Как я прочитала десяток научных статей и патентов Linkedin

...чтобы наконец-то понять как оптимизировать профиль и получать входящие от рекрутеров не выдавливая из себя ежедневные посты и тревожной зависимости от SSI.

Привет! Я Алёна, продакт менеджер и консультант. Построила карьеру из проджета в Яндексе в CEO американского стартапа в России, а потом мы с мужем эмигрировали в Европу. Год провели в Нидерландах и вот теперь в Ирландии. За это время я искала работу в разных странах, отказалась от нескольких офферов, консультировала и училась. Во время активной стадии поиска работы я столкнулась с тем, что в отличие от России рекрутеры не то чтобы активно приглашают меня в Linkedin, то есть было очень мало входящих, хотя я делала всё как учили популярные коучи: добавляла рекрутеров, писала посты и поднимала свой SSI (Social Selling Index – инфоцыганами коучами от рекрутеров продаётся как способ управления местом выдачи в поиске, на данный момент я в ТОП-16% по индустрии, это ооочень мало по бенчмаркам). Поэтому я решила что надо подойти к этой задаче как к продукту, тем более что я вообще-то работала с HR Tech продуктами.

Disclaimer: Здесь нет ни одного внутреннего инсайта от сотрудников Linkedin и я сама там никогда не работала, всё это мои гипотезы и знания найденные в открытых источниках. Здесь не будет 10 простых шагов как увеличить просмотры своего профиля, но набор стратегий с которыми вам необходимо экспериментировать чтобы прийти к результату. Это не наступит быстро. Запихать в одну статью все инсайты не представляется возможным, так что здесь я расскажу о наиболее эффективных на мой взгляд стратегиях. Пожалуйста, не надо заниматься овероптимизацией и обманывать потенциальных коллег, помните, это всего лишь первый шаг к мечте.

Если неинтересно читать весь путь переходите сразу к стратегиям и результатам ;)

Путь

Через некоторое время после переезда в Амстердам передо мной встала задача найти работу прям на месте. Я решила пойти по проторенной дорожке: обновила Linkedin, отправила с десяток резюме и стала ждать. И тут я заметила, что количество входящих запросов от рекрутеров в Ln заметно уменьшилось по сравнению с Москвой. Хммм… Пошла смотреть популярных блогеров и видосы о том как быстро и просто прокачать свой Ln. Где-то месяц у меня заняла "прокачка" с добавлением рекрутеров, написанием постов и лайканием всех на свете. Но результат стремился к нулю. Что ж… В очередной раз грустно пересмотрела "Железного человека 3" и вспомнила что я механик продакт менеджер.

Итак, моя задача состояла в том, чтоб понять как оптимизировать свой профайл, чтобы получать больше входящих от рекрутеров.

Для начала, я решила посмотреть на задачу используя фреймворки и подходы, которыми обычно пользуюсь, когда мне нужно разобраться в каком-то сложном вопросе, как продакт менеджеру:

1. Наш holy grail – goals and success metrics. Или как мы поймем, что двигаемся в нужном направлении.
2. First principle thinking – разбираем систему на составляющие, чтобы понять как работают элементы, чтобы понять как оптимизировать/пересобрать систему; самый знаменитый пример подхода – Tesla и дешевые ракеты от Илона.
3. Evidence-driven decision making – "какие ваши доказательства?!", находим объективно существующие разноплановые сигналы, которые помогут подтвердить или опровергнуть наши гипотезы о том как мы движемся к успеху из пункта 1, для начала, конечно, необходимо сформулировать эти гипотезы и вопросы на которые необходимо ответить, чтобы принять решение. Их мы получим после упражнения из пункта 2.

Шаг 1: Цели и метрички.

В моем представлении воронка для получения входящего от рекрутера выглядела так (спойлер: нет не так):

То есть моя цель – увеличить количество событий “Пишет” из картинки сверху. Причем эти входящие должны быть на продакт менеджерские позиции и в идеале на позиции, которые мне интересны.

То есть, мои метрики для оптимизации:
– Количество попаданий в поиски
– Конверсия из поиска в просмотр профайла (опять же, как оказалось, многие рекрутеры не смотрят профайлы, а делают веерную рассылку)
– Конверсия из просмотра профайла во входящее сообщение
– Конверсия из входящего сообщения в собеседование – это следующий шаг, но по нему мы можем трекать качество входящих.

