The Way We Work
Priyanka Jain: How to make applying for jobs less painful
Priyanka Jain: Hoe solliciteren minder pijnlijk wordt
Filmed:
Readability: 4.3
548,985 views
Een baan vinden begon altijd met het sturen van je cv voor een miljoen vacatures en waarop je in de meeste gevallen nooit een reactie kreeg. Steeds meer bedrijven gebruiken echter technisch geavanceerde methodes om sollicitanten te identificeren. Als AI (kunstmatige intelligentie) de toekomst is voor werving, wat betekent dat dan voor jou? Technoloog Priyanka Jain biedt een kijkje in dit nieuwe wervingslandschap.
Priyanka Jain - Technologist
Priyanka Jain heads up product for pymetrics, an NYC-based startup that uses neuroscience and AI to make hiring more diverse and effective. Full bio
Priyanka Jain heads up product for pymetrics, an NYC-based startup that uses neuroscience and AI to make hiring more diverse and effective. Full bio
Double-click the English transcript below to play the video.
Online solliciteren
00:00
Applying for jobs online
0
548
1416
is een van de ergste
digitale ervaringen van deze tijd.
digitale ervaringen van deze tijd.
00:01
is one of the worst
digital experiences of our time.
digital experiences of our time.
1
1988
2616
En persoonlijk solliciteren
is eigenlijk niet veel beter.
is eigenlijk niet veel beter.
00:04
And applying for jobs in person
really isn't much better.
really isn't much better.
2
4628
2696
00:07
[The Way We Work]
3
7349
1720
[Hoe we werken]
Werven gaat tegenwoordig
op veel fronten slecht.
op veel fronten slecht.
00:11
Hiring as we know it
is broken on many fronts.
is broken on many fronts.
4
11588
2456
Men ervaart het als vervelend.
00:14
It's a terrible experience for people.
5
14068
1856
Zo'n 75% van de mensen
00:15
About 75 percent of people
6
15948
1816
die vorig jaar solliciteerden
met verschillende methoden
met verschillende methoden
00:17
who applied to jobs
using various methods in the past year
using various methods in the past year
7
17788
2856
zeiden dat ze nooit iets
terughoorden van de werkgever.
terughoorden van de werkgever.
00:20
said they never heard anything back
from the employer.
from the employer.
8
20668
2656
Op bedrijfsniveau is het niet veel beter.
00:23
And at the company level
it's not much better.
it's not much better.
9
23348
2176
46% van de mensen
wordt ontslagen of neemt ontslag
wordt ontslagen of neemt ontslag
00:25
46 percent of people get fired or quit
10
25548
2776
binnen een jaar.
00:28
within the first year
of starting their jobs.
of starting their jobs.
11
28348
2176
Nogal schokkend.
00:30
It's pretty mind-blowing.
12
30548
1216
En ook slecht voor de economie.
00:31
It's also bad for the economy.
13
31788
1456
Voor het eerst zijn er
meer vacatures dan werklozen.
meer vacatures dan werklozen.
00:33
For the first time in history,
14
33268
1456
00:34
we have more open jobs
than we have unemployed people,
than we have unemployed people,
15
34748
2856
Het is me duidelijk
dat er een probleem is.
dat er een probleem is.
00:37
and to me that screams
that we have a problem.
that we have a problem.
16
37628
2176
Ik geloof dat de crux hiervan
een enkel vel papier is: het cv.
een enkel vel papier is: het cv.
00:39
I believe that at the crux of all of this
is a single piece of paper: the résumé.
is a single piece of paper: the résumé.
17
39828
3976
Een cv heeft zeker
wat bruikbare onderdelen:
wat bruikbare onderdelen:
00:43
A résumé definitely has
some useful pieces in it:
some useful pieces in it:
18
43828
2336
eerder vervulde banen,
computervaardigheden,
computervaardigheden,
00:46
what roles people have had,
computer skills,
computer skills,
19
46188
2096
welke talen men spreekt,
00:48
what languages they speak,
20
48308
1256
maar er ontbreekt
welke potentie men heeft,
welke potentie men heeft,
00:49
but what it misses is
what they have the potential to do
what they have the potential to do
21
49588
3056
maar misschien nooit de kans
heeft gekregen om te doen.
heeft gekregen om te doen.
00:52
that they might not have had
the opportunity to do in the past.
the opportunity to do in the past.
