De algoritmes van Netflix zijn uitstekend in staat om uit te rekenen welke films en series bij jou passen, op basis van je eerdere voorkeuren. Wat als je nou eens zo’n systeem zou kunnen bouwen voor recruitment? Precies dat is wat Han Stoffels voor ogen heeft met het totaal vernieuwde Jobliebe-platform dat 8vance deze week lanceert. ‘We kunnen hiermee in principe voor iedereen de ideale baan uitrekenen, en aan de andere kant ook kijken wie echt past bij jouw vacatures.’
‘Als je de eerste bent in jouw regio of jouw branche begin je gewoon met alle data die wij al erin hebben gestopt.’
Ook voor ondernemers en recruiters is dit een grote doorbraak, zegt hij. ‘Elk bedrijf kan nu op Jobliebe zijn eigen ecosysteem gaan bouwen, open, of juist gesloten met ‘vrienden’. En als je de eerste bent in jouw regio of jouw branche begin je gewoon met alle data die wij al erin hebben gestopt. We gaan het ecosysteem-platform helemaal ‘preloaden’ met alle openbare arbeidsmarktdata over vraag en aanbod. Dus bijna alle vacatures en bijna alle publieke profielen. En dit willen we in combinatie met de autonome matchtechnologie tegen een Netflix-achtige flat fee beschikbaar maken. De disruptie komt dus vanuit zowel de autonome matchtechnologie, als de vele data die erin zitten en het flat fee business model per gebruiker, voor oneindig gebruik.’
Mensen zijn complex, niet rechtlijnig
Klinkt mooi. Misschien zelfs wel: eenvoudig. Maar er is een proces van jaren aan voorafgegaan, aldus oprichter en CEO Stoffels. ‘Mensen zijn gecompliceerd. Ze veranderen. Ze zijn verrassend. Mensen zijn niet rechtlijnig. Een opleiding op een cv voorspelt niet altijd wat iemand goed kan. Daarom moet je leren tussen de regels door te lezen. En precies dat is wat wij de afgelopen jaren gedaan hebben, en in dit systeem hebben ingebouwd.’
‘Je moet leren tussen de regels door te lezen.’
En dat dus aan beide kanten van de arbeidsmarkt, dus zowel bij kandidaatprofielen als bij vacatureteksten. ‘We hebben miljoenen en miljoenen profielen en vacatures geanalyseerd. We zijn echt Big Data. Zo merkten we al snel hoe moeilijk dit is. Vacatures zijn voor een groot deel niet feitelijk, maar veel marketingblabla. Het heet al: werving, dat zegt al genoeg. Dat betekent dat je iets moet verkopen. Een vacature is geen keurige analytische interpretatie van een functie. Het is moeilijk om tussen de regels door te lezen wat écht gevraagd wordt. Dus daar moet je een interpretatie op loslaten. En dat is waar wij ons mee bezighouden.’
Vacature is niet keurig feitelijk
Met bedrijven als BrightMaven deed hij al ervaring op met A.I.-matching, maar dan in de verzekeringsmarkt. Ook hier bouwde hij een autonoom systeem dat op basis van data uit zichzelf een match kon maken. Maar waar objecten nogal ‘straightforward’ zijn, zijn mensen dat natuurlijk niet. En datzelfde geldt voor vacatures aan de andere kant.
Als je mensen goed aan vacatures wilt leren matchen, is er eerst groot onderzoek nodig.
Als je die twee dus goed wilt leren matchen, is er eerst groot onderzoek nodig. Maar dat is nu achter de rug, zegt hij. ‘En nu kunnen we per vacature heel goed kunnen vaststellen welke kennisgebieden, skills en competenties (KSC) iemand nodig heeft om de vacature te vervullen. Daarmee kun je een goede match maken.’
