In samenwerking met UNLEASH deelt Textkernel het laatste nieuws over hoe u uw organisatiegegevens, de vaardigheden van uw zittende personeel en AI kunt gebruiken om nieuwe talentstrategieën te ontwikkelen in het licht van de druk op de arbeidsmarkt.
Nu on-demand bekijkenBekijk on-demand webinar
Sprekers
Stephan Menge, Vice President Sales voor Europa bij Textkernel en Grant Telfer Sales Director UK & Ireland bij Textkernel bespreken hoe de huidige mismatches tussen sollicitanten en vacatures, en het (vaak) slechte inzicht van organisaties in welke vaardigheden ze al hebben, omzeild kunnen worden met geautomatiseerde technologie die zowel huidige als toekomstige talentstrategie-oplossingen kan ondersteunen.
Gegevens kunnen verhelderen en verbeteren
Om te begrijpen hoe we de talentstrategie kunnen verbeteren, is het essentieel om eerst te begrijpen waar de problemen liggen. Hier komen gegevens van pas. Ten eerste blijkt uit gegevens dat ongeacht waar een bedrijf actief is – of het nu Azië, Europa of de VS is – het huidige tekort aan arbeidskrachten een van de grootste zorgen van CEO’s is. Dit gaat gepaard met een toename van het aantal vacatures die niet lijkt af te nemen. Om de rekruteringsproblematiek nog te verergeren, lijkt het erop dat de arbeidsmarkt voor recruiters zelf ook aan het opwarmen is, omdat bedrijven op zoek gaan naar de mensen die het beste in staat zijn om gewild talent te vinden. Voor bedrijven die hiermee te maken hebben, kan het voelen alsof ze tussen wal en schip vallen, maar als ze dit weten, kunnen ze het probleem tenminste aanpakken.
Het zijn niet alleen wereldwijde macrotrends waar gegevens bij kunnen helpen. Zoals Menge uitlegt, kunnen geaggregeerde arbeidsmarktgegevens organisaties helpen om te zien wat de meest gevraagde topvaardigheden zijn. Dit kan organisaties een indicatie geven van de vaardigheden die ze nodig hebben – de meest gevraagde vaardigheden zijn een indicatie van waar de sector naar toe gaat – en waar de meeste concurrentie te verwachten is. In het Verenigd Koninkrijk bijvoorbeeld zullen bedrijven volgens de marktgegevens van Textkernel waarschijnlijk vechten om kandidaten met veelgevraagde zachte vaardigheden, zoals goede communicatie, zelfmotivatie en het vermogen om goed in een team te werken.
Data kunnen ook trends aan het licht brengen waarvan bedrijven misschien niet eens wisten dat ze die moesten weten, zoals hoe de bedrijfsgrootte van invloed kan zijn op de vaardigheden waar een bedrijf naar op zoek is. Gegevens kunnen ook nuances aanbrengen in de wervingsstrategie van een bedrijf. Bijvoorbeeld: terwijl een bedrijf de koppen uit datasets gebruikt om te begrijpen dat het behendige vaardigheden nodig heeft, kan uit het uitdiepen van die gegevens blijken dat dit een meer gewenste vaardigheid is voor degenen die het bedrijf wil aannemen op de IT-afdeling in plaats van op de HR-afdeling.
Wervingsdata: Het is net voetbal!
Waar gaan deze gegevens nu naartoe? Topvoetbalteams gebruiken gegevens om profielen op te stellen van de vaardigheden en capaciteiten die het meest nodig zijn voor topprestaties in een specifieke functie. Het is een noodzakelijk onderdeel van prestatiemanagement en wervingsstrategie met zoveel concurrentie tussen topclubs. En, zoals Menge tijdens het webinar beschreef, stelt dit ze in staat om te begrijpen of ze intern moeten zoeken naar betere vaardigheden of extern. Door inzicht te krijgen in de essentiële vaardigheden die nodig zijn voor succes in een bepaalde rol, kunnen teams zich daarop instellen. Als organisaties dit gedrag ook op de lange termijn toepassen en ook zaken als salaris meten, kunnen ze zien hoe de beloning en ook toekomstige vaardigheden kunnen evolueren. Hierdoor kunnen ze een voorsprong behouden op organisaties die om talent vechten.
