PROPOSITIONS DE FACTEURS EXPLICATIFS eectuée)

Remarque 3 Nous connaissons les fonctions associées aux postes à pourvoir par les an-nonces de notre échantillon. Nous avons étudié la répartition des candidatures en fonction de l'heure de la journée pour les diérentes fonctions (Commercial / Vente, Informa-tique et Technologies, Ressources Humaines, etc.), mais n'avons pas pu faire ressortir de résultats. En eet, nous avons observé des résultats non consistants (peu d'écart avec la répartition globale et répartitions diérentes entre les deux modes de candidature) ne permettant pas de faire ressortir des diérences au niveau des heures de candidatures entre les diérentes fonctions et par rapport à la moyenne.

Jour de diusion. Nous nous intéressons maintenant à l'impact que peut avoir le jour de diusion sur la performance de l'annonce. Le jour est ici étudié en tant que jour de la semaine, les modalités du facteur étant le lundi, mardi, . . . , dimanche. Nous reprenons l'échantillon étudié dans le paragraphe précédent. La gure 3.6 représente la répartition des annonces postées et des candidatures reçues via Monster.fr en fonction du jour de la semaine, pour chaque mode de candidature. Les annonces étant postées au plus tard à 20h, et étant donné le délai de diusion sur le site Monster.fr, nous pouvons supposer que le jour de diusion est correctement identié pour toutes les annonces.

Figure 3.6  Répartitions des annonces postées et candidatures en fonction du jour de la semaine

(environ 14% des candidatures). Le week-end, le volume de candidatures est beaucoup plus faible, avec environ 7% de candidatures chaque jour. Nous souhaitons étudier l'impact du jour de diusion sur le volume des retours observés durant les premiers jours de diusion de l'annonce.

L'eectif des annonces postées le samedi ou le dimanche étant très faible (cf. gure 3.7), nous les retirons de l'échantillon étudié. L'échantillon des annonces est donc divisé en 10 sous-ensembles : 5 jours de la semaine (de lundi à vendredi) et 2 modes de candidature.

Figure 3.7  Eectifs des annonces postées (candidature par e-mail ou URL) en fonction du jour de la semaine

Comme précédemment, nous étudions le volume de retours obtenus à l'issue des premières 24h de diusion en fonction du jour où l'annonce est postée via l'outil. La gure 3.8 représente le nombre de retours journaliers (CV ou clics selon le mode de candidature) moyen en fonction du nombre de jours de diusion. Chaque jour de la semaine est représenté par une courbe. De même que pour l'heure de diusion, ces deux graphiques sont présentés dans un but illustratif mais ne permettent pas de tirer une conclusion générale sur l'eet du jour de diusion.

Pour les deux modes de candidature, les retours moyens à l'issue du premier jour de diusion sont plus élevés pour les annonces ayant été diusées un lundi, un mardi, ou un mercredi. De plus, les remontées observées à l'issue du quatrième et troisième jour de diusion pour les courbes associées respectivement au jeudi et vendredi correspondent à une hausse du volume de candidatures le lundi.

3.2. PROPOSITIONS DE FACTEURS EXPLICATIFS Nombre de CV 0 1 2 3 Jour de diffusion 1 2 3 4 5 6 7

lundi mardi mercredi

jeudi vendredi Nombre de clics 0 1 2 3 4 5 Jour de diffusion 1 2 3 4 5 6 7

Candidature par URL Candidature par e-mail

Figure 3.8  Retours journaliers moyens par annonce en fonction du nombre de jours de diusion et du jour de diusion

d'accepter l'hypothèse d'égalité des variances. Le test d'égalité des moyennes indique des diérences très signicatives entre les jours de la semaine. Les retours moyens à l'issue des premières 24h de diusion sont signicativement plus élevés pour les annonces diusées le lundi, mardi ou mercredi, comparé aux annonces diusées le vendredi (et le jeudi pour les annonces avec candidature par URL). Toutefois, les diérences ne sont plus signicatives au 25ejour de diusion de l'annonce.

Remarque 4 Selon le prol des candidats, les jours de recherche (et par suite de candi-dature) peuvent diérer. Nous avons observé les répartitions des candidatures en fonction du jour de la semaine associées à chaque fonction. Cependant, les écarts par rapport à la répartition globale sont faibles et la répartition des annonces postées pour une fonction peut inuencer celle des candidatures reçues. Nous n'avons donc pas pu faire ressortir de résultat sur les comportements de connexion des candidats pour les diérentes fonctions.

Mois de diusion. Pour certains types de contrat, comme les stages ou les formations par apprentissage, les candidats potentiels sont disponibles pendant une période précise

dé-terminée par leur formation. De plus, les candidats eectuent généralement leurs recherches plusieurs semaines ou mois à l'avance et le recruteur doit être visible à ce moment-là. Si la campagne de recrutement est lancée trop tardivement, il y aura moins de candidats po-tentiels et leur prol sera de moins bonne qualité (cf. section 3.1.5), les meilleurs candidats ayant déjà trouvé un poste. Le mois de diusion est donc à prendre en considération pour les contrats impliquant un calendrier de formation.

3.3 Synthèse

A partir de la littérature et de nos propres hypothèses (formulées grâce aux connaissances que nous avons acquises du domaine ou à partir de l'observation de statistiques descrip-tives), nous avons proposé un ensemble de facteurs potentiels pour expliquer la performance d'une annonce diusée sur Internet. Nous avons divisé ces facteurs en deux sous-ensembles : les facteurs inexibles et les facteurs exibles. Les facteurs inexibles devront être consi-dérés dans le modèle mais sont déterminés par le poste, l'entreprise ou des facteurs de la conjoncture et sont donc non modiables. En revanche, le recruteur a une inuence directe ou indirecte sur les facteurs exibles.

Certains de ces facteurs pourront être obtenus directement grâce aux informations enregis-trées dans la base de données Multiposting (informations sur le poste à pourvoir comme le niveau d'expérience, le niveau d'études requis, le type de contrat, etc.). D'autres nécessite-ront des pré-traitements pour être extraits et rendus exploitables (localisation, indicateurs sur le style rédactionnel, etc.). Nous verrons par la suite que certains facteurs ne seront pas exploitables en pratique (par exemple, le salaire est très peu renseigné et les parties de l'annonce sont rarement identiées). Par ailleurs, pour obtenir certains facteurs, des études plus conséquentes seront nécessaires (cf. chapitre 4). Des techniques d'apprentissage et de fouille de données textuelles seront utilisées pour extraire la fonction associée à l'ore d'emploi, ainsi que le vecteur des descripteurs du texte de l'ore (mots-clés, composantes issues de l'analyse sémantique). Enn, des données externes devront être utilisées pour les facteurs décrivant la conjoncture ou le recruteur/diuseur de l'annonce.

Chapitre 4

Fouille de textes appliquée aux ores