7.2 Scores van selectie-instrumenten combineren
Het hoofddoel van personeelsselectie is om te beslissen wie de beste kandidaat is. Voor deze beslissing moet u veel verschillende gegevens met elkaar combineren. Dit kan op een intuïtieve of een statistische manier.
7.2.1 De intuïtieve beslissingsmethode
menselijke interpretatie
irrelevante informatie
De meest gangbare manier om gegevens met elkaar te combineren, is door middel van intuïtie of menselijke interpretatie. Wetenschappelijk onderzoek heeft echter allang aangetoond dat deze manier ertoe leidt dat beslissingen op een onregelmatige manier worden genomen. Ten eerste komt dat doordat er grote verschillen tussen besluitnemers zijn in de waarde die ze aan bepaalde informatie toekennen. Stel dat, in het eerdere voorbeeld van de treinmachinist, een panel zich buigt over de resultaten van alle selectie-instrumenten. Eén panellid vindt leervermogen de meest belangrijke eigenschap, terwijl het andere panellid visuele perceptie de meest belangrijke eigenschap vindt. Ten tweede verschilt ook bij een besluitnemer zelf de waarde die hij toekent aan informatie. Het is ook mogelijk dat een panellid voor de ene (bijvoorbeeld jongere) kandidaat leervermogen belangrijker vindt, maar voor de andere (oudere) kandidaat visuele perceptie. Ten derde wegen besluitnemers vaak irrelevante informatie mee. Zo kan het voorkomen dat een panellid een sterke voorkeur heeft voor een bepaalde kandidaat, omdat deze een uur te vroeg was voor het sollicitatiegesprek.
7.2.2 De statistische beslissingsmethode
dezelfde schaal
Een veel betere methode om gegevens te combineren is de statistische methode. Voor deze methode is het van groot belang dat de eigenschappen die u meet met de verschillende selectie-instrumenten, op dezelfde schaal worden gescoord. Afhankelijk van hoe belangrijk de eigenschappen voor de baan zijn, kent u een gewicht toe aan de eigenschap. Vervolgens combineert u deze scores met een vaste formule tot een totaalscore. De kandidaat met de hoogste score biedt u vervolgens de baan aan.
Zorg ervoor dat alle selectie-instrumenten op dezelfde schaal worden gescoord, bijvoorbeeld 1-10. Als u dat niet doet, hebben uw instrumenten onbedoeld verschillende gewichten.
Score
grenswaarde
In het voorbeeld van de treinmachinist staat bijvoorbeeld ook een kolom met deelscores, en wordt voor elke eigenschap een score berekend op basis van de selectie-instrumenten. Alertheid is het gemiddelde van de scores op twee verschillende selectie-instrumenten, omdat dit anders dubbel zo zwaar zou wegen. Daarentegen wordt de score op leervermogen bewust verdubbeld, omdat deze eigenschap als zeer belangrijk wordt gezien. Sommige eigenschappen hebben een grenswaarde. Deze kunt u ook in uw score-model meenemen, maar alle kandidaten onder de grenswaarde vallen dan automatisch af.
7.2.3 Statistisch beslissen is beter
nadelige gevolgen
positief effect
Het combineren van gegevens door middel van intuïtie zorgt ervoor dat er voor verschillende kandidaten verschillende gewichten worden toegekend aan gegevens en verschillende gegevens worden meegenomen in de beslissing. Dit heeft nadelige gevolgen voor de voorspellende waarde van de selectieprocedure. Sterker nog: zelfs als u instrumenten heeft gekozen met een hoge voorspellende waarde voor de werkprestatie, maar de informatie die u verzamelt op basis van deze instrumenten op een intuïtieve manier combineert, kan het zo zijn dat uw selectieprocedure een lage voorspellende waarde heeft. De statistische beslissingsmethode garandeert dat u voor elke kandidaat dezelfde informatie meeneemt en deze op dezelfde manier laat meewegen in de uiteindelijke beslissing. Dit heeft een positief effect op de voorspellende waarde van de selectieprocedure.
