Kan algoritmer sikre højere kvalitet i rekrutteringen?

Medarbejdere siger deres stillinger op i flæng i tider med høj beskæftigelse, hvor chancen for at komme videre i mange tilfælde betyder bedre stilling og højere løn.

Ud over ønsket om lønforhøjelse, angiver mange funktionærer et giftigt arbejdsmiljø og begrænsede muligheder for udvikling, som grund til at skifte arbejde. For mange arbejdsgivere kommer disse grunde som en stor, ærgerlig og dyr overraskelse, når de afholder exit-interview med medarbejderen.

Men fat mod –  hjælpen er på vej. Med hjælp fra kunstig Intelligens har forskere fundet en algoritme baseret på data fra trivselsmålinger, som i forbløffende høj grad kan forudsige hvornår en værdifuld medarbejder, er i gang med overvejelserne om at skifte til et nyt job.

Dette er en fordel både medarbejdere såvel som arbejdsgivere. Med en større forståelse for hvilke medarbejdere der er i farezonen, kan virksomheder i langt højere grad udpege og eksekvere på de områder, der er hovedårsagen til, at medarbejdere ønsker nye græsgange. Hvis virksomhederne samtidig er klar til at investere i fastholdelses programmer, kan de i langt højere grad undgå den medarbejderudskiftning, der koster så dyrt på bundlinjen.

Hele processen med at introducere fastholdelses-programmer og rodfæste dem i kultur og værdier, således at trivselsmålingerne stiger, kræver en stor commitment fra ejere og ledelse. For nogle medarbejdere er det et spørgsmål om størrelsen på lønnen, men i Danmark spiller udviklingsmuligheder og virksomhedskultur en næsten ligeså stor rolle. For nogle virksomheder, specielt de mindre, er det nogle få graders justering af roret, mens det for andre kræver en 180 graders vending.

Indikatorer

I en ny artikel fra Harward Business Review har 2 forskere, ved hjælp af machine-learning, fundet frem til de to vigtigste indikatorer, som får medarbejdere til at indgive deres opsigelse.

Den første indikator er forandrings-chok. Begivenheder som ændringer af ledelsen, sammenlægning i forbindelse med opkøb eller andre større organisatoriske ændringer. Herudover nævnes der retsager, mediestorme, pludseligt fald i omsætning eller aktiekurser – kort sagt, problemer som kunne være livstruende for arbejdspladsen.

Den anden indikator er, i hvor høj grad medarbejderen føler sig som en del af virksomheden ”embeddedness”. Disse data er tilgængelige og indeholder målepunkter som antal af tidligere jobs, ansættelseslængde, uddannelse, køn og geografi.

Da algoritmen havde identificeret de medarbejdere, som sandsynligvis ville skifte job, viste det sig at 63% af denne gruppe,  faktisk havde et nyt job inden for en 3 måneders periode.

Ved at bruge data kan arbejdsgivere virkelig arbejde med employer branding og fastholdelse, fordi de over tid får information om, hvad deres medarbejdere i virkeligheden værdsætter – fremfor det de siger de værdsætter.

Der er altid en bekymring, når kunstig intelligens skal interagere med menneskelig forudsigelse specielt i området for HR og rektruttering. Det kræver etiske overvejelser såvel som et dybfølt ønske om, at ville bruge data til reelt at skabe en bedre arbejdsplads på en konstruktiv måde, således at alle stakeholders drager fordel af metoden.