AI vertrekgeneigdheid voorspellen voor kandidaat sourcing

De grootste verspilling in recruitment sourcing ontstaat niet door een verkeerde waardepropositie, maar door slechte timing. Een recruiter kan het perfecte bericht sturen naar een kandidaat die inhoudelijk naadloos aansluit op het profiel, maar als die kandidaat net drie maanden in dienst is en een promotie heeft gekregen, is de kans op respons vrijwel nihil. Traditionele sourcing vertrouwt op statische zoekopdrachten via boolean search, waarbij recruiters honderden profielen handmatig scannen zonder te weten wie er daadwerkelijk openstaat voor een overstap.

Met AI-gestuurde voorspelling van vertrekgeneigdheid, in het Engels vaak aangeduid als flight risk scoring of mobility prediction, verschuift de sourcingstrategie van reactief zoeken naar voorspellend werven. Door patronen in loopbaanhistorie, organisatieveranderingen en publieke gedragssignalen te analyseren, berekent een algoritme precies welke talenten zich in het venster van maximale mobiliteit bevinden.

Hoe AI vertrekgeneigdheid berekent

Moderne AI-sourcingmodellen gebruiken regressie- en neurale netwerkstructuren die getraind zijn op miljoenen geanonimiseerde loopbaanpaden. Het algoritme beoordeelt individuele kandidaten niet op onderbuikgevoel, maar berekent een dynamische kansscore (vaak uitgedrukt op een schaal van 0 tot 100) op basis van specifieke signaalclusters:

• Historische functieduur (Tenure Clustermodellen): Als een kandidaat in zijn afgelopen drie functies telkens na gemiddeld 24 maanden van baan wisselde en momenteel 22 maanden bij zijn huidige werkgever zit, markeert het model dit als een piek in de mobiliteitscyclus.
• Organisatorische triggers: Berichten over reorganisaties, fusies, overnames of het vertrek van een direct leidinggevende verhogen de vertrekkans van onderliggende teamleden met 40% tot 60%.
• Profielveranderingen en activiteit: Het updaten van functieomschrijvingen, toevoegen van recente certificaten of een toename in activiteit op zakelijke netwerken duidt op voorbereidend zoekgedrag.
• Bedrijfsfase en groeivertraging: Een krimpende headcount bij de huidige werkgever, zichtbaar via openbare bedrijfsdata, is een sterk negatief signaal voor baantevredenheid.

Het verschil in conversie tussen koude sourcing en mobiliteitsgestuurde sourcing

Stel dat een bureau maandelijks 500 kandidaten handmatig sourced via LinkedIn Recruiter. Bij een traditionele cold outreach zonder mobiliteitsfiltering ligt het gemiddelde responspercentage rond de 8%. Dit levert 40 reacties op, waarvan na kwalificatie misschien 10 geschikte kandidaten overblijven voor een eerste interview.

Wanneer hetzelfde recruitmentbureau AI-sourcingtools inzet die uitsluitend kandidaten selecteren met een vertrekgeneigdheidsscore van 75 of hoger, stijgt het responspercentage naar 25% tot 35%. Bij 500 benaderde kandidaten resulteert dit in 125 tot 175 reacties en 30 tot 45 gekwalificeerde intakegesprekken. De capaciteit van je sourcingteam wordt daardoor drie tot vier keer effectiever zonder extra recruiters aan te nemen.

Stappenplan: AI-mobiliteitssignalen integreren in je workflow

Om vertrekgeneigdheid succesvol in te bedden in je dagelijkse recruitmentproces, doorloop je vier heldere fasen:

1. Doelgroepsegmentatie definiëren: Bepaal voor welke schaarse functies (bijvoorbeeld senior software engineers, fiscalisten of procesoperators) de time-to-hire het hoogst is.
2. Data-aggregatie koppelen: Integreer sourcingtools die publieke databronnen, bedrijfsregisters en netwerkmutaties automatisch combineren in verrijkte profielen.
3. Mobiliteitsdrempel instellen: Filter sourcinglijsten zodanig dat recruiters uitsluitend profielen ontvangen met een mobiliteitsscore boven een vooraf gedefinieerde ondergrens (bijvoorbeeld >70).
4. Gepersonaliseerde outreach cadansen activeren: Pas de boodschap aan op de context. Bij kandidaten met een hoog verlooprisico door organisatieonrust werkt een waardepropositie gericht op stabiliteit en autonomie aanzienlijk beter dan een generiek baanaanbod.

Valkuilen bij het voorspellen van vertrekkansen

Hoewel AI-modellen patronen zeer nauwkeurig herkennen, zijn er specifieke valkuilen waar recruitmentteams rekening mee moeten houden. Ten eerste mag een mobiliteitsscore nooit direct benoemd worden in de outreach. Berichten als 'ik zag dat je waarschijnlijk op zoek bent naar een nieuwe uitdaging' wekken argwaan en schaden het vertrouwen van de kandidaat.

Ten tweede vereist het model continue kalibratie per sector. In de IT-sector ligt de gemiddelde baanduur rond de 18 tot 24 maanden, terwijl dit in de zware industrie of publieke sector 4 tot 6 jaar kan zijn. Een generiek algoritme dat geen rekening houdt met sectorspecifieke benchmarks produceert te veel valse positieven.

Hoe Leadstars dit voor je oplost

Het handmatig analyseren van kandidaatdata en het bouwen van eigen machine learning modellen vraagt om specialistische kennis en kostbare tooling die de meeste recruitmentbureaus niet in huis hebben. Leadstars lost dit structureel op met de Job Acquisition Machine (JAM). Binnen deze totaaloplossing combineren we AI Sourcing, geautomatiseerde mobiliteitsdetectie en gerichte multi-channel campagnes om continu de meest kansrijke kandidaten aan te trekken.

Hierdoor besteedt jouw team geen uren meer aan het benaderen van onbereikbare profielen, maar komen recruiters direct in gesprek met talenten die actief openstaan voor de volgende stap. Wil je weten hoe AI Sourcing en mobiliteitsvoorspelling jouw kandidaatstroom voorspelbaar kunnen maken? Vraag vandaag nog een vrijblijvend strategiegesprek aan met een van onze recruitment marketeers.

Wil je verder lezen? Bekijk ook de resultaten van onze klanten en de video's in onze kennisbank en recruitment marketing bureau.