Lessen uit het 'seksistische algoritme' van Amazon...?
3 jaar geleden deed Amazon een experiment om de cv-voorselectie te automatiseren! Het idee was een algoritme te ontwikkelen dat 100 cv's kon ontvangen en elk cv een score van 1 tot 5 sterren kon geven, zodat het algoritme elke keer de 5 kandidaten met de hoogste slaagkansen kon aanleveren.
Vat dit artikel samen met:
Als u direct of indirect te maken heeft met HR (en zeker met werving), herinnert u zich misschien dit verhaal...
⚠️ BREAKING NEWS ⚠️
#KortSamengevat... waar gaat het eigenlijk over?
Een paar jaar geleden deed Amazon een experiment om de cv-voorselectie te automatiseren! Het idee voor Amazon was een algoritme te ontwikkelen dat 100 cv's kon ontvangen, elk cv een score van 1 tot 5 sterren kon geven (een beetje zoals we boeken beoordelen) zodat het algoritme elke keer de 5 kandidaten met de hoogste slaagkansen in het bedrijf kon aanleveren! #GegarandeerdeTimesaverEn toen... Fiasco! We ontdekken dat het niet werkt! 😱Erger nog, het algoritme was geneigd cv's van vrouwen – bijna systematisch – te weigeren. #NietEerlijk
Welke les kunnen we trekken uit dit mislukte experiment?
Een algoritme is niet inherent seksistisch... het wordt dat geleerd.
Ten eerste is het cruciaal te begrijpen dat een algoritme zelf nooit bevooroordeeld/seksistisch/racistisch/homofoob/... is. Het vormt nog steeds slechts de formalisering van een wervingsproces dat door mensen is geconfigureerd. In het specifieke geval van Amazon werd (1) de AI getraind met gegevens van de cv's (2) van mensen die al werkzaam waren in het bedrijf, (3) die waren aangeworven door een team van HR-mensen.#1 - Eerst de kwestie van cv's...Als we AI programmeren met gegevens van cv's, heeft de "initiële kennis" die we hem aanreiken betrekking op, enerzijds, de academische achtergrond van de personen (behaalde diploma's, welke scholen), en anderzijds, hun professionele loopbaan (beklede functies, hoe lang, bij welke bedrijven, in welke sectoren). #EindeVerhaal#2 - De aard van de steekproef...Amazon had – althans destijds – als bedrijf een verhouding van 60:40 mannelijke vs vrouwelijke medewerkers... Uiteraard, omdat mannen oververtegenwoordigd zijn in de initiële steekproef, zal dit de samenstelling van de regels voor de configuratie van het algoritme beïnvloeden. #Logisch#3 - Ten slotte de eigen vooroordelen van het HR-team.Mensen zijn feilbaar; we zijn onderhevig aan vele vooroordelen (meerdere tientallen) zowel in ons begrip van informatie als in de manier waarop we beslissingen nemen. Het algoritme modelleerde slechts het wervingsproces, zoals het door Amazon-teams over meerdere jaren was toegepast. Het reproduceerde daarmee de vooroordelen die inherent menselijk zijn. ⚠️ Belangrijk: Ik maak geen specifiek oordeel – wat dat ook moge zijn – over het werk van deze teams. Als we dezelfde AI zouden laten werken op de cv's van de meeste bedrijven, zouden we uitkomen bij een generatie algoritmen die discrimineren op grond van geslacht (althans wat betreft toegang tot managementfuncties en hoger), mensen ouder dan 45 jaar, mensen met een handicap, zelfs mensen wiens namen "buitenlands klinken"... (om slechts een paar voorbeelden te noemen).😏
Moeten we dan een einde maken aan algoritmen in werving?
Niemand zal ontkennen dat er hier een GROOT probleem is. Uzelf de helft van het beschikbare talent ontzeggen is een GROOT probleem voor elk bedrijf... Om nog maar te zwijgen van het discrimineren van vrouwen, uitsluitend op grond van hun geslacht (een criterium dat absoluut niets te maken heeft met hun vermogen om de aangeboden functie(s) te bekleden). Maar de conclusie trekken dat algoritmen inherent gevaarlijk zijn, zou een vreselijke misvatting zijn. Een fout die gelijkstaat aan zeggen dat "het ondenkbaar is om een auto te besturen" als men in de krant een dodelijk auto-ongeluk had gelezen.Ligt het echte probleem niet eigenlijk bij... selectie op basis van cv's?Vandaag de dag zijn bijna iedereen – inclusief recruiters – het erover eens dat cv's geen betrouwbare voorspeller zijn van het vermogen van mensen om te slagen en te gedijen op de werkvloer. Bovendien zijn er vele studies uitgevoerd over dit onderwerp die allemaal tot dezelfde conclusie zijn gekomen! En toch blijven we in zoveel bedrijven kandidaten vooraf selecteren op basis van hun cv... 🧐 #VindHetProbleem
Door slecht informatie te selecteren met weinig (tot geen) voorspellende waarde (de informatie in een cv), die bovendien afkomstig is van een door mannen gedomineerde steekproef en dit vervolgens door AI te laten verwerken... Wat konden we anders verwachten? 🤷🏻♂️Toch heeft VANDAAG elk bedrijf de middelen om zijn voorselectie aanzienlijk te verbeteren...Van alle bedrijven die ik frequent en waarmee ik samenwerk (en dat zijn er vele), is er niet één dat erin is geslaagd een significante verbetering te realiseren in de kwaliteit van hun werving (ik bedoel op een objectieve, meetbare manier) door uitsluitend op hun interne middelen te steunen. En ik zeg dat niet om met de vinger te wijzen... Het is gewoon zo dat ze andere dingen te doen hebben met hun al drukke dagen! #PrioriteitenDus, hoe moeten we het aanpakken?Talrijke studies uitgevoerd over de hele wereld bevestigen dat het VERUIT relevanter is uw kandidaten te selecteren (of medewerkers als het gaat om interne mobiliteit) op basis van "wie ze werkelijk zijn", d.w.z. hun potentieel. Met name door gebruik te maken van assessmentsystemen (wervingstests). Merk op dat deze systemen perfect kunnen worden aangevuld met de elementen die u al heeft, als u dat wenst...Logisch... Kijk wat er op het spel staat:
- Enerzijds, een cv: academische en professionele achtergrond
- Anderzijds, wie deze persoon (echt) is: intellectuele wendbaarheid, leervermogen, diepe motivaties, persoonlijkheid en gedrag in een werkomgeving
Naar uw mening, wat zal u het beste in staat stellen de kans van uw kandidaten om te slagen in een functie te voorspellen? Om te integreren in het bestaande team? Om (al dan niet) de waarden van uw bedrijf en het bedrijfsproject te onderschrijven?
