Wist je dat van de kinderen die nu waar dan ook ter wereld naar de basisschool gaan, twee op de drie later een beroep krijgt dat nu nog niet bestaat? Dat voorspelt het World Economic Forum (WEF) in het rapport 'The Future of Jobs'. En weet je hoeveel banen in Amerika nu al de stempel ‘High Risk’ krijgen omdat ze binnen afzienbare tijd dreigen te verdwijnen? De Universiteit van Oxford heeft berekend dat het gaat om 47% van de huidige banen. En dat terwijl het bedrijfsleven tegelijkertijd op zoek is naar die schaarse werknemer die wel beschikt over relevante vaardigheden. Wij staan in de wereld van werk aan de vooravond van grote veranderingen. Hoe die er concreet uitzien? Met het project ‘Do’ zijn we alvast op ontdekkingsreis gegaan.

Door Timing FWD >> op te richten, dwingen we onszelf om anders naar onze business te kijken. Door vrijuit te experimenteren, door nieuwe businessmodellen te creëren en nieuwe technieken toe te passen. Maar is de markt er klaar voor? In de traditionele matching spelen opleiding en werkervaring nog een dominante rol. Pioniers uit de industrie spelen met het idee om excellente matching te ontwikkelen op basis van persoonlijke waarden, eigenschappen, persoonlijkheid en competenties. Want vooral de intrinsieke motivatie en het beschikken over de juiste persoonlijke eigenschappen en competenties bepalen steeds meer het succes van het functioneren in een bepaalde functie. Daar kan geen opleiding tegenop. Vooral als we ons beseffen dat de houdbaarheidsdatum van kennis niet verder reikt dan 2 jaar.

Deep learning, artificial intelligence en de verdere digitalisering van alle denkbare bedrijfsprocessen zijn ontwikkelingen waar we middenin staan. Ik durf daarom te voorspellen dat het slechts een kwestie van tijd is dat de mens overbodig is in vrijwel elk onderdeel van het werving & selectieproces. Waar spelen wij dan nog wel een rol? Er wordt nu al gebruik gemaakt van testen om de zachte selectiecriteria te identificeren. Deze criteria richten zich meestal op een vooraf opgesteld normprofiel. Wat wij zien is dat dit normprofiel nog te abstract is en getoetst moet worden met de dagelijkse praktijk. 

"intrinsieke motivatie en het beschikken over de juiste persoonlijke eigenschappen en competenties bepalen steeds meer het succes van het functioneren in een bepaalde functie."

‘Do’
Bij Timing FWD >> zijn we hierin gedoken. Onder de werknaam ´Do´ willen we een model ontwikkelen dat vooral valideert vanuit de praktijk. Beoordeling en feedback spelen daarbij een essentiële rol. Voor het MVP (Minimum Viable Product) doen wij een beroep op bewezen theorieën. Zoals The Big Five van Willem Hofstee en Boele de Raad. Hiermee worden op basis van bestaande methodieken de zachte eigenschappen (persoonlijke waarden en normen, persoonlijkheid en competenties) van potentiele werknemers geïdentificeerd. Op basis van feedback van zowel de direct leidinggevende als de werknemer zelf, wordt een norm gesteld voor een succesvolle match. Op basis van zelflerende algoritmen wordt het ideale bijbehorende profiel berekend. Niet altijd blijken ervaring en opleiding de kritische factoren te zijn, die bepalend zijn voor het wel of niet succesvol functioneren in een specifieke functie. Door verbanden te leggen, wordt vastgesteld welke factoren wel bepalend zijn. Dit normprofiel wordt door deep learning-technieken bijgesteld, waardoor het matchingsalgoritme zichzelf blijft ontwikkelen en steeds slimmer wordt.

Eigen data
Wij zijn er inmiddels achter gekomen dat je geen huis moet bouwen op gehuurde grond. Hiermee bedoel ik dat we met ‘Do’ niet afhankelijk kunnen zijn van externe data van bijvoorbeeld Facebook. Wat als ze opeens de datakraan dichtdraaien? Wij zijn ons daarom gaan richten op het genereren van eigen data. Dit moet de voedingsbodem zijn voor onze matchingalgoritmen. Deze krijgen wij door vooral te putten uit de menselijke intelligentie van de recruiters van Timing. Door hen tijdens het selectieproces te monitoren middels video- en audio-opname, Eye tracking en redenatie, kunnen we data uit het werkproces verwerken in het algoritme. Door te leren van de feedback, is het algoritme in staat steeds meer zelf te leren en toe te passen. Een interessante bijkomstigheid is dat wij deze functionaliteit in de toekomst als smart contract binnen de blockchaintechnologie kunnen aanbieden.

Werk smarter maken
De wereld staat voor een nieuwe uitdaging. Uitvoerend werk zoals we dat vandaag kennen, staat onder druk. Automatisering, robotisering, het mobiele internet en Big Data veranderen de manier waarop we werken. Taken verdwijnen, banen veranderen, gevestigde businessmodellen worden ingehaald door nieuwe. Hoe ziet de wereld er over enkele jaren uit? Dat blijft gissen. Zeker is dat verandering de enige constante is. Diegene die daarop het best kan anticiperen en die zich het snelst kan aanpassen wint. Maar een blauwdruk voor succesvolle innovatie is het niet. Het is een kwestie van gewoon doen! Snelle ontwikkelingen vertalen naar toepassingen, die de wereld makkelijker, sneller en slimmer maken. Timing is alvast begonnen! ‘Do’ je mee?


Innovatieblog door Wiecher Hakse (directeur Innovatie bij Timing)

Net ingestapt en toch alles willen lezen? Begin dan hier bij Deel 1 van de innovatieblogs: