Als je weet waar je naar op zoek bent moet je goed de weg in diverse systemen weten. En dan nog is het de vraag of je vindt wat je zoekt. Gegevens worden slechts een enkele keer precies op het juiste moment gevonden. Maar hoe zit dat met informatie waar je op dat moment niet naar op zoek bent, maar die je wel goed zou kunnen gebruiken? Ik ben bijvoorbeeld op dit moment happy in mijn job en laat daarom de vacaturebank voor wat het is. Dom natuurlijk. Om mijzelf scherp te houden zou ik juist moeten onderzoeken welke mogelijkheden er zijn.

Activeren en ondersteunen

Artificial Intelligence gaat naar alle waarschijnlijkheid over niet te lange tijd met mijn data een inschatting maken dat het tijd wordt om over een jaar weer eens een andere plek te zoeken. Een pop-up in mijn scherm of een mail met interessante functies, kan mij nu al triggeren om erover na te denken. Dat maakt mij bewust van mijn mogelijkheden en mijn marktwaarde. En geeft mij informatie over bepaalde vaardigheden die ik nog mis voor een volgende stap. Het proces van afwegingen begint dan nu al in plaats van over een jaar. Personalisatie kan medewerkers dus activeren en ondersteunen om zich continu te ontwikkelen. 

Reflectie

Het toepassen van personalisatietechnieken levert daarnaast ook een groot voordeel op ten opzichte van de tegenwoordige overload aan informatie voor medewerkers: trainingen, vacatures, MOOCS, events, teamdagen, artikelen, social media. In een paar jaar tijd is de noodzaak om onze medewerkers minder te overwhelmen drastisch toegenomen. We weten dat tijd voor reflectie een van de belangrijkste voorwaarden is om je interesses te ontdekken en je gericht en breder te ontwikkelen. Personalisatie zou het aantal berichten en informatie voor medewerkers kunnen limiteren én we zouden medewerkers sneller op het juiste moment van de juiste interventies kunnen voorzien (maatwerk).

Data voor een personalisatiestrategie

En dus hebben we data nodig! Want data zijn de ruggengraat  van elke personalisatiestrategie. Maar hoewel veel collega’s binnen HR dromen van het feit dat Artificial Intelligence (AI) daar verandering in gaat brengen, blijft het voorlopig bij dromen want AI zal naar verwachting nog niet heel snel zijn voordelen binnen HR maximaal kunnen uitoefenen. Dat betekent echter niet dat je niet alvast kunt beginnen. Binnen de HR-innohub van de Rabobank zijn we bezig met verschillende experimenten om het aanbod voor onze medewerkers te personaliseren en ons voor te bereiden op wat komen gaat. We zijn er nog niet, maar hebben onderweg wel al veel geleerd.

Lessons learned: 

1.     Minder i.p.v. meer

De droom van  medewerkers is één platform waar alles op staat: zowel vacatures, als assessments, als trainingen, als mentoren, als stages, als jobswaps. Net als Bol.com, waar je zowel tuinaarde als shampoo als een stofzuiger kunt aanschaffen.
Hoewel dat laatste nu nog niet mogelijk is, moeten we het aantal systemen wel drastisch beperken. Hiervoor is binnen HR een cultuurverandering nodig : silo’s moeten worden afgebroken, eilandjescultuur doorbroken en kennis over de multi-inzetbaarheid van data moet worden verbeterd.

We moeten stoppen met het inrichten van plekken waarop medewerkers hun gegevens achter moeten laten. In de ogen van de medewerker heeft hij dat immers al gedaan: op LinkedIn en in het HR-coresysteem. Dus moeten we die data zoveel mogelijk hergebruiken. Daarnaast moeten we ook in gesprek met de business en IT. Oók zij hebben platformen en kanalen waar HR vaak niet van op de hoogte is, maar waar de medewerker wel aan wordt onderworpen.

Veel meer aanbod via één kanaal  zal de medewerker ervaring drastisch doen verbeteren . Van personalisatie is geen sprake, maar het ‘zoeken’ wordt op die manier wel een stuk gebruiksvriendelijker.