Шаг 2 и 3: Составляющие системы. Гипотезы и сигналы.

Теперь можно:

1. Разложить систему на составляющие
2. Понять кто, что и как может повлиять на эти метрики
3. Подтвердить или опровергнуть гипотезы

Для моих целей достаточно разложить систему на 4 простых элемента: рекрутеры, соискатели, сама платформа и те кто за ней стоит с их целями и метриками.

Нашим пользователем, как кандидата, являются рекрутеры. Но попадем ли мы к ним на радар зависит от алгоритма.

Рекрутеры. Что мы знаем о рекрутерах?
Чтобы сформулировать гипотезы относительно рекрутеров, их целей и поведения, я вспомнила все знания накопленные за время работы в с HRTech продуктами, перечитала рекрутерские интервью c недавних юзер ресерчей, посмотрела миллион видососв от рекрутеров для рекрутеров на тему "как пользоваться Ln", и купила консультации HR-ов из FAANG+ чтобы посмотреть как они пользуются Ln по шагам с расшаренным экраном.

Ln и те кто за этим стоит. Что мы о них знаем?
Какие задачи могут стоять перед тем, кто отвечает за оптимизацию поиска кандидатов для рекрутеров? Как для них выглядит успех?

Им нужно создать хороший UX для рекрутеров, то есть сделать так, чтобы они быстро нашли и установили контакт с лучшими из доступных для них кандидатов.

Т.е. можно предположить:
– Ln хочет показать подходящих под требования кандидатов
– Которые понравятся ЭТОМУ рекрутеру
– Которые согласятся на ЭТУ вакансию
– Которые готовы рассмотреть эту вакансию СЕЙЧАС

Если подумать что поиск, это продукт за которым стоят продакты и инженеры,то они наверное знают как он работает и должны пользоваться этими инсайтами. Это меня привело к тем метрикам и вопросам что я описала выше и ещё к сталкингу. Я сходила и посмотрела на профайлы продактов и AI/ML инженеров Ln, чтобы найти какие-то паттерны. Но ничего полезного не нашла, зато пока ресерчила, наткнулась на техническую статью в блоге Ln про candidates search. И вот тут случилась магия: я поняла что эти ребята скорее всего сами довольно много рассказывают о своей работе и патентуют её.

Окей, значит идем искать их выступления, статьи и патенты. Неделя гугления, пару недель чтения, profit.

Дальше я расскажу о стратегиях, которые сработали у меня после серии экспериментов. Понятно, что я не имею возможности провести A/B тестирование, но могу обратиться к воронке которую приводила выше и смотреть как перформит каждая метрика. А также использовать различные proxy метрики, например какие скилы Ln определяет у меня как релевантные вакансии или по каким скилам Ln предлагает мне поделиться инсайтами или какие вакансии рекомендуют.

Стратегии

Ранее я упоминала как Ln предположительно формирует выдачу поиска. На основании этих вводных можно сформулировать несколько стратегий. Напоминаю, что это не 100% работающие хаки, а способы послать системе нужные сигналы. Система сложная и учитывает много сигналов, здесь я опишу как влиять на самые важные из них.

Чтобы провести оптимизацию нам нужны метрики, с которыми мы будем работать.

• Количество попаданий в поиск
• Конверсия во входящее сообщение
• Количество релевантных сообщений, чтобы оценить качество входящих

График по количеству поисков Ln не покажет даже на платной подписке, так что если хочется посмотреть на динамику, то займитесь этим самостоятельно.

Цель: По сути вам необходимо стать топовым кандидатом, по мнению алгоритма, по определенным запросам рекрутеров, т.е. по скилам и ключевикам, которые они вводят в поиск.

Это звучит слишком очевидно и просто, но дьявол как обычно в мелочах. Дальше я опишу мелочи, но до этого необходимо начать с базы: Составить список скилов и ключевиков по которым вы хотите быть найденными. И исходя из этого списка уже танцевать. Для этого списка можно использовать несколько ресурсов:

• Выбрать 10-20-30 вакансий, на которые очень хочется и при помощи AI извлечь ключевики с частотой повторения.
• В этих выбранных вакансиях посмотреть раздел Qualification Details и собрать их в список с частотой повторения. Я всё это делала через AI. Если есть сомнения на тему востребованности какого-то скила, то введите его в поле поиска и прикиньте процент открытых позиций к ним относительно всего количества. Я это делала в локации Сан-Франциско, т.к. мне кажется там собираются самые горячие тренды и там точно максимальная выборка по доступным и релевантным мне вакансиям, т.е. меньше статистических искажений.