Verschil tussen intuïtief en statistisch beslissen
Al in 1950 werd uitgebreid onderzoek gedaan naar het verschil tussen intuïtief en statistisch beslissen. Eén van deze onderzoeken liet bijvoorbeeld zien dat studieprestaties beter voorspeld worden met alleen de scores op een cijferlijst dan wanneer toelatingscommissies studenten mogen selecteren op basis van een cijferlijst én hun eigen intuïtie. Een meta-analyse, die al de voorgaande onderzoeken samenvatte, concludeerde dat intuïtieve selectiebeslissingen minstens 50% slechter de werkprestatie voorspellen dan statistische beslissingen.
7.2.4 Gewogen scores
voorspellers
Sommige eigenschappen zijn belangrijker voor een baan dan andere eigenschappen. Sommige selectie-instrumenten zijn daarom ook belangrijkere voorspellers dan andere instrumenten. Om deze gedachte te verwerken in uw selectieprocedure, kunt u de scores van selectie-instrumenten verschillend wegen. Zo wordt in het voorbeeld van de treinmachinist de score van leervermogen dubbel meegeteld.
Gewogen scores samenstellen kan ingewikkeld zijn. U kunt ook alle scores één keer tellen; dan maakt u nog steeds veel betere beslissingen dan met een intuïtieve beslissingsmethode.
Correlaties
testleverancier
Vaak wordt het ‘gewicht’ van een eigenschap op basis van een functieanalyse toegekend. Maar u kunt gewichten ook toekennen op basis van onderzoeksgegevens. Om te berekenen hoe u de gewichten van uw selectie-instrumenten het beste kunt bepalen, moet u een idee hebben hoe uw selectie-instrumenten met elkaar correleren en met de werkprestatie correleren. Een correlatie is een getal van -1 tot 1 waarbij positieve waarden aangeven dat er een relatie bestaat tussen twee scores. U kunt onderzoek uit de wetenschappelijke literatuur of van testleveranciers gebruiken om deze correlaties te bepalen. De correlatie tussen sollicitatiegesprekken en de werkprestatie is bijvoorbeeld 0,42. Kijk voor correlaties uit wetenschappelijk onderzoek op rendement.nl/hrdossier.
Berekenen
combinatie
verbetering
Als algemene onderzoeksgegevens niet beschikbaar zijn, kunt u deze getallen ook zelf berekenen nadat u een groot aantal sollicitanten heeft aangenomen. Een combinatie van verschillende onderzoeksgegevens is ook mogelijk. U berekent dan bijvoorbeeld de correlatie tussen de scores van selectie-instrumenten op basis van uw eigen sollicitanten en schat de correlatie met de werkprestatie in op basis van wetenschappelijk onderzoek. Stel dat u voor het voorbeeld van de treinmachinist de volgende correlatietabel (zie volgende pagina) kunt samenstellen op basis van onderzoeksgegevens. De totaalscore met de gewichten zoals die eerder zijn voorgesteld, verklaren samen 36% van de variantie in de werkprestatie. U ziet ook dat communicatievaardigheden volgens de gegevens een belangrijkere voorspeller lijkt te zijn dan leervermogen én dat deze score niet heel sterk samenhangt met leervermogen. Communicatievaardigheid is dus een redelijk sterke en unieke voorspeller van de werkprestatie. Als u het gewicht van communicatievaardigheid vervolgens van één naar drie verandert, voorspelt u de werkprestatie 4% beter. Deze verbetering is best aanzienlijk, gezien het feit dat u niks aan de procedure verandert, maar alleen aan de manier waarop de scores worden samengevoegd. In de tabel hieronder zijn de waardes boven de dikke lijn correlaties tussen de verschillende scores op de selectie-instrumenten en de werkprestatie. Onder de lijn staan de gewichten die aan deze scores worden gegeven bij het berekenen van de totaalscore. De percentages rechts geven aan hoeveel procent van werkervaring wordt verklaard met de totaalscore, zoals die met de gewichten wordt berekend.
Gewichten
samenstelling van gewichten
Onderzoekers aan de Vrije Universiteit Amsterdam en de Rijksuniversiteit Groningen hebben een vrij toegankelijke site ontwikkeld waarmee u de optimale samenstelling van de gewichten voor uw selectie-instrumenten kunt bepalen: failenschmid-neumann-meijer-niessen-2021.shinyapps.io/publication/. In deze app kunt u eenzelfde soort tabel invullen en zien welke gewichten het beste voor u werken.