ПО «Магуча»
машинное чтение вакансий и резюме

Индекс закрытия резюме

В статье рассматривается алгоритм определения «индекса закрытия резюме» по конкретным профессиям для аналитики рынка труда.

Проблематика

На рынке труда большое количество опубликованных резюме, которые давно не обновлялись, но неясно — являются ли они «брошенными» (то есть соискатель успешно нашел работу, но забыл закрыть резюме) или по-прежнему актуальны, и соискатель надеется на входящие предложения от работодателей.

Понимание фактического статуса резюме позволяет точнее видеть ситуацию на рынке труда: соотносить количество имеющихся специалистов с числом имеющихся вакансий, отражать кадровые перекосы. Особенно важна точность при возникновении растущего тренда на увеличение разрыва между рабочими местами и свободными специалистами — за большим разрывом следует принятие решений. Точность оценки ситуации обеспечивает правильность решений.

Как решается сейчас

В настоящее время для оценки актуальности резюме многие эксперты предпочитают следующую методику: актуальными считаются все резюме созданные или обновленные за n – последних дней. Как правило, за 100 последних дней (что примерно соответствует 3 месяцам).

Вторая по популярности методика – это разделение профессий на несколько категорий и для каждой категории определяется свое значение n:

  • Для рабочих специальностей число n составляет от 2 до 4 недель.
  • Для СПО-профессий — от 1 до 3 месяцев.
  • Для профессий, требующих высшего образования — от 3 до 6 месяцев.

Мы считаем этот подход некорректным: степень квалификации не отражает скорость трудоустройства, так как является вторичным (производным) фактором. Гораздо более важно, является ли профессия массовой (то есть нужной на рынке труда в любое время в любом населенном пункте) или относится к категории редких. Между этими полюсами может быть большее количество категорий.

Предлагаемое решение

Деление на категории по требуемому образованию (квалификации) характерно для теоретических моделей аналогового мира: в наше время мы можем точно оценить индекс востребованности любой профессии в любом конкретном городе — проводя цифровой анализ рынка вакансий.

Более того, мы можем пойти дальше, по совокупности вакансий сформировать усредненный «портрет профессии» в конкретном городе, учитывая требования работодателя к квалификации, знаниям, навыкам, опыту; предлагаемую заработную плату, график работы и тип трудоустройства, чтобы сравнить этот портрет с данными каждого соискателя по этой профессии.

Другими словами, мы предлагаем построить не «индекс закрытия резюме» исходя из профессии, а «индекс закрытия резюме» для каждого конкретного соискателя (точнее его резюме) в отдельности.

Для построения рабочей модели нам необходимо выделить все влияющие факторы, разделить их на более и менее значимые (критические и оптимизирующие), проранжировать каждый фактор, а также предположить вес (ранжирование) для различных конфигураций (комбинаций) факторов и/или возможных «исключений» из правил.

Так, к примеру (но не ограничиваясь этим):

  1. Индекс Фраучи (условный индекс, показывающий конкурентность* профессий: соотношения числа однотипных вакансий к однотипным резюме) показывает, является ли рынок сбалансированным или это больше «рынок работодателя» (или «соискателя»). Другими словами, насколько велик спрос на данных специалистов в этом конкретном населенном пункте?
  2. Насколько отличаются зарплатные ожидания соискателя от среднего диапазона предложений работодателей? (Адекватная оценка соответствует единице, а чем больше различие – тем выше коэффициент несоответствия).
  3. Насколько совпадают требования вакансий к навыкам, знаниям, опыту,  имеющегося у соискателя (точнее указанных в его резюме)?
  4. Насколько соответствует график работы и тип трудоустройства, указанный у соискателя, имеющимся предложениям среди вакансий?
  5. Является ли профессия сезонной (цикличной) и не подходит ли срок размещения резюме к очередному колебанию востребованности профессии (как к сезонному спаду, так и подъему)?
  6. Как выглядит резюме соискателя «глазами работодателя»? Есть ли в нем факторы «понижающие привлекательность» соискателя, такие как: несоответствие образования и профессии, частая смена рабочих мест, затяжные перерывы в стаже, отсутствие описаний качеств, низкий уровень «заполненности» резюме и так далее. Эти же факторы могут влиять и на повышение «рейтинга» соискателя, а кроме них – наличие известного работодателя в портфолио соискателя с длительным сроком работы у него; наличие дополнительного образования и др.  Для ряда профессий могут учитываться факторы пола и возраста.
  7. (…)

Во внимание принимаются и такие факторы, как «сложность трудоустройства» по профессии (есть профессии, например, рабочие, где для принятия решения достаточно одной встречи работодателя с соискателем, а то и телефонного интервью. А есть профессии, где, как правило, проводится не менее 2-х, а то и более встреч-собеседований разного уровня).

Дополнительно потребуется информация об «индексе цикличности» профессий, для расчета которого используется оригинальный алгоритм обработки и анализа вакансий и резюме, а также предикативных моделей.

В соответствии с весом каждого параметра, модель взвешивает «критические факторы» (которые определяют ключевые параметры соответствия) и «оптимизирующие факторы» (повышающие или понижающие привлекательность конкретного соискателя/его резюме) и определяет итоговый рейтинг «закрытия резюме» для каждого конкретного случая.

Перевод рейтинга в конкретный срок и его калибровка

Сам рейтинг отвечает скорее на вопрос «быстро или долго» будут принимать на работу этого соискателя, а также как именно быстро или долго. Но это условное деление, которое требуется привязать к конкретным датам. Как можно это сделать?

Мы можем сравнить и проанализировать базы резюме за ряд дат (например, за каждые 2 недели, 3 месяца, полгода и т.д.) за несколько лет. Опираясь на персональный ID – определить, как часто закрывалось резюме (снималось с публикации) или как в нем появлялась запись о новом рабочем опыте (когда соискатель закрывал вакансию, а потом снова ее открывал, пополнив свое резюме новой записью о трудовом опыте).

Кроме анализа резюме нам также предстоит провести и анализ рынка вакансий за эти же даты, чтобы оценить вес для корреляции между соотношением числа вакансий к числу резюме и индексом закрытия резюме.

Таким образом, мы получим приблизительный и усредненный срез между профессией и сроком закрытия резюме. Дальше нам потребуется сегментировать резюме по показателям различных факторов (например, «заполненности резюме» или наборам навыков и доп. образования) — от максимально привлекательных для работодателя, до максимально «непригодных», и посмотреть на то, как быстро закрывались резюме этих групп. Сравнивая эти результаты со средним значением, мы сможем откалибровать наш «градусник», демонстрирующий скорость закрытия резюме с учетом измеряемых факторов.

В дальнейшем, наиболее яркие «портреты» условных соискателей мы показываем экспертам (эйчарам, специализирующимся на закрытии именно по данным профессиям с учетом требуемой квалификации), чтобы в ручном порядке получить их экспертную оценку о степени привлекательности соискателя и соответствии указанных в резюме факторов внутренним критериям соответствия соискателя к вакансии.

Наконец, мы определяем контрольную группу по ряду профессий (в выборку попадают как наиболее «сложные» профессии по факторам, влияющим на трудоустройство, так и наиболее «легкие»), и проверяем закрытие в ручном порядке с помощью телефонных интервью.

Недостаток метода

Требует дорогостоящих вычислительных мощностей для обработки миллионов резюме и вакансий за большое количество срезов данных.

Решение

После проведения ручной выборки — формирование баз данных для обучения простой нейронной сети (ML).