Zoals Menge uitlegt, gaat het er in het profvoetbal niet langer om een speler aan te trekken alleen omdat hij of zij het goed heeft gedaan in een vergelijkbare functie bij een andere club. Het bedrijfsleven moet ook op deze manier gaan denken. Ze moeten verder kijken dan functietitels en eerdere ervaringen en kijken naar de vaardigheden die iemand zou kunnen hebben en hoe die zouden kunnen passen in het competentieprofiel dat ze al hebben binnen hun eigen personeelsbestand. Dit kan hen ook geld besparen: als ze begrijpen hoe vaardigheden van toepassing zijn op functies, kan interne ontwikkeling plaatsvinden in plaats van werving.
Dit is, zoals Telfer toevoegde, misschien wel waar het werk naartoe moet: een plaats waar rollen minder gespecificeerd zijn en de juiste mensen met de juiste vaardigheidsprofielen binnen een organisatie aanwezig zijn, hetzij door werving of ontwikkeling, en worden ingezet voor specifiek projectwerk.
Van taxonomie naar ontologie
Deze toepassing van gegevens is echter alleen mogelijk, legde Telfer uit, als een organisatie goed begrijpt over welke vaardigheden ze beschikt. De meeste organisaties hebben waarschijnlijk een vaardigheidstaxonomie (die onderscheid maakt tussen technische vaardigheden, zachte vaardigheden, taalvaardigheden en specifieke subcategorieën daaronder) en een beroepstaxonomie, die rollen groepeert in groepen en klassen, bijvoorbeeld een DevOps-specialist die over het algemeen in de IT-klasse valt.
Het is echter moeilijk om vaardigheden en beroepstaxonomieën op een nuttige manier op elkaar af te stemmen, zodat ze de beste werving en interne ontwikkeling mogelijk maken. Het is iets waar organisaties mee worstelen en wat een blinde vlek kan zijn. Dit is waar het gebruik van een ontologie van professionele vaardigheden nuttig kan zijn. Ondersteund door gegevens kan deze de relaties tussen beroepen en vaardigheden binnen een organisatie laten zien, waardoor HR de mogelijkheid krijgt om hiaten en potentiële zijwaartse bewegingen te zien die ze anders misschien niet zouden zien. Zo kan bijvoorbeeld een marketeer in een niet-marketingfunctie terechtkomen omdat zijn vaardigheden en ervaringen aansluiten bij wat die specifieke rol vereist.
Welke gegevens heeft HR dan eigenlijk nodig?
Om in de richting van bovenstaande benadering te gaan, moet HR terug naar de basis en begrijpen welke gegevens nuttig zouden kunnen zijn bij het streven naar deze ontologische benadering.
Hierbij zou het nuttig zijn om gegevens te extraheren uit cv’s, functioneringsgesprekken, aanbevelingsbrieven en vacatureteksten. Hier kan AI ook een rol spelen. Door AI te gebruiken, kan het suggereren welke vaardigheden impliciet zijn in specifieke functies, die HR misschien over het hoofd ziet, en kan het helpen bij het normaliseren en parsen van verschillende ervaringen om HR een duidelijker beeld te geven van de informatie die ze voor zich hebben. Dit kan HR in staat stellen om een inventarisatie te maken van de vaardigheden die het in huis heeft, te kijken naar wat het heeft, waar het mensen intern moet bijscholen en waar het extern naar toe moet. Het kan ook zien hoe deze keuzes interageren met DE&I-metrics.
Deze benadering kan ook worden omgekeerd. Als deze gegevensgestuurde en door AI ondersteunde ontologiebenadering wordt samengebracht in een soort consumentenportaal, kunnen mensen hun cv’s uploaden en krijgen ze inzicht in de vaardigheden die ze misschien zelf niet hebben en in de carrière- en netwerkmogelijkheden waar ze misschien nog niet aan hebben gedacht. En als ze er nog niet helemaal klaar voor zijn, kunnen ze ook de vaardigheden, training en mentoringmogelijkheden zien die ze misschien moeten volgen als ze een ander carrièrepad willen volgen.
Het voordeel van dit gebruik is dat het ook efficiëntie creëert voor HR en het bedrijf.