22
52668
2976
Als we met een snel veranderende economie,
waarin banen online komen
waarin banen online komen
00:55
And with such a quickly changing economy
where jobs are coming online
where jobs are coming online
23
55668
3256
die vaardigheden vereisen
die niemand heeft,
die niemand heeft,
00:58
that might require skills that nobody has,
24
58948
2056
en alleen kijken naar wat iemand
eerder heeft gedaan,
eerder heeft gedaan,
01:01
if we only look at what someone
has done in the past,
has done in the past,
25
61028
2776
kunnen we geen mensen koppelen
aan toekomstige banen.
aan toekomstige banen.
01:03
we're not going to be able
to match people to the jobs of the future.
to match people to the jobs of the future.
26
63828
3256
Ik denk dat technologie
hier heel behulpzaam bij kan zijn.
hier heel behulpzaam bij kan zijn.
01:07
So this is where I think technology
can be really helpful.
can be really helpful.
27
67108
2736
Je hebt waarschijnlijk gemerkt
dat algoritmes goed zijn
dat algoritmes goed zijn
01:09
You've probably seen
that algorithms have gotten pretty good
that algorithms have gotten pretty good
28
69868
2856
in het koppelen van mensen aan dingen.
01:12
at matching people to things,
29
72748
1536
Als we die technologie
nou eens konden gebruiken
nou eens konden gebruiken
01:14
but what if we could use
that same technology
that same technology
30
74308
2256
bij het vinden van banen
waar we echt geschikt voor zijn?
waar we echt geschikt voor zijn?
01:16
to actually help us find jobs
that we're really well-suited for?
that we're really well-suited for?
31
76588
3096
Ik weet wat je denkt.
01:19
But I know what you're thinking.
32
79708
1576
Algoritmes je nieuwe baan laten
kiezen klinkt wat eng,
kiezen klinkt wat eng,
01:21
Algorithms picking your next job
sounds a little bit scary,
sounds a little bit scary,
33
81308
2776
maar er is één ding waarvan is aangetoond
01:24
but there is one thing that has been shown
34
84108
2056
om iemands succes
in een baan goed te voorspellen
in een baan goed te voorspellen
01:26
to be really predictive
of someone's future success in a job,
of someone's future success in a job,
35
86188
2896
en dat is de multimeting-test.
01:29
and that's what's called
a multimeasure test.
a multimeasure test.
36
89108
2136
Multimeting-testen zijn niet echt nieuw,
01:31
Multimeasure tests
really aren't anything new,
really aren't anything new,
37
91268
2176
maar ze waren vroeger heel duur,
01:33
but they used to be really expensive
38
93468
1736
en vereisten een afgestudeerd interviewer
01:35
and required a PhD sitting across from you
39
95228
2016
en veel vragen en schriftelijke rapporten.
01:37
and answering lots of questions
and writing reports.
and writing reports.
40
97268
2456
Een multimeting-test is een manier
01:39
Multimeasure tests are a way
41
99748
1696
om iemands inherente
eigenschappen te begrijpen --
eigenschappen te begrijpen --
01:41
to understand someone's inherent traits --
42
101468
2456
je geheugen, je oplettendheid.
01:43
your memory, your attentiveness.
43
103948
1776
Als multimeting-testen nou eens
schaalbaar en toegankelijk waren,
schaalbaar en toegankelijk waren,
01:46
What if we could take multimeasure tests
44
106662
1942
01:48
and make them scalable and accessible,
45
108628
2536
en data leverden aan werkgevers
over wat de eigenschappen zijn
over wat de eigenschappen zijn
01:51
and provide data to employers
about really what the traits are
about really what the traits are
46
111188
3376
van iemand die ze een goede kandidaat
voor een baan maken?
voor een baan maken?
01:54
of someone who can make
them a good fit for a job?
them a good fit for a job?
47
114588
2896
Dit alles klinkt abstract.
01:57
This all sounds abstract.
48
117508
1296
We doen een spelletje.
01:58
Let's try one of the games together.
49
118828
1735
Je ziet zo een knipperende cirkel,
02:00
You're about to see a flashing circle,
50
120587
1857
en jij moet klappen als de cirkel rood is
02:02
and your job is going to be
to clap when the circle is red
to clap when the circle is red
51
122468
2960
en niks te doen als hij groen is.
02:06
and do nothing when it's green.
52
126285
1496
02:07
[Ready?]
53
127806
1376
[Klaar?]
[Start!]
02:09
[Begin!]
54
129207
1360
[Groene cirkel]
02:11
[Green circle]
55
131708
1000
[Groene cirkel]
02:13
[Green circle]
56
133708
1040
[Rode cirkel]
02:15
[Red circle]
57
135708
1000
[Groene cirkel]
02:17
[Green circle]
58
137708
1080
[Rode cirkel]
02:19
[Red circle]
59
139708
1000
Misschien klap jij een milliseconde
nadat de rode cirkel verschijnt.
nadat de rode cirkel verschijnt.
