TeamSketcher

Het Beste Team Voor De Job Is Ergens Daarbuiten
- Laat Machine Learning u helpen het te vinden! -

Tijdens samenwerkingen met onze klanten signaleerden we steeds dezelfde behoefte bij veel bedrijven, ongeacht de business waarin ze actief zijn. Vroeg of laat loopt een toenemend aantal van hen tegen een probleem aan bij het vinden van de juiste persoon om een bepaald (deel van een) project uit te voeren. Of het nu gaat om bedrijfsuitbreiding naar een nieuw land, of om een nieuwe, specifieke expertise die nodig is voor een project, een snelle zakenwereld vereist vaak nieuwe verbindingen in minder bekende domeinen, en snel! Zelfs als alle belangrijke spelers er al zijn, is er vaak nog steeds een probleem hoe ze het beste kunnen worden ingezet, rekening houdend met de tijd en financiële beperkingen. We zien dat het aantal variabelen en hun potentiële combinaties te groot worden om in gedachten te houden bij het nemen van beslissingen. Het kunnen ontwikkelen van een team dat werkt met een hoge effectiviteit en
minimale verspilling van middelen kan een bedrijf maken of breken. Als dit vertrouwd klinkt is deze post voor u. Dit is precies waar Machine Learning u kan helpen!

Binnen Kentivo hebben we een tool ontwikkeld, TeamSketcher, met verschillende functionaliteiten. Van het selecteren van individuen tot het bouwen van complete teams, gebaseerd op informatie die intern (bedrijfsbronnen) of extern (online bronnen) beschikbaar is. Laten we twee voorbeelden bekijken:

Beheer van de Workflow-capaciteit

Voor een kennis gedreven organisatie zijn de belangrijkste middelen de mensen en hun vaardigheden. Machine Learning kan u helpen bij de juiste selectie van individuen en teams voor interdisciplinaire projecten. Niet alleen met het geven van advies over middelen om nieuwe projecten toe te wijzen, maar ook om inzicht te geven in de potentiële impact op andere projecten, wat zeker zal helpen bij het plannen van nieuwe projecten.

 

 

Een internationaal team samenstellen

Het biedt een snelle, interactieve en slimme manier om het bedrijf en zijn medewerkers te presenteren, om een potentiële klant het talent te tonen waarover u beschikt, maar ook om ter plaatse een diepgaand overzicht te geven van wat de mogelijkheden zijn bij het onderhandelen
over toekomstige samenwerkingsverbanden.

 

 

Hoe werkt het?

Een algoritme begint met het verzamelen van belangrijke informatie waar rekening mee moet worden gehouden, zoals geografische ligging, expertise, anciënniteit en eerdere ervaringen. De gebruiker bepaalt welke variabelen van belang zijn. Als het algoritme eenmaal gevoed is met deze voorwaarden, zoekt en filtert het de database door en zorgt ervoor dat alle matches worden gevonden. De eerste output is een lijst van potentiële kandidaten, die vervolgens wordt verfijnd. In dit stadium laat het algoritme een zeer ruime marge over, waardoor de zoekresultaten niet te veel worden beperkt, zodat de gebruiker de ruimte krijgt om de zoekopdracht aan te passen aan de specifieke behoeften voor de uiteindelijke selectie. Dit geeft ook de mogelijkheid de resultaten te zien veranderen als een zoekterm wordt toegevoegd of verwijderd, of als een waarde wordt gewijzigd. Onze klanten zien dit als een zeer waardevol aspect van het proces. De uitkomst van hun eigen mentale zoektocht, die afhankelijk is van persoonlijke kennis en ervaring, wordt vergeleken en vervolgens
gecombineerd met de onpartijdige kennis van het algoritme. Meestal is er een “oh wow, daar heb ik niet aan gedacht” moment.

In de tweede stap geeft de TeamSketcher de mogelijkheid om de individuen te combineren en teams op te bouwen, afhankelijk van relevante criteria. Er kan een onbeperkt aantal vaardigheden worden gekozen, en het algoritme zal er altijd voor zorgen dat het belangrijkste criterium – vindingrijkheid – gerespecteerd wordt. Terwijl mensen de neiging hebben om ten prooi te vallen aan bepaalde cognitieve
misvattingen tijdens het maken van beslissingen – vertrouwdheid, voorrang of verankering, om er maar een paar te noemen – zorgt de samenwerking met Machine Learning ervoor dat er efficiënt een team wordt opgebouwd. Hierdoor wordt verspilling van talent, tijd, geld en moeite geminimaliseerd.

Zoals aangegeven in het begin, zijn de variabelen soms gewoon te groot. Het voordeel van het gebruik van Machine learning is dat het de kracht heeft om verder te kijken dan één enkel project waarvoor het team wordt gebouwd. Het algoritme kan enorme hoeveelheden gegevens en variabelen verwerken en helpen bij het nemen van beslissingen, waardoor over- of onderbezetting kan worden voorkomen. Hierbij wordt zelfs, indien beschikbaar, de informatie over de soft skills, persoonlijke carrièreplannen en motivaties gebruikt, voor een goed afgerond team dat kan samenwerken.