Home Selectie en assessment Algoritme van de maand: hoe video-analyse bepaalt of je bij Hunkemöller past

Algoritme van de maand: hoe video-analyse bepaalt of je bij Hunkemöller past

604 keer
0

Hunkemöller staat aan de vooravond van een nieuwe sollicitatieprocedure, waar een algoritme bepaalt of iemand past bij het bedrijf en de klant. De toekomst van recruitment in volle gang?

In een nieuwe rubriek laat Bas van de Haterd elke maand zijn licht schijnen op een algoritme in de recruitmentindustrie. Wat is er goed aan? Wat zijn de risico’s? Hoe werken algoritmes nu echt? En hoe is dat van toepassing op dit specifieke geval? Deze maand: het algoritme dat Hunkemöller zegt toe te passen in hun selectie op basis van video.

Eerst even naar het bericht dat via het NRC de wereld in kwam:

Hunkemöller zegt in het bericht dat kandidaten één persoonlijkheidsvraag krijgen en de kans zichzelf voor te stellen, alles in maximaal anderhalve minuut. Een algoritme, getraind op de 100 beste medewerkers, bepaalt vervolgens of iemand wel of niet past en stuurt de gegevens dan wel of niet door naar de store manager die het finale besluit neemt.

Een algoritme, getraind op de 100 beste medewerkers, bepaalt of iemand wel of niet past

HR-directeur Anne Jaakke geeft hierbij aan dat bijvoorbeeld extraversie (blijkbaar een vereiste voor de functie) te meten is aan de stand van de wenkbrauwen. Dat ligt iets gecompliceerder, maar ze heeft gelijk dat je veel karaktereigenschappen uit micro-expressies kunt afleiden.

Quality of hire

De eerste vraag die ik hierbij heb is: hoe zijn die 100 beste medewerkers gedefinieerd? Dat is nogal essentieel en een mooi voorbeeld hoe een eenvoudige vraag toch moeilijk kan zijn, komt naar voren in dit artikel, waarin het (onder meer) gaat om een creditcardmaatschappij die de kredietwaardigheid van klanten bepaalt. Wat als dan blijkt dat je een hoger rendement kunt halen door meer leningen uit te geven – met een hoger rentepercentage – aan mensen van wie de kans groter is dat ze de lening niet kunnen terugbetalen? Er komen in dat geval immers wel meer mensen in aanmerking voor een lening. Iets soortgelijks kan van toepassing zijn op werving.

De meeste bedrijven hebben geen definitie van quality of hire, terwijl dit essentieel is

Laten we dit vertalen naar recruitment. Bij de meeste bedrijven is geen definitie van quality of hire. Die definitie is hier juist wel essentieel. Laten we voor de Hunkemöller-case, om het te vereenvoudigen, twee opties nemen. Gaat het om de sales per medewerker (wat concreet meetbaar is) of om de klanttevredenheid van de klanten die door die medewerker zijn geholpen (wat veel minder meetbaar is)? Dit laatste kan wel leiden tot meer sales bij ándere medewerkers, of tot online omzet of omzet op langere termijn. En zou dus ook gevolgen moeten hebben voor hoe je medewerkers selecteert.

Tijd per gesprek als maatstaf

Om dit nog concreter te maken wil ik graag de case van Achmea op Digitaal-Werven van vorig jaar aanhalen. Daar kwam men dankzij assessmenttechnologie erachter dat de beste callcentermedewerkers heel laag scoorden op luistervaardigheden. De maatstaf die tot dat onderzoek dominant was in de beoordeling, zonder dat daar overigens een algoritme aan te pas kwam, was ‘tijd per gesprek’.

De definitie van quality of hire is essentieel als je een algoritme afstemt op de beste medewerkers

De definitie van quality of hire is essentieel als je een algoritme afstemt op de beste medewerkers. Harde meetcriteria bedenken voor kwaliteit is iets waar mensen vaak best slecht in zijn, want achteraf kun je natuurlijk heel goed bedenken dat de snelheid van een telefoontje afhandelen niet de beste maatstaf is voor de kwaliteit van die afhandeling. Toch is dit jaren lang wel de primaire maatstaf geweest bij Achmea, en voor veel organisaties in de callcenterbranche is het dat nog steeds. Dat heeft niets met algoritmes te maken, maar met gemakzucht. Het is heel lastig om kwaliteit goed te definiëren, dus definiëren we het maar op de manier dat we het makkelijk kunnen meten.

