Applying for jobs online is one of the worst digital experiences of our time. And applying for jobs in person really isn't much better.
Online solliciteren is een van de ergste digitale ervaringen van deze tijd. En persoonlijk solliciteren is eigenlijk niet veel beter.
[The Way We Work]
[Hoe we werken]
Hiring as we know it is broken on many fronts. It's a terrible experience for people. About 75 percent of people who applied to jobs using various methods in the past year said they never heard anything back from the employer. And at the company level it's not much better. 46 percent of people get fired or quit within the first year of starting their jobs. It's pretty mind-blowing. It's also bad for the economy. For the first time in history, we have more open jobs than we have unemployed people, and to me that screams that we have a problem.
Werven gaat tegenwoordig op veel fronten slecht. Men ervaart het als vervelend. Zo'n 75% van de mensen die vorig jaar solliciteerden met verschillende methoden zeiden dat ze nooit iets terughoorden van de werkgever. Op bedrijfsniveau is het niet veel beter. 46% van de mensen wordt ontslagen of neemt ontslag binnen een jaar. Nogal schokkend. En ook slecht voor de economie. Voor het eerst zijn er meer vacatures dan werklozen. Het is me duidelijk dat er een probleem is. Ik geloof dat de crux hiervan een enkel vel papier is: het cv.
I believe that at the crux of all of this is a single piece of paper: the résumé. A résumé definitely has some useful pieces in it: what roles people have had, computer skills, what languages they speak, but what it misses is what they have the potential to do that they might not have had the opportunity to do in the past. And with such a quickly changing economy where jobs are coming online that might require skills that nobody has, if we only look at what someone has done in the past, we're not going to be able to match people to the jobs of the future.
Een cv heeft zeker wat bruikbare onderdelen: eerder vervulde banen, computervaardigheden, welke talen men spreekt, maar er ontbreekt welke potentie men heeft, maar misschien nooit de kans heeft gekregen om te doen. Als we met een snel veranderende economie, waarin banen online komen die vaardigheden vereisen die niemand heeft, en alleen kijken naar wat iemand eerder heeft gedaan, kunnen we geen mensen koppelen aan toekomstige banen.
So this is where I think technology can be really helpful. You've probably seen that algorithms have gotten pretty good at matching people to things, but what if we could use that same technology to actually help us find jobs that we're really well-suited for? But I know what you're thinking. Algorithms picking your next job sounds a little bit scary, but there is one thing that has been shown to be really predictive of someone's future success in a job, and that's what's called a multimeasure test.
Ik denk dat technologie hier heel behulpzaam bij kan zijn. Je hebt waarschijnlijk gemerkt dat algoritmes goed zijn in het koppelen van mensen aan dingen. Als we die technologie nou eens konden gebruiken bij het vinden van banen waar we echt geschikt voor zijn? Ik weet wat je denkt. Algoritmes je nieuwe baan laten kiezen klinkt wat eng, maar er is één ding waarvan is aangetoond om iemands succes in een baan goed te voorspellen en dat is de multimeting-test.
Multimeasure tests really aren't anything new, but they used to be really expensive and required a PhD sitting across from you and answering lots of questions and writing reports. Multimeasure tests are a way to understand someone's inherent traits -- your memory, your attentiveness. What if we could take multimeasure tests and make them scalable and accessible, and provide data to employers about really what the traits are of someone who can make them a good fit for a job?
Multimeting-testen zijn niet echt nieuw, maar ze waren vroeger heel duur, en vereisten een afgestudeerd interviewer en veel vragen en schriftelijke rapporten. Een multimeting-test is een manier om iemands inherente eigenschappen te begrijpen -- je geheugen, je oplettendheid. Als multimeting-testen nou eens schaalbaar en toegankelijk waren, en data leverden aan werkgevers over wat de eigenschappen zijn van iemand die ze een goede kandidaat voor een baan maken?
This all sounds abstract. Let's try one of the games together. You're about to see a flashing circle, and your job is going to be to clap when the circle is red and do nothing when it's green.
Dit alles klinkt abstract. We doen een spelletje. Je ziet zo een knipperende cirkel, en jij moet klappen als de cirkel rood is en niks te doen als hij groen is.
[Ready?]
[Klaar?]
[Begin!]
[Start!]
