Welke vacature past bij wie?
De arbeidsmarkt is eigenlijk een ultiem voorbeeld van een volledige vrije markt, met veel vraag en veel aanbod en met veel diversiteit. Zowel organisaties als kandidaten hebben te maken met een vraag (wat zoek ik) en een aanbod (wat heb ik te bieden). Iedere vacature is uniek en iedere kandidaat is uniek. Dat maakt het lastig om tot een goed marktmechanisme te komen of, metaforisch, “de speld in de hooiberg” te vinden. Natuurlijk is het zo dat veel vacatures en kandidaten gelijke eigenschappen kennen, toch is een goede match vinden een behoorlijke uitdaging.
Tegenwoordig is vrijwel alle informatie digitaal beschikbaar. Dit geldt ook voor informatie over vacatures van bedrijven en CV’s van kandidaten zijn. Het probleem is echter dat deze informatie niet uniform opgebouwd is, sterk gefragmenteerd opgeslagen en dat het vaak om eenzijdige informatie (niet gecontroleerde) gaat. Een vacature wordt bijvoorbeeld opgeslagen op de eigen website van het bedrijf, op één of meerdere vacature sites en eventueel op sociale media portals. Het CV van kandidaten is te vinden in eigen database, op CV banken, op sociale media of als bijlage in een sollicitatie. Bovendien is de informatie vaak niet gevalideerd.
Hoe is het mogelijk om de enorme hoeveelheid informatie te gebruiken voor het maken van een “match” tussen een vacature en een kandidaat?
In de loop van de tijd zijn verschillende initiatieven ondernomen om vraag en aanbod op de arbeidsmarkt bij elkaar te brengen. In het begin gericht op eenrichtingsverkeer (de organisatie heeft een vacature en publiceert deze), tot nu, waarin we te maken hebben met tweerichtingsverkeer en uitgebreide beschikbaarheid van informatie. In de eerste fase liet je het matchen als het ware over aan de ontvanger (lees sollicitant), nu is het mogelijk, mits je beschikt over goede en valide data, gericht kandidaten te benaderen voor een vacature die voldoet aan vooraf gestelde eisen en wensen. Voor een kandidaat geldt hetzelfde. Hij kan op basis van zijn eigen voorkeuren en kennisgebieden vacatures zoeken die hierbij aansluiten.
Maar
Het probleem blijft: “hoe haal ik uit alle beschikbare informatie de juiste informatie en hoe maak ik deze beschikbaar om te kunnen matchen.
Er zijn ruwweg twee richtingen waarmee nu gewerkt wordt: sematische systemen welke tekst “vertaald” in voor een computer betekenisvolle informatie en Ontology waarbij informatie vooraf “gelabeld” wordt.
Ontology
Systemen die werken op basis van ontology zijn zeer nauwkeurig. Informatie wordt vooraf verrijkt met labels waardoor een computer de informatie kan begrijpen en verbinden aan anadere informatie. Hierdoor is deze informatie te gebruiken in kennissystemen (wat een matchsysteem als het ware ook is). Een belangrijk nadeel is dat het labelen op een uniforme wijze moet gebeuren, anders is vergelijken niet mogelijk. Er zijn verschillende standaarden in de maak, maar het is nog niet duidelijk welke standaard de norm gaat worden.
Voor de arbeidsmarkt zullen labels binnen opleiding, kennis en wensen toegevoegd kunnen worden. In het (utopische) geval dat alle informatie binnen de arbeidsmarkt gelabeld is, kan dit een perfecte basis vormen voor een matchsysteem om vraag en aanbod met elkaar te verbinden.
Semantische systemen
Semantische systemen maken het mogelijk om achteraf een tekst te beoordelen op inhoud en context. De wetenschap is al redelijk ver om teksten te analyseren op inhoud en context, maar het is nog (lang?) niet mogelijk om een volledige betekenis toe te voegen aan platte tekst.
Binnen de arbeidsmarkt zou een degelijk systeem goed in te zetten zijn. Op een CV kan een bepaald woord in een andere context een hele andere betekenis hebben. Neem bijvoorbeeld een reisleider die veel in Java heeft gereisd, deze past niet op een vacature waarin een Java programmeur wordt gezocht.
Matchen gaat verder dan verbinden
Als alle informatie op een voor een computer begrijpelijke manier is opgeslagen kunnen matchsystemen veel meer dat alleen directe verbanden te zoeken. Iedereen kan zich voorstellen dat een match te maken moet zijn op lineaire verbanden: “ klopt de opleiding, klopt de kennis, klopt het salaris en klopt het werkgebied. Het gaat al wat verder als ook ambitie en persoonlijkheid in een match op een vacature wordt meegenomen. Nog wat verder gaat het om ook correlaties of dwarsverbanden te vinden: welke relatie heeft de programmeertaal Java bijvoorbeeld ten opzichte van de programmeertaal dotNet, of welk verband hebben bepaalde branches waar een kandidaat ervaring in heeft? Daarnaast is het natuurlijk zo dat niet elke gebied eenzelfde waarde heeft in een match. Voor de ene vacature weegt bijvoorbeeld persoonlijkheid zwaarder dan bij een andere vacature. Een volledige match moet dus een logaritme hebben die met deze factoren rekening houdt.
Zelf lerende systemen
Zelflerende ofwel neurale netwerken zijn systemen die op basis van historische informatie en feedback een voorspelling maakt op toekomstig gedrag of voor onderzoek naar het onbekende waarbij directe causale verbanden niet duidelijk zijn. Een neuraal netwerk gaat op zoek naar verbanden en kan op basis hiervan een voorspelling doen op de toekomst. Neurale netwerken worden tegenwoordig breed ingezet in data-intensieve systemen om bijvoorbeeld het weer te voorspellen of nog beter: de beurskoersen.
Voor de arbeidsmarkt kunnen dergelijke systemen goed ingezet worden om relaties te zoeken tussen verschillende kennisgebieden maar ook in individuele loopbanen (als X met deze achtergrond een bepaalde ontwikkeling heeft doorgemaakt is een kans dat Y met eenzelfde achtergrond dezelfde stappen maakt groter naarmate er meer kandidaten met hetzelfde profiel deze stappen maken).
Leuk zult u zeggen, maar wat kan ik ermee?
Toekomst
Ik denk dat het beste model niet de keus tussen de een of de andere methode is. Een combinatie van beide systemen maakt het mogelijk om een systeem te ontwikkelen op basis van “labeling” waarbij de labels mede worden bepaald door semantische systemen. Hiermee maak je heel veel informatie op het Net beschikbaar voor matching. Neurale netwerken kan hierbij helpen om de juiste parameters te bepalen.
Er is nog een lange weg te gaan, maar we zijn op weg om een deel van het wervingsproces te kunnen automatiseren en dat hiermee de werving veel efficiënter en ook effectiever wordt.
In mijn droom werkt een dergelijk systeem volledig autonoom en kunnen recruiters een andere carrière zoeken…
STILL A TEST PAGE Online Recruitment Blog 