Definitie van diversiteit

Veel kritiek op dergelijke algoritmes gaat meteen over diversiteit. Zonder dat ook maar één criticaster een definitie van diversiteit meegeeft overigens, wat elke discussie hierover ook meteen onmogelijk maakt. Het probleem bij de vraag of een algoritme diversiteit beperkt of juist stimuleert is óók dat het afhankelijk is van je definitie. Aangezien je de kerncompetenties die nodig zijn om succesvol te zijn in een baan kopieert, bijvoorbeeld extraversie bij een winkelverkoper, is het klip en klaar dat de diversiteit op het gebied van introvert-extravert zal afnemen. Nu is die waarschijnlijk al heel laag, omdat introverte winkelverkopers nu ook al in het selectieproces eruit vallen.

Of diversiteit bij een algoritme beperkt of juist stimuleert is afhankelijk van je definitie

Over het algemeen zie je bij dergelijke algoritmes de diversiteit qua gender en etnische achtergrond juist toenemen in plaats van afnemen. Waarom? Omdat we als mensen onbewust heel erg bevooroordeeld zijn. In hoeverre dit ook voor Hunkemöller geldt vraag ik me overigens af, want ergens denk ik dat de meeste vrouwen zich niet comfortabel zullen voelen als ze lingerie bij een man moeten kopen. Ook vermoed ik, maar dit kan ook mijn vooroordeel zijn, dat religieuze vrouwen, ongeacht de religie, niet snel in een lingeriezaak willen werken en dus toch niet solliciteren.

De ongemakkelijke vragen

Dan hebben we nog de ongemakkelijke vragen. Kopen we als Nederlanders misschien liever lingerie van een vrouw die er knap uitziet? Van wie we verwachten dat die het zelf ook draagt? Als man kan ik er geen antwoord op geven, lingerie kopen is niet iets dat ik (vaak) doe. Als ik kijk naar een specifieke ex-vriendin met wie ik mee moest is het antwoord: ja. Maar als onderzoeker zeg ik dan ook weer meteen: N=1 is geen steekproef.

Is diversiteit wel gewenst als je doelgroep daar heel slecht op reageert?

De vraag is dus in deze of diversiteit wel gewenst is als je doelgroep daar heel slecht op reageert? Natuurlijk is dit een kip-eiverhaal, want je zult ook geen andere doelgroep aanspreken op deze manier. Om toch wederom een N=1-voorbeeld aan te halen: in Duitsland heb ik wel 50-plussers in een lingeriezaak zien werken, maar zag ik géén 50-plus-klanten binnen.

Toekomstbestendig werven

Tot slot kwam er nog de vraag of dit wel toekomstbestendig werven is. Dat ligt wederom aan je definitie van quality of hire. Een prachtige casus hierin was die van Foot Locker uit 2016. Een casus die wat mij betreft veel te weinig aandacht heeft gekregen. Hierbij ging toekomstbestendig werven niet om learning agility, maar wel om groeipotentieel. Kort samengevat keek men niet alleen of je geschikt was voor de huidige functie (want dat waren er best veel, als je dat goed meet), maar ook naar welke toekomstige functies je zou kunnen doorgroeien.

Wél extreem belangrijk is dat je algoritme leert, en feedback krijgt van aangenomen kandidaten

Natuurlijk, dit zegt niets over de vraag of je ook toekomstige functies kunt doen waarvan we nu nog niet weten hoe ze eruit zien. Voor een organisatie als Hunkemöller en zeker bij winkelpersoneel is dat volgens mij ook niet zo heel relevant. Het zijn geen banen voor de lange termijn. Over het algemeen gaat het hier niet om medewerkers die van plan zijn in deze winkel hun pensioen te halen. Voor high volume, hoogverloopfuncties is toekomstbestendig werven helemaal niet zo relevant, aangezien de toekomst meestal verder weg is dan het einde van het contract. Wél extreem belangrijk is dat je algoritme leert, en feedback krijgt van kandidaten die zijn aangenomen en die vervolgens wel of niet goed functioneren. Alleen zo kun je automatisch zien dat bepaalde kwaliteiten meer of minder belangrijk worden.

bas van de haterdOver de auteur van dit blog

Bas van de Haterd is onder meer initiatiefnemer van Digitaal-Werven, een jaarlijks onderzoek naar welke organisatie aan kandidaten de beste digitale sollicitatie-ervaring biedt, en samen met Werf& organisator van TA Live.

Lees hier meer van Bas.

LAAT EEN REACTIE ACHTER

Please enter your comment!
Please enter your name here