DATA DRIVEN HR

TUGAS SOFTSKILL TERJEMAHAN JURNAL

“DATA DRIVEN HR”

NAMA KELOMPOK :

1.   DENNY CHANDITYA MAHENDRA(51416825)

2.   GEMA THAREQ ABDAT (52416993)

3.   M.NAJIB MUSYAFA (54416465)

4.   RAHMAT KRISHARTANTO (58416452)

Data-driven HR
(SDM berbasis data Resume ́ Analisis Berdasarkan Pemrosesan Bahasa Alami dan Pembelajaran Mesin)

Tim Zimmermann
Hasso Plattner Institute Potsdam, Germany tim.zimmermann@student.hpi.de
Leo Kotschenreuther
SAP Labs
Palo Alto, USA l.kotschenreuther@sap.com
Karsten Schmidt
SAP Labs
Palo Alto, USA karsten.schmidt01@sap.com

Perekrut biasanya menghabiskan waktu kurang dari satu menit untuk melihat masing-masing risiko ketika memutuskan apakah perlu melanjutkan proses rekrutmen dengan kandidat. Perekrut fokus pada kata kunci, dan hampir tidak mungkin untuk menjamin proses pemilihan kandidat yang adil. Ruang lingkup utama dari makalah ini adalah untuk mengatasi masalah dengan memperkenalkan pendekatan berbasis data yang menunjukkan bagaimana memproses kembali secara otomatis dan memberi lebih banyak waktu bagi perekrut untuk memeriksa kandidat yang menjanjikan. Selain itu, kami menunjukkan cara memanfaatkan Pembelajaran Mesin dan Pemrosesan Bahasa Alami untuk mengekstraksi semua informasi yang diperlukan dari resume. Setelah informasi diekstraksi, skor peringkat dihitung. Skor tersebut menggambarkan seberapa baik kandidat cocok berdasarkan pendidikan, pengalaman kerja dan keterampilan mereka. Nantinya makalah ini menggambarkan aplikasi prototipe yang menunjukkan bagaimana pendekatan baru ini dapat meningkatkan produktivitas perekrut. Aplikasi ini memungkinkan mereka untuk menyaring dan memeringkat kandidat berdasarkan deskripsi pekerjaan yang telah ditentukan. Dipandu oleh peringkat, perekrut bisa mendapatkan wawasan yang lebih dalam dari profil kandidat dan memvalidasi mengapa dan bagaimana aplikasi membuat peringkat mereka. Aplikasi ini menunjukkan bagaimana meningkatkan proses perekrutan dengan memberikan dukungan keputusan perekrutan yang tidak bias. (Perekrut biasanya menghabiskan waktu kurang dari satu menit untuk melihat masing-masing risiko ketika memutuskan apakah perlu melanjutkan proses rekrutmen dengan kandidat. Perekrut fokus pada kata kunci, dan hampir tidak mungkin untuk menjamin proses pemilihan kandidat yang adil. Ruang lingkup utama dari makalah ini adalah untuk mengatasi masalah ini dengan memperkenalkan pendekatan berbasis data yang menunjukkan bagaimana memproses kembali secara otomatis dan memberi lebih banyak waktu bagi perekrut untuk hanya memeriksa kandidat yang menjanjikan. Selain itu, kami menunjukkan cara memanfaatkan Pembelajaran Mesin dan                 

Pemrosesan Bahasa Alami untuk mengekstraksi semua informasi yang diperlukan dari resume. Setelah informasi diekstraksi, skor peringkat dihitung. Skor tersebut menggambarkan seberapa baik kandidat cocok berdasarkan pendidikan, pengalaman kerja dan keterampilan mereka. Nantinya makalah ini menggambarkan aplikasi prototipe yang menunjukkan bagaimana pendekatan baru ini dapat meningkatkan produktivitas perekrut. Aplikasi ini memungkinkan mereka untuk menyaring dan memeringkat kandidat berdasarkan deskripsi pekerjaan yang telah ditentukan. Dipandu oleh peringkat, perekrut bisa mendapatkan wawasan yang lebih dalam dari profil kandidat dan memvalidasi mengapa dan bagaimana aplikasi membuat peringkat mereka. Aplikasi ini menunjukkan bagaimana meningkatkan proses perekrutan dengan memberikan dukungan keputusan perekrutan yang tidak bias.)

