Voorbij de Samenvatting: Gestructureerde Data

Een samenvatting is tekst. En tekst is goed voor mensen. Je leest het, je begrijpt het, je handelt ernaar. Maar voor je CRM is tekst waardeloos.

Je CRM draait op velden. Getallen, datums, picklists, checkboxen, lookups. Als je na een gesprek een samenvatting schrijft en die in een notitieveld plakt, staat er technisch gezien informatie in je CRM. Maar je kunt er niets mee doen. Je kunt niet filteren op “alle kandidaten met een salarisverwachting tussen 50.000 en 70.000 euro.” Je kunt niet rapporteren op beschikbaarheid. Je kunt geen automatische workflow triggeren op basis van een vaardigheid.

De samenvatting is het begin. Gestructureerde data is waar de waarde zit.

Het verschil tussen tekst en data

Laten we het concreet maken. In een gesprek zegt een kandidaat: “Ik zoek iets rond de 65.000 bruto per jaar. Ik kan over zes weken starten. Ik heb mijn PMP-certificering en spreek vloeiend Nederlands, Engels en Duits.”

In een samenvatting wordt dit: “Kandidaat zoekt een salaris rond 65.000 bruto, is over zes weken beschikbaar, heeft PMP-certificering en spreekt drie talen.”

Dat is duidelijk en bruikbaar voor jou als recruiter. Maar voor je CRM is het een ongestructureerde string. Om er waarde uit te halen, moet je handmatig:

• 65.000 invullen in het salarisveld
• De datum van zes weken vanaf nu berekenen en invullen in het beschikbaarheidsveld
• PMP selecteren in de certificeringen-picklist
• Nederlands, Engels, Duits toevoegen aan de talenvelden

Dat kost tijd. En het is foutgevoelig. En het is precies het type werk dat recruiters niet willen doen.

Hoe Simply gestructureerde data extraheert

Simply’s data-extractie gaat verder dan samenvattingen. Het AI-systeem analyseert het gesprek en herkent automatisch datapunten die als gestructureerde velden naar je CRM kunnen worden geschreven.

Terug naar ons voorbeeld. Simply hoort dezelfde zin als jij. Maar het doet meer dan samenvatten:

• Salarisverwachting: 65.000 EUR bruto/jaar (numeriek, met valuta en periodiciteit)
• Beschikbaarheidsdatum: [huidige datum + 6 weken] (als datum-object)
• Certificeringen: PMP (gematcht tegen je CRM-taxonomie)
• Talen: Nederlands (vloeiend), Engels (vloeiend), Duits (vloeiend) (als gestructureerde taalvelden)

Elke waarde wordt in het juiste formaat naar het juiste CRM-veld geschreven. Niet als tekst in een notitieveld, maar als echte veldwaarden.

Slim herkennen: context is alles

Het klinkt simpel: “zoek getallen en stop ze in velden.” Maar dat is het niet. De moeilijkheid zit in de context.

Een kandidaat zegt: “Ik verdien nu 58 en wil naar 65.” Wat is 58? Wat is 65? Euro? Duizend euro? Per maand? Per jaar? Simply begrijpt de context. In een salarisgesprek in Nederland, waar het over bruto jaarinkomen gaat, interpreteert de AI “58” als “58.000 EUR bruto per jaar.”

Of een kandidaat zegt: “Ik heb twee jaar bij Deloitte gezeten en daarvoor vier jaar bij KPMG.” Simply extraheert niet alleen de bedrijfsnamen, maar ook de duur. En het plaatst ze in de juiste volgorde in je werkervaring-velden.

Of, subtiler: een kandidaat zegt “Ik sta open voor Amsterdam of Utrecht, maar niet voor Rotterdam.” Simply herkent drie locaties en classificeert ze: twee met voorkeur, een met uitsluiting.

Het validatiesysteem: vertrouwen met controle

Niet elke extractie is even zeker. Een duidelijk uitgesproken telefoonnummer (“Mijn nummer is 06-12345678”) is zekerder dan een geimpliceerd salaris (“iets in de buurt van 70”). Daarom gebruikt Simply een validatiesysteem met kleurindicators:

• Groen: hoge betrouwbaarheid. De AI is zeker van de waarde en het formaat. Wordt automatisch ingevuld.
• Oranje: gemiddelde betrouwbaarheid. De AI heeft een waarde gevonden maar er is enige onzekerheid. Controleer even.

Dit systeem geeft je het beste van twee werelden. Waarden met een hoge betrouwbaarheid besparen je tijd: daar hoef je niet overheen. De lage scores houden je alert op precies die punten waar het mis kan gaan.

En bij twijfel: elk veld is klikbaar. Je kunt het exacte moment in het gesprek terugluisteren waar de AI de waarde vandaan heeft gehaald. Dat is de transparantie die Simply uniek maakt.

