"Exploring the future of work & the freelance economy"
SLUIT MENU

Steeds betere ‘Skill-Based Hiring’ dankzij Artificial Intelligence

Als we Artificial Intelligence goed inzetten kunnen we slimmer en scherper selecteren op basis van skills. Het gevolg: steeds minder mismatches!

In mijn vorige column schreef ik over de mogelijkheden van Artificial Intelligence (AI) in recruitment. Mensen die mij kennen (of mijn columns lezen) weten dat ik een hartstochtelijk ‘believer’ ben in de kansen die we hebben om op basis van AI onze processen en resultaten fors te verbeteren.

In deze column wil ik graag een stapje verder zetten en zaken wat concreter maken, door in te zoomen op de nieuwe mogelijkheden voor Skill-Based Hiring. Mijn overtuiging is dat we steeds gerichter en specifieker kunnen afleiden en voorspellen wie de beste kandidaat is voor een specifieke rol.

AI ‘trainen’

We beschikken over de technologie en de methodes om een enorme berg aan relevante data te verwerken. We kunnen ons systeem laden met heel uiteenlopende gegevens: functietitels, opleidingen, werkervaring, soft en hard skills waarover iemand beschikt, tarieven, en zelfs subjectieve beoordelingen van eerdere managers over de wijze waarop iemand een opdracht heeft uitgevoerd. Als je de gegevens van opdrachten combineert met de gegevens van alle aangeboden kandidaten en de daadwerkelijke geselecteerde kandidaten, kan je AI ‘trainen’ en kunnen we uit het model dat hieruit ontstaat enorm veel afleiden.

Al lerende worden we met dank aan AI steeds slimmer en ontdekken we steeds meer patronen

Stel dat we op zoek zijn naar een ervaren projectmanager. Dan kan het systeem ons op basis van AI informeren over de skills waarover de meest succesvolle projectmanagers in onze database beschikken. Maar er kan veel meer: We kunnen ook sturen op basis van de tarieven die we willen inzetten, door te kijken wat er met een tarief gebeurt als we een specifieke skill toevoegen of weghalen. We kunnen zien wat de invloed is van een specifieke skill op de eerst mogelijke startdatum waarop we iemand kunnen inzetten (wervingshaalbaarheid). Of: we plotten de skilldichtheid door skills te koppelen aan geografische locaties en bekijken op die manier in welke regio we het beste kunnen werven voor een specifieke set van skills.

Al lerende worden we zo met dank aan AI steeds slimmer en ontdekken we steeds meer patronen met een bepaald doel in het vizier. De AI bepaalt automatisch welke set aan patronen mij dichter bij mijn doel brengt en welke set aan patronen mij verder weg brengt van mijn doel. Sterker nog: al tijdens het formuleren van de vacature kan je actief advies verwachten wat je kan veranderen om bijvoorbeeld sneller of ‘beter’ te werven.

Skills afleiden van andere skills

En een nog interessantere dimensie: je kunt skills gaan afleiden van andere skills. Als simpel voorbeeld: een projectmanager die binnen budget blijft met een goede eindbeoordeling van het eindresultaat blijkt vaak een SCRUM certificaat op zak te hebben. Je kan daardoor ook gaan zoeken naar kandidaten met een SCRUM certifcaat met interesse in projectmanagement, zonder dat deze kandidaat deze rol daadwerkelijk heeft vervuld. Je zou dus tot een uitstekende match kunnen komen, zonder op ‘functietitel’ te zoeken.

Ook kan je op basis van skills naar je eigen organisatie kijken en combineren met de skills van alle kandidaten in je database. Dit kan je weer gebruiken voor je strategische personeelsplanning: je weet welke skills relatief makkelijk te werven zijn, maar ook in welke skills je binnen je eigen organisatie het meest waarschijnlijk moet investeren om schaarste te voorkomen.

Het optimaliseren van de mogelijkheden rondom AI legt ook een claim op de wijze waarop we onze processen inrichten: want hoe beter en scherper we onze aanbiedingen en aanvragen formuleren, hoe beter de data in ons systeem. Data die we vervolgens gebruiken voor het vinden van de topkandidaat.

Minder mismatches

Ik ben ervan overtuigd dat al deze mogelijkheden ertoe gaan leiden dat we veel minder mismatches zullen krijgen. Dit komt doordat we makkelijker kandidaten kunnen werven primair op basis van skills, al dan niet afgeleid. Een van de meest fascinerende elementen bij deze verbeterslag is het feit dat de bias verdwijnt. We ontdoen onszelf van een enorme set aan – vaak onbewuste – vooroordelen die onze keuzes negatief beïnvloeden en gaan in plaats daarvan selecteren op criteria die bewezen effect hebben. Door die ‘hervonden vrijheid’ kunnen we onverwachte matches maken die in een conventionele setting nooit gemaakt zouden zijn.

Tot slot: toen Nétive in 2003 nog een start-up was, hebben wij destijds één van onze projectmanagers geworven op basis van skills, netwerk en gewoon een goed gevoel. Ze was een gediplomeerd verpleegkundige. Nu, 16 jaar verder, ben ik ervan overtuigd dat we haar op basis van AI hadden kunnen vinden. Vraag jij je al af wat AI voor jouw organisatie zou kunnen betekenen?

Mijn naam is Chris Neddermeijer. Samen met Patrick Tiessen en Leon Vet ben ik oprichter van Nétive. Sinds 1998 houd ik mij bezig met het “inhuurvak”: gestart als programmeur, vervolgde ik mijn carrière als functioneel analist, product owner en tegenwoordig als Solution Architect. Dit betekent dat ik partners, klanten en prospects help tot de beste oplossing te komen voor uitdagingen binnen het inhuurproces. Bekijk alle berichten van Chris Neddermeijer