Weinig buzzwoorden worden de laatste tijd zoveel gebruikt als artificial intelligence en machine learning. Maar wat is het nou precies? Hoe ver zijn we ermee? Nemen de machines het echt al over in recruitment? En wat gebeurt er als we een kijkje onder de motorkap nemen? Allemaal vragen waar Chris Neddermeijer graag zijn licht over laat schijnen. Want A.I. mag soms wel een beetje abracadabra lijken, in feite is het best te begrijpen. Het gaat om patronen herkennen. En vervolgens kan het je de knoppen geven om beter te kunnen recruiten.
‘Ik heb er zelf een beetje een world peace-ambitie mee.’
‘Het is een stuk gereedschap in je gereedschapskist als recruiter’, zegt hij. ‘Het is aan jou of je hem gebruikt voor goede of voor slechte dingen. Maar ik heb er zelf een beetje een world peace-ambitie mee. Het is geen holy grail, geen silver bullet. Maar het kan de recruiter wel enorm helpen om scenario’s te draaien. Wat gebeurt er als ik bijvoorbeeld meer salaris bied? Of extra wervingskanalen toevoeg? De techniek is er klaar voor. Je moet het alleen wel durven gebruiken.’
De beste vis uit de vijver
Tijdens de recente Webinar Week lichtte de mede-oprichter van het Nétive-VMS alvast een tipje van de sluier op hoe zijn systeem dat mogelijk maakt. Onder het mom van ‘Skill based hiring‘ presenteerde hij het als ‘dé oplossing voor schaarste op de arbeidsmarkt’. Het is ‘onmogelijk dat je met stukje software de schaarste oplost’, gaf hij daarbij meteen toe. ‘Maar waar software wel voor kan zorgen is dat je slimmer met schaarste omgaat dan concurrenten. En dat jij, als je allemaal in dezelfde vijver zit te vissen, degene bent die de beste vis eruit vangt.’ Met andere woorden: dit soort software kan volgens hem de ideale hengel bieden.
‘Als je allemaal in dezelfde vijver zit te vissen, kun je hiermee degene zijn die de beste vis eruit vangt.’
Een Vendor Management Systeem, zoals Nétive aanbiedt, richt zich vaak meer op inkopers en minder op recruiters voor vaste functies. Die vertrouwen doorgaans immers vooral op hun eigen ATS, of Applicant Tracking System. Maar Neddermeijer ziet die twee werelden wel steeds dichter bij elkaar kruipen. ‘In de coronatijd zijn veel organisaties bezig geweest met hun personeelsstrategie. Dat heeft ironisch genoeg geleid tot juist een aantrekkende markt voor ons soort systemen.’
Data verzamelen
Maar of je het nu ATS of VMS noemt, maakt hem eigenlijk helemaal niet uit. Waar het om gaat is dat je het systeem in staat stelt om patronen te leren herkennen. En dan zodanig dat je op basis daarvan leert betere beslissingen te maken. ‘Het gaat om het verzamelen van data. Als je invoert wat wel werkt, en wat niet, kun je een steeds beter voorspellend model maken. Welke kandidaten waren succesvol? Welke skills boden zij aan? Hoe lang duurde de procedure? Als je veel van dat soort data hebt, wordt de voorspellende waarde steeds beter.’
‘Als je veel data hebt, wordt de voorspellende waarde steeds beter.’
Neddermeijer laat een voorbeeld zien van een klant met 13.000 tot 15.000 actuele cv’s in de database. ‘Als je dat dan combineert met alle opdrachten in het systeem, krijg je 9 miljoen records in je database. Oftewel: 9 miljoen gegevens die iets zeggen over de combinatie dat ik atheneum heb gedaan, en dat ik bij Tata Steel een opdracht heb gedaan tegen een x tarief. Dan kun je dingen gaan sorteren die goed werkten en die niet goed werkten. In totaal op wel 50 dimensies.’
Het cv blijft
Misschien even een side note, benadrukt hij. ‘Maar het cv kan dus de deur nog niet uit! Het cv is nog steeds wel nodig om dit te laten werken. Omdat we daaruit ook allerlei skills kunnen afleiden, die je eigenlijk op geen enkele andere manier kunt toevoegen.’
In een demo laat hij vervolgens zien hoe dat nou werkt. We zien daarbij onder meer een dashboard, met daarop metertjes hoe lang het duurt om iemand aan te nemen, en welke vergelijkbare rollen worden gevraagd. Informatie die natuurlijk elke keer beter wordt, naarmate er meer data gevoed worden. ‘Maar vanaf ongeveer 200 aanvragen kun je al veel zeggen, hoor’, aldus Neddermeijer. ‘En hoe netter je de data erin zet, hoe beter natuurlijk. Maar we kunnen veel ook semantisch opvangen. Doordat we bijvoorbeeld weten dat een projectleider ook een projectmanager is.’
