Votre solution M-Pearl SaaS: comment tripler la portée de vos données ?

Exemple avec une requête analyse métier de type ROME envoyée au serveur:

{ “USER_JOB_DESCRIPTION”: “Gestion des paies et notes de frais, établissement des fiches de paies, déclarations URSSAF”, “USER_CONTEXT_TYPE”:”CANDIDATE”}

Et un résumé de la réponse obtenue:

{  “SYSTEM_STATUS”: “OK”,
“USER_JOBS_TABLE_QUALITYSCORE”: 0.582,
“USER_JOBS_TABLE_WSCORE”: [ { “codeRome”: “M1503”, “index”: 0, “libelleMétier”: “responsable de rémunération”, “scoreAverage”: 0.658, “scoreSémantique”: 0.839, “source”: “rome”, “weightedMétierTopicScore”: 0.543, “weightedSentenceTopicScore”: 0.591 },
(…),
{ “codeRome”: “K1502”, “index”: 29, “libelleMétier”: “Contrôle et inspection des Affaires Sociales”, “scoreAverage”: 0.479, “scoreSémantique”: 0.719, “source”: “rome”, “weightedMétierTopicScore”: 0.326, “weightedSentenceTopicScore”: 0.392 } ],
“USER_PRECISION_SECTION”: { “USER_PRECISION_LIBELLE”: “TRÈS FAIBLE”, “USER_PRECISION_SCORE”: 0.010 },
“USER_TOPICSCONVERGENCE_SECTION”: { “USER_TOPICSCONVERGENCE_LIBELLE”: “TRÈS ÉLEVÉE”, “USER_TOPICSCONVERGENCE_SCORE”: 0.613,
“USER_TOPICS_LIST”: [ {“content_set”: [“déclarations”, “paie”,”urssaf”], “length”: 4, “title”: “Paie”, “weight”: 0.45387198647601634},
(…),
{“content_set”: [“gestion”], “length”: 1, “title”: “Gestion”, “weight”: 0.024691358151045062} ],
“USER_WARNING_MSG”: [ “Un message quelconque….” ] }

Exemple avec une requête de comparaison de deux expériences professionnelles A et B envoyée au serveur:

{ “USER_JOB_DESCRIPTION_A”: “Traitement des candidatures, entrevues candidats, négociation des contrats de travail et intégration”,”USER_JOB_DESCRIPTION_B” : “Sourcing, entretiens et recrutement de personnel”}

La réponse obtenue est beaucoup plus détaillée et complexe que dans l’exemple précédent.

On y retrouve un bloc résumant les scores de match: le score est étiqueté “très bon”, on y retrouve le score de similarité général puis les scores asymétriques (vue du côté A + vue du côté B)  dont le score d’analyse thématique (“TOPICS_ARE_SATISFIED”) et le score de compétences en commun (“GLOBAL_SKILLS_RATE”)

“USER_COMPARATOR_SECTION”: {
“AB_AVERAGE_SCORE_LIB”: “TRÈS BON”,
“AB_AVERAGE_SCORE_VALUE”: 0.709,
“AB_SIMILARITY_SCORE”: 0.787,
“A_GLOBAL_SKILLS_RATE”: 0.851,
“A_TOPICS_ARE_SATISFIED”: 0.516,
“B_GLOBAL_SKILLS_RATE”: 0.605,
“B_TOPICS_ARE_SATISFIED”: 0.633
}

Ensuite les résultats d’analyse pour la description A puis B dont: la liste des thèmes identifiés et pris en compte dans l’analyse thématique (“USER_TOPICS_LIST”), l’évaluation de la précision générale et l’évaluation de la convergence thématique.
Exemple avec l’analyse de la description B:

“USER_DESCRIPTION_SECTION_B”: {
“USER_JOBS_TABLE_QUALITYSCORE”: 0.595,
“USER_JOBS_TABLE_WSCORE”: [
{ “libelleMétier”: “chargé /chargée de recherche en recrutement”, “scoreAverage”: 0.652, “scoreSémantique”: 0.802, “weightedMétierTopicScore”: 0.355, “weightedSentenceTopicScore”: 0.800 },
(…),
{ “libelleMétier”: “Management des ressources humaines”, “scoreAverage”: 0.6065, “scoreSémantique”: 0.714, “weightedMétierTopicScore”: 0.360, “weightedSentenceTopicScore”: 0.745 }
],
“USER_OUT_OF_VOCABULARY”: [],
“USER_PRECISION_SECTION”: { “USER_PRECISION_LIBELLE”: “TRÈS FAIBLE”, “USER_PRECISION_SCORE”: 0.004 },
“USER_SKILLS_CODES”: […],
“USER_TOPICSCONVERGENCE_SECTION”: { “USER_TOPICSCONVERGENCE_LIBELLE”: “TRÈS ÉLEVÉE”, “USER_TOPICSCONVERGENCE_SCORE”: 0.771 },
“USER_TOPICS_LIST”: [
{ “content_set”: [ “entretiens”, “personnel”, “recrutement” ], “length”: 3, “title”: “Recrutement”, “weight”: 0.715 },
(…),
{ “content_set”: [ “sourcing” ], “length”: 1, “title”: “Sourcing”, “weight”: 0.284 }
],
“USER_WARNING_MSG”: [ “Votre description comprend 4 mots significatifs. La taille minimum de mots significatifs acceptée est de 10 mots. En dessous de cette limite les analyses sont beaucoup plus aléatoires.” ]
}