Mogen personeelsdossiers worden gebruikt voor het trainen van een machine learning model?
Heb jij een interessante vraag op het snijvlak van privacy, cybersecurity en recht? Stuur je vraag naar juridischevraag@security.nl. Elke week geeft ict-jurist Arnoud Engelfriet in deze rubriek antwoord.
Juridische vraag: Binnen het bedrijf waar ik Privacy Officer ben, heb ik de vraag gekregen of wij gegevens van personeelsdossiers mogen gebruiken voor het trainen van een machine learning model dat zoekt naar oorzaken van verloop van medewerkers. Uiteraard worden namen en adressen weggelaten, maar desondanks worstel ik met de vraag of dit wel mag gezien doelbinding, informatieplichten en proportionaliteit?
Antwoord: Er zijn grofweg twee manieren om op basis van persoonsgegevens een machine-learning analyse te doen:
1. Binnen de AVG, waarbij je te maken krijgt met beperkingen zoals doelbinding en grondslagen.
2. Buiten de AVG, waarbij die beperkingen niet gelden maar je wel écht anonieme data moet hebben.
Het idee dat je door namen en adressen weg te laten "anonieme" gegevens krijgt, is natuurlijk volstrekt naïef. Gegevens blijven persoonsgegevens zolang je ze nog direct of indirect terug kunt vertalen naar de personen. Een lijst van bijvoorbeeld verzuimdata over de jaren 2021-2023 is uniek voor een specifieke medewerker, en daarmee ook een persoonsgegeven als je diens naam of personeelsnummer weglaat.
De standaard truc is om die data vervolgens te gaan husselen, zodat het niet meer het patroon van een specifieke werknemer is. Dan heb je de data in AVG-termen echt geanonimiseerd, alleen heb je dan ook meteen alle waardevolle informatie weggegooid want het gaat juist om patroonanalyse om te herkennen waar verloop aan kan liggen. Ik zie dan ook niet hoe je dit kunt doen buiten de AVG om.
Binnen de AVG is het een stuk lastiger. Doelbinding wordt snel genoemd: die HR-gegevens (zoals in- en uitkloktijden) verzamelde je voor een heel ander doel. Alleen bepaalt artikel 5 lid 1 sub b AVG dat specifiek bij gebruik voor statistische doeleinden er géén sprake is van onverenigbaarheid. Maar de overige bepalingen van de AVG blijven gewoon staan, zoals recht van inzage en verwijdering en natuurlijk uitleg over wat je doet met die gegevens.
Te overwegen is dan ook dit uit te besteden bij een extern bureau. Die kunnen via artikel 44 Uitvoeringswet AVG de rechten van inzage (artikel 15 AVG), correctie (artikel 16 AVG) en beperking (artikel 18 AVG) buiten toepassing laten wanneer zij voorzieningen hebben getroffen om te zorgen dat de gegevens ook werkelijk alleen voor hun onderzoeksdoeleinden worden gebruikt. Dit maakt de praktijk iets makkelijker.
Een algemeen probleem blijft natuurlijk de betrouwbaarheid van zo'n data-analyse, zeker als je dat doet op basis van data van één bedrijf. Zorgen voor goede statistische betrouwbaarheid is ook een AVG eis (juistheid, behoorlijkheid, art. 5) en wie met kleine datasets statistiek bedrijft, kan daar flink de neus tegenaan stoten.
Arnoud Engelfriet is Ict-jurist, gespecialiseerd in internetrecht waar hij zich al sinds 1993 mee bezighoudt. Hij werkt als partner bij juridisch adviesbureau ICTRecht. Zijn site Ius mentis is één van de meest uitgebreide sites van Nederland over internetrecht, techniek en intellectueel eigendom. Hij schreef twee boeken, De wet op internet en Security: Deskundig en praktisch juridisch advies.
Daarnaast vraag of je een exwerknemer na 6 maanden nog eens mag interviewen, etc.
Het valt mij op dat HR overal zo lui en dommig is. Hoe komt dat toch?
Ik dacht dat ik de enige was die dat dacht.
Daarnaast vraag of je een exwerknemer na 6 maanden nog eens mag interviewen, etc.
Bepaal JIJ dat??? Veel mensen zullen een persoonlijk gesprek heel wat invasiever ervaren dan dat er een computer in hun dossier kijkt om daar een statistisch model uit af te leiden.
