Spraakmakende start-ups: Succesvolle matches dankzij taalanalyse

Zoals zoveel goede ideeën, ontstond ook het plan van Rina Joosten-Rabou om op een geheel nieuwe manier talent te gaan werven uit irritatie. Als eigenaar van een bureau dat Chinese toptalenten wierf voor de Europese markt, stuitte zij op het conservatisme van de recruitment-wereld. “Bij die traditionele manier van werven op basis van een cv en een persoonlijkheidstest gaat het zo vaak mis. Mensen nemen beslissingen op basis van hele simpele criteria, die geen enkele garantie zijn voor een succesvolle match. De econoom Kahneman spreekt van ‘shortcuts in decision making’: We bepalen in enkele seconden of we iemand als een bedreiging zien en of we iemand aardig vinden of niet. Het brein werkt zodanig dat we vervolgens in het uur dat we die persoon spreken die eerste indruk rationeel proberen te bevestigen. Vanuit deze constatering raakte ik gefascineerd door het idee om nieuwe technologie in te zetten om de fouten die mensen in het recruitment-traject maken te vermijden en hele andere inzichten te creëren.”

Zo ontstond in Shanghai en nu in Nederland het bedrijf Seedlink Tech, dat toekomstig gedrag van sollicitanten onderzoekt op basis van taalanalyse. “We maken gebruik van het vakgebied computational linguistics”, legt Joosten-Rabou uit: “Het linguïstische element biedt hele mooie kansen. Taal zit al heel jong als een imprint in ons brein, wordt onbewust aangemaakt, en hangt in hoge mate samen met onze persoonlijkheid, ons gedrag en onze persoonlijke voorkeuren. Het onbewuste is heel interessant om mee te werken. Als je een persoonlijkheidstest doet kunnen mensen die manipuleren, in ons model kan dat niet. Door die kant van de linguïstiek te combineren met het ‘computational’ deel, kunnen wij onderzoeken hoe woorden en zinnen zich relateren tot gedrag. Met een groep wetenschappers hebben we een unieke dataset gebouwd. Daar zit heel veel R&D achter. Dit soort datasets helpen ons om dingen te ontdekken die anderen niet ontdekken. Bovendien kunnen we inmiddels op basis van onze eigen dataset specifieke voorspellende modellen voor onze klanten ontwikkelen waardoor zij inzicht krijgen in welke gedragingen binnen een functie, organisatie of team tot succes leiden. Hiertoe onderzoeken wij wat onbewuste overeenkomsten zijn van mensen in een bepaalde context. Stel dat ik voor mijn bedrijf nieuwe mensen wil aannemen. Dan kan ik eerst onderzoeken welke combinatie van gedragingen een succesvol team kenmerkt om dat vervolgens toe te passen om te rekruteren. Door taalanalyse ontdekken we onbewuste indicatoren die we anders niet zouden hebben. Als we bijvoorbeeld willen kijken wat leidt tot succes binnen een marketingteam in Frankrijk in verhouding tot Engeland, kunnen we dat op teamniveau analyseren.

Een tweede element is dat we de kandidaten die zijn aangenomen kunnen volgen in het bedrijf. Zo krijgen we data terug en kunnen we bijvoorbeeld zien welke kandidaat blijft en wie goed functioneert. Op basis hiervan kunnen we kijken of de juiste persoon op de juiste baan zit en welke competenties hij of zij nog moet ontwikkelen. Dat is het mooie: op basis van machine learning kun je steeds meer inzichten over de mensen krijgen. Een mooi voorbeeld zien we recentelijk bij een klant die we nu twee jaar volgen, waarbij de verkopers die ze hebben aangenomen via onze technologie een 10% hogere omzet halen.”

Mens versus machine

Bij veel technologische innovaties, zeker rondom het inzetten van kunstmatige intelligentie, komt de vraag op hoe ‘mens en machine’ zich tot elkaar verhouden. Hoe zit dat bij Seedlink? Joosten-Rabou: “Dat gaat hand in hand. Mensen zijn goed in bepaalde dingen. Ik kan bijvoorbeeld intuïtief aanvoelen of ik met iemand een fijne werkrelatie ga hebben. Maar mensen zijn slecht in wiskunde en logica, en daar kunnen machines goed helpen. Mensen nemen uiteindelijk de beslissing. We zien wel dat HR-professionals in het begin soms met argusogen kijken of onze methode echt gaat werken. We bouwen vaak modellen die at random door het bedrijf heen gestuurd worden, en die medewerkers gaan interviewen waarvan het bedrijf al gegevens over de performance heeft. Zo kunnen we toetsen of onze interviews de juiste inzichten bieden. Als mensen eenmaal ervaren hoe het werkt, dan zien ze ook de waarde die het voor hun eigen organisatie kan hebben.” Angst dat de machines de menselijke interventie gaan overnemen is onnodig, vindt Joosten-Rabou: “Vroeger waren er geen andere manieren om mensen aan te nemen. Nu zijn die manieren er wel en daar moet je gebruik van maken zonder dat je bang hoeft te zijn dat je zelf de controle verliest. Door die nieuwe middelen kun je vele malen gerichter selecteren en zo voorkom je dat je met de verkeerde mensen in gesprek gaat. Je zit nog steeds aan de knoppen van de beslissing, maar besteedt tijd aan de juiste persoon die tegenover je zit.”

