Predictive hiring: betere beslissingen met data
Stop met op gevoel werven. Leer hoe je data en predictieve modellen inzet om betere hiring beslissingen te nemen en de kwaliteit van hires meetbaar te verbeteren.
Door Ingmar van Maurik · Founder & CEO, Making Moves
Het probleem met werven op gevoel
De meeste hiring beslissingen worden nog steeds genomen op basis van gevoel. Een recruiter scant een CV in 6 seconden, een hiring manager vormt een mening in de eerste 30 seconden van een interview en de uiteindelijke beslissing wordt genomen in een vergadering waar de luidste stem wint.
Het resultaat is voorspelbaar: een gemiddelde bad hire rate van 25 tot 46 procent, afhankelijk van de bron. Dat betekent dat een op de drie tot vier aannames niet werkt zoals gehoopt. Tegen de tijd dat je dat ontdekt, heb je al tienduizenden tot honderdduizenden euro's verloren aan directe en indirecte kosten.
Predictive hiring biedt een alternatief. In plaats van op gevoel te vertrouwen, gebruik je data en modellen om te voorspellen welke kandidaten het meest waarschijnlijk succesvol zullen zijn. In dit artikel leggen we uit hoe dat werkt en hoe je het implementeert.
Wat is predictive hiring
Predictive hiring is de toepassing van data-analyse en statistische modellen om te voorspellen welke kandidaten het beste zullen presteren in een specifieke rol. Het is gebaseerd op een simpel maar krachtig principe: patronen uit het verleden voorspellen de toekomst.
Door te analyseren welke kenmerken succesvolle medewerkers gemeenschappelijk hebben, kun je nieuwe kandidaten scoren op dezelfde kenmerken en een gefundeerde voorspelling doen over hun kans op succes.
De wetenschappelijke basis
Predictive hiring is niet nieuw. De industriële en organisatiepsychologie bestudeert al meer dan 100 jaar welke selectiemethoden de beste voorspellers zijn van werkprestatie. De conclusies zijn duidelijk:
|-----------------|----------------------|
De predictieve validiteit geeft aan hoe sterk de selectiemethode correleert met daadwerkelijke werkprestatie, op een schaal van 0 tot 1. Hoe hoger het getal, hoe beter de methode voorspelt wie succesvol zal zijn.
Het verschil is enorm. Een ongestructureerd interview is nauwelijks beter dan een muntje opgooien, terwijl een gecombineerd model met assessments en AI een sterke voorspeller is.
De vier stappen van predictive hiring
Stap 1: definieer succes
Je kunt niet voorspellen als je niet weet wat je probeert te voorspellen. De eerste stap is het helder definiëren van wat succes betekent voor elke rol:
Kwantitatieve metrics: omzet per medewerker, tickets opgelost per maand, klant NPS, projectdeadlines gehaald.
Kwalitatieve metrics: beoordeling door manager, feedback van teamleden, bijdrage aan cultuur.
Retentie: hoe lang blijft de medewerker, verlaat hij het bedrijf vrijwillig of onvrijwillig.
Groei: hoe snel ontwikkelt de medewerker zich, wordt hij gepromoveerd, neemt hij meer verantwoordelijkheid.
Hoe specifieker en meetbaarder je succes definieert, hoe beter je model zal werken. Vermijd vage definities zoals goede culturele fit en vertaal ze naar observeerbaar gedrag.
Stap 2: verzamel en structureer data
Met een heldere definitie van succes ga je data verzamelen. Je hebt twee typen data nodig:
Predictor data: alle informatie die beschikbaar is op het moment van de hiring beslissing. Dit omvat CV data, assessment scores, interviewscores en alle andere signalen die je gebruikt om kandidaten te beoordelen.
Uitkomst data: de prestatie van aangenomen kandidaten over tijd. Performance reviews, retentie, promoties en de kwantitatieve metrics die je in stap 1 hebt gedefinieerd.
De uitdaging is dat je voor uitkomst data geduld nodig hebt. Je hebt minimaal 6 tot 12 maanden nodig na aanname om te weten of iemand succesvol is. En je hebt minimaal 50 tot 100 complete datapunten nodig, kandidaten waarvoor je zowel predictor als uitkomst data hebt, om een betrouwbaar model te bouwen.
