DNB: loonaandeel gedaald door flexibilisering arbeidsmarkt Geplaatst 1 februari 2018 door Hinke Wever Uit een analyse van gegevens van acht Nederlandse bedrijfstakken over de periode 1996-2015 blijkt dat de daling van de arbeidsinkomensquote (AIQ) samenhangt met de toegenomen flexibilisering van de arbeidsmarkt. Dat meldt De Nederlandsche Bank (DNB). Een mogelijke verklaring hiervan is de zwakkere onderhandelingspositie van werkenden in de flexibele schil ten opzichte van werknemers met een vast dienstverband. De laatste jaren staat de wereldwijde daling van de arbeidsinkomensquote (AIQ) volop in de belangstelling van beleidsmakers en academici. De meeste aandacht gaat daarbij uit naar de mechanismen die ten grondslag liggen aan deze trend. Geconcludeerd wordt dat de daling van de AIQ in geavanceerde economieën onder meer gedreven wordt door ontwikkelingen als globalisering en technologische vooruitgang. Een factor die in de internationale discussie onderbelicht is gebleven, maar wel degelijk van belang lijkt te zijn in de Nederlandse context, is de flexibilisering van de arbeidsmarkt. De groei van de flexibele schil, bestaande uit werknemers met een flexibel arbeidscontract en zelfstandigen zonder personeel (zzp’ers), is in Nederland sterker dan elders in Europa. Ontwikkeling van arbeidsinkomensquote en flexibele schil (1996-2015) Verschil in niveau tussen 2015 en 1996; %-punt Flexibilisering arbeidsmarkt drijfveer achter daling arbeidsinkomensquote Een zwakkere onderhandelingspositie van werkenden in de flexibele schil is de voornaamste reden dat toenemende flexibilisering van de arbeidsmarkt gepaard kan gaan met neerwaartse druk op de AIQ. Uit de literatuur blijkt dat deze zwakkere onderhandelingspositie onder andere voortvloeit uit overheidsbeleid. Zo zijn de ontslagkosten van werknemers met een vast dienstverband hoger dan dat van werkenden in de flexibele schil. De baanzekerheid van werkenden in de flexibele schil is daardoor lager, wat ertoe kan leiden dat deze groep minder sterk staat in onderhandelingen over hun beloning. Daarnaast is de onderhandelingspositie van werkenden in de flexibele schil zwakker vanwege de lagere organisatiegraad van deze groep. Tussen 1995 en 2011 was gemiddeld 10% van de werknemers met een flexibel dienstverband aangesloten bij een vakbond, terwijl dit percentage ruim twee keer zo hoog lag voor werknemers met een vast dienstverband (24%). Tegelijkertijd ondermijnt de groei van de flexibele schil de onderhandelingspositie van werknemers met een vast dienstverband. Deze groep moet immers concurreren met werkenden in de flexibele schil, die over het algemeen goedkoper zijn en makkelijker zijn te ontslaan als gevolg van juridische en fiscale verschillen. Zo heeft het Ministerie van Financiën becijferd dat zzp’ers met een minimumloon tot 40% goedkoper zijn dan werknemers. Lees meer Bron: DNB Bulletin, 1 februari 2018 Geplaatst in Nieuws | Tags DNB, flexibilisering arbeidsmarkt | Reacties uitgeschakeld voor DNB: loonaandeel gedaald door flexibilisering arbeidsmarkt
Failliet: Hoegen Detachering te Rotterdam Geplaatst 1 februari 2018 door Hinke Wever 1 februari 2018 Hoegen Detachering B.V. te Rotterdam (KvK: 24444749) is op 30 januari 2018 door de rechter failliet verklaard. Bron: Faillissementen.com, 31 januari 2018 Geplaatst in Bedrijfsnieuws | Tags arbeidsbemiddeling, faillissement, FlexNieuws, Hoegen Detachering | Reacties uitgeschakeld voor Failliet: Hoegen Detachering te Rotterdam
