8-800-777-38-40

Звонок по России
бесплатный

info@i-neti.ru

История успеха Флуми.ру

О клиенте и полученных выгодах

Наталия Гришина

Руководитель проекта flumi.ru

Наши HR-специалисты проставили в трех тысячах резюме Программистов 1С признак "подходит/не подходит", чтобы обучить модель. Потратили целую неделю, но это стоило того - автоматизация избавит наших персональщиков от самой скучной и рутинной части их работы. Высвободившееся время HR-менеджеры направят на общение с правильными кандидатами.

Кратко о клиенте

Флуми.ру - сервис по подбору наиболее подходящего фрилансера 1С или Битрикс под потребности заказчика. В сервисе многоступенчатый отбор специалистов - несколько уровней собеседований, проверка теоретических знаний, практический тест. 

Задача

Сотрудники Флуми.ру тратят много времени на поиск, изучение резюме и принятие решения приглашать кандидата на собеседование или нет.

В какой то момент задались вопросом, а можно ли автоматизировать Ресёчинг  - первый этап рекрутинга, связанный с поиском и первичной обработкой информации?

Решение

Разработали решение - создали программу HRHelper.

С сайта с hh.ru с помощью API загрузили 3 000 резюме, в названии которых встречалось слово "Программист 1С". Разложили резюме по полям, сохранили в базе данных MS SQL. Передали файл в формате csv HR-менеджерам, чтобы они проставили признаки "приглашать на собеседование / не приглашать".

После первой сотни резюме девушки высказались категорично - читать резюме кандидата в длинной строчке Excel очень неудобно. Разработчики пошли навстречу, написали небольшую программу, которая выводила резюме в обычном виде (как на сайтах поиска работы). Плюс добавили две большие кнопки "Да", "Нет".

Два HR-менеджера в течение недели промаркировали данные. После этого эксперт по машинному обучению разбил данные на два датасета:  Данные для обучения и Данные для перекрёстной проверки (cross-validation, то есть данные для оценки поведения модели на независимых данных). 

Протестировав разные модели машинного обучения, наш эксперт выбрал лучшую, которая показала точность 82%. Для текущей задачи такой точности вполне достаточно. 

Выгода

Проект находится в завершающей стадии. По завершении проекта HR-менеджеры будут ежедневно получать на почту список подходящих кандидатов. По предварительным оценкам, благодаря автоматизации ресёчинга, поиска и выбора подходящих кандидатов, специалисты сэкономят около 10% своего времени.

Используемые технологии

Среда разработки: Python for machine learning
Модели: XGBoost algorithm, Support vector clustering (SVC) algorithm
Визуализация: График ROC curves, чтобы отразить true positive и false positive и найти оптимальный порог. График Feature importance.

Планы на будущее

Реализовать механизм дообучения и даже полного переобучения модели в ходе эксплуатации. Если модель рекомендовала неподходящего кандидата, HR-менеджер просто помечает данное резюме "Не подходит", по аналогии с тем, как он помечает "Спам" в почте.

 

Скриншот бета-версии решения: