O trabalho do RH dentro de uma empresa tem se tornado cada dia mais importante. Dessa forma, talvez os profissionais de ci\u00eancia de dados e neg\u00f3cios n\u00e3o saibam o qu\u00e3o oneroso pode ser a busca por um profissional que preencha perfeitamente todos os requisitos de uma vaga anunciada pela sua empresa. Felizmente, a tecnologia j\u00e1 evoluiu a ponto de nos conceder fortes aliados nas buscas otimizadas, principalmente quando combinamos o Processamento de Linguagem Natural (NLP)<\/a> com m\u00e9todos de geometria anal\u00edtica como a Similaridade de cossenos.<\/strong><\/p>\n\n\n\n Nesse sentido, entende-se NLP<\/strong> como o segmento do aprendizado de m\u00e1quina que traduz linguagem humana em valores estat\u00edsticos, que possuem enorme valor para an\u00e1lises de frequ\u00eancias de termos repetidos, sentimentos expressos e similaridade com outros conte\u00fados em grandes blocos de texto. Naturalmente, esse m\u00e9todo \u00e9 fortemente embasado por princ\u00edpios matem\u00e1ticos, como de geometria anal\u00edtica, no caso da similaridade de cossenos<\/strong>, para ent\u00e3o medir a semelhan\u00e7a entre duas senten\u00e7as convertidas em vetores.<\/p>\n\n\n\n A similaridade de cossenos pode ser encontrada em qualquer livro universit\u00e1rio de geometria anal\u00edtica e \u00e9 amplamente utilizada para medir a semelhan\u00e7a entre dois vetores por via do cosseno do \u00e2ngulo compreendido entre os dois:<\/p>\n\n\n\n Sendo assim, ser\u00e1 demonstrado abaixo a aplica\u00e7\u00e3o desses conceitos em um case<\/em> pr\u00e1tico envolvendo a tarefa de RH mencionada acima.<\/p>\n\n\n\n Imagine ent\u00e3o que seja poss\u00edvel para o RH automatizar a busca por perfis profissionais com as melhores caracter\u00edsticas para as suas vagas, utilizando recursos do perfil do LinkedIn<\/a> como descri\u00e7\u00e3o, cargos anteriores e habilidades e compar\u00e1-los com uma \u00fanica senten\u00e7a do tipo “Procuro um profissional dedicado com capacidade anal\u00edtica e experi\u00eancia no varejo, que domine Pyhton, SQL, Excel, PySpark e algoritmos de machine learning”.<\/em> Interessante, n\u00e3o? Mas para isso, primeiramente precisamos modelar nosso problema da obten\u00e7\u00e3o de dados aos c\u00e1lculos das m\u00e9tricas.<\/p>\n\n\n\n Os dados utilizados foram extra\u00eddos do Apify<\/strong>, um site que oferta web scrapers com um click com per\u00edodos de teste gr\u00e1tis. No caso, utilizamos o Linkedin Companies & Profiles Bulk Scraper <\/em>e pelos pr\u00f3prios par\u00e2metros \u00e9 poss\u00edvel colocar alguns filtros de assunto e localidade, portanto foi utilizado “Data Science” e “Ci\u00eancia de dados” como filtro de assunto e “Brasil” como filtro de localidade. Foram extra\u00eddos 2955 perfis, valor que pode ser alterado dependendo da disponibilidade e prefer\u00eancia do usu\u00e1rio.<\/p>\n\n\n\n Em seguida, foram importados para o IDE python<\/strong> os pacotes necess\u00e1rios. Para o uso do NLP em si o pacote escolhido foi o NLTK<\/strong>, amplamente difundido no python.<\/p>\n\n\n\n![\"\"](\"https:\/\/statplace.com.br\/wp-content\/uploads\/2024\/01\/image.png\")
<\/figure>\n\n\n\nEstudo de Caso<\/h2>\n\n\n\n