De tous les divers aspects de LinkedIn, les « approbations » peuvent être les plus décriées.
.jpg)
Ce n’est pas parce que les avenants sont intrinsèquement mauvais, mais c’est plus parce que personne ne sait vraiment ce qu’ils représentent réellement.
Vous voyez, beaucoup de gens sur LinkedIn (la plupart, j’oserais deviner) se connectent avec des gens qu’ils ne connaissent pas nécessairement. LinkedIn déconseille cela, donc ce n’est pas nécessairement la faute du réseau, mais cela amène les gens à soutenir les autres pour des compétences qu’ils ne savent pas nécessairement qu’ils possèdent.
Une fois que vous êtes connecté, bien sûr, LinkedIn vous invite à approuver ces personnes, et parce que tout est une compétition, les utilisateurs qui souhaitent recevoir des approbations en retour approuveront activement toutes leurs connexions pour tout ce qu’ils peuvent dans l’espoir qu’ils retourneront le favoriser.
.jpg)
Et bien que cela puisse améliorer l’apparence de votre profil – avec toutes ces petites cases remplies au maximum – cela dilue également le sens derrière eux – car la plupart des gens savent maintenant que beaucoup d’approbations ne sont pas des représentations exactes de compétences professionnelles réelles, il est difficile de savoir ce qu’ils signifient réellement et combien de stock vous pouvez y mettre.
LinkedIn en est conscient et, en tant que tel, s’efforce d’améliorer les recommandations et d’en faire un moyen plus précieux pour les gens de reconnaître les compétences des autres.
Ce que cela signifie exactement pour la façon dont les recommandations sont représentées n’est pas clair à 100% à ce stade, mais sur le blog LinkedIn Engineering, ils ont décrit (en deux parties) comment ils ont travaillé pour créer des recommandations plus précises. modèle, et mettre davantage l’accent sur les endossements de valeur.
Selon LinkedIn :
« Réaliser notre objectif de fournir des recommandations qui offrent encore plus de valeur à nos membres a nécessité un mélange de recherche, de nouveaux modèles d’apprentissage automatique et une réarchitecture de l’infrastructure backend qui sert et recommande de nouvelles recommandations. Notre solution sert non seulement les recommandations plus rapidement. vitesse, mais nous permet également de fournir plus d’informations aux membres en fonction de leurs relations et de leurs compétences. »
Dans le cadre de sa nouvelle recherche sur les mentions, LinkedIn a réduit son système de mentions pour se concentrer sur les mentions les plus susceptibles d’être pertinentes et précises.
Pour ce faire, l’équipe LinkedIn a commencé à mener des recherches en interrogeant les membres lorsque des approbations ont été fournies.
Sur la base de ces résultats, LinkedIn a établi une liste de 84 signaux de candidats différents sur l’endosseur, le destinataire et leur relation qui pourraient être utiles pour déterminer l’exactitude d’une approbation. Ils ont ensuite réduit ces facteurs aux 12 signaux les plus utiles qui mettent en évidence une approbation comme étant la plus applicable et liée aux compétences réelles d’une personne.
Comme indiqué par LinkedIn :
« À la fin du processus, nous avons développé une métrique d’approbation cible qui peut être décrite comme suit – Une approbation hautement cotée est une approbation faite par une connexion qui connaît la personne et la compétence. »
Cela donne l’impression que toutes ces recherches complexes sont un peu redondantes – je veux dire, n’importe qui aurait pu vous le dire, n’est-ce pas ? Mais LinkedIn ne construit pas un système d’évaluation humaine, il s’efforce d’établir les signaux que leur système d’apprentissage automatique peut adapter et utiliser pour aider à fournir une image plus précise de ce que signifie réellement une approbation.
« Pour chaque composant de la définition (connaître la compétence et connaître la personne), nous avons identifié des seuils pour leurs signaux supérieurs respectifs sur la base de seuils intuitifs soutenus par des résultats d’apprentissage automatique. »
En fin de compte, grâce à ce processus, LinkedIn pense avoir développé un système qui peut classer certaines recommandations pertinentes plus haut que d’autres – mais comme indiqué, la façon dont cela sera réellement affiché n’est pas encore claire.
« Avec ces changements en place, nous sommes prêts à changer l’expérience des avenants. L’ensemble de données d’approbations vivant dans le graphique nous permet de fournir des approbations mieux notées et des informations améliorées sur les approbations à nos membres. Cette avancée technologique nous rapproche un peu plus de notre objectif d’être le système professionnel de validation par les pairs le plus important et le plus fiable. »
L’équipe d’ingénierie de LinkedIn est donc « prête à changer l’expérience des endossements », mais pour le moment, aucun changement n’est évident. Cela signifie probablement que vous pouvez vous attendre à voir du mouvement à ce sujet dans un avenir très proche.
Un changement dans les recommandations de LinkedIn serait une étape importante et contribuera à souligner comment LinkedIn utilise ses vastes ressources de données professionnelles pour créer un réseau professionnel plus précis et pertinent, et plus représentatif des compétences réelles des personnes. Affiner ces données est important – comme nous l’avons noté précédemment, LinkedIn est en mesure de changer le cadre des ressources humaines, d’utiliser son ensemble de données pour aider à fournir de meilleures recommandations aux employés et aider à guider les individus vers le cheminement de carrière le mieux adapté. Mais ils ne peuvent le faire que si les informations qu’ils utilisent sont exactes – c’est pourquoi affiner leurs modèles de données, comme les approbations, est un travail crucial.
Cela permet également à LinkedIn de développer davantage ses systèmes d’apprentissage automatique pour mieux comprendre les réseaux et les graphiques professionnels, qu’ils peuvent ensuite utiliser dans d’autres applications pour s’assurer que les données qu’ils fournissent sont plus précises et donc plus utiles pour ceux qui recherchent de véritables aperçu.
Et en même temps, cette nouvelle recherche détourne également l’attention des métriques de nombre et de vanité – si LinkedIn peut commencer à distinguer des métriques plus pertinentes, cela aidera à mettre davantage l’accent sur les réalisations et les compétences réelles, par opposition à la gamification de tels éléments. par la concurrence sociale.
Il sera intéressant de voir comment LinkedIn met ce nouveau processus en pratique, mais étant donné qu’ils écrivent à ce sujet, vous pouvez vous attendre à voir du mouvement le plus tôt possible.