Welke data Simply extraheert

De lijst is langer dan je verwacht. Simply herkent en extraheert onder andere:

Contactgegevens

• Telefoonnummer (met automatische opmaak naar correct formaat)
• E-mailadres
• LinkedIn-profiel
• Woonadres of regio

Financiele informatie

• Salarisverwachting (bruto/netto, per maand/jaar, met valuta)
• Huidig salaris
• Uurloon (bij freelance/zzp)
• Reiskostenvergoeding of secundaire arbeidsvoorwaarden

Beschikbaarheid

• Startdatum
• Opzegtermijn
• Aantal uur per week (fulltime/parttime)
• Reisbereidheid

Professioneel

• Vaardigheden (gematcht tegen je CRM-taxonomie)
• Certificeringen
• Werkervaring (bedrijf, functie, duur)
• Opleidingsniveau
• Talen en niveau

Persoonlijk

• Hobby’s en interesses
• Gezinssituatie (indien relevant en gedeeld door kandidaat)
• Persoonlijke motivatie en waarden

Impact op je CRM-kwaliteit

Het meest onderschatte probleem in recruitment is de kwaliteit van CRM-data. De meeste CRM’s zijn een janboel van lege velden, verouderde informatie, en inconsistente notaties. “65k” in het ene record, “65.000” in het andere, “circa 65” in het derde.

Simply lost dit op door alle geextraheerde data te formatteren volgens de regels van je CRM. Als je salarisveld een numeriek veld is, komt er een getal in. Als je vaardigheden-veld een picklist is, worden alleen waarden uit die picklist gebruikt. Geen vrije tekst, geen inconsistenties.

Na zes maanden Simply is je CRM-data schoner dan het ooit is geweest. Niet omdat je er meer tijd aan besteedt, maar minder.

Van data naar beslissingen

Gestructureerde data in je CRM opent mogelijkheden die met ongestructureerde notities onmogelijk zijn:

• Matching: zoek automatisch kandidaten die voldoen aan een specifiek profiel (salaris, locatie, vaardigheden, beschikbaarheid)
• Rapportage: wat is de gemiddelde salarisverwachting in de IT-sector dit kwartaal? Hoe lang is de gemiddelde opzegtermijn bij senior kandidaten?
• Automatisering: trigger workflows op basis van datavelden (kandidaat beschikbaar binnen twee weken? Automatisch op shortlist)

Gecombineerd met dashboards en rapportages kun je patronen zien over je gehele database heen. Welke vaardigheden worden het vaakst genoemd? Stijgen of dalen salarisverwachtingen? Hoeveel kandidaten zijn direct beschikbaar versus over drie maanden?

Waar de geextraheerde data landt

Simply schrijft geextraheerde data direct naar het kandidaatdossier. Geen sync-vertraging en geen tweede systeem dat je bij moet houden, want Simply is het bronsysteem: de extractie en het dossier zijn hetzelfde product. De veldmapping configureer je zelf: jij bepaalt welke Simply-output naar welk veld gaat, ook naar de velden die je zelf aan het model hebt toegevoegd.

Wat wel naar buiten koppelt, zijn de tools rond het gesprek — Gmail, Outlook, Google Agenda, Zoom, Slack en HubSpot — zodat mail, agenda en meetings aan datzelfde dossier hangen. En als je specifieke wensen hebt die niet standaard worden ondersteund, biedt Simply API-maatwerk opties.

Gestructureerde data als basis voor voorspellend recruiten

Wanneer je gestructureerde data consequent verzamelt over honderden gesprekken, ontstaan voorspellende mogelijkheden. Je kunt analyseren welke combinatie van vaardigheden, ervaring en salarisverwachtingen het vaakst leidt tot een succesvolle plaatsing bij een specifiek type opdrachtgever. Die patronen zijn onzichtbaar in ongestructureerde samenvattingen, maar worden helder zodra de data gestandaardiseerd is.

Een concreet voorbeeld: stel dat je gestructureerde data laat zien dat kandidaten met meer dan vijf jaar ervaring in supply chain management en een salarisverwachting tussen 65.000 en 75.000 euro een plaatsingspercentage van 82% hebben bij logistieke bedrijven in de Randstad. Die informatie stelt je in staat om bij een nieuwe vergelijkbare vacature direct de meest kansrijke kandidaten te identificeren, nog voordat het eerste gesprek is gevoerd.

Dit transformeert recruitment van een reactief naar een proactief proces. In plaats van wachten op de juiste kandidaat, kun je voorspellen welke kandidaten in je bestand de hoogste slagingskans hebben voor elke nieuwe opdracht. Gestructureerde data is de brandstof die dit mogelijk maakt.

Data-kwaliteit bewaken bij gestructureerde extractie

Gestructureerde data is alleen waardevol als de kwaliteit consistent is. Simply gebruikt een validatiesysteem met groen/oranje indicatoren om de betrouwbaarheid van elke geextraheerde waarde aan te geven. Groen betekent dat het systeem een hoge zekerheid heeft over de correctheid van de data. Oranje betekent dat menselijke verificatie wordt aanbevolen.

Dit validatiesysteem voorkomt dat onnauwkeurige data automatisch in je CRM belandt. Een salarisverwachting die de kandidaat aarzelend noemde of waar onduidelijkheid over bestond, wordt gemarkeerd voor review. Een beschikbaarheidsdatum die expliciet werd bevestigd, gaat direct door. Zo behoud je de snelheid van automatisering zonder de nauwkeurigheid op te offeren.

De investering in gestructureerde data-extractie betaalt zich terug zodra je database groot genoeg is om patronen te herkennen. Dat kantelpunt ligt voor de meeste bureaus rond de vijfhonderd verwerkte gesprekken. Vanaf dat moment worden de voorspellende inzichten concreet en bruikbaar voor dagelijkse beslissingen.