Sigurado ka isang fullstack ninja na nasasabik tungkol sa wildly-mabilis na paglaki ng mga startup na may mga nakakatuwang opisina? O ikaw ay isang maalalahanin na developer na naghahanap ng isang suporta sa lugar ng trabaho na may potensyal para sa pagsulong?
Alinmang estilo ng wika ay maaaring magamit upang mailarawan ang parehong posisyon, at ang mga pagpipilian tulad nito ay maaaring maging kritikal para sa pag-akit ng uri ng mga kandidato na kailangan ng isang kumpanya. Ang intuitibong pagpili ng isang boses na tumutugma sa isang lugar ng trabaho ay parang isang natural na diskarte. Ngunit kung nais mong palayasin ang isang malawak na lambat, ano ang pinakamahusay na paraan pasulong?
Kami ay interesado sa kung paano ang mga bagay tulad ng nilalaman ng teksto ay nakakaugnay sa iba pang mga sukatan - tulad ng pag-click sa "pag-apply sa trabaho". Ang isang pamamaraan para sa pagsukat at paghahambing ng mga katangian ng mga dokumento ng teksto (bukod sa marami) ay pagsusuri ng sentimento. Malawak, madalas na sinusukat ng mga pamamaraan ng pagsusuri ng damdamin kung paano "positibo" o "negatibo" ang isang dokumento ng teksto ay sa pamamagitan ng pagbibilang ng mga pangunahing salita at termino na nauugnay sa dalawang magkasalungat na ito.
Upang makakuha ng isang mabilis na pakiramdam para sa kung paano maaaring makaapekto sa sentimento ang pag-click sa pag-click sa trabaho, ginamit namin ang isang sinanay na sentimento ng sentimento sa loob ng isang tool na tinatawag na textblob. Ginamit namin ito upang pag-aralan ang teksto ng lahat ng mga trabaho na kailanman nabuhay nang live sa The Muse. Ang plot na ito sa ibaba ay nagpapakita na, ayon sa tool na off-the-shelf na ito, ang karamihan sa mga post ng trabaho ay gumagamit ng mahinang positibong wika.
Sa bawat trabaho na nakatalaga ng isang sentimentong marka, inilalagay namin ang lahat ng mga post ng trabaho sa 6 na pantay na laki ng mga grupo, mula sa pinaka-negatibo hanggang sa pinaka-positibong damdamin. Ang mga pamamahagi ng sentimyento ng bawat pangkat ay maaaring ihambing sa balangkas sa ibaba:
Ito ay isang uri ng visualization ng data ay tinatawag na isang kahon ng kahon at nakakatulong upang buod kung paano naiiba ang aming 6 na pangkat. Halimbawa, ang linya sa gitna ng bawat rektanggulo ay nagmamarka ng marka ng sentimento sa panggitna para sa bawat pangkat; ang karaniwang mga marka ng sentimento para sa mga trabaho sa isang grupo ay malapit sa linyang ito. Ang buong parihaba ay nakapaloob sa 50% ng data na pinakamalapit sa linyang ito (ibig sabihin, ang pinaka-karaniwang). Ang ganitong uri ng buod (na nagtatampok ng ilang mga hilaw na data na na-overlay) ay tumutulong sa amin na maunawaan na ang mga trabaho na nagtatampok ng mas positibong mga salita, kapag tinitingnan ang lahat ng mga kategorya ng trabaho, mas maraming kasaysayan ang nakakakuha ng mga pag-click.
Mayroong maraming mga mas sopistikadong paraan upang tingnan ang mga katangiang ito, at ang mga plots sa itaas lamang ay kumamot sa ibabaw ng kung ano ang makakatulong sa amin na maunawaan ang data. Gayundin ang iba't ibang mga kumpanya ay may iba't ibang mga layunin para sa kanilang pag-post ng trabaho - ang kalidad o pagtukoy ng mga aplikante sa trabaho ay maaaring mas mahalagang dami, halimbawa.
Sa The Muse, gumagamit kami ng data upang maunawaan ang mga ito at iba pang mga problema upang matulungan ang mga naghahanap ng trabaho na makahanap ng kanilang pangarap na trabaho, at tulungan ang mga kumpanya na umarkila ng mga empleyado ng pangarap. Kung ikaw ay isang developer na interesado sa pagtatrabaho sa mga problema tulad nito, na tumutulong sa mga tao na makahanap ng kanilang pangarap na trabaho, mangyaring makipag-ugnay.
