平台建立联系,而且有许多高精专的职位和候选人,如何评价各行业、各工种、各行业之间的专业匹配度,确实是一个大难题,而且理论上需要集中各行业、各职位的专家人才来建立招聘业的标签体系,但现实中这又如何运营?

  所以机器能自动完成招聘区域的标签系统建设吗?使用 NLP提取职位 JD中的描述,然后将描述进行聚类,如提取 Java、 spring、 Unix、 Visio、 Excel等工具技能,提取原型设计、交互设计、需求分析等工作内容技能,提取工作方向技能,如用户运营、产品运营、数据运营等,这是互联网从业人员最为熟悉的开发、产品、运营的工作内容和技能,如果机器能够识别这些分类标签,那就完美无缺了。

  但是,看起来完美而和谐的现实是这样的:如果 Java是在招聘专员的工作描述中出现的呢?如果 Visio出现在 Java工程师的描述中,用户会写“负责招聘 Java工程师”吗?如果 Excel出现在运营专员的工作职责中怎么办?这个职位的核心能力是技术还是能力?

  第一, Java出现在招聘专员出时实际上是可以被严格过滤掉的,例如限制职位与技能的关系,也就是说,并非所有技能都能满足所有职位,有些技能只适用于某些职位,而在其他职位中则是无效信息。

  第二,需求分析是产品经理技能的标尺吗?有人说肯定有,这个回答可以说对也可以说错,是因为需求分析是产品必须具备的能力和工作内容,不是因为所有的产品经理都需要需求分析,那么这个能力还是产品经理与其他产品经理的区别呢?

  最终 EXCEL会出现在运营专员里面,也会出现在招聘专员里面,也会出现在统计专员里面,那么它仍然是一个核心的技能标签吗?

  由上述分析可以得出以下结论:

  并非所有技能都适用于所有职位,因此应当为每一职位确定一个核心技能标签系统,因为非核心技能有时不仅无效,而且还会起到反作用;该职位所需的所有技能或所做的工作内容也不应成为该职位的技能标签,因为这是该职位的一般能力没有差别的体现,而技能标签应是该职位所需的核心技能,并能区分不同职位或简历。

  因此,通过以上分析可知,纯粹的 NLP机器识别方式无法完成招聘领域的标签化体系建设,因为机器无法在一份工作的众多技能中筛选出哪些是重要的知识技能,哪些是不重要的知识技能。

  二、招聘领域如何建立标签系统

  1.基于静态信息的通用标准标签

  招聘界的标签运营小伙伴们第一个能想到的就是学历、工作年限、工资水平等比较通用的职位/简历端匹配维度,当然这些显性通用的标签早就被各个招聘网做成了有条理的筛选条目。

  第二是对小群体的要求,如有的职位要求海外经历、党员资格、国企工作经历、国籍、年龄等等,有些平台还将其中的某些维度作为平台的结构性标签。

  但这并不是运营小伙伴们研究的重点,运营小伙伴们主要研究每一个岗位的专业知识和技能。

  2.以静态信息为基础的专业知识细化标签

  知识标牌系统建设的重点在于建立专业的职位研究专家队伍,想要做某一职位的知识标牌研究,当然需要熟悉该职位的人,是选择从事该职位的人呢,还是了解这类职位的 HR人呢?

  于是对这两类人员进行了调查和分析,最后发现,虽然从事这一工作的人对所从事的工作了解较深,但对其他相关工作不一定了解,也不太了解招聘过程中用户的感受和思考;人力资源专业人士虽然对职位不太了解,但对职位了解的专业程度较深,只要从事过某一行业的人力资源工作,基本都熟悉该行业的所有职位和关注的重点技能,并且 HR经常使用招聘平台,具有用户感知,对用户行为和逻辑十分了解,因此 HR更适合做职位专业知识调查,而这个专家队伍最好是来自不同行业的人力资源工作者。

  这个小组建立好了,大概研究思路也有了,接下来就可以好好研究具体的标签体系生产流程和规则了,总结如下图所示:

  系统构建的目的肯定是应用于算法的推荐和搜索,初期可以通过线下的漏斗数据转化对比(命中率和未命中率的转化对比)来验证标签系统的线下匹配效果,其次可以通过灰度实验、小流量的线上实验来验证实际线上匹配效果。

  专家知识标签只关注匹配度的准度,最终线上使用肯定还要考虑用户是否活跃, B端 HR是否急着要人, C端求职者是否在找工作,如何平衡专家知识准度和用户行为活度的权重也是一个大难题,要想找到一个准度和活度均衡的区间,在这个区间内能达到最大用户达成,这方面打窝大师在这里不多做分析,需要算法同学多次调整模型来达到。


1604368239792395.jpg


  3.用户基于动态信息的行为标记

  以用户行为为基础的用户画像标记系统在电商领域应用广泛,在招聘领域也有类似的标记系统,不过,电商领域的“查看-联系卖家-购买”行为在招聘领域变成了“查看-聊天-达成见面”行为。

  电子商务中的协同筛选理论在招聘平台上也同样适用,只是转变为基于相似职位和相似候选人的筛选。有些企业以前达成的大多数协议都是名校毕业生,那么运营小伙伴们知道该企业偏爱有名校背景的毕业生;有些企业招聘销售人员时,往往偏爱有软件销售经验的应聘者,而销售人员则偏爱有专业知识的软件行业毕业生。

  利用用户画像系统运营小伙伴们可以对用户的偏好进行评价,以便在以后的用户推荐中使用其偏好,从而达到更好的效果。

  三、招聘领域中静动态标号系统的综合应用

  静态通用标签是各职类分享的标签特征,属于大规模标准化生产和运营,通用标签生产完善,可实现粗矿大步快跑节奏匹配达成;其中,专门知识标签是每一类职位的专门标记特征,是小批量精细生产和运营,在大步向前达到一定匹配度后,再结合精细小步快跑方式,逐步将每一职类的精细颗粒度划分为更精细颗粒度,达到更高匹配度;经过先前标准化、精化两轮分类后,数据已被划分为若干小类,但并未对单个用户的偏差进行测量,而动态用户行为标签则是单个用户的个性化偏好特征,用户的偏好有可能是一般学历、年龄或专业知识中的某一特定技术框架、某一产品类别特征。

  归根结底,静态标准化通用标签、专业化精细标签、动态行为个性化偏好标签,三者相互作用、相互补充,共同提高招聘领域线上效果匹配的准确性。


上一篇 下一篇