Maar dat zal wel teveel gevraagd zijn.
Daarnaast vraag of je een exwerknemer na 6 maanden nog eens mag interviewen, etc.
Bepaal JIJ dat??? Veel mensen zullen een persoonlijk gesprek heel wat invasiever ervaren dan dat er een computer in hun dossier kijkt om daar een statistisch model uit af te leiden.
Dat kan kloppen, maar aan de andere kant kan een exit-gesprek veel meer informatie verstrekken die helemaal niet in een persooneelsdossier voorkomt. Een beschrijving van de sfeer op de afdeling, oogcontact, de wijze waarop de persoon spreekt en zich opstelt in het exit-gesprek (geaggiteerd, ontwijken van antwoorden, met stemverheffing praten), dingen vertellen die voor HR volstrekt nieuw zijn (meegemaakt toen een vrouw vertrok vanwege avances van een vent, maar waar ze nooit over heeft gesproken en wat dus ook niet in de personeelsdossiers staat), al dan niet verkeerde interpretaties door de werkgever of werknemer over hoog oplopende zaken etc.
Daarnaast is het aan jou als HR medewerker (of net wie dat gesprek uitvoert; niet de manager die de reden is dat je je spullen pakt) om de persoon tegenover je hierin goed te begeleiden. Weinig mensen kunnen een goed exit-gesprek voeren. Het vereist ervaring, inlevingsvermogen, het tussen de regels door kunnen "lezen" en nog een hoop andere eigenschappen die managers, die de oorzaak zijn van vertrekkende personeelsleden, vaak niet bezitten.
Dit is grijpen naar de nieuwste technologische hype om magischerwijs de juiste informatie te achterhalen die je veel beter face-to-face kunt achterhalen. Het vereist alleen wel kennis, kunde, tijd, voorbereiding en aandacht, iets waar het bij sommige HR-afdelingen aan ontbreekt.
Daarnaast vraag of je een exwerknemer na 6 maanden nog eens mag interviewen, etc.
Bepaal JIJ dat??? Veel mensen zullen een persoonlijk gesprek heel wat invasiever ervaren dan dat er een computer in hun dossier kijkt om daar een statistisch model uit af te leiden.
Wat staat er dan aan relavante informatie vover iemands vertrek in zo'n dossier? (zonder een gesprek gevoerd te hebben)
Als iemand uit zichzelf vertrekt, dan is het maar de vraag of de aanleiding daarvan terug te vinden is in zijn dossier.
Daar zul je al snel een exit-gesprek oid voor nodig hebben. IMHO
Ik dacht dat ik de enige was die dat dacht.
Kan machine learning worden ingezet om de dommigheid van HR te onderzoeken en te kijken waar dit vandaan komt? ;-)
Daarnaast vraag of je een exwerknemer na 6 maanden nog eens mag interviewen, etc.
Bepaal JIJ dat??? Veel mensen zullen een persoonlijk gesprek heel wat invasiever ervaren dan dat er een computer in hun dossier kijkt om daar een statistisch model uit af te leiden.
Dat kan kloppen, maar aan de andere kant kan een exit-gesprek veel meer informatie verstrekken die helemaal niet in een persooneelsdossier voorkomt. Een beschrijving van de sfeer op de afdeling, oogcontact, de wijze waarop de persoon spreekt en zich opstelt in het exit-gesprek (geaggiteerd, ontwijken van antwoorden, met stemverheffing praten), dingen vertellen die voor HR volstrekt nieuw zijn (meegemaakt toen een vrouw vertrok vanwege avances van een vent, maar waar ze nooit over heeft gesproken en wat dus ook niet in de personeelsdossiers staat), al dan niet verkeerde interpretaties door de werkgever of werknemer over hoog oplopende zaken etc.
Daarnaast is het aan jou als HR medewerker (of net wie dat gesprek uitvoert; niet de manager die de reden is dat je je spullen pakt) om de persoon tegenover je hierin goed te begeleiden. Weinig mensen kunnen een goed exit-gesprek voeren. Het vereist ervaring, inlevingsvermogen, het tussen de regels door kunnen "lezen" en nog een hoop andere eigenschappen die managers, die de oorzaak zijn van vertrekkende personeelsleden, vaak niet bezitten.
