Zo zorgen slimme algoritmes voor betere inhuur matches
Matching door middel van algoritmes… voor velen een onbekend onderwerp wat soms vragen oproept.
Wat is een algoritme precies? Maakt het de matching écht beter? En waarom en hoe, zet InterimLife algoritmes in?
Wij leggen het uit in deze blog.
Wat is een algoritme?
De term algoritme klinkt misschien heel modern, maar algoritmes worden al eeuwen lang gebruikt. Sterker nog, ‘algorizmi’ is de Latijnse vertaling van ‘Al-Khwarizmi’, een Perzische wiskundige uit de negende eeuw(!). Niks nieuws dus.
Oorspronkelijk betekende een algoritme simpelweg ‘een berekening met cijfers’. Tegenwoordig is dit net wat complexer. Praktisch gezien is een algoritme een eindige reeks stappen wat een probleem oplost met een input en output.
Als voorbeeld: eigenlijk is een recept ook een algoritme. Je moet een aantal stappen volgen om tot een maaltijd te komen. Je hebt vast wel eens gekookt met een recept, dan ben jij stiekem ook een algoritme-expert!
Eerlijk is eerlijk, tegenwoordig wordt ‘algoritme’ vaak in een technologische context gebruikt. Maar eigenlijk is dit niks anders dan een recept: een stappenplan om tot een bepaald resultaat te komen. Maar dan volledig geautomatiseerd.
Met InterimLife matchen wij, door middel van algoritmes, direct de beste kandidaten op jouw opdracht.
Met de opdrachtomschrijving en criteria levert de opdrachtgever de input voor ons algoritme aan.
- Vervolgens loopt ons algoritme een digitaal stappenplan af wat de kandidaten matcht op de opgegeven criteria.
- InterimLife presenteert de best matchende professionals (de output). En dat binnen 600 milliseconden.
Zo kun jij, als opdrachtgever, direct profiteren van het aanbod.
De ontwikkeling van algoritmes binnen recruitment
Dit klinkt allemaal vernieuwend (en dat is het ook), maar stiekem worden algoritmes al jaren gebruikt binnen recruitment. Alleen ze worden wel steeds ‘slimmer’.
Misschien heb je ooit van ‘Applicant tracking software’ gehoord; dit is software die al jaren gebruikt wordt binnen (grote) bedrijven om een voorselectie te maken van kandidaten. Geïnteresseerde kandidaten komen in dit systeem terecht en worden vervolgens gefilterd op de opdracht. Zo hoeft een recruiter minder cv’s zelf te beoordelen.
Het begon met simpele ‘steekwoord algoritmen’. Deze doorzocht cv’s op de frequentie van steekwoorden (of aliassen hiervan).
Dit is vrij binair: ‘je hebt het wel of niet’. Dit soort algoritmes begrijpen geen context. Dus cv’s die niet de exacte terminologie bevatten vielen (onterecht) af.
Dit was natuurlijk niet handig én niet eerlijk. De vraag werd dan ook: hoe kunnen we ervoor zorgen dat alle geschikte kandidaten door het algoritme worden geselecteerd?
Algoritmes moesten slimmer worden.
Maar hoe maak je een voorgeprogrammeerd stappenplan slimmer? Dit kan op twee manieren:
- Maak het algoritme complexer door zelf meer verbanden te leggen en toe te voegen. Bijvoorbeeld: “dit zijn hard-skills die lijken op hard-skill a, doorzoek het cv daar ook op indien hard-skill a ontbreekt”.
- Het gebruik van een relatief nieuw wapen: machine learning.
Wat is machine learning?
In het kort is machine learning een methodiek waarmee algoritmes worden getraind. In plaats dat programmeurs aangeven van ‘als dit gebeurt, doe je dat’, laat je dit door de computer zelf bepalen door middel van wiskundige modellen.
Je begint met een dataset, waar variabelen in combinatie met een label zijn opgenomen. Vervolgens train je een wiskundig model aan de hand van deze data, waarbij het model ‘beloond’ wordt als het een goed label voorspelt.
Door gebruik te maken van machine learning kan een grotere precisie worden bereikt dan als een heel team programmeurs zelf regels gaat maken. Dit komt doordat machine learning de optimale verhouding van deze regels beter wegen.
Door het algoritme zichzelf te laten trainen, kunnen wij als mens niet meer begrijpen hoe het precies werkt. Dit resulteert in een ‘black box’. Het werkt, en de resultaten kloppen. Maar wat er precies in gebeurt…?
Binnenkort gaan we hier dieper op in en legt onze machine learning expert uit hoe dit trainen van een algoritme te werk gaat.
