Hoe een slim algoritme de toekomstige productiviteit van je nieuwe medewerkers kan voorspellen

Traditioneel selecteren mensen, recruiters, iemand voor een baan grotendeels op basis van hun intuïtie en ervaring. Door de nieuwe mogelijkheden van AI technologieën en de toegenomen hoeveelheden data is het inmiddels mogelijk dat recruiters en managers worden ondersteund door artificial intelligence (AI) in deze belangrijke besluitvorming. In dit artikel leggen we aan de hand van een praktische case uit hoe een organisatie meer grip kan krijgen op de vraag welke manager moet worden aangenomen en hoe de huidige managers productiever kunnen worden.

Huidige situatie

Bij de werving en selectie van nieuw personeel is het niet gemakkelijk om vooraf te bepalen welke kandidaat succesvol gaat worden. Op dit moment gebeurt dat met name op basis van het CV, persoonlijkheidstesten en de ervaring van de recruiter. Met deze tools is het complex om vooraf te bepalen waarom een kandidaat wel of niet succesvol gaat zijn binnen de functie,  omdat de productiviteit van de medewerker o.a.  ook afhangt van bedrijfscultuur en leiderschapsstijl.

Afbeelding 1: overzicht van de verschillende tools die op dit moment worden gebruikt om te bepalen of een accountmanager succesvol gaan zijn.

Afbeelding 1: overzicht van de verschillende tools die op dit moment worden gebruikt om te bepalen of een accountmanager succesvol gaan zijn.

In bovenstaande afbeelding zien we aan de linkerkant een voorbeeld van een assessment (zoals bijvoorbeeld met de Big Five assessment) waarin de persoonlijkskenmerken zijn getest. De blauwe bollen geven de scores aan die de “ideale kandidaat” moet hebben om succesvol te zijn (lees: veel deals te scoren). Factoren als extravertheid, energie, het goed kunnen omgaan met tegenslag en gedrevenheid zijn hier van belang. In het midden zien we een CV waarin we kunnen kijken wat de leeftijd is, of de kandidaat relevant ervaring heeft, in een dorp of stad woont of bijvoorbeeld aan topsport heeft gedaan. Tijdens een sollicitatiegesprek wordt bekeken of de score in de assessment en de beschreven ervaring in de CV valide zijn en overeenkomen met de functieomschrijving.


Van wetenschap naar praktijk

Om Amazon-praktijken te voorkomen vinden wij het belangrijk dat er een model wordt ontwikkeld dat inzicht geeft in de factoren waarom het AI-model tot een beslissing komt (geen black-box) en dat het zo snel mogelijk de menselijke besluitvorming kan simuleren. Om die reden maken wij eerst samen met wetenschappers, interne experts (recruiters en managers) en externe experts (psychologen) een model met factoren die van invloed zijn op de productiviteit van de specifieke manager. Dit resulteert in een snellere adoptie van de nieuwe technologie.

In de wetenschappelijke literatuur is veel onderzoek gedaan welke succesfactoren de specifiek aan te nemen manager kenmerken. Dit is een combinatie van harde- en softe variabelen zoals IQ, zorgvuldheid, pro-activitiet, planmatig werken en openheid. 

Deze worden kunnen vervolgens aangevuld met factoren die uit ervaring voor het specifieke bedrijf belangrijk zijn zoals “een verleden in topsport” (wat een bepaalde gedrevenheid aangeeft) en “een horeca(bij)baan” (wat aantoont dat je actiegericht en een doener bent).

Het is belangrijk om te weten dat het belang van deze factoren kan afhangen per industrie en per doelgroep. Om succesvol te zijn in de IT-sector is meer kennis van de sector vereist dan in de communicatie-sector en om succesvol te zijn met een corporate organisatie vereist een andere verdeling van vaardigheden dan bij een MKB-bedrijf.  Om die reden worden al deze factoren gemodelleerd, worden verschillende profielen aangemaakt en worden de wegingen van de factoren door experts gedaan.

