Es ist nicht verwunderlich, dass KI auf der Liste der gefragtesten Jobskills 2024 ganz oben steht. Das
gilt auch für Recruitingsoftware. Durch den Einsatz von KI lassen sich in der Personaldienstleistung die KPIs Time-To-Fill und Fill-Rate signifikant verbessern. Dabei werden Matching-Prozesse automatisiert und Recruitingabläufe beschleunigt.
In HR-Tech zu arbeiten ist unheimlich spannend, weil sich die Branche, für die wir digitale Lösungen
anbieten, in ständiger Bewegung befindet. Eingehend auf dieses dynamische Umfeld, beobachten wir aufmerksam technologische Innovationsfelder, verfolgen und testen ständig neue Ideen – immer mit der Frage im Kopf, wie wir daraus handfeste Mehrwerte für unsere Kunden und Nutzer generieren können.
Künstliche Intelligenz ist dabei kein neues Schlagwort und seit vielen Jahren ein sehr aktives
Innovationsfeld aber durch die dramatischen Fortschritte gerade im Bereich generativer KI in den
letzten 1-2 Jahren besonders in den Fokus gerückt mit z. T. revolutionären Einsätzen wie der KI-
Mitarbeiterin Mona des compleet-Partners MONA AI, die Recruiting-Teams im Umfang dreier
zusätzlicher Mitarbeiter unterstützt.
So faszinierend diese Entwicklungen sind (und das sind sie!), am Ende bleibt für den Business-Einsatz weniger entscheidend, wie cool es ist, sondern die profane Frage „Was bringt’s jetzt eigentlich und wie können wir es messen?“
Time-To-Fill und Fill-Rate als Erfolgs-KPIs für Personaldienstleister
Zum Kerngeschäft der Personaldienstleister gehören zahlreiche Aktivitäten, Prozesse, Einhaltung von Regularien und dennoch: Der Erfolg bemisst sich sehr wesentlich daran, wie viele Aufträge Sie wie schnell erfüllen können, d. h. wie Sie die Time-To-Fill und die Fill-Rate verbessern können. Das ist alles quantifizierbar und taugt hervorragend als Zielsetzung für den Einsatz digitaler Lösungen und Technologien, die genau daran gemessen werden sollten:
– Kann ich dadurch schneller rekrutieren?
– Kann ich dadurch meine Kandidaten schneller und passender anbieten?
– Kann ich dadurch schneller neue Kunden gewinnen, gerade auch für die Vermittlung
von Kandidaten, die Sie bereits in Ihrem Talent-Pool haben?
Matching: Zueinander bringen, was zueinander passt
Die wiederkehrende Herausforderung im PDL-Markt, wo man sich allerorten mit dem
Zusammenbringen von Angebot und Nachfrage befasst, ist dabei „Matching“ zu betreiben, d. h. zu
verschiedenen Töpfen schnell die jeweils passendsten Deckel zu finden. Für uns als Software-
Anbieter ist es die interessante Herausforderung, diese Arbeit bestmöglich zu digitalisieren,
effektiver und schneller zu gestalten:
– Unterstützung bei der Identifikation passender Kandidaten auf Anzeigen („Anzeigen-
Kandidaten-Matching“)
– Unterstützung bei der Identifikation passender Mitarbeiter und Kandidaten auf
Aufträge („Auftrag-Talent-Matching“)
– Unterstützung bei der Identifikation potenzieller Kunden, die an den bestehenden
Mitarbeitern oder Kandidaten im Pool interessiert sein dürften („Anzeigen-Talent-
Matching“)
Wichtig dabei: Bei der Unterstützung im Matching geht es um Vorschläge, um Empfehlungen, die den User in seiner Arbeit unterstützen sollen, damit er effizienter arbeiten kann. Die tatsächlichen
Entscheidungen bleiben dabei nach unserer festen Überzeugung unverändert in den Händen der
jeweiligen User mit ihrer Fach-Expertise.
Matching-Methodiken: Wie finde ich den passenden Deckel?
Zur Frage, WIE diese Matching-Fragestellungen optimal angegangen werden, gibt es eine Reihe
plausibler Ansätze, um die beiden Seiten miteinander abzugleichen.
- Abgleich ausgewählter harter Fakten: Nur direkt 1:1 nachprüfbare Informationen
werden betrachtet und bei Erfüllung hat man einen positiven Match, sonst nicht. Das
kann sinnig sein für Verfügbarkeiten oder formale Beschränkungen (z. B. Nationalitäts-
Sperren, Vorliegen bestimmter Vorsorge-Untersuchungen). Bereits für
Berufsbezeichnungen und Qualifikationen treten Schwierigkeiten auf, wenn nicht vorher
der Bezug auf einen gemeinsamen Begriff-Katalog geschaffen wurde. Das begrenzt den
möglichen Einsatz dieser Methode.
- Gezielter Such-Abgleich: Finden von einzelnen Stichworten, gerade auch in
automatisiert eingelesenen Texten. Beispiel: Findet sich „Handschweißer“ in den
Vorerfahrungen oder auch einem angehängten Arbeitszeugnis? Für einfache Fälle lassen
sich so bereits solide Ergebnisse erzielen, gleichzeitig bleibt viel Potenzial ungenutzt,
wenn es nicht weiter erschlossen wird.
- Umfassender Abgleich der spezifischen Anforderungen mit den Informationen auf
der Angebotsseite: Dieser Ansatz erfordert eine verlässlich gute Vergleichbarkeit der
Daten auch auf detaillierter Ebene und damit in der Daten-Vorbereitung. Ist das gegeben
oder erreicht, ist auch eine Ergänzung um Gewichtungen und die Angabe einer Eignung
in Prozent sinnig. Üblicherweise ist das aber nicht der Fall bzw. die Struktur der Daten
wechselhaft. Dann ist die Vergleichbarkeit viel weniger gegeben als es scheint.
- Abgleich unter Berücksichtigung von Ähnlichkeiten: Um Vergleichbarkeit zu schaffen,
werden auch strukturierte Ähnlichkeiten (Ontologien) berücksichtigt und Unschärfen in
Texten überwunden. HIER ist KI in der Lage, weit über einfache Datenabgleiche
hinauszugehen und mit erlernten Modellen Abgleiche zu ermöglichen, die ohne diese
Technologien gar nicht möglich wären.
Je nach Verfügbarkeit und dem Grad der Strukturiertheit der Daten, können diese auch in
Kombination verwendet werden.
Fazit
Der Einsatz von KI sollte wie bei anderer Technologie auch hinsichtlich des Nutzens bewertet werden. Für Personaldienstleistung sind hier die wesentlichen KPIs die Time-To-Fill und die Fill-Rate, die sich durch Beschleunigung von Abläufen verbessern lassen. Kann das KI? An vielen Stellen ist das der Fall, gerade bei den vielfältigen Herausforderungen zum Verbinden von Angebot und Nachfrage mittels Matching-Techniken. Damit können Empfehlungen automatisiert gegeben werden, die den Usern schnellere Einschätzungen ermöglichen, ohne die tatsächlichen Entscheidungen aus den Händen der User zu nehmen.