Start uw gratis proefperiode van 14 dagenBoek een productrondleiding
U kunt (ten minste gedeeltelijk) uw selectieprocessen automatiseren, terwijl u het "Amazon-effect" vermijdt.
Maar pas op: het uitsluitend gebruiken van "wervingstests" (om de kenmerken van "Potentieel" te beoordelen) zal op zichzelf uw wervingssucces niet garanderen. We zullen een beetje verder moeten gaan dan dat...Voorspellende modellen: het centrale onderdeel van voorspellende wervingsalgoritmen."Tests" worden gebruikt om betrouwbare gegevens te verzamelen (zolang de tests die u gebruikt betrouwbaar zijn) over elk van uw kandidaten. Maar deze gegevens, het "profiel" van elke kandidaat, moeten op een bepaald moment worden vergeleken met een model van verwachte criteria! Het is precies deze vergelijking (het profiel van kandidaten samenvoegen met een profiel van verwachte criteria) die via een algoritme kan worden gemodelleerd. Dit model van verwachte criteria wordt "voorspellend" genoemd wanneer er bewijs is dat de gedefinieerde criteria (bijvoorbeeld gezochte persoonlijkheidskenmerken) koppelt aan de variabele(n) die u wenst te voorspellen (zoals prestaties of zelfs aanpassing aan een bedrijfscultuur).Hoe maak je een voorspellend model?Om een voorspellend model te maken, hoeft u alleen maar een steekproef te evalueren van de bevolking waarvoor u prestaties wilt voorspellen (bijvoorbeeld). U kunt bijvoorbeeld elk van uw medewerkers in een bepaalde functie(s) vragen een persoonlijkheids-, motivatie- en/of redenervragenlijst in te vullen. Dit is stap #1. Vervolgens (Stap #2) beoordeelt u elk van hen op de prestatiecriteria die u wilt anticiperen bij uw toekomstige kandidaten. In principe moet u voor elk van uw huidige medewerkers aangeven hoe goed zij presteren. Typisch zou dit vrij duidelijk moeten zijn om te scoren... Behalve in sommige bedrijven, zullen we soms horen:
"Nou, we weten het niet, we hebben de gegevens niet!"
⚠️ DISCLAIMER: Laten we duidelijk zijn... Als u intern niet in staat bent de prestaties van uw medewerkers te beoordelen (d.w.z. te zeggen "wie doet het werk goed en wie niet" in een bepaalde functie), zal NIETS of NIEMAND u ooit kunnen helpen de kwaliteit van uw wervingsproces significant te verbeteren. U zult uw kandidaatervaring kunnen verbeteren en statistieken over uw kandidatentrechters kunnen krijgen, maar zonder dit vermogen om de prestaties van teams objectief te begrijpen, zult u NOOIT uw vermogen kunnen verbeteren om het succes en/of de betrokkenheid van uw kandidaten te voorspellen... #DeWaarheidDoetPijnAls een expert u komt opzoeken en uitlegt – zonder dit type informatie te vragen of er toegang toe te hebben – dat hij een formule heeft waarmee u beter kunt werven, verkoopt hij slechts kwakzalverij. #LooopWeg"Als mijn bedrijf tot nu toe hoofdzakelijk mannen (of vrouwen, of kandidaten alleen van de grootste scholen...) heeft aangeworven, is er dan niet een risico op het creëren van een Amazon-achtig vooroordeel?"Eigenlijk NEE... omdat psychologische en gedragscriteria uitzonderlijk goed verdeeld zijn binnen de bevolking, ongeacht geslacht, leeftijd, afkomst of vele andere criteria. Als gevolg hiervan kunt u met deze aanpak dit soort vooroordelen direct omzeilen!
Resultaten van voorspellende werving
Gemiddeld selecteren bedrijven die gebruik maken van voorspellende werving medewerkers die 20% meer kans hebben op succes dan degenen die zij selecteren met een meer traditionele aanpak. Ze versnellen hun wervingsproces met 30%, verlagen hun kosten met circa 20% en halveren hun verloop voor bepaalde gevoelige functies.
Is het magie? ✨🔮✨