"Углубленный анализ"

Прогнозирование результатов собеседования с помощью обзоров Glassdoor

Основанный на данных подход к прогнозированию результатов собеседований

Предостережение: Точность этого анализа так же хороша, как и точность отзывов, представленных соискателями на Glassdoor. Кроме того, поскольку эти кандидаты, скорее всего, предоставят отзывы на Glassdoor после завершения процесса, весьма вероятно, что знание результата повлияет на то, как они будут рассматривать весь процесс и, в сущности, на их ответы на отзывы.

Когда в последний раз вы приходили на собеседование с чувством, что убили его, но вам так и не поступило предложение? Если вы пошли на собеседование, скорее всего, у вас были хорошие, плохие и уродливые. Итак, что может быть определяющим для получения предложений? Действительно ли рефералы имеют значение? Могут ли кандидаты точно оценить, насколько положительным или отрицательным было их собеседование? В какой набор компаний обычно труднее попасть? Чтобы понять их динамику, я решил покопаться в обзорах собеседований ведущих компаний на популярном сайте вакансий Glassdoor.

МОЙ ПОДХОД

Обзоры были отменены с использованием пакета R Selenium для 23 компаний, включая банки, консалтинговые фирмы (MBB - Mckinsey, Bain & BCG, большую четверку - EY, Deloitte, PwC и KPMG) и несколько технологических компаний. Это позволило мне расширить знания о веб-скрапинге, которые я получил из своего предыдущего проекта по заголовкам новостей. Вот как выглядят данные после завершения всей очистки и предварительной обработки:

Цель состоит в том, чтобы предсказать, получит ли кандидат предложение или нет, и изучить факторы, которые повлияли на этот результат, на основе таких деталей обзора, как источник направления, продолжительность процесса, сложность собеседования, общий опыт кандидата. Я провел некоторое исследование данных, чтобы обнаружить закономерности в данных, затем построил модель машинного обучения с использованием пакета R h2o (как R-стан, этот проект был завершен с использованием R).

ИНФОРМАЦИЯ:

Больше кандидатов на собеседование считают процесс MBB более сложным, чем Google. Однако MBB принимают почти в два раза больше кандидатов, чем Google.

Обзор кандидатов показал, что у MBB в среднем самый сложный процесс, за ним идут технологические фирмы, в то время как у банков и фирм большой четверки этот процесс относительно проще.

Но означает ли эта высокая сложность, что MBB и технологические компании предлагают более низкие предложения?

Как и следовало ожидать, чем выше сложность, тем ниже рейтинг предложений компаний. Отсюда следует, что компании с более высокой степенью сложности будут иметь более низкие ставки предложения. Однако при внимательном рассмотрении приведенной выше диаграммы вы увидите, что MBB по-прежнему предлагают много предложений по сравнению с Google, несмотря на более сложный процесс.

То, как вы относитесь к процессу, важнее того, насколько сложным было ваше собеседование.

То, как они обращались с вами, как вы относились к процессу и как вы относились к своим интервьюерам, гораздо важнее, чем если бы вы заикались, отвечая на пару вопросов.

Модель машинного обучения использовалась для определения того, получит ли кандидат предложение. Я использовал алгоритм под названием GBM с точностью 78%, а затем попытался понять, какие переменные были наиболее важными для определения того, кто получит предложение.

На диаграмме ниже показаны переменные в порядке их влияния на модель. Опыт собеседования, который описывает, как соискатель чувствует себя после собеседования, безусловно, является самым важным из всех. Но какое чувство гарантирует предложение?

Я уверен, вы этого ожидали! Кандидаты, которые сообщили о положительном опыте собеседования, были более успешными, чем другие с нейтральным и отрицательным опытом. Однако я уверен, что вы не ожидали, что разрыв будет таким большим. 70% соискателей с положительным опытом получили предложения по сравнению с 20–30% соискателей с нейтральным или отрицательным опытом.

Я знаю, о чем вы, возможно, думаете, людям, получившим предложения и утверждающим, что у них положительный опыт, было легче пройти собеседование, верно?

Мы ожидали, что кандидатам с положительным опытом было бы легко пройти собеседование, но есть и другие кандидаты со средним опытом. Это затем заставляет задуматься о том, что ваше ощущение после процесса более важно, чем то, насколько сложным было ваше собеседование.

Когда вы подаете заявление онлайн или на ярмарке вакансий в колледже, шансы складываются против вас.

Следующей по важности функцией, влияющей на получение предложения, является ваш источник рефералов, то есть то, как вы связались с Компанией.

Большинство заявок было инициировано онлайн, на ярмарке вакансий в колледже / университете, по рекомендации сотрудника или напрямую от рекрутера компании.

Результаты от заявок, которые вы подаете онлайн или через ярмарку колледжей / университетов, предсказать гораздо труднее, потому что таких, как вы, много, и конкуренция будет жестче. Кроме того, потребуется так много усилий, чтобы убедить Компанию в ваших способностях по сравнению с кандидатом, получившим направление Сотрудника, для которого результаты намного более предсказуемы и успешны. Однако меня шокирует то, что даже если рекрутер обращается к вам через ваш LinkedIn или блог, это не означает, что вы получите предложение.

В итоге:

  • Если вы нравитесь компании, скорее всего, они отнесутся к вам хорошо
  • Позитивные ощущения после собеседования важнее, чем легкое собеседование
  • Хорошей отправной точкой может стать реферал сотрудника
  • Если вы подаете заявление онлайн или на ярмарке вакансий в колледже, вам понадобятся более сильные учетные данные, чем кому-либо, имеющему направление сотрудника.

ДОРОГА ВПЕРЕДИ

  • Получите больше возможностей для работы с данными, используя текстовую аналитику для работы с вопросами на собеседовании и ответами кандидатов
  • Настройка параметров для дальнейшего повышения производительности и точности модели
  • Создайте веб-приложение, в котором пользователи могут вводить информацию о своих интервью и получать прогноз ожидаемого результата.