Как посмотреть список ассоциированных с вакансией скилов:

Как посмотреть насколько востребован скил:

• Ln тоже немного Uber, поэтому в список ваших скилов должны входить одновременно очень важные для вашей специальности и популярные сейчас, то есть алгоритм оценивает supply/demand и сначала показывает кандидатов с горячими навыками. Например, GenAI горячий пирожок, а вот по запросу product vision вас вряд ли будут искать. Тут опять же надо смотреть на вакансии от топовых компаний и что они ищут. Не обязательно в вашей локации.
• Посмотреть какие скилы популярны в вашей локации и для вашей позиции в сервисе от самого Ln: https://linkedin.github.io/career-explorer/

Мой список скилов здесь: https://www.linkedin.com/in/apanshina/details/skills/ и по профайлу можно посмотреть как я их расставляла.

Ещё база: поставьте локацию в которой ищете работу, поставьте Open-to-work хотя бы только для рекрутеров.

Теперь про мелочи.

Мелочь #1: Добавить эти ключевики в максимально стандартном виде в секцию со скилами, в тайтлы и в хидер, если это возможно. Тут нужно сначала приоритизировать скилы по параметрам: хотите ли вы быть найденными по этим запросам, насколько они популярны.

В моем случае это были позиции продакт менеджеров на B2B, SaaS, AI продукты, потому что это мне интересно, у меня есть достаточная экспертиза и это востребовано прямо сейчас. Из интервью с рекрутерами, я знаю что они ищут скорее по бизнес моделям и индустриям, т.е. эффективнее в хидеры выносить бизнес модели, индустрии и типы продуктов, например, 'B2C, Mobile', а не 'Product Vision, Roadmapping'.

Мелочь #2: Добавить расширенный список скилов в контексте. Ln использует explicit (явно описанные вами) and implicit skills (неявные, определенные алгоритмами по различным сигналам), вторые ценятся больше, об этом даже было написано на странице поддержке, сейчас убрали.

Для этого берем расширенный список и добавляем контекстное описание в секциях Summary, Experience, Projects etc.. Т.к. алгоритм оценивает не только ключевики, но и контекст. И экспертизу по контексту он тоже оценивает. Но не пытайтесь обмануть алгоритм и просто записать список скилов через запятую потому, что алгоритм смотрит на то, чтобы родственные скилы были семантически объединены в кластер. Я так попалась, когда начинала работать над оптимизацией, и вместо увеличения количества попаданий в поиск снизила эту метрику в 3 раза.

Самый простой способ это сделать: списать формулировки из интересующих вас вакансий, те 10-20-30 вакансий из базы, добавив свои достижения и свои параметры.

Мелочь #3: Ещё раз поработать с контекстом.
Чтобы собрать implicit skills Ln воспользуется различными контекстами:

• коннектами с highly skilled ребятами и насколько они обращают внимание на вас, например, переходят на ваш профайл; я не парюсь и добавляю всех, даже самых популярных ребят, если добавят – хорошо, нет – потери не случится :) Поэтому давайте добавляться и лайкать скилы :)

Картинка из патента:

• крутыми компаниями, вузами и локациями в портфолио. Пожалуйста, не надо обманывать, но если вы работали в Яндексе даже недолго, добавьте это. Если вы работали на стартап из Сан-Франциско, отмечайте это как удаленку в СФ а не в офисе в Москве.
• чтобы стать желанными кандидатом вашему профайлу и вашей карьерной траектории надо быть похожим на таких, с точки зрения алгоритма, ребят (концепт "ideal candidate"). Это и про тайтлы и про описание и про скилы ассоциированные с позицией. То есть покажите, что вы развивались по более менее стандартному пути, а не стали сразу CTO с прокаченным Leadership.

Как проверить, что вы движетесь к цели, даже если рынок явно просел и поисков за счёт внешних причин стало меньше.

Смотрим на proxy metrics, в нашем случае это могут быть:

• Посмотреть по каким скилам Ln предлагает вам сгенерированные статьи для комментариев

• Полайкать скилы у кого-нибудь и посмотреть есть ли такой бейдж. Скилл эндорсментс со всех сторон хорошая практика, если смотреть на патенты, так что не стесняйтесь.

