AI-automation-matching-process--6-

Hoe een op AI-gebaseerde automatisering van het matchingproces rekrutering verbetert

JOANA URBANO - M07 3, 2018

Het gebruik van Artificiële Intelligentie (AI) is tegenwoordig zo alomtegenwoordig dat we nauwelijks opmerken hoe vaak we het in ons dagelijks leven gebruiken: van onlinevertaalprogramma’s, foto-apps met gezichtsherkenning, e-mailspamfilters en virtuele assistenten, productaanbevelingen op het web tot zelfrijdende auto's.

Al deze applicaties maken zich de gewenste functionaliteiten eigen (bijvoorbeeld hoe een e-mail wordt geclassificeerd als valide of spam of hoe een zelfrijdende auto een stopbord herkent), aan de hand van eerdere voorbeelden die handmatig door mensen geclassificeerd zijn en daarom worden gecategoriseerd onder een specifieke tak van AI: machinaal leren.

Gezien het huidige wijdverspreide gebruik van AI-toepassingen, is het logisch te verwachten dat AI massaal gebruikt wordt in de rekruteringssector. Niets is echter minder waar: ook al begrijpen bedrijven over het algemeen dat werving baat heeft bij procesautomatisering, gebruikt 47% van de ondernemingen verouderde HR-softwareoplossingen (Bersin van Deloitte), terwijl andere bedrijven de inzet van softwaretools beperken tot personeelsadvertenties en sociale netwerken.

Ook zijn bedrijven over het algemeen gefocust op één specifiek aspect van het rekruteringsproces, zoals het gebruik van chatbots of automatische hulpmiddelen voor video, terwijl er in de rekruteringssector een groot aantal interessante nieuwe oplossingen is opgedoken die gebaseerd zijn op AI. \nHet toepassen van AI kan het wervingsproces echter aanzienlijk verbeteren, vooral op het gebied van twee belangrijke dimensies: zowel de werving als de voltooiing ervan zullen sneller verlopen, dankzij een op AI-gebaseerde automatisering van het matchingproces.

\n## Hoe wordt werving verbeterd door het automatiseren van het matchingproces?

\nHet automatiseren van het matchingproces is één van de geweldige AI-toepassingen in het rekruteringsproces. Zo weten we dat elke vacature 250 cv's aantrekt (Glassdoor) en dat een groot aantal van deze cv’s afkomstig is van niet-gekwalificeerde en ongeschikte kandidaten (MRINetwork 2017 Recruiter Sentiment Survey). Bovendien beschouwt 62% van de rekruteerders de tijdsduur van het aannemen van een kandidaat als de beste maatstaf voor succes.

Hier doet AI haar intrede door repetitieve en tijdrovende taken in de wervingsworkflow te automatiseren - zoals het screenen van cv’s -, die normaliter rekruteerders veel tijd kosten, en door de wervingscyclus te vergroten en bij te dragen aan het afwijzen van kandidaten.

Een bijkomend voordeel is, wanneer de machinaal geleerde algoritmen worden verbeterd door de invoer van nieuwe gegevens, dat het leert de juiste kandidaten te vinden, als een filter werkt voor de stortvloed aan sollicitaties, ervoor zorgt dat toptalentkandidaten behouden blijven en degenen die niet gekwalificeerd zijn niet verder geanalyseerd zullen worden.

Onze eigen statistieken tonen aan dat het machinaal geleerde screeningsalgoritme van skeeled bijna de helft van de kandidaten automatisch afkeurt tijdens deze eerste fase van cv-screening. Het werkt met een set van zorgvuldig gekozen kenmerken of functies, die zijn afgeleid van zowel de beschrijvingen in personeelsadvertenties als sollicitanteninformatie, met behulp van de beste praktijken uit de datawetenschap.

Het maakt ook gebruik van natuurlijke taalverwerking (NLP) en semantische overeenkomstigheid met betrekking tot open tekstvelden, waardoor de afstemming tussen de functie-eisen en het genoten onderwijs, de ervaring en vaardigheden van kandidaten wordt verbeterd, zonder rekruteerders te dwingen hun tekstuele beschrijvingen om te zetten in inflexibele formuliervelden. Een algoritme van skeeled begrijpt bijvoorbeeld dat de “interim HR”-ervaring van een kandidaat overeenkomt met de functie van \"Junior HR-Assistent\".

Het gebruik van machinaal geleerde benaderingen is echter niet beperkt tot het screenen van cv’s. De geïntegreerde oplossing van skeeled biedt bijvoorbeeld ook een optionele persoonlijkheidstest (gebaseerd op het Big 5-model) die door kandidaten moet worden ingevuld, nadat hun cv’s gescreend zijn, evenals van tevoren opgenomen video-interviews om nog meer inzichtelijke gegevens over kandidaten te verzamelen. Deze uitgebreide informatie over kandidaten wordt omgezet in nieuwe functies, die worden gebruikt bij de automatisering van de volgende rekruteringsstap: het rangschikken van de meest geschikte kandidaten.

Rekruteerders hebben vervolgens de mogelijkheid om gedetailleerde informatie van alle kandidaten te bekijken en te zien op welke banen ze hebben gesolliciteerd of om zich alleen te focussen op de kandidaten die door de machine geleerde oplossing hoger op de ranglijst zijn geplaatst. Het is ook vermeldenswaardig dat de software van skeeled rekruteerders in staat stelt om sollicitanten hun eigen evaluatie te geven, wat helpt bij het verfijnen van het algoritme en het verbeteren van de prestaties ervan op basis van deze nieuwe gegevens.

Door deze twee fundamentele stappen van het rekruteringsproces volledig te automatiseren – het screenen en rangschikken van cv’s - hebben rekruteerders meer tijd over om zich te concentreren op andere taken die nog niet door middel van AI kunnen worden gedaan, met name taken waarbij cognitieve vaardigheden en emotionele intelligentie betrokken zijn. Tegelijkertijd verloopt het rekruteringsproces soepeler en sneller, wat de betrokkenheid van kandidaten en het bijbehorende voltooiingspercentage verhoogt.

\n## Andere AI-trends in werving en selectie

\nIn dit artikel hebben we ons gericht op het gebruik van machinaal leren om processen voor het matchen en rangschikken van kandidaten te automatiseren; twee rekruteringstaken die repetitief en tijdrovend zijn. In de op AI-gebaseerde wervingssector zijn echter onlangs ook andere trends naar voren gekomen. Deze omvatten de aanbesteding van talent, waarbij webrobots worden ingezet om op zoek te gaan naar passieve kandidaten die openstaan voor nieuwe kansen; chatbots die contact opnemen met kandidaten en bijvoorbeeld kunnen worden gebruikt om ontbrekende informatie automatisch aan te vullen; prescriptieve analyses, die rekruteerders helpen de beschikbare groep van kandidaten beter te begrijpen; en programmatische reclame. Bent u nieuwsgierig geworden naar deze onderwerpen? Maakt u zich geen zorgen, we zullen verder op deze nieuwe trends ingaan in toekomstige berichten!

Skeeled biedt u een unieke oplossing om uw wervingen te digitaliseren en ze innovatiever te maken. Bezoek onze website of onze LinkedIn-en Facebook-pagina’s voor meer informatie.

Bedankt voor je bezoek en tot snel!

Je skeeled team

Tagged In: ARTIFICIAL INTELLIGENCE | TECHNOLOGY | RECRUITMENT

Ontvang updates
Meld je aan voor onze nieuwsbrief

Ontdek skeeled
Onze software spreekt voor zich, regel een demo!

They talk about us

Paperjam
Flex
Lecho
Emerce
Silicon
People