Welke sollicitanten bij de politie de grootste kans maken in een schietincident terecht te komen? Data laten het nu al zien.
Hoogste tijd dus om meer algoritmes in het selectieproces te betrekken, aldus een recent artikel op Harvard Business Review, dat 5 manieren opsomt waarop je dat het best kunt doen.
Menselijk oordeel heeft beperkingen
Menselijke beoordeling van sollicitanten kent tal van tekortkomingen, aldus de auteurs. Er is psychologische bias, al dan niet onbedoelde en onbewuste discriminatie, en ook gewoon tijdgebrek om elke kandidaat grondig te onderzoeken. Algoritmes kunnen dan uitkomst bieden. Ze kunnen immers helpen voorspellen hoe een kandidaat zal presteren. En juist die voorspelling, daar moet een selectieproces over gaan.
Algoritmes kunnen maatschappelijk nut hebben
Een recente studie van de auteurs laat zien dat machine learning algoritmes van groot maatschappelijk nut kunnen zijn. Ze keken naar de selectieprocessen van zowel leraren als politieagenten. Daaruit blijkt onder meer dat op basis van een gecombineerde dataset van kandidaten (met daarin onder meer hun achtergrond en testresultaten) al bij de aanname redelijk nauwkeurig te voorspellen is welke agenten de meeste kans lopen in een schietincident terecht te komen of beschuldigd te worden van verbaal of fysiek wangedrag.
Data geven niet altijd het perfecte antwoord
Alle reden dus om data in het selectieproces in te zetten, aldus de auteurs. Maar niet dat je dan altijd maar de data moet laten beslissen, stellen ze. ‘Ons punt is niet dat een algoritme het perfecte antwoord geeft en alle menselijke interactie in het wervingsproces moet vervangen. Maar ons punt is wél: algoritmes kunnen een belangrijke ondersteuning bij de uiteindelijke beslissing zijn.’
5 vuistregels om voorspellende data te gebruiken
De vraag is dan ook vooral: hoe gebruik je de data, zodat ze het meeste voorspellende waarde leveren? ‘Welke beslissingsregels moet je gebruiken om de kandidaat te selecteren die het meeste kans op succes biedt?’ De auteurs bieden daarvoor 5 vuistregels:
#1. Kies de juiste prestatiecriteria
Algoritmes kijken alleen naar het doel dat je ze meegeeft. Dat zullen ze optimaliseren, de rest niet. Dat betekent dat je vooraf zelf heel helder moet formuleren hoe voor jou succes eruitziet. En dat kan natuurlijk best een combinatie van factoren zijn.
#2. Verzamel de juiste variabelen
Effectieve algoritmes hebben menselijke intuïtie en onderzoek nodig om te bepalen welke variabelen en karakteristieken je moet meten om de eerder opgestelde prestatiecriteria te voorspellen.
#3. Verzamel zoveel mogelijk datapunten
Heel belangrijk: als je iemand hebt aangenomen, zorg dat je zoveel mogelijk prestatiedata verzamelt, en zet die tegenover de sollicitatiegegevens. Algoritmes kunnen op basis van al die data voorspellingen gaan doen voor toekomstige sollicitanten. Hoe meer data je bewaart, hoe beter de voorspellingen kunnen worden. En ja, hier geldt natuurlijk schaalvoordeel: grote organisaties kunnen meer data verzamelen en zo betere voorspellingen gaan doen.
#4. Vergelijk appels met appels
Het is een bekende vergissing om bij prestatieverschillen geen rekening te houden met de zwaarte van de taken. Een salesmanager met de lastigste klanten zal minder deals sluiten dan de gemiddelde salesmanager. Een goede meetmethode moet hier rekening mee kunnen houden en ervoor compenseren.
#5. Gebruik en anticipeer op incentives
Sollicitanten én medewerkers zullen gaan ‘sturen’ op de metric, zodat ze de score (kunstmatig) kunnen verhogen, zonder dat daarmee hun talent daadwerkelijk duidelijk wordt. Nog een keer het voorbeeld van de salesmanager: als je die afrekent op het aantal gesloten deals, zullen ze alleen daarvoor gaan. Maar of dat uiteindelijk ook het meeste waarde voor de organisatie oplevert? Daar zul je in elk geval op moeten anticiperen.
Conclusie: gebruik zowel mens als machine
Statistische algoritmes hebben zeker hun beperkingen in het selectieproces van mensen, geven de onderzoekers toe. Maar menselijke beoordeling heeft dat minstens net zo erg. Zeker in grote organisaties zullen zowel menselijke als machine-intelligentie dus gebruikt moeten worden, aldus de auteurs. ‘Als je de beste kandidaat voor de job wil, zul je de kracht van beide methoden moeten gebruiken.’