Utilisation des données d'activité des réseaux sociaux pour identifier et cibler les demandeurs d'emploi.

Résumé Un défi important pour de nombreuses entreprises est d'identifier les transitions de vie de leurs clients, comme la recherche d'un emploi, une grossesse ou l'achat d'une maison. L'inférence de ces transitions, qui ne sont généralement pas observées par l'entreprise, peut offrir à cette dernière la possibilité d'être plus pertinente pour ses clients. Dans cet article, nous démontrons comment une plateforme de réseau social peut exploiter ses données longitudinales sur les utilisateurs pour identifier ceux qui sont susceptibles de rechercher un emploi. L'identification des demandeurs d'emploi est au cœur du modèle économique des plateformes de réseaux sociaux professionnels. L'approche que nous proposons s'appuie sur le cadre du modèle de Markov caché (HMM) pour récupérer l'état latent de la recherche d'emploi à partir de signaux bruyants obtenus à partir des données d'activité des réseaux sociaux. Plus précisément, notre approche de modélisation combine les réponses d'une enquête transversale à une question sur le statut de la recherche d'emploi avec des données longitudinales sur l'activité des utilisateurs. Ainsi, à certaines périodes, et pour certains utilisateurs, nous observons le "véritable" statut de recherche d'emploi. Nous fusionnons les informations sur l'état observé dans la vraisemblance du HMM, ce qui donne un HMM partiel. Nous démontrons que le modèle proposé peut non seulement prédire quels utilisateurs sont susceptibles d'être à la recherche d'un emploi à un moment donné, mais aussi quelles activités sur la plateforme sont associées à la recherche d'un emploi, et depuis combien de temps les utilisateurs sont à la recherche d'un emploi. En outre, nous constatons que le ciblage des demandeurs d'emploi basé sur l'approche que nous proposons peut conduire à une augmentation de 42% des bénéfices d'une campagne de ciblage par rapport à l'approche qui était utilisée au moment de la collecte des données.