Josh Brenner, CEO av Hired – Intervju-serie

Josh Brenner er CEO av Hired, det ledende AI-drevne rekrutteringsmarkedet som matcher talent med toppselskaper som Instacart, Wayfair, Zendesk, Capital One og Peloton.

Hired.com fungerer litt annerledes enn Monster og andre arbeidsplasser, kan du dele konseptet om hvordan selskaper søker etter kandidater?

Hired er unikt fordi det bringer sammen tre ting for å transformere rekrutteringsopplevelsen: en høyt kurert, data-drevet rekrutteringsløsning som spesialiserer seg på teknisk og salgs-talent, høyt berøringskundeservice og støtte fra The Adecco Group globale nettverk. Selskaper kan registrere seg gjennom vår plattform i en flertrinnsprosess, som innebærer å spesifisere relevante roller og lokasjon – som også kan være fjern – og preferanser som år med erfaring eller grunnlønn som de søker å ansette. Vi parer så arbeidsgivere med en dedikert talentsuksessmanager og gir dem tilgang til rekrutteringsdata og analyser for å hjelpe dem med å finne forhåndsverifiserte og høyt kvalifiserte kandidater som passer for deres rollekrav. For å skape en personlig og kurert opplevelse, sender vi relevante kandidatinformasjon, som deres ferdigheter, arbeidserfaring og ønsket lønn tilbake til arbeidsgiverne for å oppmuntre dem til å sende intervjuforespørsler til de som er en passende match. Kandidatene vi presenterer søker aktivt etter nye muligheter, ofte får flere intervjuforespørsler i de første få dagene etter å ha registrert seg, så vi oppmuntre arbeidsgivere til å handle raskt og åpent.

Ved å tilby en data-drevet rekrutteringsløsning som tar hensyn til de spesifikke behovene til både arbeidsgivere og kandidater, forbedrer vi kvaliteten på matchene, reduserer tid til ansettelse og gjør det så enkelt som mulig for selskaper å bygge fantastiske, diverse team.

Kan du diskutere noen av maskinlæringsmetodene som brukes for å matche arbeidsgivere med kandidater?

Våre maskinlæringsmodeller sporer sanntids rekrutteringsdata, overvåker trender og forutsier rekrutteringsatferd for å raskere og mer nøyaktig matche arbeidsgivere med kandidater. Å ha denne store mengden relevante, sanntidsdata fra vår plattform med over 17 000 arbeidsgivere og over 3 millioner kandidater, gjør at vi kan tilby høyt kurerte og personlige matcher, som fører til en bedre kvalitet på matchene og høyere akseptanser.

Det er også en økende behov for å forstå og forklare prediksjonene av maskinlæringsalgoritmer som brukes i rekruttering for åpenhet, bias-mitigering og å gi kandidatene mulighet til å forbedre seg.

Hos Hired, utnytter vi maskinlæring for å gi kandidatene mulighet til å forbedre seg og forstå hvorfor de ikke ble godkjent på vår markedsplass og hvordan de kan forbedre sin profil. Vi hjelper kandidatene å øke sjansen for å bli godkjent ved å gi dem håndtering og tilbakemelding, som kan variere fra å foreslå at de legger til en glemte ferdighet til å implementere langsiktige endringer som å lære en ny programmeringsspråk.

Ettersom eksisterende metoder for å gi kandidatene mulighet til å forbedre seg i maskinlæringsløsninger mangler hastighet, håndtering eller ikke pålitelig finner endringer som ville endre beslutningen til systemet, har vi utviklet vår egen metode for å gi kandidatene mulighet til å forbedre seg i maskinlæringsløsninger. Vi mitigerer også bias i våre maskinlæringsløsninger gjennom oversamplingsteknikker som sikrer at en kandidats ras, kjønn eller alder ikke påvirker beslutningen til algoritmen.

Arbeidsgivere har også nytte av dette systemet, ettersom verdifulle kandidater kunne ha blitt oversett av vårt vurderingssystem hvis det ikke ga kandidatene mulighet til å forbedre seg, noe som ville føre til at rekruttererne gikk glipp av flotte kandidater.

Hvordan hjelper AI til å redusere tid til ansettelse i stor skala for selskaper?

Vi utnytter AI og sanntidsdata fra vår plattform for å gi arbeidsgiverne svært nøyaktige matcher raskere og mer effektivt. Ved å presentere kandidater som er spesifikt tilpasset selskapets jobbkrav, sparer vi rekruttererne i gjennomsnitt 45 timers sourcing per ansettelse, som ellers ville være dedikert til forhåndsintervjuer, gjennomgang av CV-er fra ukvalifiserte kandidater og kontakt med ukresponsive, passive kandidater. Ettersom vi fokuserer på å identifisere og fremme aktive kandidater på vår plattform, er vi i stand til å redusere tid til ansettelse med minst 4 ganger og hjelpe selskaper å bygge team med svært kvalifisert talent. For eksempel har vi arbeidet med Capital One for å hjelpe dem å rekruttere over 300 kandidater gjennom Hired-markedet, og spart dem talløse timer på å sortere gjennom CV-er.

Hired.coms nylige rapport “The Hired 2021 Impact Report – Wage Inequality in the Workplace“, fokuserte på rasiale og kjønnsbaserte ulikheter på arbeidsplassen. Hva var noen av de viktigste funnene, og overrasket noen av disse deg?

Våre data har funnet at selv om det gjøres fremgang og lønnsforskjellen smalner, har vi fortsatt langt igjen. I 2020 ble menn tilbudt høyere lønn enn kvinner for samme stillingstittel på samme selskap 59% av tiden, sammenlignet med 65% i 2019. Spesifikt ble kvinner tilbudt 3% lavere lønn i gjennomsnitt enn menn for samme roller i 2020, sammenlignet med 4% i 2019. Svarte kandidater så lavere lønn enn baseline i 2020, sammenlignet med en gap på 5% i 2019.

Vi ser fortsatt en pågående trend hvor underrepresenterte grupper som får lavere lønn også forventer lavere lønn enn sine hvite, mannlige motparter – selv om de har samme erfaring. Ras bidrar betydelig til denne forventningsgapet, da lav lønnforventning er mest vanlig blant minoritetskvinner sammenlignet med hvite kvinner eller minoritetsmenn. For eksempel forventer svarte kvinner lønn som er 10% lavere enn deres hvite, mannlige motparter.

Underrepresenterte grupper kan falle inn i en gjentakende syklus av å motta lavere lønn hvis de ikke har åpenhet om hvor mye de fortjener i kompensasjon for sin rolle. Vi har funnet at den beste måten å smalne lønnsforskjellen på er å øke lønnstransparens, så alle kandidater er klar over hva de fortjener og kan kreve likeverdig lønn. Dette er hva vi sikter mot å fremme med våre årlige rapporter.

Mens lønnstransparens har vært et langvarig problem for alle ansatte, uavhengig av demografi, var vi overrasket over å finne at yngre ansatte er mer sannsynlig å be om og motta likeverdige lønner enn i tidligere generasjoner. Dette er en positiv utvikling fordi ansatte som lærer å forhandle lønn tidlig i sin karriere øker sjansen for å bli betalt rettferdig senere.

Hvordan fjerner Hired.com ubevisst bias når det gjelder rekruttering?

For å mitigere ubevisst bias som påvirker rekrutteringsbeslutninger, har vi utstyrt vår plattform med spesifikke verktøy og funksjoner som fremmer åpenhet, effisiens og likestilling, som for eksempel:

Aktiv, upartisk tilbakemelding – Når vi gir tilbakemelding til kandidater om hvordan de kan forbedre sin profil for å bli akseptert på vår markedsplass, som for eksempel å legge til en spesifik ferdighet, verifiserer Hired at hvis kandidatene blir kjent med sin ras, kjønn eller alder, foreslår systemet ikke å endre for eksempel sin ras for å endre beslutningen til algoritmen.

Lønnvarsler – For å redusere sannsynligheten for ulik kompensasjon, varsler Hired både arbeidsgivere og kandidater hvis de mottar eller ber om en lønn som er betydelig høyere eller lavere enn gjennomsnittet for stillingen og erfaringen. Våre lønnvarsler har ført til at selskaper har endret lønntilbud 4,3% av tiden, med en gjennomsnittlig lønnsjustering på 20 000 kroner.

Lønnstransparens – Kompensasjon blir gitt åpenhet både fra kandidatens perspektiv, som indikerer deres forventede lønn når de registrerer seg på vår plattform, og arbeidsgiverens perspektiv når de søker etter en kandidat.

Bias-reduksjonsfilter – Vår plattform tilbyr mulighet til å skjule kandidatens demografiske detaljer for å redusere ubevisst bias og oppmuntre selskaper til å ansette kandidater basert på deres ferdigheter.

Tilpassede vurderinger – Som en rekrutteringsmarkedsplass, fokuserer vi på ferdighet-basert matching, inkludert bruk av ferdighet-vurderinger for å fremme evner i stedet for en tradisjonell CV og jobbansøkningsprosess. Ettersom disse vurderingene er tilgjengelige på fjern, muliggjør vi at selskaper kan finne dyktige kandidater over hele verden og diversifisere sin talenterverv.

Hvilke typer selskaper rekrutterer for øyeblikket med Hired.com-plattformen?

Hired har over 17 000 arbeidsgivere på sin markedsplass, inkludert mange kjente merker som Instacart, Wayfair, Zendesk, Postmates, Twitch, Capital One, Compass og Peloton. Spesifikt brukes vår plattform av selskapets rekrutteringsledere, HR-avdelinger og C-nivå ledere for å hjelpe dem å få tilgang til vår pool av høyt kvalifiserte og kurerte kandidater.

Hvilke typer utdannings- eller ansettelseshistoriekrav er nødvendige for kandidater for å bruke Hired.com-plattformen?

Kandidater på Hired må være i områdene vi spesialiserer oss på, inkludert programvareutvikling, analyser, produktledelse, design, QA og salgsroller. Jobbsøkere på alle nivåer oppmuntres til å registrere seg, ettersom vår plattform prioriterer ferdighet-basert rekruttering, uavhengig av utdanningsbakgrunn. Når de lager en profil, blir kandidatene bedt om å angi sin arbeidshistorie, ferdigheter og lønnskrav. De som har demonstrert betydelig erfaring i sine ønskede roller gjennom praksis eller åpne kildekoder, kan også inkludere disse prosjektene under sin erfaring. Vi oppmuntres også kandidater til å bruke ferdighet-utviklingsressurser, som kode-lærekurser og utdanningskurs, for å forbedre sine sjanser for å bli godkjent og til slutt sikre intervjuer og jobbmuligheter.

Hvorfor bør AI/maskinlæringsprofesjonelle bruke Hired.com?

Hired gir AI- og maskinlæringsprofesjonelle tilgang til de mest innovative selskapene i 18 av de ledende teknologihubene over hele USA, Canada, Storbritannia og Irland. Vi forstår at å søke jobb i et konkurransedyktig felt ofte kan føles som en frustrerende prosess, og det er derfor vi sikter mot å gi kandidatene mulighet til å bli koblet til arbeidsgivere som passer til deres unike ferdigheter, erfaring, mål og verdier.

Vi tilbyr også ulike ressurser for AI- og maskinlæringsprofesjonelle, som vår årlige rapport om programvareutviklere. Ettersom ferdigheter blir viktigere enn bakgrunn, viser vår rapport de mest etterspurte ferdighetene og programmeringsspråkene basert på vår plattformsdata, og gir innsikt i hvordan AI- og maskinlæringsingeniører kan differensiere seg ved å oppgradere sine ferdigheter og bruke kode-lærekurser og selvutdanningsprogrammer. Vår nylige rapport fant at i de største teknologihubene i USA, varierer lønnen for maskinlæringsingeniører mellom 115 000 dollar per år til 171 000 dollar per år i gjennomsnitt, og gir profesjonelle verdifull innsikt i lønn basert på lokasjon, rolle og erfaring.

Er det noe annet du ville like å dele om Hired.com?

Hireds visjon er å gjøre all rekruttering rettferdig, effektiv og åpen. Vi sikter mot å oppnå denne visjonen ved å gi kandidater og team mulighet til å kobles sammen, og bruke teknologi og menneskelig empati til å revolutionere måten folk rekrutterer og blir ansatt på.

I fortiden har rekruttering ofte vært svært transaksjonell mellom arbeidsgiver og kandidat. Men ettersom folk stadig mer søker etter selskaper som stemmer overens med deres personlige verdier og profesjonelle utviklingsmål, og arbeidsgivere erkjenner hvor sentral talent er for bedriftsvækst, er det et tydelig behov for at rekrutteringsprosessen blir mer digital og data-drevet, men tilpasset. Spesielt med den økende tilpasningen av fjernarbeid, ser vi allerede en overgang til mer digitale rekrutteringsløsninger som gir både arbeidsgivere og jobbsøkere den mest effektive måten å rekruttere på over hele verden. Vi er spente på å være i forkant av denne overgangen og fortsette å drive vår visjon om å transformere rekruttering fremover, med en økende tilpasning av fjernarbeid, ser vi allerede en overgang til mer digitale rekrutteringsløsninger som gir både arbeidsgivere og jobbsøkere den mest effektive måten å rekruttere på over hele verden. Vi er spente på å være i forkant av denne overgangen og fortsette å drive vår visjon om å transformere rekruttering.