#eRecruitment16 Recruitment analytics

mde

De volgende spreker is associate professor aan de afdeling Wiskunde van de Vrije Universiteit Amsterdam en houdt zich bezig met Business Anaylitics. Ik houd m’n hart vast. Zal zijn verhaal boven de pet gaan van de recruiters? Recruiters zijn toch kandidaatknuffelaars die niks met cijfers hebben? Gelukkig is dit de enige sessie in het hele gebouw, dus de zaal zit propvol. Laat maar komen.

Solliciteren na de lunch

Sandjai Bhulai geeft als voorbeeld van het gebruik van data de film Moneyball. Hierin wordt er tegen de intuïtie ingegaan en op basis van data een team samengesteld die (natuurlijk) heel erg succesvol zijn. In 1988 werd al geopperd dat mensen erg slecht zijn in het beoordelen van grote hoeveelheden gegevens. Sterker nog, ons intuïtie laat ons regelmatig in de steek. Ik hoorde onlangs van een corporate recruiter dat hiring managers vaak van zichzelf vinden dat ze geweldig zijn in het voeren van sollicitatiegesprekken. Als je dan zo’n gesprek bijwoont, merk je dat er geen gestructureerd gesprek wordt gevoerd en dat de manager voornamelijk op zijn intuïtie (of in zijn/haar woorden: ervaring) af gaat. Is niet handig.

Zo is er ook onderzoek gedaan naar beslissingen die rechters nemen. Hieruit is gebleken dat aan het begin van de dag en direct na een pauze een rechter eerder geneigd is positief te oordelen dan anders. Zou het ook zo werken binnen recruitment? Ik adviseer sollicitanten om hun sollicitatiegesprekken dus op die momenten in te plannen!

Mensen zijn over het algemeen erg slecht in statistiek. Gedragseconomen leren ons dat de waarde van analytics vaak zit in het vermijden van bias en slechte beslissingen. Misschien is het goed om ook als recruiter meer gebruik te maken van analytics. Maar hoe dan?

Maar hoe dan?

Colin Lee van de Erasmus Universiteit heeft onderzoek gedaan in hoeverre we beslissingen binnen recruitment kunnen voorspellen. Bijvoorbeeld of iemand op gesprek uitgenodigd zal worden. Hij heeft 48 bedrijven gevolgd (441769 sollicitanten) en 18 factoren bekeken:demografisch, biodata, vacature, kandidaat, afstand tot bedrijf, pool van sollicitanten, en nog veel meer. Hij wilde voorspellen op basis van welke factoren je kunt voorspellen f iemand wordt uitgenodigd op gesprek of niet. De grootste factoren die dit bepalen zijn de leeftijd en de werkervaring. Met een nauwkeurigheid van 70% kan hij voorspellen of iemand op gesprek wordt uitgenodigd.

De resultaten suggereren inconsistentie in evaluatie van demografie en biodata. Dit houdt in dat recruiters met deze gegevens anders omgaan dan met de leeftijd en werkervaring. We verschillen blijkbaar van mening in hoeverre deze gegevens positief of negatief invloed hebben op de beslissing om iemand uit te nodigen.

Stel je hebt het profiel van de postbezorger, dan kun je met business analytics veel beter het profiel van de juiste kandidaat samenstellen dan op basis van een gesprek tussen hiring manager en recruiter. Een succesvolle postbezorger zal bijvoorbeeld een hond moeten hebben. Deze bezorger is namelijk gewend om met zijn/haar hond in de regen te lopen. De gemiddelde student zonder hond zal al gauw afhaken bij een paar druppels. Nu is dit wellicht complete onzin, maar tot nu toe hebben we deze data nog niet geanalyseerd. Reëlere factoren zijn wellicht: welke sites bekijkt de ideale kandidaat, welke hobby’s heeft hij/zij? Zodra je hier veel data over verzameld en geanalyseerd hebt, kun je bijzonder specifiek je campagnes targetten (excusez les mots).

Het punt dat Sandjai hiermee wil maken is dat we ook binnen recruitment erg veel aan deze analytics kunnen hebben. De kwaliteit van de sollicitant gaat omhoog, de time to hire zal omlaag gaan, alsmede de recruitmentkosten. Genoeg redenen om hierin actief te investeren!

Geef een reactie