Ligestillingsudvalget 2020-21
LIU Alm.del Bilag 89
Offentligt
2406058_0001.png
Kære ligestillingsudvalg
Der er ere og ere fokus på a o y e jo a søg i ge og vi vil derfor ger e præse tere ’HR MATCH'
som
lige er færdigudviklet. Programmet er baseret på machine learning, hvor alder, køn etc. ikke tages med i
overvejelser. Her sammenlignes jobannoncer objektivt med CV og ansøgning gennem systemet. Der findes
dermed et system uden fordomme og med ligestilling på den måde, at det kun vurdere kompetencer og
behandler alle ens. Det gør ingen mennesker
Jeg vil prøve at beskrive vores omtalte produkt og håber det giver god mening. Der er blandt andet dialog
om, at anonyme ansøgninger skal være en del af loven, men hvad er anonym og vi kan nok alle blive enige
om, at det aldrig bliver helt anonymt og objektiv, hvis det ikke er elektronisk. Det næste er, at ansøgerne
aldrig vil blive behandlet på lige fod med menneskeøjne. Vi har nu et system til kvalitetstjek af udvælgelse.
Vi har udviklet en matchmotor, som ikke er tilsvarende noget tidligere udviklet
–
men mange har gjort
forsøget. KL drømmer om at udvikle noget tilsvarende til JobNet, og JobIndex har fået 7 mio. og 3 år af
Innovationsfonden til at lave noget tilsvarende. Ingen af deres systemer har dog ligestilling som et formål.
Vores syste hedder HR MATCH og ruges til a alyseri g af jo a o e, v’er og a søg i ger. Syste et
matcher de rigtige kandidater til en specifik opgave bedst muligt. Systemet indlæser opgaven og
kandidaternes CV som fritekst og laver derefter en masse matematiske modeller og beregninger for at
sa
e lig e opgavetekste /jo eskrivelse
ed ka didater es CV’er og jo a søg i g for derved at fi de
ud af, hvor godt hver kandidat matcher og kan prioriteres herefter. Dette bliver udtrykt ved hjælp af en
score, som bruges til at prioritere kandidaterne. Dermed kan du se om kandidater der scorer højest, er de
samme som arbejdsgiveren vælger. Det burde det være, hvis ikke arbejdsgiveren har benyttet mange filtre
til at frasortere kandidater på alder, køn, kriminalitet osv.
Vi har lavet en enkel version, som alle kan benytte. Det er lige meget hvilken størrelse virksomhed der skal
ansætte. Besøg
www.hrmatch.dk
Giv besked, hvis I vil prøve for så opretter jeg jer i systemet.
Nedenstående er screenshots fra de sider
 LIU, Alm.del - 2020-21 - Bilag 89: Henvendelse af 28/5-2021 fra Q-ANALYTICS ved Esben Søndergaard om system til anonym udvælgelse ved jobansøgning
Hvad er fordelene ved HR MATCH?
Vigtigste faktor er at matchmotoren ikke har noget bias. Systemet kigger kun på kompetencer og læser
anonymt for derefter at prioritere kandidaterne. Det er ingen filtre og ingen fordomme og alt materiale
læses lige
–
Hvis det processen udføres af mennesker, ville ligestilling være at læse alle samtidigt på dagen,
uden navn, adresse, interesse, osv. osv. og hvem læser. Du bliver lettere ansat, hvis din ansøgning bliver
læst om morgenen
.
Den kan ikke læse motivation og andet menneskeligt, men mon ikke den rette er blandt de 20 bedste ift.
kompetencer, hvor vi ikke har frasorteret på forkerte vilkår.
Vi kan sætte et system op integreret i system(er) eller eksternt og derfor kan det blandt andet tilvælges
som en ekstra service til jobagent (eks. hr-manager) når nogen ansættes og lægger deres dokumenter op.
Så har vi desuden lavet en version til små virksomheder, som ligger på en hjemmeside. Her uploader
virkso hede alle a søg i ger og v’er og laver udklip fra jo a o e. Derefter får a
ail, år resultat
er færdig. Til sidst slettes alt data.
