Arjan van der Vecht (Textkernel): 'Hoe meer data je hebt, hoe slimmer je kunt matchen'

Automation en A.I. kunnen je als recruiter klaar stomen voor de toekomst. Arjan van der Vecht (Textkernel) legt uit hoe je daar nu al van profiteert. ‘Hoe meer data beschikbaar, hoe slimmer je machines kunt maken.’

Joost de Ruiter Op 05 oktober 2021 Gem. leestijd 3 min149x gelezen
Deel dit artikel:
Arjan van der Vecht (Textkernel): 'Hoe meer data je hebt, hoe slimmer je kunt matchen'

Automation en Artificial Intelligence zijn allang geen toekomstmuziek meer, maar juist dé hot topics van 2021. Maar hoe zet je het als organisatie in om de perfecte kandidaten te vinden? Arjan van der Vecht (Textkernel) heeft daar wel zo z’n ideeën bij. Tijdens de Webinar Week van Werf& en Zipconomy vertelt hij op dinsdag 12 oktober aan de hand van praktische voorbeelden hoe automation en A.I. ook jou als recruiter kunnen helpen de uitdagingen van vandaag en morgen aan te pakken. Hier alvast een voorproefje.

Wat doen jullie precies?

Van der Vecht: ‘Bij Textkernel parsen we elk jaar zo’n 700 tot 800 miljoen cv’s. We krijgen een cv binnen als een werkzoeker een sollicitatie verstuurt, bijvoorbeeld naar een uitzendbureau of via een jobboard. Die cv’s zijn uniek voor ieder individu, het zijn net vingerafdrukken. Door al die cv’s te analyseren leren we veel over de arbeidsmarkt. We zien bijvoorbeeld hoeveel mensen een bepaald soort baan zoeken. We zien ook welke vaardigheden normaal gesproken op cv’s staan waarmee mensen naar bepaalde beroepen solliciteren.’

‘Bij Textkernel verzamelen we elk jaar zo’n 700 tot 800 miljoen cv’s.’

‘Al die kennis is nuttig – het CBS en het UWV maken niet voor niets gebruik van onze data. Maar wij gaan nog een paar stappen verder: we verwerken de data namelijk ook met technologie die we geleerd hebben om verbanden te zien tussen functietitels, vaardigheden en opleidingen. Dat heet machine learning. En dat staat aan de basis van de oplossingen die we momenteel bieden.’

Wat kan de recruiter daar mee?

‘Denk aan onze tool Match! Daarmee kun je bijvoorbeeld zien dat een vacature voor een projectmanager ook geschikt is voor iemand die ‘projectgoeroe’ of ‘project-associate’ op z’n cv heeft staan. Dat zijn in de praktijk namelijk dezelfde functies. Op basis van alle cv’s die de machine ooit heeft geanalyseerd, kan hij nog veel nauwkeuriger cv’s op vacatures matchen. Hij weet op basis van ‘ervaring’ – dus: al die data – precies welke opleidingen, werkervaring en vaardigheden je nodig hebt voor een bepaalde functie.’

‘Geef je een vacature, dan matcht deze tool die automatisch met alle bestaande cv’s in je database. Recruiters hoeven daardoor niet om 9 uur ’s ochtends eerst te kijken welke cv’s ze voor een openstaande positie beschikbaar hebben. In plaats daarvan kunnen ze direct beginnen om de meest geschikte kandidaten voor een gesprek uit te nodigen.’

‘Onze tool maakt het vak van de recruiter niet overbodig. Integendeel.’

‘Dat betekent trouwens niet dat onze tool het vak van de recruiter overbodig maakt. Integendeel. Ons systeem draagt namelijk alleen op basis van keiharde data de beste kandidaten aan. Wie qua persoonlijkheid goed bij de openstaande functie past, moet een recruiter van vlees en bloed bepalen. Onze tool maakt zijn of haar werk dus makkelijker en leuker – niet overbodig.’ 

Hoe slim is die machine precies?

‘Onze oplossingen zijn vanwege de onderliggende machine learning-technologie al heel slim, maar dankzij deep learning gaan we nu nog een stapje verder. Dat is eigenlijk hetzelfde als machine learning, maar bij deep learning heb je geen mens meer nodig die een machine vertelt dat een ‘projectmanager’ en een ‘projectgoeroe’ hetzelfde zijn. Een machine die gebruik maakt van deep learning vogelt dat verband uit zichzelf uit. We kunnen daar nu langzaam maar zeker gebruik van maken, omdat deep learning alleen mogelijk is als je héél veel data hebt. En omdat wij hier al 20 jaar mee bezig zijn, hebben we dat.’

Hoe verzin je dit allemaal?

‘Haha, goede vraag. Textkernel is ooit begonnen met een studie. Onze voormalige CEO onderzocht of machines bepaalde taken van een mens konden overnemen. Daarbij heb ik het niet over dingen als autorijden of gaten boren, maar meer over: taken in een kantoorsetting. Het resulteerde eerst in een distributiesysteem voor PostNL: onze machines konden enveloppen een stuk sneller in de juiste bak leggen dan een mens.’

‘Om betere systemen te maken, wilden we terecht komen in een veld met veel data, zoals de recruitmentwereld.’

‘Maar om nog betere systemen te maken, wilden we in een veld terecht komen waar veel data zijn. Immers: hoe meer data beschikbaar zijn, hoe slimmere machines je kunt maken. En in de recruitmentwereld zijn zóveel data beschikbaar – denk aan die honderden miljoenen cv’s op jaarbasis – dat dat een logische vervolgstap was voor ons bedrijf.’

Meer weten?

Meer weten over hoe je als recruiter je voordeel kunt doen met matching tools? Hoe je semi-geautomatiseerde sourcing doet terwijl recruiters de controle houden? Hoe je beginnende recruiters sneller op weg helpt, zodat ze versneld meer talent en vacatures aan elkaar kunnen koppelen? En hoe je recruiters helpt om power-sourcers te worden met semantisch gebaseerd AI-zoeken? Schrijf je dan nu in voor het webinar op dinsdag 12 oktober.

Inschrijven

Deel dit artikel:
Joost de Ruiter

Joost de Ruiter

redacteur bij Loopbaanpro
Joost de Ruiter is redacteur bij Loopbaanpro.nl en Sollicitatiedokter.nl
Bekijk volledig profiel

Premium partners Bekijk alle partners

Academie voor Arbeidsmarktcommunicatie
BRANDMANNEN           Recruitment Marketing
Bullhorn
Compagnon
DPG Recruitment
Floyd & Hamilton
Indeed
Intelligence Group
Otys Recruiting Technology
Pro Contact
Ravecruitment
Recruitment Accelerator
Recruitment Tech
Softgarden
Talent.com
ToTalent.eu
WBNRS