Dat zijn nogal wat termen in één titel: Social media recruitment, big data en predictive analytics. Laat ik beginnen om die laatste twee even kort toe te lichten.

Big data gaat over de enorme hoeveelheid data die we momenteel produceren, of beter gezegd, vastleggen. Vroeger gingen we van A naar B met het OV, nu leggen we dat vast op de OV Chip. We leggen op Foursquare vast waar we zijn als we ergens inchecken en noem het maar op. Dat zal in de toekomst enkel verder gaan, omdat we naar ‘always on’ devices gaan met GPS dat ook always on is. We produceren op dit moment per jaar net zoveel data als in de vorige eeuw en dat neemt enkel toe. Dat noemen we ‘big data’ en op dit moment kunnen we daar nog helemaal niets mee omdat we nooit hebben nagedacht over filtering en verwerking. Dat zal echter snel genoeg veranderen.

Predictive analytics gaat om het voorspellen op basis van analytics. Dus niet ‘marktonderzoek’ waarbij we iets vragen en de illusie hebben dat mensen de waarheid zeggen. Nee, we weten zaken en op basis van hun daadwerkelijke gedrag kunnen we in de toekomst voorspellen wie dat gedrag ook gaat vertonen.

Predictive analytics

Om een voorbeeld te geven voor predictive analytics: neem de jaarlijkse medewerkerstevredenheidsonderzoeken als uitgangspunt. Een vraag opnemen ‘denk je erover onze organisatie te verlaten’ zal door bijna niemand met ‘ja’ beantwoord worden. Toch verlaten er jaarlijks redelijk wat mensen de organisatie (bij de meeste organisaties in ieder geval wel). Wat wel kan is met terugwerkende kracht kijken welke mensen vertrokken zijn en of er overeenkomsten zijn in hun onderzoeken. Op basis daarvan kan je naar de toekomst toe kijken of bepaalde medewerkers vergelijkbare antwoorden geven op die vragen en dan dus voorzichtig de conclusie trekken dat deze mogelijk denken over iets anders. Hierbij moet natuurlijk altijd een behoorlijke foutmarge in acht genomen worden.

Voor predictive analytics is het uiteraard noodzakelijk om historische gegevens te hebben. Als je bijvoorbeeld uitgaat van die eerder genoemde medewerkertevredenheidsonderzoeken kan je dat pas doen als je wat langere data hebt. Immers moet je de correlatie tussen antwoorden en leaves kunnen berekenen. Echter, als je daar nu niet mee begint, bouwt die data zich ook niet op.

Big data

Je kan natuurlijk ook verder kijken dan enkel in het eigen bedrijf. Met de enorme hoeveelheid informatie die achtergelaten wordt online zijn er een heleboel modellen te maken. Dat kan van hele basale zaken tot hele ingewikkelde modellen, waarbij je gebruik maakt van de informatie die mensen achterlaten op Facebook, Twitter, Linkedin en Foursquare bijvoorbeeld. Uiteraard vooral of uitsluitend wat mij betreft als iemand je daar toestemming voor geeft!

Hierbij kan je niet enkel kijken naar je eigen medewerkers, maar ook de talenten die je graag zou willen hebben. In je talentpool kan je heel goed meten of iemand mogelijk al open staat voor een stap naar je organisatie of niet, op basis van zijn online gedrag.

Dit is eigenlijk het logische vervolg op wat ik jaren geleden het ‘stage volgsysteem’ noemde. Ik hielp toen een  bedrijf dat elk jaar enkele stagiaires had. Daar is een systeem opgezet waarin een stagiair een code meekreeg. Er waren drie codes: geen interesse, 1e baan, vervolgbaan. De geen interesse waren slechte stagiaires die ze niet meer in dienst wilde. De 1e baan waren stagiaires die goed gefunctioneerd hadden. Die wilde ze graag een baan aanbieden als ze klaar waren. Dat was redelijk eenvoudig te berekenen en een kwestie van mailen en contact houden in het jaar na de stage (er zat 1 tot anderhalf jaar tussen de stage en hun entree op de arbeidsmarkt).

De ‘vervolgbaan’ was echter het lastigste. Men wist namelijk dat de schoolverlaters die bij deze organisatie in dienst kwamen gemiddeld 2 tot 3 jaar bleven en dan vertrokken. Dit bedrijf wist ook (uit hun eigen cijfers) dat de mensen die er als tweede of derde baan kwamen gemiddeld een jaar of 7 er bleven en veel rendabeler waren voor dit bedrijf. De echte toppers wilde ze dus niet hun eerste baan aanbieden, maar hun 2e. Daar moest men dus wel contact mee houden, die moest men dus niet irriteren door ze als schoolverlater geen baan aan te bieden als ze dat wilde én ze moesten zorgen dat ze ‘op de radar’ stonden als ze open stonden voor een volgende stap, gemiddeld zo’n 3 tot 5 jaar na de stage.

In de toekomst zullen we de informatie die beschikbaar is kunnen bundelen om met een bepaalde foutmarge te kunnen voorspellen wanneer iemand, op basis van zijn of haar online gedrag, open staat voor een aanbieding. Big data omzetten in predictive analytics.

Over de Auteur

Bas van de Haterd Bas van de Haterd is professioneel bemoeial. Hij helpt organisaties met het begrijpen van social media en de gedragsveranderingen die dit met zich meebrengt op het gebied van de arbeidsmarkt. Organisaties huren hem in voor het verzorgen van inspirerende lezingen over de toekomst van de arbeidsmarkt, trainingen over het gebruik van social media voor recruitment of het opzetten van een recruitmentsite. Hij is tevens co-auteur van Personal Brand.nl en auteur van Werken Nieuwe Stijl. Hij is te bereiken op bas@vandehaterd.nl


594 views | Reageer (1 reacties)

vandehaterd @ Twitter

Outdoor Recruitment

Wat voor personeel mik je op met zo'n poster op de deur?Wethouder van Verkeer & Vervoer Jeannette Baljeu doopt onderzeeboot RETOnderzeeboot RET rijdt door de straten - wereld haven dagen 1 - maximumMis de boot niet - onderzeeboot RET - maximumKapitein van deze lijn - onderzeeboot RET - wereld havendagen - maximum73764129Werving 1#or manpower ad. Crisis is over#or avans 2#or op anavs 1De ideale (bij)baanlandmacht_tram_08

Categoriën