Det blev først udviklet Q-MATCH, så man ved en given opgave hurtigere kunne komme i kontakt med den
rette kandidat til opgaven, da systemet kræver minimale user-input for at finde gode kandidater. På
freelance-markedet gælder det om hurtigst muligt at låse den kandidat der er bedst til en given opgave, før
konkurrenterne får fingre i personen. Så de minutter man kan vinde ved at benytte et program vi har som
hedder Q-match, som bruger samme matchmotor, og kan være udslagsgivende i ræset om at finde den
bedste kandidat. Derfor blev systemet udviklet til Zenit Consult som har 2700 konsulenter at vælge imellem
hele tiden.
Hvordan fungerer det?
HR MATCH er en API vi har liggende i dag på en server i skyen. Systemet tilgås ved at lave API kald til denne
server, hvor man sender opgaven samt evt. udvalgte keywords afsted og så får et sorteret svar retur over
hvilke kandidater der passer bedst, hvor keywords kun bruges til at indskrænke feltet som systemet søger i.
Grunden til at vi bruger en API er at vi bruger Machine Learning i vores system. Da Machine Learning er
meget sensitivt overfor hvilket datainput man giver, skal man hele tider passe og pleje disse modeller for at
de bliver ved med at performe optimalt. En API er optimal i dette tilfælde da den kan fungere som et
”si gle poi t of o ta t” for vores ku der, så vi ku skal opdatere kode ét sted for at de liver opdateret
overalt for kunden. Da systemet ligger i skyen kan kunden også tilgå den overalt, hvad enten man er på
kontoret eller på farten, enten gennem kundens eget udviklede system eller gennem en web browser som
vi har udviklet.
Hvad er beviset for at det virker?
Beviset på at systemet virker bygger på en analyse vi har lavet for et andet konsulenthus og deres data.
Konsulenthuset har over en længere årrække vundet 428 opgaver. Vi har så taget vores system og for hver
af disse opgaver har vi scoret alle 2700 konsulenter, og set på hvordan vores resultat matcher med det man
rent faktisk endte med at få.
For hver scoring har vi sorteret listen, så den der scorer højest for den specifikke opgave, ligger nummer 1,
og den der scorer lavest, ligger nummer 2700 i rækken. Vi har så spurgt systemet hvilken placering den
konsulent der endte med at vinde opgaven fik i vores system. Denne placering har vi så logget i vores
 LIU, Alm.del - 2020-21 - Bilag 89: Henvendelse af 28/5-2021 fra Q-ANALYTICS ved Esben Søndergaard om system til anonym udvælgelse ved jobansøgning
2406058_0003.png
system. Dvs. at vores endelige resultat er en liste med 428 tal hvor hvert tal indikerer hvilken placering den
vindende konsulent havde i vores system (altså et tal mellem 1 og 2700).
Resultatet er vist i plottet nedenunder. Plottet er et bar plot, hvor vi har binnet dataen i 50 bins, dvs. at hvis
vores model scorede alle konsulenterne tilfældigt ville man forvente ca. 8-9 konsulenter i hver bin. Det ses
dog tydeligt fra vores resultat at vores model klart bedre end tilfældig til at finde de bedste konsulenter til
opgaven (den der endte med at vinde opgaven). Da 40% af de vindende konsulenter ligger indenfor de 2%
bedst scorende konsulenter.
Dette er uden at tage højde for om konsulenterne var ledige på det specifikke tidspunkt, eller om de rent
faktisk var aktive i branchen. Derudover er der heller ikke brugt keywords til at sortere i konsulenternes
kompetencer. Grunden til at dette er vigtigt er at vi forventer at den tendens vi ser i grafen, vil være
generel, så den bedste måde at være sikker på at de konsulenter man får tilbage fra en søgning i vores
system er relevante er at begrænse antallet af konsulenter man søger i. Dette er dog ret let at ligge på som
et filter over det resultat man får af vores system.
Jeg håber det har vækket jeres interesse. Vi vil meget gerne fortælle yderligere herom.
Kontakt os gerne og så kommer vi forbi, hvis ikke I vil her
–
ellers kan det selvfølgelig præsenteres på
teams.
Med venlig hilsen
Esben Søndergaard
23907788