2. SEEK
SEEK is the global leader in the creation and operation of online employment markets. SEEK owns
leading job boards in Australia, New Zealand, China, Brazil, Mexico, Africa and across South East
Asia and has exposure to 4 billion people and relationships with over 800,000 hirers and 180
million candidates.
Catho
Catho é pioneira no mercado de recrutamento online brasileiro, e uma das líderes no segmento.
Possui mais de 7 milhões de currículos cadastrados e mais de 200 mil vagas ativas
correntemente. Faz parte do grupo SEEK desde 2008.
Quem somos?
3. Global development pod / AI group
A multinational team of data scientists and engineers delivering high impact AI projects for all
companies on SEEK group. Currently based in São Paulo, Belo Horizonte, Melbourne and
Singapore.
Already delivered successful AI products running in Brazil, Mexico, Singapore, Indonesia,
Malaysia, Hong Kong & China, among others.
Quem somos?
Rafael S. Calsaverini
Physicist and Data Scientist, currently working as
DS Manager for SEEK GDP AI.
Australian team
Brazilian team
4. ai for human beings
○ recomendação de vagas:
■ otimizando objetivos conflitantes
■ problema do casamento estável
■ métricas técnicas x métricas de negócio
○ recomendação de currículos
■ transparency
■ fairness
6. Primeira Lei:
● Só faz sentido aplicar AI/ML se essa é a melhor solução para
um problema do cliente.
● Para decidir se esse é o caso é preciso compreender
profundamente o produto.
o que é o principal produto da catho?
um marketplace de recrutamento, onde
candidatos e contratantes se encontram
8. POrque não ajudar o candidato a encontrar as vagas
sem ter que buscar?
recomendação de vagas!
qual é a melhor vaga? quais eu deveria aplicar primeiro? quais são os
melhores termos de busca para usar? é perto da minha casa? será que
eu tenho chance de conseguir uma entrevista? será que o salário é
compatível com o que eu quero? Será...
9. Fácil:
- uso um banco de dados histórico de candidaturas
- faço uma engenharia de features usando o cv e a vaga
- treino um classificador para prever se aquele cv vai se
candidatar ou não!
- envio para o usuário vagas que ele tem alta
probabilidade de se candidatar!
sugestão de vagas!
mas como fazer?
10. mas calma lá...
… não basta oferecer uma vaga que
o candidato quer se candidatar...
… eu tenho dois tipos de
clientes envolvidos!!!
e esses dois clientes diferentes às
vezes têm interesses conflitantes!
11. QUAL É O OBJETIVO DO MEU PRODUTO?
(ou seja: o que traz valor para os meus clientes?)
FAZER CANDIDATOS E RECRUTADORES SE
ENCONTRAREM E...
...GERAR CONTRATAÇÕES!
12.
13. um modelo melhor:
segunda Lei:
um modelo/algoritmo só tem valor se ele é desenvolvido com os
objetivos do negócio em mente e uma boa compreensão do valor
gerado para o cliente.
- dado um cv e uma vaga, calcular:
- a probabilidade do cv se candidatar à vaga
- dada a candidatura, a probabilidade do
contratante fazer um contato
- enviar ao candidato as vagas com maior
probabilidade de candidatura E contato
15. como medir o sucesso da implementação do
algoritmo anterior?
FAZER CANDIDATOS E RECRUTADORES SE
ENCONTRAREM E...
...GERAR CONTRATAÇÕES!
o que traz valor para o meu cliente?
que tal o número de contatos adicionais
gerado?
17. como medir o sucesso da implementação do
algoritmo anterior?
métricas que levem em conta o objetivo
final do negócio: promover contratações
● Número de candidatos contatados
● número de vagas com mais de _ candidaturas
● vagas que contataram mais de _ candidatos
● ...
19. problema do emparelhamento estável
enviar a vaga com mais chance de candidatura para cada candidato
e o candidato com mais chance de contato para cada vaga NÃO é
uma boa solução.
terceira Lei:
otimizar a métrica errada
pode ser pior do que não
otimizar nada!
21. no fim do dia, Porque a catho se preocupa em
maximizar o marketplace?
porque é importante gerar mais contatos e,
consequentemente, mais contratações?
22.
23. O que tem mais valor?
- 1 candidato com 100 contatos
- 50 candidatos com 2 contatos cada
28. transparência: se o seu cliente não entende
os critérios de ordenamento que você usou,
ele não vai confiar no seu ranking.
E vai parar de usar o seu produto.
29. Fairness: o seu algoritmo é treinado em
dados históricos de um mercado cheio de
viéses. Ele vai refletir esses viéses.
Isso é algo que você quer?