2.     Wees kritisch bij matching wat betreft data

Ook al hebben we als HR-medewerkers vaak niet een IT en/of data-achtergrond, we moeten  wel heel goed gaan begrijpen waarop gematcht wordt. Wij moeten het immers straks gaan uitleggen aan de medewerkers. En wij moeten de ontwerpkeuzes gaan maken. 

Op dit moment worden vacatures vaak gelinkt aan de titel van de huidige job van de medewerker. Maar willen we dat als HR? Dan blijven we bankiers dus alleen maar vacatures van bankiers sturen in de financiële sector. En analisten vooral analistenfuncties. Maar willen we ze juist niet uitdagen om andere skills te ontwikkelen binnen andere afdelingen?

En als we een stapje verder gaan met matchen, zal aanbod van vacatures misschien wel gericht zijn op data uit het verleden. De loopbanen van onze huidige medewerkers worden dan gebruikt als basis om advies uit te brengen. Maar is dat juist niet een risico? Omdat banen over vijf jaar drastisch zijn gewijzigd? Geeft het dan juist niet een advies waardoor een oude organisatie in stand blijft? Willen we niet juist medewerkers triggeren andere afdelingen en functies te overwegen, waarin hun kennis van toegevoegde waarde is en waar ze andere skills kunnen ontwikkelen? In hoeverre stimuleren we hiermee learning agility en buiten de eigen kaders denken?  

Als we dus gaan personaliseren gebaseerd op gedrag uit het verleden, moeten we altijd variatie aanbieden. Daarmee kunnen we valideren of de interesse nog bestaat, testen of die interesse misschien is verschoven, en de medewerker op de hoogte brengen van de rest van ons ‘HR-assortiment’.

Personalisatie moet dus écht goed werken, willen medewerkers niet afhaken.  Maar we willen we ze ook niet een tunnelvisie geven. Daarom is het voor HR noodzakelijk om de huidige matchingssystemen heel goed te begrijpen en ze voortdurend te verbeteren. En het juiste gesprek hierover aan te gaan met de HR-tech providers. Ga hierover vandaag al in gesprek met je directe collega’s om met elkaar te leren. Vraag je de volgende keer af als LinkedIn je vacatures toestuurt: “Op grond van welke data krijg ik deze vacatures toegestuurd? Hoe zou dat beter kunnen binnen mijn eigen organisatie?” Als wij niet gaan begrijpen hoe AI straks een grote impact gaat hebben en welke datapunten worden ingezet, kunnen we het straks ook niet uitleggen aan een medewerker. Ik geloof dan ook meer in kleine stapjes, dan in een big bang die ‘AI’ heet.

3.     Bereid je voor: verbeter datakwaliteit

Zorg dat de basis in orde is. Datakwaliteit is van essentieel belang bij het inzetten van nieuwe technologieën. Kwaliteit is nodig om de juiste inzichten uit een dataset te halen. Zonder goede data, überhaupt geen personalisatie en geen AI. Ga hiermee ook experimenteren: hoe kunnen bijvoorbeeld je vacaturebeschrijvingen (ongestructureerde data) omgezet worden in bruikbare data (gestructureerde data)? Hoe zorg je dat je continu weet wat voor interesses je medewerkers hebben zodat je niet achterhaalde informatie gebruikt om te matchen? Ontwikkel daarmee je technische mindset.

Kortom: be ready! We weten welke impact AI kan hebben wat betreft personalisatie, maar zijn er nog niet. Neemt niet weg dat we ons vandaag goed moeten voorbereiden om die ultieme medewerkerervaring straks te kunnen leveren door nieuwe technologieën die in rap tempo de HR-sector gaan ondersteunen. Dat kan vandaag. Alleen op die manier zijn we straks in staat de juiste keuzes te maken om te bereiken wat we allemaal willen: empowered employees!

Bij Rabobank worden momenteel de mogelijkheden verkend van robot Mr Furhat, die is uitgerust met Artificial Intelligence. Ze zijn ‘hem’ aan het opleiden tot coach van de medewerkers. Tijdens het HR Digital Congres op 11 oktober geeft Anne Doeser een live demonstratie van de mogelijkheden die Mr. Furhat biedt en zal ze de lessons learned tot nu toelichten.