Deze blog is geschreven door Young Capital. Wij hebben een samenwerking met hen opgezet waarbij we kennis uit hun vakgebied met onze doelgroep willen delen.

Recruiters zullen het volgende scenario herkennen: één van je vacatures heeft honderden reacties opgeleverd. Super fijn natuurlijk, maar je bent vervolgens de hele dag bezig om alle CV’s, motivatiebrieven en dergelijke door te nemen. Dat moet toch makkelijker kunnen?

Het voordeel van machine learning?

Dat is waar machine learning om de hoek kan komen kijken. Als een computer het meest tijdrovende maar routinematige werk overneemt van de recruiters, dan houden zij meer tijd over voor andere belangrijke zaken, zoals loopbaanbegeleiding en coaching. En stel je voor dat je als sollicitant voordat je gaat solliciteren al ziet hoeveel kans je maakt op een bepaalde baan, suggesties welke trainingen je kan volgen om de slagingskans voor die baan te vergroten of dat er alternatieve vacatures getoond worden waar je sowieso een hoge kans van slagen hebt. Dat zal uiteindelijk leiden tot minder afwijzingen, minder teleurstellingen en meer blije kandidaten die aan de slag gaan bij een baan die echt bij ze past. Dit is ook fijn voor bijvoorbeeld pas afgestudeerden, die nog niet precies weten wat ze willen doen.

Toekomstmuziek?

Maar in hoeverre is dit nog toekomstmuziek? Kun je machine learning wel inzetten in de recruitment wereld? De data in recruitment zijn namelijk heel vaak subjectief. Vacaturetekst, cv, motivatie: iedereen schrijft op een andere manier, gebruikt andere woorden en zal de nadruk leggen op andere zaken. Een machine learning programma moet dit allemaal op dezelfde manier lezen, maar kan niet interpreteren zoals een mens dat kan. Een computer leest woorden zogezegd als getallen. Toch zijn er al bedrijven die machine learning inzetten, met nauwkeurige en concrete resultaten.

Zo voorspelt bijvoorbeeld één van de op dit moment in gebruik zijnde programma’s op basis van data uit de vacature, het cv, de motivatiebrief en profielgegevens welke kandidaat de beste is voor een vacature, en rangschikt ze op volgorde van geschiktheid. Het programma baseert zich onder andere op verschillende persoonlijkheidstest die kandidaten kunnen invullen. Mensen worden daarbij getest op ambitie, groeipotentie, werkethiek, kwaliteiten, vaardigheden en motivatie. Bij een vacature als logistiek medewerker in Amsterdam zouden daar als het goed is dus mensen wonend in omgeving Amsterdam, met een rijbewijs en een voorkeur voor fysiek werk naar voren moeten komen.

Het model is inmiddels dusdanig accuraat, dat de beste kandidaat in 99 procent van de gevallen in de bovenste helft van de reacties staat. Dat scheelt de recruiter dus de helft van de tijd. Met bijna 95 procent zekerheid staat de beste kandidaat in de top 20 procent. Dat kan de recruiter dus 80 procent van de tijd schelen.

Is Machine learning het einde van de recruiter?

Gaat machine learning daarom de traditionele recruiter vervangen? Dat is niet de verwachting. Een machine is nog steeds niet zo slim om bijvoorbeeld het karakter van iemand te herkennen en uiteindelijk wil zowel de werkgever en de werknemer niet het gevoel hebben dat ze maar een radar zijn in een groot computerprogramma. De menselijke ‘touch’ is en blijft erg belangrijk. Aan de andere kant is de verwachting wel dat machine learning een belangrijke bijdrage gaat leveren aan de stroomlijning van het recruitmentproces.