TalentIn BLOG Data Science NL

De valkuilen van Data Science

Technologie speelt een steeds belangrijkere rol in de ontwikkeling van recruitment strategieën en dagelijkse operatie. Als we kijken naar wat we nodig hebben en wat er beschikbaar is aan technologie, dan zien we dat data science steeds bepalender is voor de mogelijke voordelen die technologie kan opleveren. Maar hoewel data science onze wereld grote toegevoegde waarde biedt, zijn er ook kanttekeningen bij te plaatsen.

Data Science
De term ‘Data Science’ is een containerbegrip. Artificial Intelligence (AI), Machine Learning, Big Data, Robotic Process Automation (RPA), Deep Learning etc. betekenen allemaal wat anders. Ze worden vaak onterecht door elkaar heen gebruikt door technology providers die de markt willen imponeren met hun nieuwste technologische aanbod. Maar ondanks dat data bij allemaal de basis is, gebruiken ze elk verschillende vormen van data analyse. Bovendien kunnen data science tools en technieken aanzienlijke voordelen bieden als onderdeel van een technology of service oplossing, maar leveren ze op zichzelf geen voordelen.

Overwegingen voor Data Science bij recruitment
Op data science gebaseerde oplossingen moeten absoluut worden onderzocht vanwege de enorme voordelen die dit soort technieken kunnen bieden aan onze recruitment en inhuur activiteiten. Dergelijke oplossingen zullen snel essentieel worden om concurrerend te blijven in een steeds krappere arbeidsmarkt. Het is echter belangrijk om de potentiële valkuilen te begrijpen en een holistische benadering te hanteren bij het implementeren van dergelijke tools.

Data kwaliteit
Kwaliteit van de data is cruciaal. De beste, innovatieve, op data science gebaseerde oplossingen zullen niet de verwachte voordelen opleveren als de data in onze eigen systemen van onvoldoende kwaliteit is om de slimme technologie correct van informatie te voorzien. Spreekwoorden als ‘Een ketting is niet sterker dan de zwakste schakel’ en ‘zoals men zaait zal men oogsten’ spreken boekdelen als het over kwaliteit van data in diverse technologie gaat.

Big en small data
Onze operationele HR systemen werken in het algemeen met relatief kleine datasets. Om data science tools en technieken te ontwikkelen wordt juist big data gebruikt. Bij het ontwikkelen van de tools en technieken die worden aangeboden, gebruiken technology providers vaak miljoenen, soms honderden miljoenen datapunten om hun systemen te ‘trainen’. Het voordeel van heel grote datasets is dat de invloed van een onjuist of afwijkend datapunt geminimaliseerd wordt. De tools en technieken zelf leren ook onjuiste en afwijkende informatie te herkennen en negeren. Dat is veel moeilijker te bereiken met de omvang van datasets die we doorgaans in een organisatie kennen.
Een simpel voorbeeld. Als 9 gegevensbestanden aangeven dat de ‘time to hire’ 42 dagen is, en eentje geeft aan dat het 24 is, dan lijkt het logisch te concluderen dat het gemiddelde 40,2 is. Echter, als 999.999 bestanden 42 aangeven en eentje 24, dan zeg je dat het 42 is (tenzij je kiest voor een onbeperkt aantal cijfers achter de komma).

Stel dat u geïnvesteerd hebt in een nieuwe state of the art technologie die big data gebruikt om data nauwkeurigheid te garanderen. Weegt dat dan op tegen de onnauwkeurigheid in uw eigen data? Het antwoord is nee. Als de input van uw data die die slimme technologie gebruikt niet klopt, dan zal de output ervan ook niet correct worden.

Conclusie
Als u weet dat uw data niet perfect is, kunt u dan beter niet in dergelijke technologie investeren? Het antwoord is nee. En de reden is dat de concurrentie zowel investeert in deze technologie als de problemen met hun data aanpakt. De markt voor talent wordt steeds competitiever en daarom is niets doen geen optie.
Maar wat moet u dan wel? Een goede eerste stap is de kwaliteit van uw eigen data op een voldoende goed niveau brengen. Pas dan kunt u de mogelijkheden die de nieuwe technologie onmiskenbaar biedt daadwerkelijk gaan benutten.

TalentIn bespreekt graag met u wat dat in de praktijk betekent. Belangrijke overwegingen zijn:

  • Prioriteer – Het is onrealistisch om alle gegevens juist te krijgen. Geef prioriteit aan die data items die ertoe doen.
  • Stimuleer – bedenk creatieve manieren om uw teams te stimuleren zich te concentreren op de kwaliteit van data.
  • Evalueer – Een paar eenvoudige rapporten uit uw systeem kunnen de basis vormen voor regelmatige evaluatie van uw gegevens.

Matt JessopOver de auteur

Matt Jessop is Associate Partner bij TalentIn. Hij helpt organisaties bij het bouwen en uitvoeren van hun personeelsstrategie met zijn expertise als ervaren technologie-expert en innovator.
Matt heeft een grote passie voor data en analytics en hoe deze een rol spelen bij het stimuleren van een optimale situatie bij werving vraagstukken.

TalentIn heeft uitgebreide nationale en internationale ervaring met ontwikkelen en verbeteren van strategieën voor de recruitment van uw vast of tijdelijk personeel. Wij weten hoe deze programma’s succesvol kunnen worden ingericht en geïmplementeerd. Wij adviseren, maar kunnen ook praktische ondersteuning bieden. Heeft u interesse? Neem dan contact met ons op voor een vrijblijvende afspraak via www.talentin.eu, info@talentin.eu of +31103075422

Share our blog

Share on facebook
Share on twitter
Share on linkedin
Share on xing
Share on email

Recent posts

This website uses cookies to ensure you get the best experience on our website. By using our website you agree to  our cookie policy.