Zorgincidenten door gebrek aan kennis uitzendkrachten Geplaatst 1 februari 2018 door Redactie FlexNieuws Volgens de Inspectie Gezondheidszorg en Jeugd (IGJ) hebben uitzendkrachten in de zorg soms te weinig kennis en ervaring met de te verrichten handelingen. Hierdoor ontstaan regelmatig calamiteiten. Vallen en tillen Val- of tilincidenten zijn de meest voorkomende calamiteiten in de thuiszorg en in verpleeghuizen. Dat blijkt uit het IGJ-rapport In openheid leren van meldingen. Dossiers lezen De Inspectie stelt vast dat zorgverleners niet altijd alle werkafspraken nakomen die het risico op vallen verminderen. Er is regelmatig geen tijd om de cliëntdossiers te lezen. Bovendien is een deel van de zorgverleners niet gewend om vaaak dossiers te lezen. Voldoende deskundig personeel Ook medicatiefouten en missers in de dagelijkse zorgverlening komen relatief vaak voor in de ouderenzorg. De Inspectie benadrukt dat zorgaanbieders moeten zorgen voor voldoende en deskundig personeel. In totaal werden er in 2016 584 verplichte meldingen gedaan door zorgaanbieders in de verpleeghuiszorg en thuiszorg, waarvan 500 calamiteiten. In H1 2017 waren er 281 verplichte meldingen, waarvan 207 calamiteiten. Bron: IGJ, 31 januari 2018 Geplaatst in Bedrijfsnieuws | Tags IGJ, Inspectie Gezondheidszorg en Jeugd, Thuiszorg, verpleeghuizen, VVT | Reacties uitgeschakeld voor Zorgincidenten door gebrek aan kennis uitzendkrachten
Michael van Zanten Recruitment Manager AnylinQ Geplaatst 1 februari 2018 door Redactie FlexNieuws AnylinQ Group, IT-kennispartner en specialist op het gebied van dataoplossingen, stelt Michael van Zanten aan als Corporate Recruitment Manager. Hiervoor was Van Zanten directeur-eigenaar van een recruitmentbureau. De afgelopen tien jaar werkte hij in de IT-infrastructuurbranche. Van Zanten deed in het verleden regelmatig zaken met TenICT, dat vorig jaar werd overgenomen door AnylinQ. Recruitmentsysteem Van Zanten zal het recruitmentproces verder professionaliseren, onder andere via de implementatie van een recruitmentsysteem en door het in kaart brengen en managen van de beleving van de kandidaat. Van Zanten rapporteert aan CEO Dennis Kuipers. Beleving “Recruitment heeft betrekking op alle lagen van de organisatie. De beleving van de kandidaat met het bedrijf moet kloppen en helemaal in lijn zijn. Daarom zal ik ook nauw samenwerken met de afdelingen sales en marketing”, zegt Van Zanten over zijn nieuwe functie. Bron: Persbericht AnylinQ, 1 februari 2018 Geplaatst in Bedrijfsnieuws | Tags Michael van Zanten, recruitmentsoftware, TenICT | Reacties uitgeschakeld voor Michael van Zanten Recruitment Manager AnylinQ
Machine learning toegepast in online assessments Geplaatst 1 februari 2018 door Gastblogger Machine learning toegepast in online assessments Je hoort er vaak iets over, machine learning, maar wat is het eigenlijk? Machine learning is een wetenschappelijke methode waarbij je software algoritmes ontwikkelt die leren van structuren in data. Door nieuwe data aan het algoritme toe te voegen blijft de software leren, ofwel nieuwe patronen ontdekken. Op basis van deze data geeft het algoritme voorspellingen over toekomstige gevallen. Veel applicaties die je dagelijks gebruikt, maken zonder dat je het door hebt, al gebruik van deze technieken. Denk bijvoorbeeld aan Netflix die een serie aanbeveelt op basis van jouw voorkeuren. Online assessments Maarten van der Schrieck is verantwoordelijk voor machine learning bij MatchQ, leverancier van online assessments. Zij maken gebruik van machine learning modellen achter hun assessments om te voorspellen of een kandidaat (niet) succesvol gaat zijn in een functie. Door middel van kunstmatige intelligentie voert de software een deel van het selectieproces uit, en voorkom je dat beslissingen van een recruiter uitsluitend op gevoel genomen worden. “Eerst laten wij de kandidaat online een test uitvoeren op het gebied van gedragsvoorkeuren, vaardigheden en/of capaciteiten,” zegt Maarten.” Uit deze testen komt een hoop data. Op basis van deze data willen wij voorspellen of de kandidaat geschikt is voor de functie of