Voorspeller voor werksucces
Dat ‘tussen de regels door lezen’ doet 8vance ook aan de andere kant van de tafel, dus: bij de profielen van kandidaten. ‘In eerste instantie hebben we ons vooral beziggehouden met feitelijke, harde criteria en bepaalde, wat ze noemen: transferable skills. Er zaten ook een paar personality-onderdelen in, zoals de Big Five. Maar dat bleek toch niet zo’n goede voorspeller voor werksucces. Daarom zijn we verder gaan zoeken, en kijken we nu veel meer naar drijfveren, dat beter lijkt samen te hangen met succes. Al loopt dit onderzoek natuurlijk nog steeds, en het voorspellen wordt steeds beter.’
‘De Big Five bleek toch niet zo’n goede voorspeller voor werksucces.’
Het uiteindelijke doel, aldus Stoffels: een autonome machine die kan interpreteren wat aan de ene kant écht in een cv staat en aan de andere kant wat écht in een vacature gevraagd wordt, om daar vervolgens ‘een heel goede voorspelling’ over te doen of dit de juiste match is. ‘We trekken enerzijds de cv-kant helemaal uit elkaar in elementaire delen, zoals kennisvelden, competenties, skills en certificaten. Als iemand bijvoorbeeld 3 jaar productmanager is geweest in de chemie, kunnen we nu behoorlijk inschatten welke kennis hij of zij daar heeft opgedaan, en waar die allemaal nog meer toepasbaar is.’
80 miljoen profielen
Er is voor het systeem ‘een heel grote analyse gedraaid’, vertelt Stoffels op een zelf verzamelde dataset van wel 80 miljoen (!) profielen, vooral van mensen uit West-Europa en Noord-Amerika. ‘Daar hebben we immers de meeste informatie over, dat kunnen we het best matchen.’
‘Hét algoritme van Jobliebe, dat bestaat niet.’
Daar zijn vervolgens allerlei algoritmes op losgelaten. ‘Hét algoritme van Jobliebe, dat bestaat niet’, zegt de CEO. ‘We hebben een set met algoritmes die leiden tot een profiel met wegingen. Stel: iemand heeft werktuigbouwkunde gestudeerd. Dan kijken we eerst hoe lang dat geleden is, dan of iemand die opleiding verder heeft gebruikt in zijn werkervaring. Zo niet, dan kijken we hoe de waarde van zo’n opleiding afneemt in de loop van de tijd en wegen we dat mee in het profiel. Maar we kijken ook naar hoe iemand zichzelf in kennis en vaardigheden heeft verrijkt in de tijd.’
DNA’s matchen
Neem het voorbeeld van de journalist, zegt hij. Dat die leuk kan schrijven, dat is logisch. ‘Maar wij weten dan ook dat je bijvoorbeeld goed bent in plannen, in deadlines halen. Die verrijking kunnen we toevoegen uit de data van duizenden anderen die ook zo’n functie hebben. We kijken welke beroepen zij eerder gehad hebben, en welke beroepen volgden. Als die voldoende gelieerd zijn met jouw ervaringen, dan voegen we die automatisch toe aan jouw profiel. Al blijven we wel door mensen genoemde KSC onderscheiden van zulke verrijkte KSC.’
‘We hebben een eigen statistische ontologie gemaakt die ook dynamisch groeit naarmate meer data instromen.’
Die totale rekensom van al die algoritmes levert uiteindelijk een product op, dat Stoffels definieert als iemands ‘DNA’. En dat kan vervolgens worden gematcht op net zo uitgebreid geanalyseerde vacatures.’ Hoe dat precies gaat? ‘Dat is een beetje ons geheim. Het voorbereiden van die data is eigenlijk de grootste klus in wat we doen.’ Voert een werkgever een vacature in, dan kunnen de algoritmes al ‘invullen’ welke (alternatieve) skills erbij horen, en wat voor drijfveren hier passen. ‘We hebben daarvoor een eigen statistische ontologie gemaakt die ook dynamisch groeit naarmate meer data instromen.’