Door machine learning kunnen algoritmes tegenwoordig getraind worden op semantisch taalgebruik. Dit zorgt ervoor dat tekst door de computer ’begrepen’ wordt. Subtiele verschillen worden op deze manier herkent, in tegenstelling tot het binaire: ‘je matcht wel op dit steekwoord’ of ‘je matcht niet op dit steekwoord’.
Deze ontwikkeling zal zich blijven voortzetten wat ten goede komt aan de tijdsintensieve voorselectie. Het grote voordeel: jij, als opdrachtgever, hebt meer tijd voor het persoonlijke aspect; het beoordelen van de relevante kandidaten.
De voordelen van algoritmes in het inhuurproces
De voordelen van het gebruik van algoritmes liggen voor de hand:
1. Algoritmes verbeteren de kwaliteit
Fouten maken is menselijk. Een recruiter zal afwisselend goede, suboptimale en minder goede matches maken. Bij computers is dit niet aan de orde. Een algoritme is consistent: zolang dezelfde input wordt ingevoerd, zal deze altijd dezelfde output geven.
De kwaliteit van de matches is voor een groot deel afhankelijk van de branche kennis van de leverancier. Zeker in de IT-branche is dit een groot probleem.
IT is een breed en technisch vakgebied en het is onmogelijk om zonder in-depth kennis hiervan de opdracht écht te begrijpen. Hoe weet je bijvoorbeeld welke functionele vaardigheden belangrijker zijn als je niet weet wat ze precies inhouden? Algoritmes kunnen hierop getraind worden.
Stel je voor; via 1 algoritme heb je in een keer een heel expert panel aan ervaren IT-recruiters tot je beschikking die in een split-second in staat zijn om de ideale interim-professional te vinden. Daar kan geen individu tegenop boksen.
2. Directe matching verkort het inhuur traject
In het klassieke inhuur proces moet je 2 tot 3 dagen wachten voordat je de cv’s van professionals ontvangt. Bij het gebruik van een algoritme is hiervan geen sprake. Je krijgt direct een overzicht van de professionals die het best matchen met jouw opdracht. Zeker binnen de interim markt is deze tijdswinst een voordeel.
Deze directe feedback geeft jou de mogelijkheid om de criteria, waar nodig, bij te sturen. Je kunt dus real-time het gewicht van de vaardigheden aanpassen en wordt bewust van eigen keuzes. Is écht alles een ‘must have’?
Het (verkeerd) herinterpreteren van de opdracht door leveranciers is ook niet meer aan de orde. Je hebt zelf volledige controle over de criteria en kan deze bijsturen met een paar klikken.
3. Algoritmes verbeteren zichzelf
Algoritmes die gebruik maken van machine learning kunnen getraind worden om zichzelf te verbeteren. Een voorbeeld hiervan is het inbouwen van feedback loops. Hierbij worden de acties van gebruikers (die met het algoritme omgaan), als input gebruikt om het algoritme verder te trainen.
‘Edge-cases’, bijvoorbeeld opdrachten die oorspronkelijk (door bepaalde factoren) net buiten de matching vielen, kunnen zo geanalyseerd en verbeterd worden.
Naast het zichzelf verbeteren, staan de ontwikkelingen natuurlijk niet stil. Door ook actief onderzoek te blijven doen worden steeds meer factoren ontdekt die bijdragen aan betere matching. Zo worden algoritmes steeds beter.
Wel moet er bewust met het trainen worden omgegaan. Als data-scientist moet je er altijd voor waken dat er onbedoelde biases in het algoritme komen. Laten we kort even kijken hoe je dit doet.
Hoe zorg je dat een algoritme objectief blijft?
With great machine learning power, comes great responsibility.
Er hangt een enorme verantwoordelijkheid aan het inzetten van algoritmes. De kunst is om ervoor te zorgen dat het algoritme alle geschikte kandidaten selecteert en op de juiste rangorde van geschiktheid plaatst.
Zelf zijn we hier maanden mee bezig geweest, met talloze iteraties, factoren en databases aan professionals en opdrachten. Met als basis; een expert panel van ervaren IT-specialisten (zie het kopje ‘Hoe matcht het slimme algoritme van InterimLife?’).
Ons standpunt hierin is altijd geweest om alleen op relevante criteria te matchen. Factoren als geslacht, leeftijd, etniciteit en persoonlijke kenmerken worden nooit als criteria meegenomen.
Ook met machine learning houden we hier rekening mee. We trainen algoritmes altijd zonder deze kenmerken en zijn kritisch op de dataset die we bij het trainen meegeven; want als de dataset biased zou zijn, zou het algoritme uiteindelijk ook (onbedoeld) biased zijn.
Ter illustratie: als we in die dataset gebruik zouden maken van ‘geselecteerde’ kandidaten waarbij (onbedoeld) is gediscrimineerd, dan zou het algoritme ook (onbedoeld) gaan discrimineren. Door deze data fysiek weg te laten is dat niet meer mogelijk.
Door deze stappen te zetten zorgen we ervoor dat InterimLife arbeidsdiscriminatie tegengaat.
Kortom, of een algoritme biased is of niet, hangt af van de criteria en de training van het algoritme. Een algoritme is zo objectief als je het zelf maakt. De laatste jaren is dit ethisch vraagstuk steeds actueler geworden. Wil je hier meer over weten? Hou dan onze blog in de gaten of volg onze LinkedIn pagina. Jamie, Humanistiek specialist, gaat binnenkort dieper in op deze kwestie.
Hoe matcht het slimme algoritme van InterimLife?
Hoewel InterimLife in oktober 2020 is opengesteld voor opdrachtgevers, zijn we al in december 2018 begonnen met de eerste plannen(!). De kwalitatieve match staat voor ons op de eerste plaats, met aan de basis… 20 jaar detachering ervaring en een team van specialisten.
20 jaar aan detachering ervaring in één algoritme
Taren is één van de co-founders van InterimLife en heeft met meer dan 20 jaar ervaring in detachering beide kanten van de markt meegemaakt. Enerzijds als recruiter en anderzijds als interim-professional.
Zijn 20-jarige ervaring, samengevoegd met additionele conclusies van een team van specialisten, staat aan de basis van het algoritme. Zonder diepgaande kennis van hoe een goede match tot stand komt zou het algoritme nooit zo nauwkeurig kunnen matchen. Deze basis wordt aangevuld met machine learning.
Als voorbeeld: je kunt je voorstellen dat hard skills als ‘het programmeren in een bepaalde taal’ bij programmeurs relatief zwaarder wegen dan hard skills bij testers, waar taken, het kunnen uitvoeren van bepaalde typen tests, belangrijker zijn. Maar wat zijn de verhoudingen binnen elke functie groep? Door data te analyseren en te trainen kan een computer de verschillende factoren veel beter in kaart brengen dan als wij dit zouden doen.
Modulair design
Het algoritme bestaat uit veel facetten en is modulair opgebouwd. Zo kunnen we het algoritme gemakkelijk uitbreiden en verbeteren.
We matchen onder andere op de volgende drie onderdelen:
Taken
Alleen matchen op hard skills zou heel oppervlakkig zijn. InterimLife onderscheid zich juist omdat het verder de diepte in gaat en kijkt naar de specifieke werkzaamheden die een professional wel of niet kan uitvoeren. Door middel van taken kan het algoritme professionals ook inhoudelijk matchen met de opdracht.
Dit klinkt misschien makkelijk, maar dat is het niet. Momenteel hebben we meer dan 700 vooraf gedefinieerde taken, verdeeld over 43 functietitels, in ons systeem.
Taken kunnen door opdrachtgever als ‘must have’ of ‘nice to have’ worden bestempeld. Wat zich uiteraard in de matching laat zien..
Hard skills
We hebben een zeer goed beeld van de specialismen van interim-professionals in onze database. In gangbare cv’s staan slechts welke hard skills een professional heeft. Maar wij gaan een stap verder. Zo weten we per hard skill hoeveel jaren werkervaring de professional heeft, en hoe hoog de professional zijn kennisniveau inschat. Hiermee kunnen we veel beter inschatten waar de kwaliteiten van de professionals écht liggen.
Dit is ook één van de voorbeelden waarmee we de kwaliteit van onze data waarborgen. Is iemand met 1 jaar ervaring en ‘expert’ kennis niveau meer ervaren dan iemand met 5 jaar ervaring en ‘zeer ervaren’? Ons algoritme kan door deze factoren te combineren de input controleren.
Soft skills
Nadat het algoritme heeft berekend welke interim-professionals passen bij de opdracht, wordt er gekeken naar de persoonlijke vaardigheden. Iemand kan nog zo goed zijn, als hij niet in het team of binnen de bedrijfscultuur past, is het nog steeds een mismatch.
Dat het vaak hierop stuk gaat is misschien niet zo gek. Uit onderzoek onder de top 500 bedrijven van Nederland is gebleken dat opdrachtgevers de mate waarin soft skills in een cv naar voren komen beoordelen met een 4.3!
Soft skills zijn daarom een belangrijk onderdeel binnen ons algoritme. Ze komen dan ook op 2 manieren naar voren. Enerzijds als persoonlijke vaardigheden sliders; anderzijds door losse karaktereigenschappen.
Waar karaktereigenschappen binair matchen (je hebt het wel of niet), geeft het wel een heel duidelijk beeld van de professional. Met sliders krijgen de persoonlijke vaardigheden een bredere context door de schaalverdeling, wat zorgt dat het algoritme nauwkeuriger te werk kan gaan.