02:21
Maybe you're the type of person
60
141928
1596
02:23
who claps the millisecond
after a red circle appears.
after a red circle appears.
61
143548
2496
Of misschien ben je iemand
02:26
Or maybe you're the type of person
62
146068
1656
die net iets langer nodig heeft
om 100% zeker te zijn.
om 100% zeker te zijn.
02:27
who takes just a little bit longer
to be 100 percent sure.
to be 100 percent sure.
63
147748
2735
Of misschien klap je op groen
terwijl dat niet moet.
terwijl dat niet moet.
02:30
Or maybe you clap on green
even though you're not supposed to.
even though you're not supposed to.
64
150508
2936
Het leuke is dat dit geen
gestandaardiseerde test is
gestandaardiseerde test is
02:33
The cool thing here is that
this isn't like a standardized test
this isn't like a standardized test
65
153468
2976
waarbij sommigen inzetbaar zijn
en anderen niet.
en anderen niet.
02:36
where some people are employable
and some people aren't.
and some people aren't.
66
156468
2656
Maar het gaat over het begrijpen
van het passen van jouw karakter
van het passen van jouw karakter
02:39
Instead it's about understanding
the fit between your characteristics
the fit between your characteristics
67
159148
3256
bij wat je goed maakt
in een bepaalde baan.
in een bepaalde baan.
02:42
and what would make you
good a certain job.
good a certain job.
68
162428
2016
Het bleek dat als je laat klapt bij rood
en je nooit klapt bij groen,
en je nooit klapt bij groen,
02:44
We found that if you clap late on red
and you never clap on the green,
and you never clap on the green,
69
164468
3736
je mogelijk erg oplettend
en terughoudend bent.
en terughoudend bent.
02:48
you might be high in attentiveness
and high in restraint.
and high in restraint.
70
168228
3176
Mensen in dat kwadrant zijn vaak
geweldige studenten, goed in examens,
geweldige studenten, goed in examens,
02:51
People in that quadrant tend to be
great students, great test-takers,
great students, great test-takers,
71
171428
3576
goed in projectmanagement of boekhouding.
02:55
great at project management or accounting.
72
175028
2136
Maar als je direct klapt bij rood
en soms bij groen,
en soms bij groen,
02:57
But if you clap immediately on red
and sometimes clap on green,
and sometimes clap on green,
73
177188
3336
kan dat betekenen dat je
impulsiever en creatiever bent,
impulsiever en creatiever bent,
03:00
that might mean that
you're more impulsive and creative,
you're more impulsive and creative,
74
180548
2656
en we vonden dat topverkopers
vaak die eigenschappen bezitten.
vaak die eigenschappen bezitten.
03:03
and we've found that top-performing
salespeople often embody these traits.
salespeople often embody these traits.
75
183228
3875
Dit gebruiken we bij het werven
03:07
The way we actually use this in hiring
76
187128
2016
door top-presteerders in een baan
neurowetenschappelijke oefeningen te geven
neurowetenschappelijke oefeningen te geven
03:09
is we have top performers in a role
go through neuroscience exercises
go through neuroscience exercises
77
189168
3696
zoals deze.
03:12
like this one.
78
192888
1216
Dan maken we een algoritme
03:14
Then we develop an algorithm
79
194128
1376
dat begrijpt wat die
top-presteerders uniek maakt.
top-presteerders uniek maakt.
03:15
that understands what makes
those top performers unique.
those top performers unique.
80
195528
2656
En als mensen dan solliciteren,
03:18
And then when people apply to the job,
81
198208
1936
kunnen we de kandidaten identificeren
die het meest geschikt zijn voor die baan.
die het meest geschikt zijn voor die baan.
03:20
we're able to surface the candidates
who might be best suited for that job.
who might be best suited for that job.
82
200168
4136
Je denkt nu misschien
dat hier een gevaar in schuilt.
dat hier een gevaar in schuilt.
03:24
So you might be thinking
there's a danger in this.
there's a danger in this.
83
204328
2376
Werk is tegenwoordig niet erg divers.
03:26
The work world today
is not the most diverse
is not the most diverse
84
206728
2136
Als we algoritmes bouwen
gebaseerd op top-presteerders van nu,
gebaseerd op top-presteerders van nu,
03:28
and if we're building algorithms
based on current top performers,
based on current top performers,
85
208888
3096
hoe voorkomen we dan
dat we vooroordelen in stand houden
dat we vooroordelen in stand houden
03:32
how do we make sure
86
212008
1216
03:33
that we're not just perpetuating
the biases that already exist?
the biases that already exist?