Matrix van hard en zacht
Stoffels onderscheidt voor zijn autonome match onder meer ‘hard’ en ‘zacht’ DNA. Hard, dat zijn dan eigenlijk de feitelijke KSC: kennisgebieden, skills en competenties, inclusief de transferable skills. Zacht, dat zijn meer zaken als persoonlijkheid, drijfveren en learning agility. Dat wordt vervolgens vertaald in een matrix, waarbij op de ene as de ‘harde’ match staat, en op de andere as de ‘zachte’. ‘En in het kwadrant rechtsboven treedt dan de beste match op. Al hangt het ook een beetje af van het functietype wat het meest belangrijk is. Er zijn immers banen waarbij het zachte veel belangrijker is dan het harde, en andersom.’
‘Wij kijken met een aantal partijen of we bestaande concepten kunnen inbouwen en automatiseren.’
Overigens is Stoffels nog aan het kijken of hij de ‘zachte kant’ in het systeem nog wat kan uitbouwen. ‘Wij zijn nu met een aantal partijen in gesprek om te kijken of we bestaande concepten kunnen inbouwen en automatiseren. We hebben daar zelf wel kennis over, maar misschien kan het nog beter samen met andere partijen. Maar we willen dit in elk geval snel toevoegen, liefst dit kwartaal nog.’
Computer aided recruitment
Het systeem maakt een rijkere match dan ooit mogelijk. Maar de recruiter vervangen? ‘Daar geloven wij niet in’, zegt Stoffels. ‘Ik kom oorspronkelijk uit de techniek. Daar wordt al heel lang gewerkt met wat we noemen: computer aided design. Zo moet je dit ook zien. Wij denken dat recruiter steeds meer aan computer aided recruitment gaat doen, om zo meer succes te hebben. De scores die dit oplevert zijn altijd relatief. De recruiter moet daarbij dus ook nog steeds eigen afwegingen maken. En daar leert het systeem natuurlijk ook alleen maar weer van.’
‘De recruiter vervangen? Daar geloven wij niet in.’
Stoffels is al een paar jaar bezig met het idee. ‘Het gaat nu veel verder dan linguïstisch en semantisch matchen van vacatures en cv’s. We kunnen naar steeds diepere patronen kijken.’ En wat dat betreft komt het systeem ook precies op tijd, denkt hij. ‘In de coronacrisis zien we de behoefte aan meer mobiliteit over sectoren heen. Maar dat was voorheen altijd heel moeilijk. Door dieper te matchen, op basis van die onderliggende lagen, kun je dat wél bereiken.’
Een heel vloeiende arbeidsmarkt
Mensen die 1-op-1 op een vacature passen? Ze zijn nog vaak schaars, ziet Stoffels. ‘Maar met onze engine kunnen we wel mensen vinden met een kleine kloof naar de functie, en zien we wat ze nog moeten leren om daar wel aan het werk te komen. Als er maar voldoende motivatiefactoren zijn. En als je dan een ecosysteem hebt waarin je kunt zien wat je persoonlijke arbeidsmarkt is, dan kun je een heel vloeiende arbeidsmarkt bouwen, met veel logische mobiliteit en minder werkloosheid.’
‘Met onze engine kunnen we mensen vinden met een kleine kloof naar de functie, en zien we wat ze nog moeten leren.’
In de praktijk is het nog niet zover. Voor enkele bedrijven onderling worden momenteel ‘kleine clusters’ gebouwd, – ‘wij noemen dat: ecosystemen’ – en er zijn samenwerkingen met de NBBU en Monsterboard gesloten. Zo groeit het systeem wel steeds verder, en worden steeds meer data toegevoegd. Stoffels verwijst naar de Wet van Metcalfe, die verwijst naar: hoe meer apparaten onderdeel zijn van het netwerk, hoe meer waarde het netwerk voor de gebruikers krijgt. ‘Het klassieke voorbeeld is de fax. Of denk aan de mobiele telefoon. Als je de enige bent met zo’n apparaat heb je er niet veel aan, maar als iedereen er een heeft, wordt het wel handig.’
