Matchen is kijken wie waar past, met een beetje data. Dat werkt, zolang je alles goed in de gaten houdt. Slim matchen is hetzelfde, maar dan met heel veel data. Met slim matchen kún je niet meer alles in de gaten houden. Je moet vertrouwen op afgeleide data. En dat is altijd een slecht idee.
Want zelfs onder ideale omstandigheden blijft het grootste deel van “werk dat bij iemand past” statistisch onkenbaar. Op schaal wordt dat niet beter. Wel absurder.
Niet omdat die data slecht wordt verzameld.
Niet omdat mensen hun werk niet goed doen.
Maar omdat de data die nodig is om te weten wat bij wie past niet kan bestaan.
Bewijs?
Het hangt van toeval en context aan elkaar
Arbeidsprestaties en passend werk blijken sterk afhankelijk van situatie en interactie, niet van stabiele persoonskenmerken.
➡️ Context verklaart een groot deel van uitkomsten.
Bron: Deadrick & Stone, Human Resource Management Review (2014)
Wat je wilt weten is niet meetbaar
De belangrijkste factoren voor werk dat bij iemand past (motivatie, leervermogen, sociale rol) zijn latente constructen en niet vooraf observeerbaar.
➡️ Ze worden pas zichtbaar achteraf, in interactie.
Bron: Beal et al., Journal of Applied Psychology (2005)
Wat meetbaar is, voorspelt weinig
De best onderzochte voorspellers (tests, CV-kenmerken) hebben beperkte voorspellende waarde en verklaren slechts een klein deel van variantie.
➡️ Zelfs onder ideale omstandigheden.
Bron: Schmidt & Hunter, Psychological Bulletin (1998)
Meer data maakt het niet beter
Meer historische data verhoogt ruis en bias in niet-stationaire systemen zoals de arbeidsmarkt.
➡️ Patronen vervallen zodra omstandigheden veranderen.
Bron: OECD, AI and the Labour Market (2021)
Oké, maar als je al een beetje data hebt dan ga je die toch niet weggooien?
Met te weinig data is niets doen informatiever dan iets doen.
- Berger, Statistical Decision Theory and Bayesian Analysis (1985)
Klassiek standaardwerk over beslissen onder onzekerheid.
- Gigerenzer & Brighton, “Homo Heuristicus” – Psychological Review (2009)
Laat zien dat simpele of afwezige regels beter presteren dan complexe modellen bij weinig data.
- Taleb, Antifragile (2012), hoofdstukken over intervention bias
Meer ingrijpen ≠ betere uitkomsten bij fragiele systemen.
- OECD, AI Systems and Bias (2021)
Waarschuwt expliciet voor beslissingen nemen onder datapauperiteit.
Dit ben jij vast niet met mij eens. Maar het is dus wel zo. En als je het niet gelooft krijg je dus zoiets:
Een startend internist verdient volgens Nationale Vacaturebank ruim onder het minimumloon. Als je ze belt zullen ze direct toegeven dat wat ze hier roepen niet klopt. Dat er eigenlijk te weinig gegevens beschikbaar waren. Maar dat ze bezoekers kwijtraken aan de buren als ze níks roepen.
Hun bewering is niet goed onderbouwd. En fout. Maar gelukkig relatief onschadelijk. Als je als beginnend internist na 9 jaar studie afhaakt omdat je deze loonwijzer gelooft dan heb je heel andere problemen.
Nee. De problemen beginnen pas als domme data zich slim voordoet. En dat doet domme data bijna altijd, als je maar lang genoeg graaft. De data liegt niet. Ze wordt gedwongen te spreken. En dan gaat het mis.
Volgens andere arbeidsmarktexperts ligt het loon van een startend internist overigens veel hoger.
Intermediair: €4.500,– per maand
Indeed: €5.833,– per maand
Nationale Beroepengids: €8.160,– per maand
StudentJob: €100.000,– per maand*
Geen van hen noemt het correcte bedrag. Geen van hen verwijst door naar de bron. (https://cao-ziekenhuizen.nl/sites/default/files/2024-02/salaristabel%20AMS%20voor%20publicatie%202023-2025.pdf).
Het probleem? FOMO
Het probleem is FOMO. Als concurrenten steeds slimmer matchen, voelt stil blijven staan als de boot missen — zelfs wanneer je weet dat het onzin is.
Epiloog
*Het getal van StudentJob betreft een foutje. Zo niet, dan hebben lezers van dit stukje die geen vervolgopleiding hebben en wel iets met bloed – als ze niet vies zijn van meer dan een miljoen per jaar – misschien mazzel.
