Datakwaliteit in een ATS verbeter je door vaste definities, verplichte velden, gecontroleerde keuzelijsten, duidelijke eigenaarschap en periodieke opschoning te combineren. Een technisch goed ATS levert geen betrouwbare rapportages als recruiters dezelfde gegevens op verschillende manieren invoeren. Richt datakwaliteit daarom in als doorlopend beheerproces en niet als een eenmalige schoonmaakactie.
Waarom datakwaliteit belangrijk is
ATS-data wordt gebruikt voor kandidaatbeheer, rapportage, integraties en besluitvorming. Fouten werken daardoor door naar andere systemen en dashboards.
In Hoe koppel je een ATS aan Power BI of een datawarehouse? staat dat slechte brondata niet vanzelf beter wordt door een koppeling. Een dashboard kan er professioneel uitzien en toch verkeerde conclusies opleveren wanneer statussen of velden inconsistent zijn.
Werk met vaste definities
Begin met begrippen die voor iedereen hetzelfde moeten betekenen. Denk aan:
- sollicitatie;
- gekwalificeerde kandidaat;
- interview;
- aanbod;
- aanname;
- bron van sollicitatie;
- afwijsreden.
Leg definities vast en koppel ze aan de inrichting van het systeem.
Wanneer de ene recruiter ‘screening’ gebruikt voor een cv-check en de andere voor een telefoongesprek, zijn rapportages per fase niet goed vergelijkbaar.
Gebruik verplichte velden selectief
Verplichte velden kunnen datakwaliteit verbeteren, maar te veel verplichtingen vertragen gebruikers en stimuleren noodoplossingen.
Maak alleen velden verplicht wanneer de informatie echt nodig is voor proces, compliance of rapportage. Gebruik waar mogelijk standaardwaarden en slimme invoercontroles.
Een afwijsreden kan bijvoorbeeld verplicht zijn bij afsluiten van een sollicitatie, terwijl een intern notitieveld vrij blijft.
Beperk vrije tekst waar structuur nodig is
Vrije tekst is bruikbaar voor context, maar minder geschikt voor analyse.
Gebruik daarom keuzelijsten voor gegevens zoals:
- locatie;
- afdeling;
- vacaturetype;
- bron;
- processtatus;
- afwijsreden.
Voorkom dubbele waarden zoals ‘Amsterdam’, ‘A’dam’ en ‘AMS’ voor dezelfde locatie.
Maak één systeem leidend
Bij koppelingen moet duidelijk zijn welk systeem eigenaar is van welk gegeven. In het artikel over de ATS-HRIS-koppeling wordt dit bronprincipe expliciet beschreven.
Als zowel ATS als HRIS dezelfde afdeling of functietitel mogen wijzigen, kunnen verschillen ontstaan. Leg daarom per gegeven vast waar de officiële versie wordt beheerd.
Meet volledigheid en consistentie
Eurostat gebruikt binnen zijn Quality Assurance Framework verschillende kwaliteitsprincipes, waaronder nauwkeurigheid, vergelijkbaarheid en coherentie. Voor een ATS kun je die gedachte vertalen naar concrete controles.
Meet bijvoorbeeld:
- percentage vacatures zonder afdeling;
- percentage hires zonder bron;
- percentage kandidaten zonder eindstatus;
- aantal dubbele kandidaatprofielen;
- aantal statussen die langer dan verwacht openstaan;
- aantal ongeldige of verouderde waarden.
Zo wordt datakwaliteit zelf meetbaar.
Controleer dubbele kandidaatprofielen
Duplicaten verstoren aantallen, historie en communicatie. Dezelfde persoon kan via meerdere kanalen of met verschillende e-mailadressen in het ATS terechtkomen.
Maak daarom regels voor detectie en samenvoeging. Controleer zorgvuldig voordat profielen worden samengevoegd, zodat gegevens van verschillende personen niet onbedoeld bij elkaar komen.
Schoon oude waarden op
ATS-systemen groeien vaak jarenlang door. Daardoor blijven verouderde afdelingen, locaties, templates en broncategorieën actief.
Voer periodiek een opschoning uit:
- archiveer ongebruikte waarden;
- combineer dubbele categorieën;
- controleer oude gebruikers;
- verwijder testdata uit rapportages;
- actualiseer keuzelijsten.
Bij een migratie wordt dit extra belangrijk. Hoe migreer je naar een nieuw ATS? benadrukt dat opschoning en mapping vóór de overgang moeten plaatsvinden.
Wijs een data-eigenaar aan
Datakwaliteit blijft niet vanzelf goed. Leg vast wie verantwoordelijk is voor definities, controles en correcties.
De functioneel eigenaar of het recruitment operations-team kan bijvoorbeeld maandelijks rapporteren over ontbrekende waarden en afwijkingen.
Technisch beheer kan ondersteunen, maar de business moet bepalen welke gegevens betekenisvol zijn.
Maak fouten zichtbaar
Een goed proces waarschuwt gebruikers wanneer invoer niet klopt. Denk aan:
- een einddatum vóór een startdatum;
- een kandidaat zonder contactmogelijkheid;
- een vacature zonder eigenaar;
- een ongeldige broncode;
- een hire zonder startdatum.
Automatische validatie voorkomt dat fouten pas maanden later in een dashboard worden ontdekt.
Controleer wijzigingen na configuratie
Nieuwe workflows, integraties of velden kunnen bestaande rapportages beïnvloeden. Test daarom na iedere relevante wijziging of definities en datamapping nog kloppen.
Een nieuw processtadium kan bijvoorbeeld betekenen dat een bestaande funnelrapportage moet worden aangepast.
Werk met een vaste kwaliteitscyclus
Plan periodieke controles in plaats van alleen te reageren op klachten. Een maandelijkse of kwartaalcontrole kan bestaan uit volledigheid, duplicaten, oude waarden en afwijkende statussen.
De uitkomsten worden vervolgens vertaald naar aanpassingen in configuratie, training of werkinstructies. Zo wordt datakwaliteit onderdeel van regulier ATS-beheer.
Maak kwaliteitsregels per kritisch veld
Niet ieder ATS-veld is even belangrijk. Bepaal daarom welke gegevens kritisch zijn voor proces en rapportage. Voor zulke velden kun je expliciete kwaliteitsregels opstellen.
Voorbeelden zijn: een hire moet een startdatum hebben, iedere gesloten sollicitatie moet een eindstatus hebben en iedere vacature moet aan een actuele organisatie-eenheid zijn gekoppeld.
Gebruik kwaliteitsrapportages
Maak een terugkerend overzicht met afwijkingen. Laat bijvoorbeeld zien hoeveel dossiers ontbrekende velden bevatten of hoeveel bronwaarden niet meer geldig zijn.
Zo hoeft functioneel beheer niet handmatig door records te zoeken. Een kleine set kwaliteits-KPI’s maakt zichtbaar of de registratie verbetert of juist verslechtert.
Corrigeer de oorzaak, niet alleen de fout
Wanneer hetzelfde probleem vaak terugkomt, is handmatig opschonen niet genoeg. Onderzoek waarom gebruikers de verkeerde waarde kiezen of een veld overslaan.
Mogelijke oplossingen zijn betere labels, minder keuzemogelijkheden, automatische invulling, training of een andere plaats in de workflow.
Maak uitzonderingen expliciet
Niet ieder ontbrekend veld is fout. Soms is informatie bewust niet beschikbaar of niet van toepassing.
Gebruik daarom waar nodig een expliciete waarde zoals ‘niet van toepassing’ in plaats van een leeg veld. Dat maakt verschil tussen onbekende, ontbrekende en bewust niet gebruikte informatie zichtbaar.
Bewaar definities buiten individuele dashboards
Leg datadefinities centraal vast, bijvoorbeeld in een datadictionary. Beschrijf veldnaam, betekenis, eigenaar, toegestane waarden en gebruik in rapportages.
Dat helpt bij integraties, migraties en personeelswisselingen. Nieuwe beheerders hoeven dan niet uit historische dashboards af te leiden wat een veld ooit betekende.
Betrek gebruikers bij kwaliteitsverbetering
Recruiters zien vaak als eerste waar invoer lastig is. Vraag daarom welke velden onduidelijk, dubbel of onpraktisch zijn.
Datakwaliteit verbetert meestal sneller wanneer het systeem gebruiksvriendelijker wordt dan wanneer alleen strengere controles worden toegevoegd.
Controleer kwaliteit na iedere grote wijziging
Na een migratie, nieuwe integratie of herinrichting van workflows kunnen onverwachte dataproblemen ontstaan. Plan daarom direct na zulke wijzigingen een extra kwaliteitscontrole en vergelijk de uitkomst met de periode ervoor. Zo worden mappingfouten en ontbrekende velden vroeg ontdekt.