Organische manier
Zo wil hij ook zijn ecosysteem opbouwen. ‘Vandaar dat we alle arbeidsmarktdata erin stoppen die we hebben, openbare bronnen plus alle verrijkingen die we toevoegen. We hebben nu al alle vacatures in Nederland, en alle openbare profielen van mensen. Wil je jouw personeelsbestand effectief managen, dan is het nu noodzakelijk overzicht te hebben van alle in- en externe personen. Hier komt het ecosysteem om de hoek kijken, waar – met ondersteuning van platformtechnologie – skills en capaciteiten vloeiend hun weg vinden tussen bedrijven en mensen hun eigen paden vinden op een organische manier.’
‘Het lineaire loopbaanpad is niet meer de oplossing voor de huidige skillscrisis.’
Nu blijven oude managementpraktijken – en ook de politiek – vaak een beetje hangen op een verouderde werknemergeoriënteerde visie op het personeelsbestand, zegt hij. Oftewel: de klassieke ingehuurde werknemer die werk verricht langs een lineair carrièrepad. ‘Dit is niet meer de oplossing voor de skillscrisis van de werkgever enerzijds en de aanspraken van de nieuwe werknemer/arbeidskracht aan de andere kant.’
Veel kosten bespaard
Arbeidsmarkt-ecosystemen zijn volgens hem dan ook hard nodig. ‘Omdat meer en meer ‘niet-werknemers’ werk doen voor bedrijven en workforce management steeds complexer wordt. We zien meer kortlopende, competentiegerichte, teamgeoriënteerde werkopdrachten waarbij automatisering en technologie capaciteit van mensen vrijmaken. Er is ook steeds meer bewijs dat een meer divers, flexibel en inclusief personeelsbestand meer waarde kan leveren.’
‘Er is ook steeds meer bewijs dat een divers, flexibel en inclusief personeelsbestand meerwaarde kan leveren.’
Ook zien we dat bedrijven door deel te nemen aan een workforce-ecosystemen kandidaten aantrekken die ze nog nooit eerder hebben gezien, zegt hij. ‘Als je dus binnen een ecosysteem, op grote schaal diep kunt matchen op basis van KSC enerzijds en zachte factoren anderzijds worden veel problemen opgelost op bedrijfsniveau (de deelnemer) en worden enorm veel kosten bespaard.’
‘Skills mismatch’-crisis
En het ecosysteem verbetert alleen nog maar, zegt hij. ‘In het volgende kwartaal gaan we een persoonlijkheidsmatch toevoegen. Als je dan zelf een profiel aanmaakt, kun je snel zien wat daarbij past. En als recruiter kun je, zodra je een vacature erin zet, na 30 seconden een goede suggestielijst krijgen. Die kun je vervolgens weer filteren. Zo willen we de arbeidsmarkt steeds meer transparant maken, iets wat volgens ons essentieel is om het probleem van de crisis aan te pakken.’
‘Dit ecosysteem kan een enorme bijdrage leveren om de ‘skills mismatch-crisis’ op te lossen.’
De crisis op de arbeidsmarkt is volgens hem in de eerste plaats namelijk een ‘skills mismatch-crisis’. ‘Dit ecosysteem, plus het matchingconcept, kan een enorme bijdrage leveren om die crisis op te lossen, daar zijn wij van overtuigd. En we hebben nu al zo’n preload aan data, dat we denken dat we een vliegende start kunnen maken.’ Noem het dus gerust ‘de Netflix van recruitment’, zegt hij. ‘De match is onze Heilige Graal. Dat is echt een must om de stap verder te kunnen maken. We zien dat bemiddelaars die hierop inzetten, en niet alleen op een klein stukje informatievoorsprong, ook echt toegevoegde kunnen gaan leveren. Die gaan floreren in dit ecosysteem.’
Meer weten?
Tijdens de Webinar Week van Werf& geeft Han Stoffels van 8vance, samen met Yves Feijen, op 12 februari een webinar over het belang van ecosystemen met ondersteuning van matchtechnologie en hoe je daar als recruiter je voordeel mee kunt doen. Schrijf je hier snel in voor dit webinar.
Lees ook
Of kijk
Kijk hier alvast een webinar wat Han Stoffels en Yves Feijen vorig jaar al over dit onderwerp gaven:
