5 tips om direct te starten met voorspellende recruitment analytics

Written by: Corné Corné
Blog

Kan een computeralgoritme de respons op een vacature voorspellen? En is een algoritme beter in het voorspellen van het potentieel van een sollicitant dan een recruiter? Een paar jaar geleden konden we alleen maar gissen naar de antwoorden op deze vragen, laat staan toepassen in praktijksituaties.

HR- en recruitmentafdelingen zijn goed in staat om te rapporteren over wat er is gebeurd, maar er worden nauwelijks voorspellingen gedaan. Dit terwijl predictive recruitment analytics veel mogelijkheden biedt tot hogere recruitment-efficiëntie. In deze blog:

  • 5 tips
  • Wie is de beste voorspeller - algoritme of mens?
  • Case study NS

predictiveanalyticsPredictive recruitment analytics?

Zijn algoritmes die zich richten op het voorspellen van de toekomst. Het tegenovergestelde is descriptive analytics, hierbij wordt alleen terug gekeken. De voorspelling wordt dan overgelaten aan bv. een recruiter.

5 tips: It all starts with data

Mijn verwachting is dat de komende jaren steeds meer data-analyses beschikbaar komen voor recruitmentafdelingen. Als recruitmentmanager kun je daar op inspelen, ook als je niet de resources hebt om een volledige afdeling voor recruitment analytics op te starten. Een aantal concrete tips:

1. Verzamel relevante data

Denk hierbij aan data die zowel online als offline recruitment efforts en outcomes beschrijven. De efforts: gebruikte online marketingcampagnes, offline events en selectiemethoden. Kortom alle activiteiten waar geld en tijd aan worden besteed om zowel het aantal als de kwaliteit van de sollicitanten te beïnvloeden. De outcomes: respons op social media, engagement op een corporate recruitment website, application rate, time to hire, time to performance, turnover binnen 6 maanden en hiring manager satisfaction.

2. Gooi low-level data niet weg

Met low-level data, zoals het gedrag van een enkele sollicitant, kan een recruitmentafdeling in principe niets. Pas als we de data samenvatten wordt deze begrijpelijk. Echter gooien we daarmee ook veel informatie weg, informatie die een machine learning of statistisch algoritme kan gebruiken om betere voorspellingen te maken. Het is zonde als deze low-level data wordt weggegooid, doe dit dan ook niet.

3. Centraliseer data

Het centraliseren van data en zorgen voor duidelijke datadefinities is cruciaal om recruitment analytics mogelijk te maken.

4. Schakel analytische experts in

Denk aan experts op het gebied van data-opslag, statistiek en data-mining. Binnen recruitmentafdelingen zit over het algemeen minder analytische expertise dan bij bijvoorbeeld marketing, logistiek of IT. Maak gebruik van de analytische expertise op deze afdelingen om eerste stappen te zetten naar predictive recruitment analytics.

5. Verzamel business-vragen

Naast data en analisten zijn de business-vragen erg belangrijk. Dit zijn vragen als: 'Hoe kan ik het aantal sollicitanten voor vacature x stimuleren?' of 'Welke kanalen zouden er gebruikt moeten worden om een hogere kwaliteit sollicitanten te verkrijgen?'. Het beantwoorden van deze vragen met behulp van predictive analytics zal veel inzicht geven in hoe recruitment efficiënter ingericht kan worden.

Wie is de beste voorspeller - algoritme of mens?

Er zijn een aantal redenen waarom een voorspelling gemaakt door een algoritme het beter zou doen dan een mens dat kan.

Te snel een conclusie trekken die logisch lijkt

Een algoritme is superieur ten opzichte van een mens als het gaat om het verschil zien tussen geluk en causaliteit (verband tussen oorzaak en gevolg). Als mens hebben we sterk de neiging om causaliteit te zien. We zien bijvoorbeeld een stijging in het aantal sollicitaties na het voeren van een online recruitmentcampagne en concluderen daar (te) snel uit dat de campagne succesvol is geweest.

Dit menselijke trekje wordt ook wel de narrative fallacy genoemd. Algoritmes proberen deze te snelle conclusie te vermijden door de kans dat het aantal sollicitaties bij toeval stijgt mee te nemen. Het geeft daarom een beter beeld welke factoren invloed hebben op het aantal sollicitanten en hoe groot de kansfactor is.

(Te) optimistische inschattingen

Ook al kunnen ervaren recruiters vaak een redelijke inschatting maken wat de respons zal zijn op een vacature, vervallen ze toch snel in de optimism bias: we geven te optimistische schattingen.

NS: een case study naar predictive recruitment analytics

Hoe zet je de stap naar predictive recruitment analytics? Deze vraag stond centraal in een onderzoek naar de voorspelbaarheid van het aantal sollicitanten per vacature per week. Om dit te voorspellen hebben we gebruik gemaakt van vacatures van NS. Er zijn een aantal wiskundige modellen op de data van NS losgelaten om te zien welk model de beste voorspellingen kon produceren.werkenbijns

Inzicht op respons van je vacature

De eerste resultaten van het beste model zijn positief: als we het model een voorspelling laten doen over het aantal sollicitanten dat zal reageren op een vacature dan zal deze in zeker 80% van de gevallen er minder dan 3 sollicitanten naast zitten. Deze voorspelling is zowel interessant voor recruiters als hiring managers: beide krijgen hiermee een exact inzicht welke respons op een vacature te verwachten en kunnen vervolgens de recruitmentstrategie hierop aanpassen.

nslogo

Deze NS-case study is een mooi voorbeeld van een eerste stap in de richting van predictive recruitment analytics! De recruitment-site van NS is door Endouble gebouwd.

Meer weten over predictive analytics mogelijkheden voor jouw organisatie? Neem contact met ons op.