Dit is grijpen naar de nieuwste technologische hype om magischerwijs de juiste informatie te achterhalen die je veel beter face-to-face kunt achterhalen. Het vereist alleen wel kennis, kunde, tijd, voorbereiding en aandacht, iets waar het bij sommige HR-afdelingen aan ontbreekt.
De vraag is ook: wat wil je? Alleen maar weten of je meer salaris moet betalen of meer vakantiedagen, of ben je als bedrijf werkelijk geïnteresseerd in wat je medewerkers beweegt? Wil je werkelijk een veilige werkplek? Wil je weten (reactie Johanw 14:47) of je bedrijf wel bereikbaar is (afstand, openbaar vervoer)? Dat soort dingen die je niet zo maar uit een AI analyse van personeelsdossiers haalt want de dingen die mensen echt dwars zitten komen daar niet in zolang de medewerker er nog werkt...
Dan hoef ik daar alvast niet te werken...
Ik dacht dat ik de enige was die dat dacht.
Kwaliteitsmanager hier: HR heeft het erg druk en is onderbezet, net als de IT afdeling, en de afdeling Kwaliteit. Dan doe je wat je kunt en hoop je dat het verder niet al te erg misgaat. Mooier gezegd: je past risico-management toe.
HR is niet dom, en als ze ongetraind blijken te zijn op het gebied van privacy, dan heeft je PO en je management een mooie taak om uit te voeren
Kiest management voor geld-verdienen in plaats van netjes werken, dan is ook dat een risico-aanvaarding. Management is ook niet dom, management neemt de risico's, die soms goedkoop uitvallen, en soms ook heel duur...
Daarnaast vraag of je een exwerknemer na 6 maanden nog eens mag interviewen, etc.
Bepaal JIJ dat??? Veel mensen zullen een persoonlijk gesprek heel wat invasiever ervaren dan dat er een computer in hun dossier kijkt om daar een statistisch model uit af te leiden.
Wat staat er dan aan relavante informatie vover iemands vertrek in zo'n dossier? (zonder een gesprek gevoerd te hebben)
Als iemand uit zichzelf vertrekt, dan is het maar de vraag of de aanleiding daarvan terug te vinden is in zijn dossier.
Daar zul je al snel een exit-gesprek oid voor nodig hebben. IMHO
Als de dataset groot genoeg is om statistisch relevant te zijn kun je waarschijnlijk wel wat patronen gaan zien.
Een piek aan vertrekkers met 2-3 jaar werkervaring ? Misschien geen aantrekkelijke doorstroom, of het bedrijf fungeert als opleider voor juniors die vertrekken als ze medior worden .
Een piek aan vertrekkers die meerbeweegt met een bepaalde manager volgt (ook managers rouleren )
Een locatie met een afwijkend patroon aan vertrekkers ?
Correlatie tussen vertrekkers en opleidingsniveau ?
Zoals johanw benoemde - correlatie tussen vertrekkers en woon-werk afstand (gaat tegenvallen na een enthousiast begin ? andere levensfase, vrouwtje, kindje,) , of verplaatsing van standplaats .
Met voldoende data kun je patronen zien die niet altijd in een individueel gesprek naar voren komen.
Ook bij een top-top bedrijf kun je wel eens iemand hebben die elders nóg meer kan verdienen, of kiest voor work-life, of "toe aan nieuwe uitdaging" .
Is die manager een pestkop, of is de werknemer een luie donder die z'n conclusies getrokken heeft toen er eens echt gekeken werd of ie wel wat deed.
Het lastige van 1:1 "anekdotes" , qua exit gesprek is je afvragen of het een uitzondering is, of een voorbeeld van een echt patroon.
Ik krijg ook veel jeuk van hippe modieuze 'machine learning' , maar statistiek om grotere patronen te zien is niet belachelijk.
Daarnaast vraag of je een exwerknemer na 6 maanden nog eens mag interviewen, etc.
Bepaal JIJ dat??? Veel mensen zullen een persoonlijk gesprek heel wat invasiever ervaren dan dat er een computer in hun dossier kijkt om daar een statistisch model uit af te leiden.