Machine Learning

Vervolgens wordt bekeken met welke data het model kan worden geladen. Bij deze organisatie zijn de afgelopen jaren duizenden managers aangenomen waarvan allemaal een persoonlijkheidstest en CV’s zijn afgenomen. Er zijn dus drie belangrijke databronnen die als input kunnen gelden voor het algoritme:

  • Persoonlijkheidsdata uit de CV’s zoals woonplaats, leeftijd en ervaring.
  • Assessmentdata om de Big Five scores te achterhalen.
  • Productiviteitsdata om per specifieke manager te bekijken hoe succesvol ze zijn.
Afbeelding 3: de werkwijze van het model met de verschillende inputs en outputs.

Afbeelding 3: de werkwijze van het model met de verschillende inputs en outputs.

In bovenstaande afbeelding is te zien wat de input (data) en output (informatie) is van het AI-model. Het model in afbeelding 2 wordt geladen met de aanwezige data, wordt in een aantal cycli getraind met machine learning en kan vervolgens nauwkeurige voorspellingen doen welke kandidaat welke marge per week kan binnenhalen, hoeveel deals er in potentie worden gescoord en of er wel of geen projecten worden binnengehaald in de proefperiode.

Wie wel en wie niet aan te nemen?

Nadat het AI-model een bepaald minimum in nauwkeurigheid heeft bereikt, kunnen de resultaten worden gepresenteerd.

Hoe een slim algoritme de toekomstige productiviteit van je nieuwe medewerkers kan voorspellen

In bovenstaande afbeelding is te zien dat het model 780 kandidaten classificeert als productief als zij ook daadwerkelijk productief zijn. 89 kandidaten worden onterecht geclassificeerd als productief (false positive) en 47 kandidaten worden onterecht geclassificeerd als niet productief (false negative). 435 kandidaten worden tenslotte correct voorspelt als niet productief.

Afbeelding 5: meest impactvolle factoren voor het succes van de kandidaat

Afbeelding 5: meest impactvolle factoren voor het succes van de kandidaat

Het model geeft ook een beeld welke drivers de grootste impact hebben op het succes van de manager (afbeelding 5). Voor discrete doeleinden zijn de namen van de factoren weggelaten.

Business Case

Wellicht denk je nu: 89 kandidaten verkeerd voorspellen, dat is nog best wel veel. Bedenk dan eens hoe vaak de menselijke intuïtie fout is bij het aannemen van mensen. Bij deze organisatie werden iedere maand 40 nieuwe managers aangenomen waarvan gemiddeld 16 niet productief was en geen positieve marge binnenhaalden. Dit is een mismatch van 40% (!) t.o.v. circa 10 % met het model. Indien de gemiddelde kosten van een kandidaat 100K per jaar is, is de businesscase snel gemaakt.

Indien het AI model de experts in de organisatie ondersteund en de feedback van de false positives en false negatives kunnen worden meegenomen zal het model alleen maar slimmer worden en zal het de recruiters nog beter kunnen ondersteunen in het recruitmentproces.

Op dit moment wordt het algoritme door deze organisatie gebruikt om via een web interface de recruiter voor het gesprek inzicht te geven in de mogelijke “red flags” van de kandidaat. De managers gebruiken de tool om te kijken aan welke knoppen gegdraaid moeten worden om de huidige mensen nog productiever te kunnen maken.

Ook bij het recruitmentproces blijkt weer dat data, wetenschap en AI een zeer succesvolle combinatie is. Het recruitmentproces wordt i.p.v. een kunst steeds meer een wetenschap. De winnende bedrijven van morgen houden goed rekening met deze combinatie. Ben jij al gestart?

Over de schrijver

Over de schrijver

Arian Oosthoek is co-founder van E-Tail Genius en helpt bedrijven AI technologie te adopteren om verregaande inzichten in klantgedrag te krijgen zodat bedrijfsprocessen effectiever en intelligenter kunnen worden georganiseerd.