Brainport Eindhoven op het shirt van PSV.

Nederlandse topbedrijven en PSV slaan handen ineen voor Brainport Eindhoven.

Lees meer over deze innovatieve, vernieuwende samenwerking

Gezien bij : ASML

28 september 2019

Gezien bij: ASML

In ‘Gezien bij’ belicht de redactie van deze nieuwsbrief nuttige tools, best practices en ultieme tips rondom het thema aantrekken en behouden van internationaal talent. Aan het woord ditmaal is:

ASML over het gebruik van data voor arbeidsmarktdoeleinden

Mattijs Mol
Global Program 
Manager Recruitment Processes & Insights @ASML 

Kun je heel kort omschrijven wat jij en je team doen?
Verschillende economische, demografische en technologische factoren beïnvloeden en veranderen de arbeidsmarkt. Denk hierbij aan digitalisering en de impact die dat op werk heeft, of aan technologische ontwikkelingen die ervoor zorgen dat potentieel geïnteresseerde kandidaten een andere ervaring verwachten tijdens het solliciteren. Wij houden ons bezig met dit soort vragen. Voorbeelden hiervan zijn: hoe kunnen wij onze processen en activiteiten zo inrichten dat deze aansluiten bij de behoeftes van vandaag en morgen? Data, of eigenlijk de inzichten die data generen, spelen hierin een cruciale rol.

Hoe ga je dan te werk? Waar haal je de data vandaan?
Die data verzamelen we zowel uit interne als uit externe bronnen en kunnen zowel kwantitatief als kwalitatief van aard zijn. In de meeste projecten komen we overigens uit op een mix van zowel interne als externe bronnen: we gebruiken informatie uit LinkedIn uiteraard, maar ook uit onze recruitmentsystemen, uit surveys die wij uitzetten, metastudies en arbeidsmarktinformatie vanuit de overheden, de Europese Unie en het Amerikaanse US Bureau of Labor Statistics. Ook werken we nauw samen met een aantal startups en scaleups die ons aan interessante inzichten kunnen helpen.

Hoe knoop je die data aan elkaar?
Hier is geen universeel recept voor maar dat maakt het juist elke keer weer een fascinerende puzzel om tot de juiste inzichten te komen. Ik heb gelukkig een aantal professionals om mij heen die een mix aan expertise en ervaring meebrengen op het gebied van HR en data-analyse technieken als Python en R. Dat werkt fijn samen. Zij hebben vaak een achtergrond in of stevige passie voor Data Science, informatietechnologie of statistiek. Met mijn achtergrond als bedrijfskundige ben ik eerlijk gezegd de enige “alpha” in het team.

Vaak voeren wij onze analyses uit vanuit een bepaalde methodologie, waarbij we sturen op een duidelijke, kwantificeerbare onderzoeksvraag en naar een bepaald besluit. Wij kunnen met onze data nooit met 100% zekerheid een voorspelling afgeven, maar wij kunnen er wel voor zorgen dat er met de juiste inzichten er goede besluitvorming tot stand komt. Dat zorgt er vervolgens weer voor dat de kans op een goede, juiste of gewenste uitkomst veel groter wordt.

Wat hierbij cruciaal is, is een goed onderbouwd verhaal richting je stakeholders. Data is uiteindelijk de aandrijver en niet de verlosser. Goede inzichten laten duidelijk zien waarom iets anders moet en dat het nodig is om andere, vernieuwende acties te ondernemen om bepaalde tekorten aan schaarse mensen en competenties aan te pakken en alternatieve oplossingen te bedenken. Als je ze goed presenteert, openen data deuren en kun je direct impact creëren. Dan zijn mensen bereid actie te ondernemen en dat is gaaf!

Heb je concrete voorbeelden van alternatieve oplossingen of koerswijzigingen die zijn ingezet door jullie analyses?
Een voorbeeld is dat we interne en externe data hebben gebruikt om de organisatie te voeden met inzichten die hen helpen de juiste koers te varen rondom ‘workforce’. De business geeft bijvoorbeeld aan: ‘we hebben 250 medewerkers nodig met dit specifieke profiel.’ Wij onderzoeken vervolgens in hoeverre dat realistisch is. De vragen die wij hier stellen liggen eigenlijk voor de hand, maar de antwoorden zijn vaak verrassend. Voorbeelden van vragen zijn: ‘Wat is er beschikbaar?’, ‘Waar zitten ze?’, ‘Met wie concurreer je tijdens het werven?’ en ‘Wat is de wervingsdruk op een bepaalde doelgroep?’. We bekijken dan in co-creatie met de business en de recruitment teams wat de beste aanpak is. Als we tot de conclusie komen dat ze er simpelweg niet zijn, zou een oplossing kunnen zijn de werkzaamheden anders te faseren en te prioriteren. Een andere optie zou kunnen zijn dat je kijkt naar de competenties die we al in huis hebben en waar we eventueel kunt bijscholen. Alles draait bij zo’n proces om co-creatie tussen afdelingen. Je moet het samen doen. Een ander mooi voorbeeld van interne co-creatie is het onboardingsprogramma waarvoor Suzanne Keulen verantwoordelijk is. Daarbij brengen we aan de hand van data in kaart wat medewerkers nodig hebben op verschillende momenten in hun journey. Zo kunnen wij inzichten genereren die Suzanne en haar team kunnen gebruiken in het optimaliseren van hun project portfolio.

ASML is een groot bedrijf met aanzienlijke hoeveelheden data en de capaciteit om die te analyseren. Is arbeidsmarktintelligentie ook bereikbaar voor het midden- en kleinbedrijf? En wat zou je hen adviseren?
Mijn persoonlijke adagium luidt: ‘if you do what you did, you get what you got.’ Met andere woorden, als je een andere uitkomst wil dan zul je wellicht ook iets anders moeten doen om dat voor elkaar te krijgen. ASML is inderdaad een groot bedrijf. Desalniettemin krijgen we met relatief beperkte middelen heel veel voor elkaar. Natuurlijk beschikken wij over grote hoeveelheden data die kleinere bedrijven niet hebben, maar heel veel van de bronnen die we gebruiken zijn publiek en voor iedereen toegankelijk. Dat hoeft niet heel exotisch te zijn. Wanneer er iemand in jouw organisatie vertrekt, biedt dat een unieke kans om kritisch te kijken naar het werk en de taken die iemand achterlaat. Je zou jezelf dan de vraag moeten stellen: ‘Wil ik die positie met eenzelfde profiel invullen?’. Misschien is het wel een kans om net een andere koers in te zetten. Daarnaast is er ongetwijfeld al iemand met een oplossing voor het probleem wat jij hebt. De datatechnieken die wij nu in ons team gebruiken, zoals bijvoorbeeld process mining, zijn helemaal niet nieuw. Wij passen het alleen toe binnen een ander vakgebied, maar innovatie is voor mij in de kern niet meer dan het slim toepassen of combineren van verschillende gebruiken of activiteiten uit andere omgevingen. Het komt er simpelweg op neer dat als je een andere uitkomst wilt, je andere dingen zult moeten doen. Wij zitten in zo’n fascinerende tijd, wat vandaag trending is, is morgen achterhaald en niet meer relevant. Dus slim, creatief nadenken en met andere oplossingen komen en pionieren, daar gaat het om.