Visualisering av Folq-konsulenters ferdigheter
Tommy Odland, Folq-konsulent med sterk ekspertise innen dataanalyse (Data science) og prosjekterfaring fra selskaper som Equinor, Gyldendal, Telia og Cutters, har gjennomført en interessant analyse ved hjelp av embeddings. Nemlig hvilke roller og kompetanser fra konsulentprofilene hos Folq som typisk henger sammen. Alle resultater og illustrasjoner er hentet fra Tommy sin bloggpost. Der finner du også en nærmere beskrivelse av modellen som er benyttet (anbefales!).
Om analysen
- Folq er et norsk selskap som matcher IT-konsulenter med oppdragsgivere og oppdrag. Hvis bedriften din for eksempel trenger en databaseekspert for et prosjekt, kan du sannsynligvis finne en meget passende kandidat på Folq-plattformen.
- En av måtene konsulentene beskriver seg selv på, er ved å velge ferdigheter. Hvis de velger en ferdighet betyr det at de kan dette, og hvis de ikke velger en ferdighet betyr det at de ikke kan dette. Dette gir en tydelig oversikt over hvem som kan (og ikke kan) hva. Det er rundt 300 ferdigheter og 50 roller å velge mellom.
- Eksempler på roller er: Scrum master, Tech Lead, Data Scientist, Backendutvikler, Analytiker.
- Eksempler på ferdigheter er: JavaScript, SQL, Scrum, Docker, Agile, DevOps, Linux, Prototyping.
- Vi kan tenke på dataene som en binær matrise, der hver rad indikerer en utvikler og hver kolonne en ferdighet (rolle eller kompetanse). I figuren nedenfor er den første og andre personen "like" hverandre, siden de har nesten samme sett med ferdigheter. Den tredje personen er ulik de andre, og "motsatt" den første personen på en måte.
Analysen har sett på likhet mellom personer, ferdigheter og roller. Vi vil kunne bruke modellen som (1) et verktøy for å analysere og visualisere dataene, (2) en anbefalingsalgoritme og (3) en prediktiv modell.
Resultater
Utvalgte ferdigheter (roller og kompetanser)
Her er en visualisering av et utvalg ferdigheter, både roller og kompetanser, som typisk henger sammen eller som er ulike.
Avstandene mellom rollene virker fornuftige. Nederst til venstre ser vi utviklere, til høyre grafiske designere, og øverst prosjektledere. Fullstack er mellom frontend og backend, og frontend-utviklere er nærmere grafiske designere enn noen annen type utvikler – som forventet.
Avstandene mellom roller og kompetanser er også tilfredsstillende. For eksempel ser vi grafiske designere nederst til høyre, og de nærliggende ferdighetene er UX-design, Adobe og Figma. Dette gir mening, og vi kan se lignende grupperinger også andre steder i figuren.
Alle roller
Figuren nedenfor viser hver rolle. Kompetanser vises i bakgrunnen, men er ikke merket. Både kompetanser og roller har blitt skalert og størrelsen på “prikken” indikerer deres popularitet og frekvens blant konsulentprofilene hos Folq.
Tolkningen av nærhet i figuren er omtrent slik at hvis en rolle og kompetanse er nær hverandre, så er sannsynligheten høy for at de opptrer sammen i datasettet (samme konsulentprofil).
Utvalgte kompetanser (ferdigheter)
Det er omtrent 300 kompetanser totalt, så å plotte og merke alle sammen i en enkelt figur er uhåndterlig. Nedenfor er 60 populære kompetanser vist i en enkelt figur. Dataene og størrelsen på “prikken” i diagrammet er skalert for å indikere forekomsten av hver kompetanse blant konsulentprofilene hos Folq.
I tillegg til å visualisere hvordan populære kompetanser er relatert til hverandre, slik som i figuren over, kan vi også bruke dataen til å visualisere et mer tilfeldig utvalg ferdigheter som er plassert lengre fra hverandre. Her er et eksempel som viser et utvalg kompetanser som opptrer på profiler som er ulike:
Dataene
Her er litt informasjon om dataene fra Folq som er brukt i denne artikkelen:
- Det er omtrent 2200 konsulenter, 300 ferdigheter og 50 roller.
- Mediankonsulenten har valgt 25 ferdigheter. De fleste konsulenter har valgt mellom 15 og 35 ferdigheter.
- Mediankonsulenten har valgt 4 roller. De fleste konsulenter har valgt mellom 3 og 5 roller.
Hvis vi strukturerer de 2200 konsulentene og 300 kompetansene inn i en matrise, vil de fleste oppføringene være “null” (altså at konsulenten ikke har valgt kompetansen). Antallet ikke-nuller (altså der konsulenten har valgt kompetansen) er 9%. Matrisen er med andre ord ganske “sparse”, mange rader med tomme verdier, men ikke like “sparse” som f.eks. en matrise bestående av filmer og brukere. Hvis vi strukturerer de 2200 konsulentene og 50 rollene inn i en matrise, er antallet ikke-nuller også 9%.
Oppsummering
Datasettet er i hovedsak en stor, “sparse”, binær matrise av konsulenter og deres ferdigheter. Metoden skissert i denne artikkelen er ikke begrenset til å visualisere binære ja/nei-koder, eller ferdigheter for den saks skyld. Den er velegnet for å kunne analysere og lage grupperinger for lignende data for f.eks. filmer/brukere/vurderinger, sanger/brukere/liker, personer/arrangementer/deltakelse, videoer/brukere/”tommel opp”, og mye mer.
Tommy har tidligere analysert et politisk spørreskjema ved hjelp av SVD, som er en lignende tilnærming som skissert i denne artikkelen. Du kan se nærmere på denne og flere relaterte analyser på nettsiden hans.