Wat staat er dan aan relavante informatie vover iemands vertrek in zo'n dossier? (zonder een gesprek gevoerd te hebben)
Als iemand uit zichzelf vertrekt, dan is het maar de vraag of de aanleiding daarvan terug te vinden is in zijn dossier.
Daar zul je al snel een exit-gesprek oid voor nodig hebben. IMHO
Ja maar nu schiet je het doel van die hele actie voorbij. Je gaat immers niet met het hele personeelsbestand proactief exit-gesprekken voeren.
Wat dat bedrijf uiteraard wil is een PATROON herkennen in elementen die WEL in ieder personeelsdossier staan, en dan kijken of de dossiers die uiteindelijk eindigen in een exit een ander patroon hebben dan degenen voor wie dat niet gebeurt. En dan kijken of men dossiers kan vinden die sterk lijken (kwa patroon) op degenen waarin de persoon vertrokken is, en dan die werknemers apart benaderen om te kijken of dat nog bijgestuurd kan worden.
Dat is de manier waarop dit soort analyses werken. Gaan verzinnen dat de informatie niet relevant is dat kan iedereen, maar daar bereik je je doel niet mee. De kracht van brede data analyse is juist dat gegevens waarvan je zelf misschien denkt dat die niet relevant zijn, toch statistisch blijken dat WEL te zijn!
Wat staat er dan aan relavante informatie vover iemands vertrek in zo'n dossier? (zonder een gesprek gevoerd te hebben)
Als iemand uit zichzelf vertrekt, dan is het maar de vraag of de aanleiding daarvan terug te vinden is in zijn dossier.
Daar zul je al snel een exit-gesprek oid voor nodig hebben. IMHO
Ik heb al de grotere patronen statistiek genoemd.
Bedenk trouwens ook dat mensen ook in exit gesprekken niet vanzelf eerlijk zijn, en ook dan sociaal wenselijke antwoorden geven.
Voor jezelf toegeven dat je de (werk)druk niet aankon en iets rustigers zoekt ?
Ik heb me niet laten wegpesten door de manager, ik heb een betere baan gevonden .
Het voelt ondankbaar om je eerste werkgever - zeker als die ook nog in je geinvesteerd heeft - te laten gaan voor de' centen, dus verzin je een 'nette' reden .
En als je een twijfelkont bent (of gewoon vooruit kijkt) - dan ga je geen schepen achter je verbranden door ze 's ff goed de waarheid te zeggen , dus geef je ook de sociaal acceptabele antwoorden .
Allemaal redenen waarom een exit gesprek weliswaar nuttig maar niet heilig is .
Verder komt de vragensteller natuurlijk meteen terug : mag je machine learning gebruiken op de collectie exit gespreksverslagen ...
Als HR (zeker van een grotere toko - en dat moet hier haast wel, als het bestand groot genoeg voor relevante statistiek) kijk je of je _beleid_ aangepast moet worden .
Alleen de reden waarom JG Pietersen vertrok is nuttig, maar de vraag of dat structureel is .
Ja, dat probleem heb je ook met sociaal wenselijke antwoorden tijdens het exitgesprek, maar dat gesprek is redelijk goed te sturen om mogelijk toch waardevolle info te achterhalen.
Prima om op basis van machinelearning en onvolledige datasets besluiten te nemen, maar de vraag is hoe betrouwbaar die besluiten dan zijn en of je de plank in sommige gevallen niet volledig mis gaat slaan, waarmee voorbij wordt gegaan aan het doel van dit plan.
Daarnaast, hoe staaf je de uitkomsten van machinelearning? Machinelearning vindt iets en dus zal dat het dan wel zijn, met een bepaald betrouwbaarheidsinterval? "Oh, de vertrekkers wonen allemaal op 60 kilometer afstand, nou dan is afstand dus het probleem. Voortaan lokaal werven mensen."
Garbage in, garbage out, dat lost machinelearning niet op, zeker niet zonder corroboratie van de resultaten.
Dat is weer het bekende "dat gaat nooit 100% werken dus daar heb je niets aan" programmeurs antwoord!
Maar de rest van de wereld bekijkt dat op een andere manier.
Ja, dat probleem heb je ook met sociaal wenselijke antwoorden tijdens het exitgesprek, maar dat gesprek is redelijk goed te sturen om mogelijk toch waardevolle info te achterhalen.