1. Motivasi

Data driven HR adalah trend saat ini di departemen SDM untuk menggantikan gagasan usang tentang fungsi dukungan dan mengubah SDM menjadi konselor proaktif dan mitra pendidikan dalam lingkungan perusahaan. Terutama, 'perang untuk bakat' dan jumlah aplikasi untuk posisi terbuka mengarah ke dimensi baru dalam memproses profil kandidat dan menemukan kecocokan terbaik [1]. Perekrut dan perekrutan.

               Manajer dapat dengan mudah menjadi bias atau tidak sengaja menerapkan ‘filter’ pada kandidat tanpa harus melengkapinya 360◦ melihat seorang kandidat. Apalagi ketika memiliki banyak profil dan banyak posisi untuk mengisi, masalah yang sesuai kandidat internal dan eksternal adalah melipatgandakan upaya yang diperlukan. kanditdat dapat dengan mudah dibanjiri pesan perekrutan via online.

1. E.g., hanya mencari kata kunci atau gelar tertentu; dan pengetahuan domain yang hilang

untuk mengisi posisi

Gambar 1. Dari Dokumen ke Informasi: Pertama kita mengonversi dokumen PDF ke HTML.Berdasarkan pada struktur HTML, tata letak, dan konten, kami mengidentifikasi bagian(pribadi, pengalaman kerja, pendidikan dan keterampilan) menggunakan classifier ML yang sudah dilatih sebelumnya.

Saluran. Ini penting, karena menurut Erica Breuer, konsumsi khusus masih merupakan cara paling efektif untuk melamar pekerjaan [2]. informasi ini dibanjiri mungkin merupakan salah satu alasan, mengapa perekrutan sering mengabaikan kandidat yang tidak secara tegas untuk melamar posisi secara aktif.

mereka Memiliki alat yang tepat untuk secara objektif untuk menilai dan memberi peringkat

kandidat dapat membantu

a) menemukan yang terbaik menyesuaikan dan

b) proses lebih banyak kandidat potensial.

Dalam prototipe penelitian ini, kami memanfaatkan teknologi canggih saat ini dalam

pemrosesan bahasa alami (NLP) dan mesin pembelajaran(ML) untuk menjelaskan bagaimana SDM berbasis data dapat secara signifikan meningkatkan kualitas dan kecepatan seluruh proses perekrutan.

2. Dari Dokumen ke Informasi

               Sebagian besar pencari kerja harus menyediakan beberapa dokumen untuk membuktikan pendidikan mereka, pekerjaan mereka kelayakan, sertifikat bahasa, pelatihan resmi, dan penilaian kembali yang menyatakan pengalaman kerja sebelumnya, pendidikan, penghargaan, keterampilan dan banyak lagi.

Kami mengamati bahwa sebagian besar konsumsi disediakan sebagai dokumen PDF dan memanfaatkan sifat terstruktur alami mereka. Karena, ekstraksi teks sederhana (mis., Pdf2teks xpdf [3]) dapat terjadi

2. Pemburu pekerjaan di portal online, seperti linkedin sebagian besar berfokus pada para

profesional

3. Eksternal - di luar organisasi

arXiv: 1606.05611v2 [cs.CL] 21 Jun 2016

Gambar 2. Peta ini menunjukkan kelompok keterampilan terkait yang diturunkan

menggunakan kata-embedding [4]. Setiap titik mewakili keterampilan tertentu, pewarnaan mewakili kelompok keterampilan yang berbeda.

dalam segmen campuran ini (lihat Gambar 1), meningkatkan tata letak informasi sangat

penting. Untuk mengidentifikasi semua entitas dengan benar dalam melanjutkan segment,kami menggunakan prosesor khusus segmen. Misalnya, setelah kami mengidentifikasi bagian pribadi atau bagian keterampilan, kami menginstruksikan pipa pemrosesan sesuai. Untuk segmentasi kami mengidentifikasi berita utama, mengekstrak jenis informasi penentuan posisi, kata kunci, dan spasi. Setelah itu adalah membagi classifier yang sudah dilatih sebelumnya untuk membantu mengidentifikasi bagian dengan benar dan mengarahkannya ke prosesor yang tepat.