Experimenteren

Om nieuwe mogelijkheden zoals Seedlink optimaal te benutten zijn twee dingen voor de professional belangrijk, vindt Joosten-Rabou: “Ten eerste moet je onderschrijven dat je vakgebied verandert en dat je echt moet leren begrijpen hoe de technologie werkt. HR wordt veel meer datagedreven. HR-mensen zijn in het werk gestapt omdat ze iets goed willen doen voor mensen, dus de technologie geldt als ondersteuning om hen helpen zodat ze aan daar het meeste tijd aan kunnen besteden. Het tweede belangrijke onderwerp is experimenteren. Daar loopt China natuurlijk echt in voorop, ook als het om de HR-professionals gaat. Ze staan heel open voor het testen van dingen en te zien hoe ze werken. Ik geloof er sterk in dat je het meeste leert door zelf te ervaren hoe iets zit. Zo zijn we zelf ook begonnen. In het begin hadden we al wel een aantal klanten, maar nog geen product, alleen een concept. Samen met onze klanten zijn we al experimenterend het product gaan bouwen.”

Seedlink blijft zich doorontwikkelen. Er wordt gewerkt aan mogelijkheden om intern steeds meer inzichtelijk te maken wie op welke plek past en hoe je mensen kunt helpen zich intern te ontwikkelen. Het mooie daarbij, zegt Joosten-Rabou, is dat je vroeger uit tests alleen maar informatie kreeg die iets zei over jou als kandidaat, maar dat je die informatie nu kunt plaatsen in de context van een bedrijf of een team. Je kunt ontdekken welke vaardigheden in een specifiek team tot substantieel betere resultaten leiden en dat kon voorheen niet. Dat verschil is belangrijk want ieder bedrijf is anders, en met deze inzichten ondersteun je uiteindelijk het individu in de organisatie om de plek te vinden waar hij of zijn het beste tot zijn recht komt.

Geen ‘bias’

Het feit dat vooroordelen en vooringenomenheid bij het werven van kandidaten helemaal worden weggenomen blijft een van de grote voordelen van Seedlink, vindt Joosten-Rabou. De allermooiste ervaringen met Seedlink zijn individuele cases, waar bedrijven topkandidaten ontdekken die anders nooit ontdekt zouden worden, zegt zij: “Dat zijn dingen die me wel verrast hebben: We kunnen echt impact maken op persoonlijk niveau in het leven van mensen. We kunnen jonge mensen helpen bij de keuze welke baan het beste bij ze past of in welke groep ze het beste tot hun recht komen. In een verhaal dat door de BBC is uitgezonden over ons bedrijf, is een jonge vrouw gevolgd die solliciteerde bij L’Oreal in China. L’Oreal kreeg tienduizenden sollicitaties voor een handvol functies en deze kandidate werd ontdekt op basis van onze technologie als een potentieel talent. Ze is afgestudeerd als jurist en zou op basis van een cv-screening grote kans hebben gehad om afgewezen te worden voor een e-commerce rol. En zorgorganisatie RSZK in Brabant zet de technologie in om in een krappe arbeidsmarkt zij-instromers in de zorg te identificeren. Bedrijven vinden het lastig om – buiten werkervaring of studieachtergrond – te voorspellen wie op een bepaalde functie of binnen een bedrijfscultuur past. Dat maakt deze nieuwe technologie mogelijk.”

Lees ook in de serie spraakmakende startups:

• Feedforward gesprekken voeren met je buddy
• Vacatureteksten die een realistisch beeld geven
• Kennis binnenhalen door medewerkers uit te ruilen
• App die onboarding leuker en effectiever maakt
• Revolutie in recruitment door machine learning
• Een lerende community van starters
• Veel scherper selecteren door meten breinfuncties