Goh, interviewer stuurt (op basis van persoonlijk vooroordeel ?) en dan is het wel nuttige informatie voor je beleid , niet onvolledig , en geen ontbrekende data ?
En wat doe je met die berg exit gespreks verslagen - hoe haal je daar gemeenschappelijke factoren uit ?
Prima om op basis van machinelearning en onvolledige datasets besluiten te nemen, maar de vraag is hoe betrouwbaar die besluiten dan zijn en of je de plank in sommige gevallen niet volledig mis gaat slaan, waarmee voorbij wordt gegaan aan het doel van dit plan.
Tsja, niks is perfect..
Daarnaast, hoe staaf je de uitkomsten van machinelearning? Machinelearning vindt iets en dus zal dat het dan wel zijn, met een bepaald betrouwbaarheidsinterval? "Oh, de vertrekkers wonen allemaal op 60 kilometer afstand, nou dan is afstand dus het probleem. Voortaan lokaal werven mensen."
Bijvoorbeeld.
Het kan zeker van invloed zijn als je weer eens overweegt een lokatie te verhuizen en de mensen over te plaatsen.
Dat goedkope pand bij de Eemshaven is misschien niet zo geweldig als geen hond er wil komen werken.
En als je ziet dat vooral je mediors vertrekken moet je misschien naar je salaris en functie huis kijken voor die groep.
Of op z'n minst denken over een vervolgonderzoek waarom vooral die mensen weggaan en wat je eraan kunt doen.
Er zal wel een natte vinger gevoel zijn bij HR dat je bij een verhuizing een bepaald percentage 'churn' hebt , maar met voldoende data kun je daar wat concreter over zijn.
Ze doen (met dezelfde reden) ook typisch allerlei medewerkers tevredenheidsonderzoeken - ook dat geeft een bak data met ruis, interpretatie problemen en noem maar op.
Garbage in, garbage out, dat lost machinelearning niet op, zeker niet zonder corroboratie van de resultaten.
De basale gegevens in een PZ systeem zijn natuurlijk geen garbage ; Er zit geen 'meetruis' op leeftijd, in/uit dienst, naw, opleiding, management lijn, etc.
Perfect - natuurlijk niet , maar een beeld waar je verder naar moet kijken zal er , als je het goed doet, echt wel uitkomen.
Je bent niet ingelogd en reageert "Anoniem". Dit betekent dat Security.NL geen accountgegevens (e-mailadres en alias) opslaat voor deze reactie. Je reactie wordt niet direct geplaatst maar eerst gemodereerd. Als je nog geen account hebt kun je hier direct een account aanmaken. Wanneer je Anoniem reageert moet je altijd een captchacode opgeven.
Ketenregisseur Gedigitaliseerde Criminaliteit en Cybercrime
Ben jij er klaar voor om de leiding te nemen in het bevorderen van de regionale samen-werking in de strijd tegen gedigitaliseerde criminaliteit en cybercrime? Samen met collega's, politie en regionale en landelijke partners? Dan is de dynamische rol van Ketenregisseur Gedigitaliseerde Criminaliteit en Cybercrime bij het Regionaal Samenwerkingsverband Integrale Veiligheid (RSIV) jouw op het lijf geschreven!
IT Security Officer
Utrecht heeft jou nodig! Als Information Security Officer vertaal je beleid naar technische uitvoering. Dit is cruciaal voor het waarborgen van de informatiebeveiliging van onze inwoners. Je krijgt de kans om betrokken te zijn bij complexe projecten met de nieuwste technologieën en kunt jouw stempel drukken op innovatie. Solliciteer nu!
Digital Designer
Ben jij een Grafisch vormgever, UI-designer, Game-artist of gewoon een ‘self-proclaimed creative genius’, die op zoek is naar een leuke en uitdagende baan waarin je al je creativiteit kwijt kan?Je werkt samen met onze developers en UI/UX-designer aan onze Gamified Cybersecurity Challenges welke jij voorziet van de mooiste designs.
Senior Full Stack Developer
Als full stack developer bij Certified Secure maak je de mooiste cybersecurity challenges die onze deelnemers wereldwijd uitdagen en inspireren. Alle challenges zijn gebaseerd op actuele kwetsbaarheden, je komt dus telkens nieuwe technieken tegen, van machine learning tot web assembly, van Swift UI tot GCP.