| Abstract : | Η χρήση τεχνολογιών μηχανικής μάθησης για την αυτοματοποίηση επιχειρησιακών λειτουργειών δεν ήταν ποτέ άλλοτε πιο επίκαιρη. Το φαινόμενο αυτό δύναται να συνδράμει και στις διαδικασίες επιλογής προσωπικού, ειδικά κατά τις τελευταίες δεκαετίες που η παρείσφρηση του διαδικτύου και οι online πλατφόρμες εύρεσης εργασίας έχουν αυξήσει των αριθμών των υποβαλλόμενων αιτήσεων. Οι στόχοι της παρούσας διπλωματικής είναι δύο. Ο πρώτος είναι η ανάπτυξη ενός αλγορίθμου αυτόματης βαθμολόγησης της απασχολησιμότητας των προφίλ στην πλατφόρμα εύρεσης εργασίας CollegeLink -που ειδικεύεται σε entry εως middle level θέσεις- και ο έλεγχος χρήσης του στην αξιολόγηση των υποψηφίων. Για να επιτευχθεί αυτό, δύο recruiters της ομάδας μας βαθμολόγησαν 4.000 προφίλ, τα οποία αποτέλεσαν το dataset εκπαίδευσης του αλγορίθμου, για την ανάπτυξη του οποίου χρησιμοποιήθηκαν το μοντέλο XGBoost και η μέθοδος classification (κατηγορίες βαθμολογίας από 5* έως 10). Το τελικό μοντέλο προβλέπει με 85% επιτυχία τον πραγματικό βαθμό (+/-) 1 μονάδα που θα έδινε ένας επαγγελματίας recruiter, ενώ παράλληλα οι δύο βαθμολογίες έχουν στατιστικά σημαντική σχέση (r=0.308, p<0.001). Δεύτερο στόχο αποτέλεσε η διερεύνηση της ύπαρξης σχέσης, μεταξύ της βαθμολογίας και του εκπαιδευτικού επιπέδου, της πιθανότητας πρόσληψης και των υποβαλλόντων αιτήσεων. Οι αναλύσεις πραγματοποιήθηκαν μέσω του λογισμικού IBM SPSS 25.0 και εντοπίστηκαν: Ύπαρξη σχέσης μεταξύ του εκπαιδευτικού επιπέδου και της βαθμολογίας, αλλά και της πιθανότητας πρόσληψής του εκάστοτε υποψήφιου. Ειδικότερα, την υψηλότερη βαθμολογία εμφανίζουν οι κάτοχοι μεταπτυχιακού διπλώματος, ενώ τη μεγαλύτερη πιθανότητα πρόσληψης οι απόφοιτοι ΑΕΙ. Επιπροσθέτως, η βαθμολογία ενός προφίλ έχει στατιστικά σημαντική θετική σχέση με την πιθανότητα πρόσληψης. Το γεγονός αυτό καταδεικνύει τη δυνατότητα που προκύπτει για ενσωμάτωση αυτοματοποιημένων διαδικασιών στο recruitment process στα αρχικά στάδια ενός recruitment funnel. Τέλος, όσοι αναζητούν ενεργά εργασία και υποβάλλουν περισσότερες αιτήσεις, εμφανίζονται πιο διατεθειμένοι να δαπανήσουν χρόνο στη σωστή και αναλυτική συμπλήρωση του προφίλ τους- γεγονός που δύναται να αποτελέσει αρχική ένδειξη της δέσμευσης των υποψηφίων για εύρεση εργασίας.
Machine Learning (ML) has recently gained a lot of momentum as an ideal technology for automating business-related operations. Due to the widespread use of the Internet and especially of the online job search platforms, which have led to a significantly increased number of applications, Machine Learning techniques have emerged as a valuable tool for optimizing staff selection services. The contribution of the current dissertation is twofold: On the one hand, we propose an ML-based algorithm for evaluating the employability of the profiles on the College Link platform (a job search platform that specializes in the entry to middle-level positions) and investigate its potential as a solution for candidates evaluation. To this end, two recruiters of our team rated 4,000 profiles, which constitute the training dataset of the algorithm. The latter was inferred by using the XGBoost model and the classification method (rating categories from 5 * to 10). The final model predicts the actual grade (+/-) 1 degree that would be given by a professional recruiter with 85% accuracy. Furthermore, the two grades have a statistically significant relation (r = 0.308, p <0.001). On the other hand, we explore the relation of the employability rate with the educational level, the chance of being hired, and the number of applications. For the analysis, we used the IBM SPSS 25.0 software. We identified the relationship between the educational level and the grade and also the chance of being hired. As shown by the results, the highest score is assigned to postgraduate graduates, while those who graduated from universities are more likely to be hired. Moreover, the employability rate has a statistically significant positive relationship with the chance of finding a job. This evidently proves the potential of integrating automated processes into the recruitment process at the early stages of a recruitment funnel. Last but not least, the candidates who are actively looking for a job and submit multiple applications, appear to be more willing to invest time in having an accurate and detailed profile. This fact can potentially indicate the commitment of job seekers.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.