87
213248
2976
die al bestaan?
Als we bijvoorbeeld een algoritme bouwen
gebaseerd op top-CEO's
gebaseerd op top-CEO's
03:36
For example, if we were building
an algorithm based on top performing CEOs
an algorithm based on top performing CEOs
88
216248
4056
en de S&P 500 gebruiken als trainingsset,
03:40
and use the S&P 500 as a training set,
89
220328
3216
zul je zien dat je eerder
03:43
you would actually find
90
223568
1256
03:44
that you're more likely to hire
a white man named John than any woman.
a white man named John than any woman.
91
224848
3816
een blanke man genaamd John
aanneemt dan een vrouw.
aanneemt dan een vrouw.
En dat is de realiteit
van wie er nu die banen hebben.
van wie er nu die banen hebben.
03:48
And that's the reality
of who's in those roles right now.
of who's in those roles right now.
92
228688
2696
Maar technologie biedt
een hele interessante kans.
een hele interessante kans.
03:51
But technology actually poses
a really interesting opportunity.
a really interesting opportunity.
93
231408
3376
We kunnen rechtvaardigere algoritmes maken
03:54
We can create algorithms
that are more equitable
that are more equitable
94
234808
2256
en eerlijker dan mensen ooit zijn geweest.
03:57
and more fair than human beings
have ever been.
have ever been.
95
237088
2256
Elk algoritme dat we in productie nemen,
03:59
Every algorithm that we put
into production has been pretested
into production has been pretested
96
239368
3696
is vooraf getest om te zorgen
04:03
to ensure that it doesn't favor
any gender or ethnicity.
any gender or ethnicity.
97
243088
3096
dat het geen geslacht
of etniciteit bevoordeelt.
of etniciteit bevoordeelt.
En als er een groep wordt bevoordeeld,
04:06
And if there's any population
that's being overfavored,
that's being overfavored,
98
246208
2736
kunnen we het algoritme aanpassen
totdat dit niet meer zo is.
totdat dit niet meer zo is.
04:08
we can actually alter the algorithm
until that's no longer true.
until that's no longer true.
99
248968
3120
Als we ons richten
op inherente eigenschappen
op inherente eigenschappen
04:12
When we focus on the inherent
characteristics
characteristics
100
252448
2216
04:14
that can make somebody
a good fit for a job,
a good fit for a job,
101
254688
2096
die iemand geschikt maken voor een baan,
kunnen we discriminatie
naar ras, klasse, geslacht, leeftijd --
naar ras, klasse, geslacht, leeftijd --
04:16
we can transcend racism,
classism, sexism, ageism --
classism, sexism, ageism --
102
256808
3576
en zelfs opleiding voorkomen.
04:20
even good schoolism.
103
260408
1416
De beste techniek en algoritmes
moet je niet alleen gebruiken
moet je niet alleen gebruiken
04:21
Our best technology and algorithms
shouldn't just be used
shouldn't just be used
104
261848
2896
om een film of een nieuw
Justin Biebernummer te vinden.
Justin Biebernummer te vinden.
04:24
for helping us find our next movie binge
or new favorite Justin Bieber song.
or new favorite Justin Bieber song.
105
264768
3736
Stel dat we de kracht
van technologie inzetten
van technologie inzetten
04:28
Imagine if we could harness
the power of technology
the power of technology
106
268528
2656
om ons echt te helpen
bij wat we moeten doen
bij wat we moeten doen
04:31
to get real guidance
on what we should be doing
on what we should be doing
107
271208
2296
op basis van wie we diep vanbinnen zijn.
04:33
based on who we are at a deeper level.
108
273528
1936
Translated by Dick Stada
ABOUT THE SPEAKER
Priyanka Jain - TechnologistPriyanka Jain heads up product for pymetrics, an NYC-based startup that uses neuroscience and AI to make hiring more diverse and effective.
Why you should listen
Passionate about using technology to create a fairer workplace and global economy, Priyanka Jain is a spokesperson for the United Nations Foundation's Girl Up Campaign, Chair of the Acumen Fund's Junior Council and on the Innovation Board for the XPrize Foundation. She received her B.S. from Stanford University, where she was President of Stanford Women in Business and one of 12 Mayfield Entrepreneurship Fellows. Her previous experience includes internships at IBM Watson, Shift Technologies, Canvas Ventures and the Institute for Learning and Brain Sciences. Outside of work, she loves playing tennis and eating anything covered in dark chocolate.
Priyanka Jain | Speaker | TED.com