niet. Geschikt kan betekenen voor de functie, maar geschikt kan ook betekenen; past deze kandidaat binnen de cultuur van het bedrijf? Uiteindelijk maakt ons algoritme een ja of nee-beslissing.” Rommel erin is rommel eruit “Als input voor de data gebruiken wij de resultaten van de assessments. Hierbij moet je wel opletten voor het zogenaamde overfitting. Hiermee wordt bedoeld dat het model de data eigenlijk te nauw volgt. Stel je hebt een bedrijf waar 4 werknemers werkzaam zijn, de helft heeft een grote schoenmaat en de andere helft een kleine. Stel dat uit onderzoek in dit bedrijf is gebleken dat alleen de mensen met grote schoenmaat goed presteren. Als je dit als input gebruikt, kan je dus beweren dat je aan de hand van iemand zijn schoenmaat 100% zeker de prestaties kan voorspellen. Dat klopt ook, binnen die groep mensen, maar dat zegt natuurlijk helemaal niks over nieuwe kandidaten die binnenkomen. Uiteindelijk geldt voor machine learning ook, rommel erin is rommel eruit. Om overfitting tegen te gaan moeten we dus veel data hebben, en die data moet bovendien relevant zijn. Wij moeten ook weten op welke kpi’s de klant zijn werknemers beoordeelt. Je kan als manager van een callcenter wel zeggen dat je de meest klantvriendelijke werknemers wilt, maar als je deze werknemers uiteindelijk beoordeelt op de afhandeltijd van een klacht, gaan wij voorspellingen maken die voor dat bedrijf niet werken.” Prestaties meten “Nadat de KPI’s duidelijk zijn vastgesteld gaan we de prestaties meten van de aangenomen kandidaten. Een van de belangrijkste vragen is bijvoorbeeld; werkt deze kandidaat er nog na drie maanden? Zo niet, waarom niet? Dat is belangrijke data om het algoritme steeds beter te maken. Deze data komt meestal uit de bestaande systemen van de klant. Uiteindelijk wil je dat het algoritme een onderscheid maakt tussen de goede en slechte kandidaten. Vooral bij vacatures waar veel mensen geplaatst moeten worden, ben je niet alleen op zoek naar de beste kandidaat, maar wil je vooral geen tijd verliezen aan kandidaten die het niet gaan halen. Voor bepaalde opdrachten in de assessments heb je helemaal geen machine learning nodig om een voorspelling te doen. Van een kandidaat in een administratieve functie wordt bijvoorbeeld een minimum tiksnelheid van 200 aanslagen per minuut gevraagd. Daarnaast moet de kandidaat laten zien dat hij over basis computervaardigheden beschikt. Mocht de kandidaat dit niet kunnen, dan valt deze sowieso al af voor die functie.” Werkgedrag “MatchQ richt zich onder andere op het werkgedrag van de kandidaat. Wij meten niet de persoonlijkheid van de kandidaat, maar het voorkeursgedrag. De praktijk wijst uit dat mensen niet worden beoordeeld op wie ze zijn, maar op wat ze doen, als ze aan het werk zijn. De baas is met name geïnteresseerd in het gedrag. Door aan verschillende parameters van het model te tweaken krijgen we uiteindelijk een algoritme dat zeer goed kan voorspellen, en zo kunnen wij het vroege verloop bij een bedrijf drastisch verlagen. Algoritmes stappen nooit met het verkeerde been uit bed, maar beoordelen dezelfde input altijd op dezelfde manier. Dit leidt tot hele consistente beoordelingen, en dit maakt algoritmes betere voorspellers dan de onderbuik. Daarnaast is het bij vacatures waar duizenden sollicitanten op solliciteren veel efficiënter om het preselectie proces te automatiseren.’’ Dion Metz Techwatcher, werkzaam bij SharpMinds Zie ook: MatchQ meet succesvol werkgedrag voor selectie medewerkers Machine learning Wat is machine learning? Ontwikkelingen in kunstmatige intelligentie (AI) en machine learning Geplaatst in AI, Branchenieuws, In de cloud | Tags AI, assessments, machine learning, MatchQ, recruitment, software | Reacties uitgeschakeld voor Machine learning toegepast in online assessments