[Green circle]
[Groene cirkel]
[Green circle]
[Groene cirkel]
[Red circle]
[Rode cirkel]
[Green circle]
[Groene cirkel]
[Red circle]
[Rode cirkel]
Maybe you're the type of person who claps the millisecond after a red circle appears. Or maybe you're the type of person who takes just a little bit longer to be 100 percent sure. Or maybe you clap on green even though you're not supposed to. The cool thing here is that this isn't like a standardized test where some people are employable and some people aren't. Instead it's about understanding the fit between your characteristics and what would make you good a certain job. We found that if you clap late on red and you never clap on the green, you might be high in attentiveness and high in restraint. People in that quadrant tend to be great students, great test-takers, great at project management or accounting. But if you clap immediately on red and sometimes clap on green, that might mean that you're more impulsive and creative, and we've found that top-performing salespeople often embody these traits.
Misschien klap jij een milliseconde nadat de rode cirkel verschijnt. Of misschien ben je iemand die net iets langer nodig heeft om 100% zeker te zijn. Of misschien klap je op groen terwijl dat niet moet. Het leuke is dat dit geen gestandaardiseerde test is waarbij sommigen inzetbaar zijn en anderen niet. Maar het gaat over het begrijpen van het passen van jouw karakter bij wat je goed maakt in een bepaalde baan. Het bleek dat als je laat klapt bij rood en je nooit klapt bij groen, je mogelijk erg oplettend en terughoudend bent. Mensen in dat kwadrant zijn vaak geweldige studenten, goed in examens, goed in projectmanagement of boekhouding. Maar als je direct klapt bij rood en soms bij groen, kan dat betekenen dat je impulsiever en creatiever bent, en we vonden dat topverkopers vaak die eigenschappen bezitten. Dit gebruiken we bij het werven
The way we actually use this in hiring is we have top performers in a role go through neuroscience exercises like this one. Then we develop an algorithm that understands what makes those top performers unique. And then when people apply to the job, we're able to surface the candidates who might be best suited for that job.
door top-presteerders in een baan neurowetenschappelijke oefeningen te geven zoals deze. Dan maken we een algoritme dat begrijpt wat die top-presteerders uniek maakt. En als mensen dan solliciteren, kunnen we de kandidaten identificeren die het meest geschikt zijn voor die baan.
So you might be thinking there's a danger in this. The work world today is not the most diverse and if we're building algorithms based on current top performers, how do we make sure that we're not just perpetuating the biases that already exist? For example, if we were building an algorithm based on top performing CEOs and use the S&P 500 as a training set, you would actually find that you're more likely to hire a white man named John than any woman. And that's the reality of who's in those roles right now. But technology actually poses a really interesting opportunity. We can create algorithms that are more equitable and more fair than human beings have ever been. Every algorithm that we put into production has been pretested to ensure that it doesn't favor any gender or ethnicity. And if there's any population that's being overfavored, we can actually alter the algorithm until that's no longer true. When we focus on the inherent characteristics that can make somebody a good fit for a job, we can transcend racism, classism, sexism, ageism -- even good schoolism.
Je denkt nu misschien dat hier een gevaar in schuilt. Werk is tegenwoordig niet erg divers. Als we algoritmes bouwen gebaseerd op top-presteerders van nu, hoe voorkomen we dan dat we vooroordelen in stand houden die al bestaan? Als we bijvoorbeeld een algoritme bouwen gebaseerd op top-CEO's en de S&P 500 gebruiken als trainingsset, zul je zien dat je eerder een blanke man genaamd John aanneemt dan een vrouw. En dat is de realiteit van wie er nu die banen hebben. Maar technologie biedt een hele interessante kans. We kunnen rechtvaardigere algoritmes maken en eerlijker dan mensen ooit zijn geweest. Elk algoritme dat we in productie nemen, is vooraf getest om te zorgen dat het geen geslacht of etniciteit bevoordeelt. En als er een groep wordt bevoordeeld, kunnen we het algoritme aanpassen totdat dit niet meer zo is. Als we ons richten op inherente eigenschappen die iemand geschikt maken voor een baan, kunnen we discriminatie naar ras, klasse, geslacht, leeftijd -- en zelfs opleiding voorkomen.
Our best technology and algorithms shouldn't just be used for helping us find our next movie binge or new favorite Justin Bieber song. Imagine if we could harness the power of technology to get real guidance on what we should be doing based on who we are at a deeper level.
De beste techniek en algoritmes moet je niet alleen gebruiken om een film of een nieuw Justin Biebernummer te vinden. Stel dat we de kracht van technologie inzetten om ons echt te helpen bij wat we moeten doen op basis van wie we diep vanbinnen zijn.