Setiap prosesor menggunakan Named Entity Recognition (NER) untuk memberi label lokasi, institut, nama, judul, dan informasi tanggal. Mengingat banyaknya variasi ejaan tanggal, langkah ekspresi reguler terpisah diperlukan untuk menormalkannya. Misalnya, 'Musim Panas 2015', 'Sekarang / Sekarang' atau '2004,10 - 2005,9' adalah beberapa contoh non-standar yang akan diganti dengan bentuk normal 'mm / dd / yyyy' atau jenis durasi masing-masing.

Saat memeriksa segmen seperti pengalaman kerja, kami menerapkan kembali logika segmentasi untuk dipisah menjadi langkah karier individu sebelum memberi label pada majikan, tanggal, dan peran.

Untuk memastikan kualitas yang konsisten, kombinasi NLP / ML dan aturan yang jelas membantu memberi label pengalaman pendidikan. Identifikasi derajat didasarkan pada bacheor, master, peringkat doktor yang dinormalisasi dengan toleransi variasi ejaan tertentu. Sebaliknya, identifikasi segmen hanya berdasarkan klasifikasi ML.

4,Kami menggunakan berbagai model SVM, RF, DT dan membandingkan kinerjanya

      Akhirnya, bagian keterampilan membutuhkan proses yang disesuaikan juga. Kami melakukan pra-pelatihan model kejadian keterampilan menggunakan penyisipan kata [4] berdasarkan pada kumpulan besar profil 800 k. Untuk validasi dan visualisasi yang mudah, kami mengurangi dimensi tinggi dari seratus menjadi dua menggunakan Stochastic Neighbourhood Embedding (t-SNE [5]) dan cluster yang diidentifikasi secara otomatis (lihat Gambar 2) dari keterampilan terkait.

Seluruh pipeline pra-pemrosesan mengubah dokumen resume menjadi seperangkat entitas informasi terstruktur yang dapat dengan mudah diproses.

3. Dari Informasi ke Pengetahuan

            Tujuannya adalah untuk mendapatkan gambaran lengkap tentang kecocokan kandidat dengan posisi pekerjaan tertentu. Karena itu, kita perlu menggabungkan berbagai dimensi informasi, seperti keterampilan, pendidikan, dan pengalaman kerja. Di bagian ini kami akan menunjukkan bagaimana kami mengukur kecocokan pada setiap dimensi dan bagaimana kami dapat menggabungkan mereka untuk mendapatkan skor peringkat akhir yang mewakili kecocokan kandidat..

3.1 Mencetak

Dalam prototipe kami, setiap kandidat diberikan skor antara 0 dan 100 yang mengindikasikan kecocokannya dengan deskripsi pekerjaan yang diberikan. Skor tersebut adalah rata-rata tertimbang dari tiga kategori: pendidikan, pengalaman kerja, dan keterampilan. Secara salah, skor keterampilan dua kali lebih penting dari dua lainnya.

3.2. pendidikan

Skor pendidikan didasarkan pada gelar akademik serta peringkat universitas. Untuk peringkat universitas kami menggunakan: Times Higher Education [6] dan QS [7]. Keduanya termasuk skor antara 0 dan 100, dengan 100 sebagai yang terbaik. Kami menggunakan rata-rata dari kedua skor. Jika universitas tidak terdaftar dalam salah satu dari peringkat-peringkat ini, nilainya untuk peringkat tersebut dianggap 0. Kami tahu bahwa ini mungkin tidak adil, tetapi hampir semua universitas yang kami periksa untuk prototipe kami hadir di setidaknya satu peringkat. Secara default, skor gelar adalah angka konstan: 20 (Sarjana), 35 (Master) atau 50 (Doktor). Jumlah skor derajat dan skor peringkat universitas mengarah ke skor pendidikan akhir. Perhatikan, bahwa untuk penilaian hanya universitas dan gelar terbaru yang diperhitungkan alih-alih yang sebelumnya. Salah satu alasannya adalah bahwa jenis sekolah tertentu, mis., Sekolah Menengah, tidak dipertimbangkan untuk peringkat universitas yang akan menghasilkan skor 0. Akhirnya, kandidat dengan banyak entri mungkin memiliki beberapa skor rendah (atau nol). Alternatifnya adalah memiliki bobot yang lebih halus berdasarkan durasi / gelar dan bahkan kursus yang diambil jika tersedia atau hanya mempertimbangkan pencetak gol 'top'. Namun demikian, tujuan dari prototipe adalah untuk menunjukkan bagaimana data eksternal dapat secara objektif meningkatkan penilaian tentang kualitas pendidikan.

