Busca avançada
Ano de início
Entree

Um sistema de recomendação personalizada para e-Recruitment

Processo: 16/08352-1
Linha de fomento:Auxílio à Pesquisa - Pesquisa Inovativa em Pequenas Empresas - PIPE
Vigência: 01 de abril de 2018 - 30 de setembro de 2020
Área do conhecimento:Interdisciplinar
Pesquisador responsável:André Felipe Pires Sonnenburg
Beneficiário:André Felipe Pires Sonnenburg
Empresa:Reachr Soluções Inovadoras em RH Ltda
CNAE: Consultoria em tecnologia da informação
Tratamento de dados, provedores de serviços de aplicação e serviços de hospedagem na internet
Município: São Paulo
Pesquisadores principais:Leandro Nunes de Castro Silva
Bolsa(s) vinculada(s):19/23195-8 - Um sistema de recomendação personalizada para e-Recruitment, BP.TT
18/26628-0 - Um sistema de recomendação personalizada para e-recruitment, BP.TT
18/16899-6 - Um sistema de recomendação personalizada para e-recruitment, BP.TT
Assunto(s):Inteligência artificial  Plataforma (computação)  Administração de recursos humanos  Recursos humanos  Seleção de pessoal  Mercado de trabalho  Agência de emprego  Emprego 

Resumo

As plataformas de recrutamento on-line, denominado de e-recruitment ou e-recrutamento, se tornaram o principal canal de recrutamento para a maioria das empresas e a principal fonte de procura de colocação profissional para a maior parte dos candidatos. Por um lado, essas plataformas reduzem o tempo para preenchimento das vagas, mas por outro elas têm o desafio de fornecer mecanismos eficientes de seleção, incluindo sistemas de recomendação bilateral, ou seja, vagas a candidatos e candidatos a vagas. Os sistemas de recomendação foram desenvolvidos para ajudar usuários a encontrar itens que sejam de seu interesse em um ambiente virtual, por exemplo, produtos em uma loja de comércio eletrônico, viagens, serviços, dentre outros. Na última década, motivados também pela explosão na geração e armazenagem de dados, começaram a surgir estudos associados à necessidade latente de tornar as plataformas de e-recrutamento mais eficientes e assertivas. Nesse sentido os sistemas de recomendação têm sido a ferramenta mais investigada e empregada em todo o mundo, e a REACHR está em busca deste diferencial competitivo no mercado nacional. O objetivo deste projeto de pesquisa é desenvolver um motor (sistema) de recomendação para a REACHR que seja capaz de identificar os principais elementos e características das vagas e dos candidatos para que o melhor casamento (matching) possa ser feito entre eles. O sucesso nesta tarefa trará o diferencial competitivo para a empresa e permitirá que os profissionais encontrem posições dentro de empresas mais alinhadas com seu perfil e expectativas e, reciprocamente, as empresas encontrem profissionais mais alinhados com as necessidades e até a cultura empresarial. Este modelo proporcionará uma seleção mais adequada, proporcionando redução de custo e aumento de qualidade nas contratações. Para atingir esses objetivos a REACHR estabeleceu uma parceria com o Laboratório de Computação Natural e Aprendizagem de Máquina (LCoN) da Universidade Presbiteriana Mackenzie, que tem, dentro de seu quadro de pesquisadores, profissionais que foram responsáveis pelo projeto e desenvolvimento de um dos primeiros sistemas de recomendação para e-commerce do Brasil, além de publicações e dissertações defendidas sobre o tema. Será utilizada uma metodologia de pesquisa e desenvolvimento validada tanto sob o ponto de vista científico, quanto comercial. Essa metodologia fará uma combinação das principais abordagens de recomendação, baseada em conteúdo, filtragem colaborativa e baseada em conhecimento, para construir um motor de recomendação inovador para a REACHR. A solução a ser investigada e proposta será avaliada utilizando métricas tradicionais de desempenho em sistemas de recomendação, como medidas de erro, precisão e revocação, e também medidas comerciais de avaliação, como taxa de conversão das recomendações. Dentre os resultados esperados destacam-se: aumento do diferencial competitivo da REACHR em relação a seus concorrentes; aumento do número de recolocações profissionais; e redução do turnover das empresas, devido à maior assertividade nas contratações. (AU)

Matéria(s) publicada(s) no Pesquisa para Inovação FAPESP sobre o auxílio:
10 empresas PIPE são selecionadas pelo Finep Startup