Predictive Recruitment: Feit of Fabel?
- 01 dec 2017
Op het e-recruitment platform van Adver-Online Gotomyjob.com kunt u zelf een campagne samenstellen of het platform helpt met campagnesuggesties de meest relevante kanalen te selecteren om voor elke type vacature, op een slimme, snelle en efficiënte manier, uw doelgroep te bereiken. Dit noemen we ook wel predictive recruitment. Maar wat houdt zo’n predictive recruitment campagne suggestie precies in, hoe komt dit tot stand en hoe werkt dit precies? We praten met Lukas Heeren, Data Scientist bij Adver-Online, over predictive recruitment en de rol van machine learning hierin.
Wat is machine learning?
Machine learning is het proces waarbij men software vrijwel autonoom laat leren van data of informatie. In tegenstelling tot wat veel mensen denken, bestaan machine learning algoritmes al meer dan 60 jaar. In 1952 werd het eerste machine learning algoritme geschreven door Arthur Samuel voor een schaakspel. In de jaren 90 werden de algoritmes herschreven en werd de omslag van kennis gebaseerde algoritmes naar data gebaseerde algoritmes gemaakt. Vanaf toen was het mogelijk om grote datasets te laten analyseren en daar modellen op toe te passen en hoefde de mensen zelf de regels niet meer in te voeren.
Waarom slaat het nu pas aan als de mogelijkheid er al zo lang was?
Dat komt door de restricties van de computers van toen. Sommigen zullen wellicht de wet van Moore kennen. Gordon Moore heeft in 1965 een voorspelling gedaan dat elke 12 maanden het aantal transistors (en daarmee de rekensnelheid) verdubbeld. Tegenwoordig is deze wet bijgesteld naar 24 maanden, maar het geeft aan dat het onvoorstelbaar snel gaat. Om deze kwadratische samenhang voor te stellen, kunt u uzelf afvragen hoe vaak u een papier van 1 mm moet dubbelvouwen voordat de hoogte van de maan is bereikt. Het antwoord is maar 39 keer! Sterker nog, dan bent u er al ver voorbij.
De technologie gaat dus met een onvoorstelbare snelheid vooruit en daarmee de mogelijkheden voor machine learning om steeds meer data te analyseren. De computers zijn nu snel genoeg om Gigabytes of soms Terabytes aan informatie te analyseren en daar acteerbare acties uit te destilleren.
Men kan alles berekenen of voorspellen. Een verzekeringsbedrijf kan berekenen hoe groot de kans is dat iemand schade rijd, een zorgverzekering kan de zorgpremie optimaliseren, psychologen kunnen de oorzaken van depressie beter analyseren, men kan geschreven tekst naar digitale tekst omzetten en Adver-Online kan voorspellen hoeveel kandidaten men kan verwachten voor een bepaalde campagne (predictive recruitment).
Waarom e-recruitment platform? Hoe is het ontstaan?
Als men iets kan automatiseren, moet men dat ook doen. Anders bent u geld aan het verspillen. Met het e-recruitment platform automatiseren wij het proces van pakketsamenstelling en optimaliseren wij het verwachtingenmanagement voor de recruiter. De recruiter geeft aan wat voor persoon ze zoeken en het systeem geeft de optimale campagne samenstelling en de verwachte resultaten weer in aantal views, kandidaten en interviews. Dit is gebaseerd op drie data- / informatiebronnen:
De eerste bron is legacy data van Adver-Online.
Hierbij wordt gekeken naar de afgeronde campagnes. Deze data wordt gebruikt als bron voor het verwachte aantal views, kandidaten en interviews en worden voorspeld met de meest recente data en machine learning technieken. Alle recente en meest succesvolle machine learning technieken, zoals de Deep Learning techniek Artificial Neural Network en de meest succesvolle Regression Trees, zijn vergeleken.
De tweede bron is kennis van de accountmanagers van Adver-Online.
Deze stellen de optimale configuratie van distributiekanalen samen en checken de uitkomsten van de voorspellende machine learning modellen. Wij vertrouwen niet blindelings op onze modellen en steken veel moeite in het valideren van de uitkomsten. De kennis van de accountmanagers gebruiken wij op een zodanige manier dat we ons richten op kwaliteit over kwantiteit. Modellen kwantificeren theoretische constructen, maar geven geen substantieve betekenis. Omdat kwaliteit amper kwantificeerbaar is, richten de modellen zich op kwantiteit in plaats van kwaliteit. Als we dus alles door onze modellen zouden bepalen, behalen we meer kandidaten, maar wordt de kwaliteit van deze kandidaten niet meegenomen. Door de kennis van de accountmanagers samen te voegen met de voorspellende kracht van onze machine learning modellen, behalen we het optimale resultaat.
De derde bron is Social Media.
U snijdt uzelf tegenwoordig in uw vingers als u geen social media gebruikt in uw campagnes. Wij werken nauw samen met Wonderkind (voormalig Recruitz) om optimale social media campagnes samen te stellen. Op vacaturesites zitten alleen actief werkzoekende mensen, maar op social media zit vrijwel iedereen. Door actieve en nauwkeurige targeting kunnen we de latent werkzoekende bereiken en op deze manier meer, maar vooral kwalitatief goede, kandidaten aantrekken voor de campagne. Alle data van de social media campagnes hebben de data van Adver-Online verrijkt.
Is machine learning en artificial intelligence de heilige graal?
Ja en nee. Beiden kunnen veel werk van ons overnemen door te automatiseren en kunnen ons helpen bij het maken van beslissingen. Maar er valt nog veel te behalen in de recruitment sector en daar is het e-recruitment platform een goed begin van.
Men mag echter nooit blind gaan vertrouwen op machine learning modellen. Machine learning en artificial intelligence kijken vaak niet verder dan hun ‘neus’ lang is. Een goed intuïtief voorbeeld is de sterk significante samenhang tussen het aantal verkochte ijsjes en het aantal kindersterfte door verdrinking. Als we blind op de resultaten zouden vertrouwen, zouden we gelijk alle ijsjes uit de schappen halen. Er is hier echter een duidelijke onderliggende variabele, namelijk temperatuur. Als de temperatuur omhoog gaat, gaan mensen meer ijsjes eten en meer zwemmen. Dit is een erg simpel voorbeeld, maar dit soort fouten kunnen zich ook minder duidelijk manifesteren. Bij Adver-Online hebben we onze accountmanagers die fouten zoals deze kunnen voorkomen door hun business rules te fuseren met voorspellende modellen en de uitkomsten actief te valideren.