3.3. Pengalaman kerja

Skor kedua kami adalah untuk pengalaman kerja yang tergantung pada durasi kerja serta pada skor pemberi kerja. Selain itu, semakin baru pekerjaan, semakin banyak pekerjaan ini berkontribusi pada skor pengalaman kerja. Untuk penyederhanaan, setiap bulan pengalaman bernilai satu poin.

Sangat sulit untuk memberi peringkat pada pemberi kerja. Bukan hanya karena kurangnya data untuk masing-masing dan setiap perusahaan di luar sana (terutama pemula dan UKM), tetapi juga karena tidak ada kriteria tunggal untuk memeringkat mereka. Selain itu, seberapa banyak kriteria peringkat seperti 'pendapatan' atau 'jumlah karyawan' mendukung kecocokan dan tingkat pengalaman individu. Untuk memiliki setidaknya beberapa metrik 'kualitas' perusahaan di peringkat kami, kami mengandalkan selektivitas majikan sebelumnya dalam perekrutan. Kami menggunakan set pelatihan profil 800 k yang diperkenalkan di Bagian 2 untuk mengevaluasi kemajuan karir karyawan berdasarkan atasan mereka saat ini. Karena kami tidak memiliki cukup data untuk memperhitungkan karier lengkap, kami mengambil skor pendidikan rata-rata karyawannya sebagai skor pemberi kerja. Skor akhir adalah jumlah poin pengalaman dan rata-rata skor majikan tertimbang. Terbatas hingga 100 poin.

3.4. Keterampilan

Skor keterampilan adalah skor rata-rata dari semua keterampilan yang diinginkan. Untuk menghitung skor keterampilan tertentu, kami mencocokkan keterampilan dengan keterampilan yang ditetapkan kandidat. Untuk setiap keterampilan kandidat, jarak (lihat Bagian 2) ke keterampilan yang diinginkan dihitung.

5. Untuk THE 100 berarti 'sempurna' dan untuk QS 100 berarti 'pertama'

Gambar 3. Berbagai cara untuk penyaringan kandidat: pengalaman kerja minimal selama bertahun-tahun, gelar sarjana terkini dan campuran keterampilan yang diinginkan.

keterampilan dengan jarak terpendek diidentifikasi. Skor untuk keterampilan yang diinginkan ini dihitung sebagai berikut:

skor = scorematch - jarak α ∗ (1)

score = scorematch − α ∗ distance (1)

Scorematch adalah nilai konstan, yang mencerminkan skor untuk keterampilan pencocokan jarak yang cepat

Keahlian lain didasarkan pada hukuman jarak yang diatur oleh parameter α.

4. Aplikasi Prototipe

Untuk merasakan potensi aplikasi kami, kami membangun sebuah prototipe yang memungkinkan penyaringan, peringkat, dan perbandingan kandidat. Dalam [8] kami membuat tampilan yang menunjukkan semua kemampuan utama. 4.1. Kandidat Pemeringkatan Calon ditugaskan beberapa skor seperti yang dijelaskan dalam Bagian 3.1. Skor ini digunakan untuk mengurutkannya berdasarkan peringkat dalam berbagai visualisasi (lihat Bagian 4.3) dari kandidat. Entah peringkat keseluruhan tertimbang dapat diterapkan atau peringkat terfokus berdasarkan pada keterampilan individu, pendidikan, atau pengalaman kerja.

4.2 Menyaring Kandidat

Untuk menyaring kandidat, pengguna6 memiliki opsi yang berbeda (lihat Gambar 3). Satu opsi adalah untuk memfilter menurut derajat yang diperlukan. Pilihan lain adalah menentukan jumlah minimum tahun pengalaman kerja. Catatan, pemfilteran tidak memengaruhi penilaian, itu hanya membantu mengurangi ukuran kumpulan kandidat. Pengguna juga dapat memilih ensemble skill untuk menentukan profil kandidat yang diinginkan. Pemilihan keterampilan didukung oleh

6. Perekrut atau Merekrut Manager

Gambar 4. Tampilan berbeda untuk menentukan peringkat dan membandingkan kandidat: A menunjukkan tampilan kartu yang menyoroti informasi paling penting (mis., Seberapa baik setiap orang memenuhi persyaratan pencarian) untuk setiap kandidat. B menunjukkan tampilan skor yang memungkinkan pengguna untuk memeriksa setiap skor spesifik yang berperan dalam skor keseluruhan. Subfigure C menunjukkan grafik skor. Ini menampilkan skor keterampilan secara keseluruhan dan skor pengalaman kerja keseluruhan yang diperintahkan menurun dengan skor keterampilan. Tampilan yang menampilkan fitur-fitur ini tersedia dalam [8].

daftar lengkap-otomatis, yang didasarkan pada kumpulan besar dari 800 k profil yang diuraikan dalam Bagian 2.

Catatan, penilaian keterampilan dan peringkat bergantung pada model kejadian bersama pada profil pelatihan kami. Manfaatnya adalah bahwa keterampilan baru secara otomatis muncul dan dipetakan selama profil keterampilan baru ditambahkan. Kelemahannya adalah kita mungkin mengalami sedikit keterlambatan keterampilan baru dipetakan dengan benar, karena memerlukan beberapa kemunculan keterampilan baru ini.

Selain itu, pengguna dapat menambahkan keterampilan terkait kapan saja dan bahkan mulai dengan menggunakan templat pekerjaan yang telah ditentukan.

4.3. Membandingkan Calon

 Alat ini memberi pengguna beberapa cara untuk menampilkan kumpulan kandidat.

4.3.1. Kartu-kartu. Cara standar untuk menampilkan kandidat adalah tampilan kartu yang ditunjukkan pada Gambar 4A. Setiap kandidat diwakili oleh kartu yang berisi aspek paling penting, seperti nama, skor, dan gelar terbaru.

Setiap kartu juga memiliki bagan yang menunjukkan skor yang dipecah dalam tiga kategori (pendidikan, pengalaman kerja, dan keterampilan). Pengguna dapat dengan cepat melihat kategori mana yang unggul atau tertinggal di belakang. Secara umum, semakin besar area segitiga dalam bagan, semakin baik skor kandidat relatif terhadap semua kandidat lainnya. Fitur kenyamanan, seperti bookmark kandidat atau opsi kontak langsung juga ada.

4.3.2. Skor. Tampilan tabular skor digambarkan pada Gambar 4B. Tampilan ini memungkinkan pengguna dengan cepat mengevaluasi bagaimana seorang kandidat cocok dengan w.r.t. keahlian khusus. Ada kolom untuk masing-masing dari tiga kategori utama serta semua keterampilan yang diinginkan. Untuk menyorot top skorer untuk setiap skor, sepuluh persen teratas berwarna hijau. Pengguna juga memiliki opsi untuk mengurutkan berdasarkan kategori atau keterampilan tertentu.

4.3.3. Grafik Skor. Grafik skor (lihat Gambar 4C) menampilkan skor keterampilan keseluruhan dan skor pengalaman kerja keseluruhan dari para kandidat. Skor akan semakin menurun oleh skor keterampilan. Jika dua kandidat memiliki skor keterampilan yang sama, kandidat dengan skor pengalaman kerja yang lebih baik datang terlebih dahulu. Keuntungan dari pandangan ini adalah bahwa pengguna dapat secara visual membandingkan kinerja kandidat dalam bagian skor yang disebutkan pada khususnya. Misalnya, contoh menunjukkan bahwa kecocokan keterampilan hampir sama untuk semua kandidat, tetapi skor untuk pengalaman kerja sangat berbeda. Ini membantu menavigasi pemfilteran kandidat dengan membimbing secara visual ke arah yang berbeda.

Gambar 5. Tampilan Profil dari kandidat yang menunjukkan resume asli di sebelah kiri dan kartu detail di sebelah kanan. Konten kartu apa saja dapat diletakkan untuk menyoroti tampilan yang relevan dalam dokumen. Kecuali untuk kartu Skor Pekerjaan, semua kartu khusus untuk resume saat ini dan profil pekerjaan yang ditentukan sebelumnya.

4.4 Inspeksi Kandidat

Salah satu fitur utama dari aplikasi ini adalah untuk menganalisis dan menjelaskan kecocokan antara keahlian  kandidat dan persyaratan profil pekerjaan. Pada halaman profil (lihat Gambar 5), resume asli ditempelkan di sebelah kiri, sementara informasi yang diekstraksi dikelompokkan sebelah kanan.

4.4.1. Konteks. kartu informasi yang diekstraksi, contoh, suatu keterampilan, semua kemunculan dari keterampilan itu disorot dalam resume yang asli. Ini memberi pengguna kemampuan untuk mudah memvalidasi dan mempelajari lebih lanjut tentang konteks keterampilan itu. Misalnya, proyek atau kelas yang menerapkan keterampilan ini.

4.4.2. Keterampilan Terkait - Kartu Keterampilan Yang Diinginkan. Tidak hanya kartu keterampilan yang diinginkan memvisualisasikan kualitas kecocokan keterampilan untuk keterampilan profil pekerjaan, tetapi setiap keterampilan juga dapat diperluas untuk menunjukkan keterampilan serupa yang paling tinggi dan tingkat kesamaan. Misalnya, Scilab hanya cocok 90%. Karena keterampilan ini tidak disebutkan secara eksplisit di sini, mis., Keterampilan yang serupa menunjukkan pengetahuan di bidang ini dan berdasarkan teknik pemetaan keterampilan kami, skor kecocokan di bawah 100% dapat dihitung.

4.4.3. Kecocokan - Kartu Skor Pekerjaan. Kartu ini mencantumkan profil pekerjaan teratas untuk kandidat ini berdasarkan ukuran kecocokan skor kami. Ini sangat membantu bagi kandidat yang menghindari melamar terlalu banyak posisi pada saat yang sama dan perekrut yang berjuang untuk menemukan kandidat terbaik untuk suatu pekerjaan. Kartu ini menekankan jika kandidat ini akan lebih cocok untuk pekerjaan lain yang belum dia lamar.

5. Ringkasan dan Langkah selanjutnya

Penelitian Prototype ini menunjukkan cara menggunakan metode data-driven termasuk beberapa sumber data untuk memandu pengguna dalam mencocokkan kandidat dan pekerjaan. Dengan menggunakan ML dan NLP, memungkinkan untuk membangun pipeline yang pertama-tama mengekstrak semua informasi yang relevan dari resume dan menyediakannya dengan cara yang terstruktur. Setelah resume diproses, data eksternal untuk karyawan dan lembaga pendidikan dimasukkan juga untuk menghitung kecocokan kandidat. Perekrut dapat menyesuaikan pencarian dan penyaringan mereka dengan peran pekerjaan tertentu. Selain itu, ada beberapa opsi dan cara untuk membandingkan kandidat. Akhirnya, aplikasi ini memungkinkan analisis terperinci dari resume untuk memvalidasi peringkat dan rekomendasi yang cocok.

Namun, karena kami mengembangkan prototipe, ada  langkah dan cara yang dapat. Pertama-tama, bobot untuk menghitung skor belum dioptimalkan. Lebih khusus lagi, riset pengguna diperlukan untuk mengevaluasi berbagai konfigurasi. Kedua, dalam pekerjaan ini, kami fokus pada penggalian informasi yang paling penting dari sebuah resume. Faktanya, ada lebih banyak informasi untuk dikumpulkan dan dinilai, misalnya, penghargaan, kursus, detail pekerjaan, dan bahasa. Selain itu, menilai kinerja karier bisa sangat bermanfaat. Kriteria lain yang perlu dipertimbangkan dapat berupa biaya untuk merekrut kandidat, relokasi, atau pelatihan untuk menutup kekurangan. Ketika merekrut orang, penting untuk mengetahui apakah mereka akan cocok dengan tim dan dapat beradaptasi dengan aturan perusahaan. Mengingat semua poin data yang tersedia saat ini, ada lebih banyak ekstensi prototipe kami yang disajikan dalam karya ini.

Ucapan Terima Kasih

Penulis mengucapkan terima kasih kepada tim dari SAP Innovation Center, Palo Alto: Frank Blechschmidt, Fredrick Chew, Pascal Crenzin, Stephan Haarmann, Michael Janke, Jaeyoon Jung, Roger Li, Bhumi Patel, Stefan Selent, dan Rene ́ Springer.

Daftar Pustaka

 [1]  The Telegraph, http://www.telegraph.co.uk/finance/jobs/10949825/ Employers- receive- 39- applications- for- every- graduate- job.html, July 2014

[2]  Erica Breuer, Don’t just copy and paste: 4 things to put on LinkedIn but not your re ́sume ́, http://mashable.com/2016/03/27/ differences-linkedin-resume, March 2016.

[3]  Xpdf, http://www.foolabs.com/xpdf/, April 2016

[4]  Christopher Olah’s blog, Deep Learning, NLP, and Representations, http://colah.github.io/posts/2014- 07- NLP- RNNs- Representations/, July 2014

[5]  LaurensvanderMaaten,t-SNE,https://lvdmaaten.github.io/tsne/April 2016

[6]  Times Higher Education, World University Rankings 2015-2016, https://www.timeshighereducation.com/world- university- rankings/ 2016/world-ranking, April 2016

[7]  QS World University Rankings 2015/16, http://www.topuniversities. com/qs-world-university-rankings, April 2016

[8]  Innovation Center Silicon Valley, SAP, Re ́sume ́ Explorer Prototype Screencast, https://youtu.be/qlW-QUkfg9k, March 2016

                                Inti Materi Dari Jurnal Data Driven HR

Data Driven berarti data menentukan proses pengambilan keputusan. Data akan mengambil peranan terpenting dalam perusahaan. Artinya, para pengambil keputusan akan bergantung sepenuhnya kepada data. perekrutan biasanya menghabiskan waktu kurang dari satu menit untuk melihat masing-masing risiko ketika memutuskan apakah perlu melanjutkan proses rekrutmen dengan kandidat.

Metode Yang di Gunakan :

Korelasional 

            Penelitian korelasi adalah suatu penelitian yang melibatkan tindakan pengumpulan data guna menentukan, apakah ada hubungan dan tingkat hubungan antara dua variabel atau lebih. Adanya hubungan dan tingkat variabel yang penting, karena dengan mengetahui tingkat hubungan yang ada, peneliti akan dapat mengembangkannya sesuai dengan tujuan penelitian.

Kelebihan Dan Kekurangan Metode Korelasional

            Penelitian korelasional mengandung kelebihan-kelebihan, antara lain: kemampuannya untuk menyelidiki hubungan antara beberapa variabel secara bersama-sama (simultan);  dan Penelitian korelasional juga dapat memberikan informasi tentang derajat (kekuatan) hubungan antara variabel-variabel yang diteliti (Abidin, 2010). Selanjutnya, Sukardi menambahkan kelebihan penelitian ini adalah penelitian ini berguna untuk mengatasi masalah yang berkaitan dengan bidang pendidikan, ekonomi, sosial. Dengan penelitian ini juga memungkinkan untuk menyelidiki beberapa variabel untuk diselidiki secara intensif dan penelitian ini dapat melakukan analisis prediksi tanpa memerlukan sampel yang besar.

Sedangkan, kelemahan penelitian korelasional, antara lain: Hasilnya cuma mengidentifikasi apa sejalan dengan apa, tidak mesti menunjukkan saling hubungan yang bersifat kausal; Jika dibandingkan dengan penelitian eksperimental, penelitian korelasional itu kurang tertib- ketat, karena kurang melakukan kontrol terhadap variabel-variabel bebas; Pola saling hubungan itu sering tak menentu dan kabur; ering merangsang penggunaannya sebagai semacam short-gun approach, yaitu memasukkan berbagai data tanpa pilih-pilih dan menggunakan setiap interpretasi yang berguna atau bermakna.

Kesimpulan

          Jadi Data driven terdiri dari 5 tahap untuk mencari kandidad yang pas yaitu :

Ø  Motivasi

Ø  Dari Dokumen ke Informasi

Ø  Dari Informasi ke Pengetahuan

Ø  Aplikasi Prototipe

Ø  Ringkasan dan Langkah selanjutnya

Saran

          Halamannya banyak kosong,Cuma ada beberapa kata setelah itu loncat ke halaman selanjutnya. Penulisannnya juga kurang rapi,bahasanya juga ada yang Bahasa Indonesia dan Bahasa inggris.