‘Vanaf ongeveer 200 aanvragen kun je al veel zeggen, hoor.’
En vervolgens kun je aan de knoppen gaan draaien, legt hij uit. ‘Als het lang duurt om iemand te werven kun je bijvoorbeeld kijken of dat ligt aan het tarief dat je biedt. Of dat je misschien beter direct kunt gaan sourcen. Of dat je andere skills moet gaan uitvragen. En je kunt het ook in een combinatie proberen.’ Het systeem doet de recruiter (binnenkort) zelfs eigenhandig een suggestie voor een beste actie, op basis van al je ingevoerde gegevens, zo laat hij zien.
Bijna ‘recruitmentporno’
Het is bijna ‘recruitmentporno’, zegt hij lachend. ‘Stel je voor dat je het volledige personeelsbestand in zo’n systeem kunt laden. Alle pop’s en assessments van al je medewerkers. En dat je dat dan kijkt naar hun cv’s en daaruit dingen afleidt. Dan kun je dat koppelen aan wat en hoe je zoekt op de arbeidsmarkt. En kun je op basis daarvan veel betere beslissingen nemen. De techniek is er klaar voor’, aldus Neddermeijer. ‘Alle parameters zijn er. Nu komt het alleen nog aan op durf.’
‘De techniek is er klaar voor. Nu komt het alleen nog aan op durf.’
In de marketingwereld zijn ze hiermee al een stuk verder dan in recruitment, zegt hij. ‘Daar wordt alles gefingerprint. Ben je ‘s ochtends ergens geweest, dan krijg je daar ‘s middags meteen reclame voor te zien. Die systemen worden steeds verfijnder. Maar dat kan ook in recruitment. Stel: ik kom erachter dat bijvoorbeeld projectmanagers graag schaken. Dan is het toch logisch om bij schakers op zoek te gaan naar projectleiders? Tegenwoordig zijn onze systemen zo in staat om automatisch patronen te herkennen, tot 50 dimensies diep.’
Goed voor diversiteit
Het komt allemaal tegemoet aan een van de grootste dromen van Neddermeijer, zegt hij. ‘We willen mensen helpen op de arbeidsmarkt, een eerlijke kans geven. Dat is één van de “waaroms” van ons systeem. Dit soort systemen bestrijden de bias die veel recruiters toch onbewust hebben. Mijn grote fantasie is dat je een soort werk.nl hiermee kunt ontsluiten en dat je op die manier veel mensen verder kunt helpen aan een passende baan. Dat zou bovendien goed zijn voor de diversiteit op de arbeidsmarkt, daar ben ik van overtuigd.’
‘Als een werkgever op leeftijd wil discrimineren, kan het algoritme dat niet tegenhouden.’
Ja, een factor als leeftijdsdiscriminatie kun je er niet mee uitsluiten. Dat erkent hij zelf ook meteen. Als de werkgever op leeftijd wil discrimineren, kan het algoritme dat niet tegenhouden. ‘Zo’n tool gaat dat inderdaad niet oplossen. Maar het kan wel voor een stukje bewustwording zorgen. Het kan het proces zichtbaar maken. En het kan je iets creatiever naar bepaalde vaardigheden laten kijken. Het gaat erom dat je mensen niet op voorhand uitsluit. Maar het blijft aan jou als recruiter hoe je het uiteindelijk inzet.’
Grootste uitdaging
Daarmee komt hij wel bij zijn naar eigen zeggen ‘grootste uitdaging’. ‘Dit model wordt in de tijd steeds slimmer, naarmate je meer data krijgt. De beste kandidaat voor de beste prijs in de beste tijd komt zo steeds dichterbij. Maar het punt blijft: de meeste recruiters zijn geen data scientists. Het zijn vaak mensen die het liefst werken op gevoel. Dat je data wil meenemen in je beslissing om iemand een kans te geven, dat moet je willen en durven.’
‘Het punt blijft: de meeste recruiters zijn geen data scientists.’
En dat is lang niet iedereen gegeven, zegt hij. Hoewel… ‘Als ik een demo van de software mag geven, ben ik meestal wel in staat om twijfel weg te nemen. Als recruiters zien aan welke knoppen ze mogen draaien, en wat hen dat kan opleveren, dan zijn ze vaak redelijk goed te overtuigen van het nut ervan.’