最值推荐的3大设计技巧 用户标签体系设计思路

目前 , 基于用户画像的标签系统已经应用于各行各业 。涉及面广、专业知识深的互联网招聘领域 , 建立标签制度有哪些难点?如何建立标签体系?如何验证标签系统的准确性?本文就这三个问题进行分析和探讨 , 与大家分享 。
一、招聘领域建立标签体系的难点 客观来说 , 电子商务属于比较简单的toC领域 , 知识网是一种通俗易懂的知识 , 可以通过用户的购买习惯、喜好、商品类别等建立标签体系 。医疗行业是一个专业性很强的领域 , 标签制度的建立需要一个懂医疗技术的专家团队 。然而 , 易于操作的是 , 只有一个医学领域的专家才能完成专业标签系统的构建 。
但对于招聘行业来说 , 行业和岗位涉及面广 , 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 , 高技能岗位和应聘者非常多 。如何评价B/C终端之间的专业技能、工作岗位、行业的匹配度确实是一大难点 , 而且理论上需要集合各行业、各岗位的专家来建立招聘行业的标签体系 , 但这是
那么机器能自动完成招聘领域的标签系统构建吗?使用NLP提取JD中的描述并进行聚类 , 如提取Java、spring、Unix、Visio、Excel等工具技能 , 原型设计、交互设计、需求分析等工作内容技能 , 用户运营、产品运营、数据运营等工作方向技能 , 这些都是互联网从业者最熟悉的开发、产品、运营的工作内容和技能 。如果机器能识别这些类别标签 , 那就完美了 。
但现实看似完美和谐 。如果Java出现在招聘人员的职位描述中怎么办?用户写的是“负责招聘Java工程师” 。如果Visio出现在Java工程师的描述中会怎样?运营专员的职位描述中出现Excel怎么办?这些技能还不是这个岗位的核心能力吗?
首先 , 当Java出现在招聘人员中时 , 可以通过硬性规则过滤掉 , 比如限制职位与技能的关系 , 即不是所有技能都符合所有职位 , 有些技能只适用于部分职位 , 而在其他职位则是无效信息 。
其次 , 需求分析是产品经理的技能标签吗?有人说是 , 这个答案可以说是也可以说不是 , 对的是因为需求分析确实是产品的必备能力和工作内容 , 错的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区别于其他产品经理的能力吗?
最后 , Excel会出现在运营专员、招聘人员、统计人员中 , 那么它还是核心技能标签吗?
通过以上分析 , 我们可以得到以下归纳总结:
不是所有技能都适用于所有的职位 , 应该定义每个职位的核心技能标签体系 , 因为非核心的技能有时候不仅无效还会起到反作用; 不是所有该职位需要的技能或者做的工作内容都是该职位的技能标签 , 因为它是该岗位的通用能力没有区别度 , 技能标签应该是该职位工种的核心技能且是可以区别不同职位或简历的 。因此 , 通过以上分析可以看出 , 单纯的NLP机器识别方法无法完成招聘领域的标签体系构建 , 因为机器无法在一个职位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、如何建立招聘领域的标签体系 1. 基于静态信息的通用标准化标签 你首先能想到的是职位/简历的大致匹配维度 , 比如学历、工作年限、薪资范围等 。当然 , 这些显性的、笼统的标签早已被各招聘平台做成结构化的筛选项目 。
其次是一些相对较小的维度要求 , 比如有些职位要求有海外经历、党员和国企工作经历、籍贯、年龄等 。有些平台还把这些维度中的一部分做成平台上的结构化标签 。
但是 , 这些都不是我们研究的重点 。我们主要研究的是各个岗位知识方向的技能 。
2. 基于静态信息的专业知识精细化标签 建立专业知识标签体系的关键是建立一支专业岗位研究专家队伍 。想做某个岗位的专业知识标签研究 , 肯定需要熟悉岗位的人 , 是选择在岗位工作的人还是对岗位有所了解的HR人?
【最值推荐的3大设计技巧 用户标签体系设计思路】于是对这两类人员进行了调查分析 , 最终发现从事这个岗位的人虽然对自己所从事的岗位有很深的了解 , 但对其他相关岗位可能并不了解 , 对招聘过程中用户的感知和思考也不是很了解 。


推荐阅读