Bias onderzoek: voorbeelden uit de praktijk

Bias voorbeelden: woningtoewijzing bij gemeentes

Gemeentes kunnen voorrang geven aan bepaalde groepen bij het toewijzen van sociale huurwoningen. Gezinnen met kinderen zijn hier een voorbeeld van. Veel coöperaties hebben onbewust een voorkeur voor gezinnen, omdat er jonge kinderen betrokken zijn. Dit wordt vaak versterkt als medewerkers zelf ook kinderen hebben. Alleenstaande ouderen wachten daardoor soms maanden langer op een geschikte woning. Dit leidt tot ongelijke toegang tot een sociale huurwoning. Veel woningcorporaties en gemeentes werken met een puntensysteem, maar nog niet overal. Wat dan werkt, is om vaste afspraken te maken en deze bijvoorbeeld in een flowchart of beslisboom te gieten. Zo zien medewerkers direct wie voorrang krijgt volgens de gemaakte afspraken. Enthousiaste huurders afwijzen is nooit leuk, dus dan kan het fijn zijn om een schema te volgen dat je hierbij helpt de eerlijkste keuze te maken.

Wat is bias? Lees meer!

Bias voorbeeld in wervings- en selectieproces

Dit proces kent iedereen wel. Misschien heb je het net doorlopen als nieuwe medewerker of neem je zelf geregeld nieuwe collega’s aan. In dit voorbeeld wil een bedrijf een nieuwe softwareontwikkelaar aannemen. De vacature hiervoor is uitgezet. De vacature is populair en de HR-afdeling ontvangt een groot aantal sollicitaties. Ze beginnen met het screenen van de kandidaten.

bias voorbeelden

Typen bias die in dit proces voorkomen:

Naam bias: kandidaten met namen die suggereren dat ze een bepaalde etnische achtergrond hebben worden anders beoordeeld. CV’s met namen die buitenlands klinken worden minder vaak geselecteerd voor een interview dan CV’s met typisch lokale namen. Zelfs terwijl ze dezelfde opleiding hebben en even veel werkervaring.
Affiniteitsbias: dit type bias heeft te maken met overeenkomsten en affiniteit. Concreet betekent dit dat de HR-manager de neiging heeft om meer ‘gevoel’ bij een sollicitant te hebben die net als de manager ook op voetbal zit of of op dezelfde school heeft gezeten.
Bevestigingsbias: we noemden hem al even in onze andere blog over bias. We vinden het als mens fijn om bevestigd te worden. Of het nu gaat om de kleur van je nieuwe auto of wat je van het nieuwe ICT-systeem vindt, bevestiging doet ons goed. Een werkgever noemt het ICT-systeem waarmee het bedrijf werkt tijdens een sollicitatie. De werkgever vindt het systeem tegenvallen. Als een sollicitant één nadeel van het ICT-systeem noemt en verder alleen maar voordelen, kan de werkgever inzoomen op dat ene nadeel. De werkgever heeft dan helemaal geen oog meer voor de voordelen die ook (en zelfs meer) genoemd zijn.
Onbewuste vooroordelen (unconscious bias): vooroordelen die onbewust gemaakt worden op basis van iemands stem of uiterlijk. Een Amsterdamse werkgever beoordeelt een kandidaat met een Rotterdams accent negatiever dan een kandidaat met een Amsterdams accent. Ze heeft ten slotte op haar CV voetbal als hobby staan, dus ze zou zomaar voor Feyenoord kunnen zijn… Zonder dat de manager zich er misschien van bewust is, heeft ze een oordeel gecreëerd op basis van het accent.
Non-response bias (participatiebias): in dit voorbeeld hebben sollicitanten allemaal zelf gesolliciteerd. De meesten kenden de organisatie al en vonden de vacature zelf. Er is niet door een recruiter zelf gezocht naar kandidaten of een oproep gedeeld op LinkedIn. Hierdoor hebben alleen mensen gereageerd die de organisatie al kennen en mis je een hele grote groep kandidaten die mogelijk ook interessant zijn.
Halo-effect: iemand mogelijk overschatten op basis van één eigenschap, zie je ook in dit proces terugkomen. Een sollicitant die ontzettend charismatisch is maakt een enorm goede indruk, terwijl hij minder inhoudelijke kwaliteiten heeft dan een andere kandidaat. Door bias wordt de charismatische persoon beter beoordeeld dan de minder charismatische persoon.

Deze verschillende soorten bias kunnen ervoor zorgen dat super interessante kandidaten worden afgewezen. Hierdoor kan de diversiteit en effectiviteit binnen de organisatie verminderen. Zorg dus voor een divers team en neem beslissingen op basis van data om bias te voorkomen. In dit specifieke voorbeeld kun je ook gebruik maken van anonieme CV’s en bewustwordingstrainingen op het gebied van bias.

Voorbeeld van data bias bij een bank

Een bank leent mensen geld om een huis te kopen. De bank moet deze leningen goedkeuren en gebruikt een computermodel om te beslissen wie een lening krijgt. Dit model is getraind met gegevens van mensen die eerder geld hebben geleend bij de bank.

Data bias: de gegevens die de bank gebruikt om het model te trainen is verouderd. In het verleden hebben mensen uit bepaalde wijken of met bepaalde achtergronden minder vaak leningen gekregen. Het model gebruikt deze data nog steeds en wijst daarom mensen uit die wijken sneller af. Het kijkt niet verder, waardoor de afwijzingen onterecht zijn. Klanten zijn niet blij, want dit leidt tot ongelijke kansen. Voor de bank is dit ook vervelend. Ze wijzen onterecht leningen af en kennen misschien ook wel onterecht een lening toe. Allemaal op basis van de ‘betrouwbare’ data-analyse. Het model leert van deze gegevens en kan dezelfde vooroordelen overnemen. In dit geval moet de bank zorgen dat ze het databestand regelmatig updaten. Nieuwe data toevoegen en outliers of verouderde data verwijderen. Het is belangrijk dat het model evenveel data bevat van mensen met een verschillende achtergrond, baan of woonwijk.

Met data een proces verbeteren? Volg een green belt training!

Samenvatting

Bias is overal aanwezig, vaak zonder dat mensen zich hiervan bewust zijn. Het heeft invloed op beslissingen in verschillende processen en sectoren. Bewustwording en gerichte training kunnen helpen om deze vooroordelen te verminderen. Ook voor het verbeteren van je processen zijn er concrete handige tools zoals de VSM, oorzaakanalyse en verschillende data-analyses.

Alle artikelen bekijken