La data au coeur du produit

Presented at Paris Product Meetup with Julie Seguela and Thomas Neau.

Transcript

1. La data au cœur des produits Viadeo Expérimentations, intégration, utilisations
2. Anticiper les différents use-cases •15000 nouvelles skills ajoutées par jour •X millions de membres •Profils atypiques : jeunes diplômés, Créateurs d’entreprise… •Pertinence des données dans différentes langues
3. Augmenter l’engagem ent de l’utilisateur Améliorer la complétion de profil Développer les contacts entre les membres Optimiser les fonctionnalité s du produit Viadeo & objectifs long terme
4. Jobs Skills Contacts Ecoles Entreprises Viadeo
5. d’emploi Quels algorithmes ? « Recommander un job identique à celui occupé » « Recommander une offre identique à celles auxquelles le membre a candidaté par le passé » Je cherche un « développeur web » Je suis « développeur web »
6. Ce dont on a besoin Extraire le métier et les compétences à partir d’un profil membre Extraire le métier et les compétences à partir d’une offre d’emploi
7. Mais Nous sommes rapidement confrontés à des problèmes…
8. Des profils incomplets… Membre 1 Skills Job Schools Companies Web developer Viadeo, IBM
9. … et hétérogènes Membre 1 Membre 2 Skills Job Schools Companies Web developer Viadeo, IBM Java, php, C++ EPITA
10. Développ eur Web Web Developer Dev Web Analyste programmeur Dvpt Web Web development Développement web Développeur web Développeur PHP Des contenus hétérogènes
11. Suggestions propres Traitement / nettoyage des données Le cercle vertueux de la Data Utilisation pour le targeting: -Talent Bank -Mailings -Premium targeting Ajout de données par le membre Jobs Skills Contacts Ecoles Entreprises Viadeo
12. SKILLS PROJECT
13. Stratégie pour améliorer les recommandations d'offres d'emploi  Identifier les données clés -Compétences, Intitulés de postes & offres d'emploi, Localisation, Entreprises, Formations  Nettoyer ces données  Creer des referentiels avec ces données  Encourager l'utilisation de ces référentiels (autocomplete)
14. Stratégie pour améliorer les recommandations d'offres d'emploi  Parler des bénéfices que l'on va en tirer (cad comment on va pouvoir l'utiliser pour améliorer la reco?) Si on parle de certains bénéfices ici ce n'est pe plus la peine d'en parler à la fin de la partie skills ?
15. L'idée  Nettoyer notre référentiel de skills (saisi libre par l'utilisateur)  Lier les skills saisies à des skills normalisés  Remplacer l'autocomplete existant par un mix d'autocomplete/suggestion de skill  Utiliser ce référentiel de skills pour faire de la recommandation de skills
16. Gestion de projet L'idée
17. Skill Frequence Java 10 Java EE 5 Java SE 7 Ruby 7 Ruby on Rails 5 J2ee 5 Java/XML 3 Nettoyage automatique Algorithmes de clustering - Calculer la distance entre skills (texte) - Grouper les skills en clusters basé sur ces distances - Elire la skill préféré du cluster (skill néttoyé) ex : la plus fréquente
18. Nettoyage automatique Algorithmes de clustering Ruby Ruby on Rails Java Java EE Java SE Java/XML J2ee Skill Frequence Java 10 Java EE 5 Java SE 7 Ruby 7 Ruby on Rails 5 J2ee 5 Java/XML 3
19. Nettoyage automatique Les limites  Skills composés (rattachés à un seul cluster ou un nouveau)  Ex : Java/XML = deux skills, Java et XML Impossible d'associer certaines skills au bon cluster  Ex : J2ee = Java EE = Java  Considérer deux skills identiques à tort
20. Nettoyage manuel Ou l'esclavage moderne...  Crowdsourcing avec Amazon mechanical turk  Peu adapté aux exercices nécessitant une « expertise »  Collaborer avec ceux qui connaissent le mieux le métier : les cabinets de recrutement  Ou le faire soi même...  On s'y colle !
21. Implémentation du « smart autocomplete » Dictionnaire de skills Composant d'indexation Composant d'interrogation & optimisation du top Indexer search
22. En résumé Skills originelles Algorithmes Nettoyage manuel Indexation dans un moteur de recherche Dictionnaire de skills Valorisation de la Data
23. Demo de l'autocomplete
24. Etapes suivantes ?  Plus de liens entre skills (java = java ee) => plus de liens entre membres (l'espace des skills existantes est réduit)  Tirer bénéfice de ces données pour améliorer les recommandations existantes  Implémenter un système de recommandation de skills (ex : basé sur des algorithmes de filtrage collaboratif)  Utiliser la même solution pour construire les dictionnaires des intitulés de postes, formations...
25. Appliquer la méthode aux Skills
26. SCHEMA FONCTIONNEMENT
27. PRE PROCESSING
28. NETTOYAGE MANUEL
29. APPLICATION DANS L’AUTOCOMPLETE
30. ALGORITHME SKILLS YOU MAY HAVE
31. Recommandations and Data through Viadeo Products
32. Etendre la démarche sur les autres produits Mise à disposition de services transverses pour les produits Viadeo •Recommander des membres : People You May Know
 •Recommander des offres d‘emploi : Jobs You May Want •Recommander des compétences : Skills You May Have
33. Dashboard Recos
34. Viadeo for iPad
35. Traiter tous les feedbacks Toutes les actions de l’utilisateur doivent enrichir le processus :
36. Anticiper les différents use-cases •Nouveaux membres •Powers users •Profils atypiques : jeunes diplômés, Créateurs d’entreprise… •Pertinence des données dans différentes langues
37. Faut-il exposer les raisons d’une recommandation ? Humaniser la relation « algorithme / utilisateur » (il me connaît) Donner des raisons supplémentaires d’accepter une suggestion «From here on out we’ll be exploring other songs and artists that have musical qualities similar to Led Zeppelin. This track, “Come Together” by The Beatles, has similar blues influences, great lyrics, repetitive melodic phrasing, extensive vamping and minor key tonality.»
38. En résumé •