✨🔎 Optimisation du moteur de recherche d’offres d’emploi

📜 Contexte : Dans le cadre de mon travail pour Figaro Emploi, j'ai été en charge de l’optimisation du moteur de recherche d’offres d’emploi. Ce projet, complexe mais passionnant, visait à améliorer la pertinence des résultats affichés aux utilisateurs tout en rendant l'expérience plus intuitive.

🧩 Compréhension du fonctionnement du moteur de recherche :

1. 🔍 Analyse des composants clés : Le moteur de recherche reposait sur plusieurs facteurs, que j’ai dû analyser et comprendre en profondeur :
• ✏️ Saisie manuelle : Les utilisateurs saisissent un mot-clé correspondant à un métier ou à une compétence.
• 📄 Autocomplétion : Lors de la saisie, une liste de suggestions leur est proposée.
• 📚 Mapping avec un catcher : Les mots-clés saisis ou choisis sont associés à une nomenclature prédéfinie (métiers, secteurs, compétences, etc.).
• 📈 Résultats d'offres : Le système retourne des offres d’emploi classées selon un ranking défini.
2. 🛠️ Diagnostic initial :
• Le ranking des résultats ne répondait pas toujours aux attentes des utilisateurs.
• Certains comportements du moteur de recherche étaient sources de confusion (par exemple, des offres peu pertinentes apparaissaient en tête de liste).

Cycle d’une offre : du deposit à la recherche

🚀 Optimisations apportées :

1. 📊 Révision des règles de ranking :
• J’ai évalué les critères existants (pertinence des mots-clés, fraîcheur des offres, localisation, etc.) et proposé des ajustements pour refléter les priorités des utilisateurs.
• Mise en place d’une pondération adaptative, permettant de mieux répondre aux différents cas d’usage.
2. 🔄 Amélioration des comportements de recherche :
• Ajustement des règles de mapping du catcher pour traiter les variations de saisie (synonymes, fautes de frappe, termes génériques).
• Correction des incohérences entre l’autocomplétion et les résultats affichés.
3. ✅ Tests et validations :
• Plusieurs cas de tests ont été réalisés à l'aide de Postman pour valider le comportement du moteur de recherche et s'assurer que les ajustements amélioraient les résultats sans introduire de régressions.
4. 📌 Priorisation des features :
• J’ai effectué une analyse MOSCOW pour prioriser les fonctionnalités à ajouter ou à améliorer dans le moteur de recherche, en distinguant les "Must Have", "Should Have", "Could Have" et "Won't Have".
5. 📅 Gestion de projet agile :
• Comme à notre habitude, nous avons utilisé la méthode Agile pour la gestion du projet.
• Mise en place de sprints avec Jira, permettant un suivi rigoureux des étapes et un déploiement progressif des améliorations.

🏆 Résultats :

• Augmentation significative de la pertinence des résultats.
• Amélioration de la satisfaction des utilisateurs, mesurée par une baisse des taux de rebond sur les pages de résultats.
• Une expérience de recherche plus fluide et plus intuitive.

Ce projet illustre ma capacité à analyser des systèmes complexes et à identifier des leviers d’amélioration concrets pour répondre aux besoins des utilisateurs.