Feedback loop
Door een feedback loop in het systeem wordt het algoritme verder getraind. Dit werkt als een soort symbiose tussen het algoritme en jouw keuzes.
Door het gedrag van gebruikers te meten en dit als input voor het leren te gebruiken, wordt het algoritme steeds slimmer.
Door continue te onderzoeken en te blijven vernieuwen komen wij steeds dichter tot onze visie: altijd de perfecte match.
Wat kun je als opdrachtgever doen om betere interim-matches te krijgen?
Hoe zorg je er als opdrachtgever nou voor dat het algoritme goed zijn werk kan doen? Simpel: wees kritisch naar je eigen opdracht.
Wees realistisch in wat je vraagt en maak niet alles een ‘must-have’. Waar leveranciers normaal hun eigen visie over ‘alles is een must-have’ bepalen, verliest het ook zijn kracht in het algoritme. De verantwoordelijk over wat écht belangrijk is, ligt bij jou.
Focus dus op de paar hoofd-onderdelen die de kandidaat moet hebben en kijk dan via de profielen verder wat ze voor je zouden kunnen betekenen.
Daarnaast geven we altijd als tip: stel de opdracht samen op met het team. Zij hebben de technische kennis en weten precies wat de interim-professional moet kunnen om de opdracht tot een succes te brengen. Vergeet daarbij ook de soft skills niet: welke soft skills zouden het team nog kunnen verrijken?
Vragen? Wij staan voor je klaar en kunnen helpen. Ook met het invoeren van de opdracht.
Wat kun je als interim-professional doen om beter gematcht te worden?
De allergrootste tip die we je kunnen geven is: vul je profiel volledig in.
Vaak zien we dat professionals de voor de hand liggende skills vergeten in te vullen.
- Denk hierbij aan HTML, CSS of JSON als programmeur zijnde.
- Denk hierbij aan agile, scrum, coaching als product owner/scrum master.
- Denk hierbij aan alle (automatische) test methodieken als tester.
Hoe meer context jouw profiel heeft, hoe beter het algoritme hiermee om kan gaan.
Vul daarnaast ook jouw profiel achtergrond in. Vertel hier duidelijk wat voor type projecten het beste bij jou passen. Zodra je gematcht bent krijgen opdrachtgevers hierdoor een beeld van jou als professional. Hierdoor trek je meer opdrachten aan die goed bij jou passen
De toekomst van algoritmes binnen recruitment
De komende jaren zal de rol van algoritmes binnen recruitment alleen maar toenemen. Logisch, want waarom zou je die voorselectie zelf doen als een algoritme dit kan doen in een fractie van de tijd? Tijd die je beter kan besteden aan intakegesprekken met de beste kandidaten!
Ondertussen wordt volop geïnnoveerd, zo is het bedrijf Pymetrics bezig om kandidaten via Machine Learning te matchen op bepaalde criteria tijdens het spelen van speciaal ontworpen games. Dit wordt dan als stap in het inhuur proces geïntroduceerd.
Maar ook hier gaat het weer om de voorselectie; het inzetten van slimme technieken om tot een betere matching te kunnen komen. Die visie wordt door ons gedeeld.
Algoritmes gaan het leven van opdrachtgevers makkelijker maken met betere voorselecties en betrouwbaardere (objectieve) metrics. Het versnelt het inhuurproces en leidt tot betere matches.
Wel moet er worden gekeken naar de ethiek en biases binnen algoritmes. Wij zijn hier bewust mee bezig, maar in het algemene landschap zijn hier echt nog stappen in te halen. Hier willen wij dan ook actief aan bijdragen. Hoe? Door het te doen, en door een leidende positie in de markt te pakken, en door te blijven onderzoeken. Stil zitten is geen optie!
Wij zijn benieuwd
Wat zou voor jou het grootste voordeel zijn van het gebruik van het algoritme van InterimLife?
Zet InterimLife in om jouw interim-opdrachten te matchen
InterimLife is gespecialiseerd in kwalitatieve, directe matching van opdrachten met interim-professionals op het gebied van IT en het snijvlak business & IT.
Met meer dan 40 functieprofielen bieden we een breed scala aan. Van developers en testers tot UX/UI designers, marketing & e-commerce functies, data scientists, business intelligence specialisten & product owners en scrum masters.
Wij werken op basis van no-match, no-pay. Je betaalt alleen als je na een intakegesprek besluit een interim-professional in te huren. De administratie handelen wij af.
We hebben uitgelegd hoe direct matching werkt, maar je kunt het ook in actie zien in een 1-op-1 demo. Hierin laten we zien hoe ons platform werkt en wat je kunt verwachten bij het plaatsen van een opdracht.
Vraag hier vrijblijvend een demo aan.
Vraag een demo aan
