Интеллектуальный анализ влияния компетенций соискателей вакансий на предлагаемый им уровень оплаты труда

   Введение. Поиск ассоциативных правил – один из методов машинного обучения, который позволяет обнаруживать в данных закономерности. Первые попытки его реализации, связанные с маркетингом и рекламой, были затратными. Но с развитием информационных технологий (ИТ) и наличием возможности получения большого разнообразия данных из разных источников поиск ассоциативных правил стал популярен, в том числе и для анализа рынка труда. Онлайн-статистика бирж труда позволяет оперативно отслеживать спрос на навыки и знания соискателей, выявлять характеристики, влияющие на предлагаемый уровень заработной платы.

   Постановка задачи. Цель исследования – выявление ассоциативных правил между наборами «предлагаемый уровень заработной платы» и «компетенции» на примере вакансий Product-менеджера.

   Методика и методология исследования. Для реализации поиска ассоциативных правил использовалися алгоритм Априори; оценка показателей поддержки, достоверности и лифта проводилась с помощью платформы Deductor Studio. Сбор онлайн-данных по вакансиям Product-менеджера с сайта HeardHunter реализован с помощью языка программирования Python. Основными методами исследования стали монографический, абстрактно-логический, библиографический, интеллектуальный и статистический анализы. Объем выборки содержит 282 вакансии.

   Результаты работы представляют научную и практическую ценность для развития инструментария исследования рынка труда. Выявлены 15 ассоциативных правил для вакансий с уровнем заработной платы до 50 тыс. руб., от 75 тыс. руб. и выше (в объявлениях рассмотрены предложения от этой суммы (нижняя граница)). Для оставшегося нерассмотренного диапазона оплаты труда получено низкое качество ассоциативных правил.

   Выводы. Выделенные в ассоциативных правилах компетенции можно разделить на мягкие, обеспечивающие коммуникации, и жесткие, связанные с навыками в области ИТ, экономики, в частности финансов, и статистического анализа. Полученные закономерности показывают, какие навыки обеспечат более высокую заработную плату. Низкие значения поддержки ассоциативных правил для вакансий от 50 тыс. руб. до 75 тыс. руб. связаны, на наш взгляд, с региональными различиями в оплате труда. Интеллектуальный анализ вакансий позволяет не только соискателям и работодателям лучше ориентироваться на рынке труда, но и образовательным организациям реагировать на потребности корректировкой учебных программ.

1. Бова В. В., Щеглов С. Н., Лещанов Д. В. Применение методов генетического поиска для задач обработки ассоциативных правил // XXI Международная конференция по мягким вычислениям и измерениям (SCM-2018). Т. 1. СПб.: СПбГЭТУ «ЛЭТИ». 2018. С. 761–769.

2. Белопросов С. А. Персонализация предложения как инструмент повышения эффективности затрат на маркетинг // Маркетинг и маркетинговые исследования. 2020. № 4. С. 274–287.

3. Монастырская М. М. Поиск закономерностей в интернет-рекламе на основе поведения пользователей // Известия высших учебных заведений. Серия: Экономика, финансы и управление производством. 2020. № 2 (44). С. 44–51.

4. Шестаков Т. А. и др. Интеллектуальный анализ информации о пользователях социальных сетей // Прикладная математика и вопросы управления. 2021. №. 4. С. 72–91.

5. Азарнова Т. В. и др. Применение алгоритмов поиска ассоциативных правил для формирования функционально-эффективных команд менеджеров // Современная экономика: проблемы и решения. 2022. Т. 6. С. 8–19.

6. Субоч Ф. Перспективы развития и особенности ассоциативной концепции при построении новейших транспозиционных структур, включая кластеры // Аграрная экономика. 2020. №. 3. С. 20–40.

7. Грабовец Р. А. Использование технологии Data Mining для прогнозирования увольнения сотрудников // Журнал социологических исследований. 2020. Т. 5, № 2. С. 11–15.

8. Ложкин С. С. Формирование рекомендаций для изучения новых навыков на основе ассоциативных правил // Научный аспект. 2020. Т. 8, № 4. С. 1042–1045.

9. Смолина Е. М., Черненькая Л. В. Методы интеллектуального анализа данных в задачах оценки качества дистанционного образования // Наука и бизнес: пути развития. 2021. № 3 (117). С. 72.

10. Fedushko S., Ustyianovych T., Syerov Y. Intelligent academic specialties selection in higher education for Ukrainian entrants: a recommendation system // Journal of Intelligence. 2022. Т. 10, № 2. Р. 32.

11. Al-Shamiri A. Y. R. Artificial intelligence and pattern recognition using data mining algorithms // International Journal of Computer Science & Network Security. 2021. Vol. 21, № 7. P. 221–232.

12. Shawkat M. et al. An optimized FP-growth algorithm for discovery of association rules // The Journal of Supercomputing. 2022. Vol. 78, № 4. Р. 5479–5506.

13. Edastama P., Bist A. S., Prambudi A. Implementation of data mining on glasses sales using the apriori algorithm // International Journal of Cyber and IT Service Management. 2021. Vol. 1, № 2. Р. 159–172.

14. Кузнецова И. Г., Глотко А. В., Алетдинова А. А. Эмоциональный интеллект работников сельского хозяйства // Экономика, труд, управление в сельском хозяйстве. 2023. № 12 (106). С. 190–197.