Bonus: Как всё сделать неправильно.

Я фанат подхода Чарли Мангера про инверсию: если хочешь прийти к успеху в решении задачи, посмотри на все опции провала и постарайся их избежать.

Поэтому при помощи небольшой модельки, в которую я загрузила все патенты и при помощи которой проверяю свои гипотезы, я сгенерила стратегии на тему того, как провалиться на этом пути. Дальше будет тест сгенерированный AI.

Вот пять самых важных плохих стратегий для соискателя работы:

1. Спам ключевыми словами: Снижает рейтинг профиля. Контекст: Современные алгоритмы LinkedIn умеют распознавать искусственное насыщение профиля ключевыми словами. Обоснование: Согласно документам, это может привести к понижению рейтинга профиля в результатах поиска.
2. Игнорирование рынка: Устаревшие навыки не ценятся. Контекст: LinkedIn использует систему извлечения навыков с учетом рыночного спроса. Обоснование: Статьи подчеркивают важность навыков, актуальных на рынке труда, для эффективного поиска кандидатов.
3. Нестандартные должности: Усложняет поиск профиля. Контекст: Алгоритмы LinkedIn опираются на стандартизированные названия должностей для категоризации. Обоснование: Документы указывают, что нестандартные названия должностей затрудняют сопоставление профилей с запросами рекрутеров.
4. Нелогичная карьера: Ухудшает ранжирование. Контекст: LinkedIn анализирует траекторию карьеры для оценки релевантности кандидата. Обоснование: Исследования показывают, что согласованность карьерного пути является важным фактором в алгоритмах ранжирования.
5. Без учёта контекста: Снижает релевантность навыков. Контекст: Алгоритмы LinkedIn учитывают специфику отрасли и местоположения при оценке навыков. Обоснование: Статьи подчеркивают важность контекстуального соответствия навыков кандидата требованиям конкретной отрасли или региона.

Результаты

Disclaimer: Я уже несколько месяцев не активна Linkedin, но рекрутеры продолжают писать и метрички улучшаются. При условии, что рынок в Ирландии довольно скупой, прямо сейчас по запросу product manager находится меньше 100 открытых позиций. И самое главное: не надо обманывать, так как сообщение от рекрутера это только первый шаг.

– Количество поисков в которые я попадаю увеличилось в 7 раз, при этом количество попаданий в поиски рекрутеров увеличилось с 3 до 60 в неделю.

– Если появляется подходящая вакансия то мне пишут сразу несколько фриланс-рекрутеров которые на нее нанимают. Тут появляется прикольный бонус: теперь я выбираю с каким рекрутером буду работать по этой вакансии, обычно это те, кто назначает звонок в мите и не просит заполнить анкету прямо в личке. И я, кстати, сначала всем отвечаю, что готова поговорить, а потом в зависимости от реакции – выбираю.

– Запросов от рекрутеров больше чем просмотров профайла рекрутерами, поэтому просмотры можем записать в vanity metrics относительно этой задачи.

Ещё раз напомню, что я никогда не работала в Ln и всё это мои личные гипотезы и выводы :) Комментарии и фидбэки всегда приветствуются.

---

🎃Autumn special🍂

Моя жизненная ситуация немного изменилась, и я сейчас фокусируюсь на консалтинге. Поэтому хочу предложить вастричанам бесплатные слоты каждый день по 2 часа.

Бесплатные слоты закончились, зато я собрала чек-лист по мотивам вопросов и отзывов, собрала фей которые оптимизируют ваш профайл, подготовила списки актуальных скилов, и ко мне всё ещё можно записаться на консультации

---

References:

1. Dynamic alteration of weights of ideal candidate search ranking model (2017)
2. Ideal candidate search ranking (2017)
3. From query-by-keyword to query-by-example/ LinkedIn talent search approach (2017)
4. AI behind LinkedIn recruiter search and recommendation systems | LinkedIn engineering (2019)
5. Contextual search ranking using entity topic representations (2019)
6. Generalized linear mixed models for improving search (2020)
7. Job recommendation/ implicit skills extraction using document embedding and its use in job recommendation (2020)
8. Salience and market-aware skill extraction for job targeting (2020)
9. Query building for search by ideal (2021)
10. Semantic matching and retrieval of standardized entities (2022)