Geschreven door Mayke Goethals

Het zal je misschien verbazen, maar kandidaten die zich last minute terugtrekken uit een arbeidsovereenkomst komt steeds vaker voor. Uit een onderzoek van Gartner HR Research van juni 2022 blijkt dat 44% van meer dan 3.600 mensen die recent een nieuwe baan aangeboden hadden gekregen zich last minute had teruggetrokken, hoewel ze het aanbod al hadden geaccepteerd.

Maar wat is de onderliggende reden van kandidaten die zich terugtrekken? De belangrijkste factor bij bijna de helft van de mensen was dat ze ergens anders een beter aanbod gekregen hadden. Dit klinkt waarschijnlijk wel bekend in de oren, het komt nog maar weinig voor dat kandidaten met maar één aanbieding aan de onderhandelingstafel komen. De concurrentie voor talent blijft hevig.

Maar het onderhandelingsproces tijdens de aanwerving vraagt ook een investering van waardevolle tijd aan de kant van het bedrijf als werkgever. Als die investering verloren gaat, brengt dat hoge kosten met zich mee, naast de gevolgen voor de kwaliteit en planning van het HR-werk. Het last-minute wegvallen van een kandidaat vertaalt zich vaak in een groot omzetverlies voor de organisatie. Het zou dus zeer voordelig zijn om als organisatie te kunnen gaan bepalen welke kandidaat effectief in dienst zal treden en welke last minute zal afzeggen. Wij bekijken welke stappen hiervoor nodig zijn aan de hand van een voorbeeld.

In een Amerikaans bedrijf, PrimeDataTech Pvt. Ltd, stonden ze voor een vergelijkbaar probleem. Om hier een oplossing voor te bieden, kozen ze ervoor om HR-analytics te integreren in hun rekruteringsproces.

In het begin doorliepen ze de normale stappen in het selectieproces (het screenen van CV's, technische proeven, telefonische werving en background checks). Daarna berekenden ze recruitment key performance indicators (KPI’s) die inschatten en voorspellen of de kandidaat tot het bedrijf zal toetreden of niet. De KPI’s in kwestie waren ‘offer acceptance rate’, ‘fill rate’, applicants per opening’, ‘time to recruit’, en ‘cost per recruit’. We lichten ze hieronder kort toe:

• 'Offer acceptance rate’ werd gedefinieerd als het aantal kandidaten dat bij het bedrijf komt werken in vergelijking met het totale aantal aanbiedingen dat door de organisatie gedaan is. Deze KPI moet zo hoog mogelijk zijn.
• ‘Fill rate’ verwijst naar het percentage van banen die ingevuld worden in vergelijking met het totaal aantal vacatures. Ook deze KPI moet zo hoog mogelijk zijn. Hoe hoger, hoe succesvoller het invullen van vacatures.
• ‘Applicants per opening’ bekijkt het aantal sollicitaties voor een bepaalde vacature. Via deze KPI kan de organisatie kijken of er voldoende sollicitaties binnenkomen, zodat de kandidaat met de juiste fit gekozen wordt voor de vacature.
• ‘Time to recruit’ is het gemiddelde aantal dagen dat de organisatie nodig heeft om een kandidaat te werven vanaf de ontvangst van de sollicitatie tot het uiteindelijke inwerken. De KPI moet zo laag mogelijk zijn om ervoor te zorgen dat vacatures sneller worden vervuld.
• ‘Cost per recruit’, de laatste KPI, meet het budget dat wordt besteed aan het werven van elke kandidaat. De interne kosten omvatten bijvoorbeeld het salaris van de recruiter, terwijl de externe kosten bestaan uit advertentiekosten, bureaukosten en kosten voor achtergrondonderzoek. De KPI moet laag zijn om de ROI voor die kandidaat te verhogen. De KPI maakt de verdere budgettering van het wervingsproces ook makkelijker.

Hoewel het onderzoek geen harde cijfers presenteert, laat het ons wel zien hoe bedrijven slim gebruik kunnen maken van HR-gegevens en KPI’s om hun wervingsproces te verbeteren. Het biedt bedrijven als het ware een leidraad voor het opzetten van hun eigen systeem voor het voorspellen van de toetredingsstatus van kandidaten op basis van HR-gegevens.

Hoe ga je hier nu zelf mee aan de slag? Wij leggen het nog eens uit in 4 stappen, op basis van het onderzoek:

1. Jouw data voorbereiden. Dit omvat het opschonen van je dataset door outliers en ontbrekende waarden te verwijderen. Outliers zijn extreme waarden die verschillen van de meeste andere observatiepunten in een dataset.
   
   
2. Verken de data. Je kan dit doen door je opgeschoonde dataset te analyseren met een visueel hulpmiddel om zo belangrijke inzichten te verkrijgen via bijvoorbeeld grafieken of diagrammen.
   
   
3. Ontwikkel modellen. Deze stap focust zich op het Machine Learning Data Modeling door het ontwikkelen van voorspellende modellen met behulp van algoritmes. Machine Learning is een programma dat patronen kan vinden of beslissingen kan nemen op basis van een dataset.
   
   
4. Keuze van best presterende model. Uit de verschillende modellen van de vorige stap kies je het best presterende en deze kan dan ingezet worden om de toetredingsstatus van de kandidaten in realtime te gaan bepalen. Dit doe je door de gegevens van de kandidaten in de visuele interface van het voorspellende model in te voeren.

Oké, zonder een data scientist ga je niet meteen van vandaag op morgen een Machine Learning Data Model ontwikkelen. Maar zelfs met minder geavanceerde analysetechnieken, kan je in een paar stappen al belangrijke inzichten winnen over welk soort kandidaten vaker een contract ondertekenen bij jou en welke factoren hierbij een rol spelen.

Met een paar datapunten zoals "Hoelang duurt het om de kandidaat aan te werven?" en "Hoeveel alternatieve kandidaten hebben we voor dezelfde job?", kan HR-analytics je helpen ontdekken wat het verband is met jouw meest prangende vraag: "Zal de kandidaat mijn aanbod aanvaarden of niet?". Een interessante manier dus om kostbare last-minute terugtrekkingen te verminderen en jouw wervingsstrategieën te optimaliseren.

Wil je het onderzoek graag zelf lezen? Dan kan je het downloaden via deze site.

Wil je nog meer inspiratie over hoe je deze inzichten kunt halen uit jouw eigen organisatie met HR-analytics? Of heb je nog honger naar meer concrete oplossingen om uitdagingen zoals werknemersverloop en -retentie aan te pakken? Contacteer ons dan of schrijf je in op onze gratis tweemaandelijkse nieuwsbrief met tips en trends over HR-analytics.