Het ontslag-algoritme

Kimberly de Jager

Data-driven is al jaren een hot-topic binnen recruitment. Iedere recruiter is bekend met termen als ‘Cost per Hire’ en ‘Time to Hire’, en afgelopen jaren hebben ook Machine Learning en AI hun weg gevonden binnen recruitment. Dit maakt het steeds makkelijker om voorspellingen te doen of een kandidaat succesvol zal zijn. Denk maar aan de robot Sigmund die door middel van het analyseren van spraak, tekst en gezichtsuitdrukkingen iemand zijn werkprestaties kan voorspellen. Maar tegenwoordig is het ook mogelijk om te voorspellen welke vacatures op (korte) termijn gaan ontstaan en waarvoor dus geworven moet worden. Handig toch? Ik heb het niet over het voorspellingen gebaseerd op gemiddeld verloop of projecten die op de planning staan, want dat is slechts een grove inschatting. Nee, ik heb het over écht voorspellen. Met andere woorden; voorspellen welke medewerkers op (korte) termijn ontslag gaan nemen.

Dat het mogelijk is om ontslag te voorspellen staat vast, toch zijn hier verschillende manieren voor. Brooks Holtom en David Allen hebben een algoritme ontwikkeld dat uitgaat van ‘turnover shocks’; ingrijpende gebeurtenissen die tot ontslag kunnen leiden. Denk maar aan organisatorische gebeurtenissen zoals overnames, aandelenkoers en verandering van MT/C-level maar ook persoonlijke gebeurtenissen zoals een verhuizing of geboorte van een kind. Onderzoek van IBM gaat weer uit van andere factoren, zoals opleiding, woon-/werkplaats, industrie, werkverleden, huidige positie en promoties. Iemand uit een snelgroeiende industrie (bijvoorbeeld gaming-, internet- en software industrie) zal bijvoorbeeld eerder van baan wisselen dan iemand uit het gemeentelandschap.

Een lage online betrokkenheid is een indicator voor ontslag

En dan is er nog een derde methode, namelijk ‘Employee Monitoring Software’. Deze software monitort de medewerker, en kijkt naar de reactiesnelheid op e-mails, productiviteitsanalyse, schermactiviteiten, browsergeschiedenis en de tijd die iemand achter zijn laptop/pc doorbrengt. Volgens Kelleher, Konselman en Benowitz (https://www.youtube.com/watch?v=y4nwoZ02AJM ) is een lage betrokkenheid namelijk een belangrijke indicator voor het nemen van ontslag. Wanneer iemand dus niet blij is in zijn huidige positie, is er een grote kans dat de reactiesnelheid en productiviteit zal afnemen. Kortom, deze methode meet (online) activiteiten van een werknemer en weet zo een voorspelling te doen.

Corona en thuiswerken hebben de vraag naar Employee Monitoring Softwarevergroot en een handjevol bedrijven zoals Teramind en ActivTrak speelt hier slim op in. Toch roept deze methode veel vraagtekens op: is het wel ethisch verantwoord dan een werkgever alles meet (en weet)? Of moet een werkgever vertrouwen hebben in zijn werknemers? En stel, een werkgever besluit dit toch tegaan meten, is dan de privacy van de medewerker wel gewaarborgd?

Toch zijn er (gelukkig!) veel bedrijven die hier een duidelijk standpunt over innemen en uitgaan van vertrouwen in werknemers. En gelukkig is ook daar genoeg data om dit vertrouwen te onderbouwen. Uit het onderzoek van Paul J.Zak blijkt namelijk dat vertrouwen zorgt voor een hogere betrokken- en bevlogenheid wat weer resulteert in betere bedrijfsprestaties en efficiency. Toch zal in de toekomst steeds vaker Machine Learning en AI worden ingezet om voorspellingen te doen, ook op het gebied van recruitment en HR. Vandaar onze vraag aan jullie: in hoeverre is het oké dat een werkgever van alles meet (en dus ook weet!)?

Over de auteur Kimberly de Jager is Recruitment Specialist bij Timetohire – The Recruitment Success Company. Zij is gespecialiseerd in Recruitment Process Outsourcing (RPO) met een special interest in IT & tech.

De leukste banen binnen recruitment

Werken bij Timetohire

Ben jij op zoek naar een nieuwe uitdaging? Dan zijn wij op zoek naar jou. Klik hier om te zien welke functie jij bij ons kan vervullen.

Onze Vacatures