Stap 3: bouw het predictieve model
Met voldoende data kun je een model bouwen dat de relatie legt tussen predictoren en uitkomsten. Dit kan variëren van eenvoudige regressie tot geavanceerde machine learning:
Lineaire regressie is het simpelste model. Het berekent gewichten voor elke predictor en produceert een score die de verwachte prestatie weergeeft. Voordeel: transparant en uitlegbaar. Nadeel: vangt geen complexe patronen.
Logistische regressie voorspelt de kans op succes of falen als een binaire uitkomst. Nuttig als je wilt weten of iemand succesvol zal zijn, ja of nee, met een waarschijnlijkheidspercentage.
Random forest en gradient boosting zijn krachtigere modellen die complexe patronen kunnen herkennen, zoals interacties tussen variabelen. Een kandidaat met hoge technische scores en gemiddelde communicatiescores kan anders worden beoordeeld dan een kandidaat met gemiddelde scores op beide, afhankelijk van het team en de rol.
Neural networks zijn de meest geavanceerde optie en kunnen subtiele patronen herkennen die andere modellen missen. Ze vereisen meer data en zijn minder transparant, maar kunnen bijzonder nauwkeurig zijn.
In de praktijk begint bijna iedereen met regressiemodellen en stapt over naar complexere modellen naarmate de dataset groeit.
Stap 4: valideer en implementeer
Een model is pas bruikbaar als het is gevalideerd:
Cross-validatie test het model op data die niet is gebruikt voor training. Als het model goed presteert op nieuwe data, is het robuust.
Bias audit controleert of het model onbedoeld discrimineert. Lees meer hierover in ons artikel over AI en bias in hiring.
A/B testing vergelijkt de uitkomsten van AI-gestuurde hiring met traditionele hiring. Dit is de ultieme test: levert het model daadwerkelijk betere hires op?
Na validatie implementeer je het model in je hiring workflow. Kandidaten worden automatisch gescoord en gerankt, en recruiters gebruiken de scores als input voor hun beslissingen.
De rol van assessments in predictive hiring
Assessments zijn de hoeksteen van predictive hiring. Zonder gestandaardiseerde metingen heb je geen betrouwbare predictor data. De meest effectieve assessments voor predictive hiring zijn:
Cognitieve capaciteitstests meten het vermogen om te leren, problemen op te lossen en complexe informatie te verwerken. Ze zijn een van de sterkste voorspellers van werkprestatie over vrijwel alle functies.
Persoonlijkheidsvragenlijsten meten stabiele eigenschappen zoals consciëntieusheid, extraversie en openheid. Ze voorspellen werkgedrag en teamfit.
Situational judgment tests presenteren realistische werkscenarios en meten hoe kandidaten reageren. Ze zijn sterk gelinkt aan prestatie in specifieke rollen.
Work samples en technische tests meten directe vaardigheden die nodig zijn voor de rol. Ze hebben een hoge face validity en voorspellende waarde.
De sleutel is niet een enkele assessment maar een combinatie die meerdere relevante dimensies meet. Zoals eerder besproken zijn gevalideerde, rolspecifieke assessments essentieel voor betrouwbare voorspellingen.
Resultaten in de praktijk
Bedrijven die predictive hiring implementeren rapporteren consistente verbeteringen:
|--------|--------------------------|----------------------|-------------|
Deze resultaten komen niet van de ene op de andere dag. Het kost typisch 6 tot 12 maanden om voldoende data te verzamelen en een eerste model te bouwen, en nog eens 6 maanden om het te valideren en te finetunen.
Veelgestelde vragen
Hebben we genoeg data? Je hebt minimaal 50 complete datapunten nodig om te beginnen. Bij 100+ hires per jaar heb je na 6 tot 12 maanden genoeg data. Bij minder hires duurt het langer, maar je kunt beginnen met bredere functiecategorieën.
Wat als ons model fouten maakt? Elk model maakt fouten. Het doel is niet perfectie maar verbetering ten opzichte van de huidige methode. Als je model 75 procent van de succesvolle hires correct voorspelt tegenover 55 procent met de traditionele methode, is dat een enorme winst.
Vervangt dit de recruiter? Nee. Het model levert scores en aanbevelingen, maar de recruiter maakt de eindafweging. Het interview en de persoonlijke klik blijven belangrijk.
Samenvatting
Klaar om te starten met predictive hiring? Plan een gesprek en ontdek hoe ons AI hiring systeem je helpt om betere beslissingen te nemen met data.