Samenvatting
Waarom raken sommige vacatures maar niet ingevuld? Onderzoekers van KU Leuven en VDAB gingen op zoek naar het antwoord met behulp van explainable AI. Door meer dan een half miljoen vacatures te analyseren, ontdekten ze welke factoren bepalen of een job snel of traag ingevuld raakt — van de toon en duidelijkheid van vacatureteksten tot het vermelden van loon of ervaringseisen. Hun bevindingen geven werkgevers en beleidsmakers concrete inzichten om vacatures aantrekkelijker te maken, het rekruteringsproces te versnellen en de krapte op de arbeidsmarkt slimmer aan te pakken.
Hoe big data en explainable AI werkgevers én beleid helpen om sneller tot betere matches te komen
Vacatures die maar niet ingevuld raken zijn niet alleen een bron van frustratie voor werkgevers, ze hebben ook een duidelijke kost voor economie en samenleving. Dankzij AI kunnen we vandaag veel beter begrijpen welke factoren daarbij een rol spelen. Binnen een leerstoel waarvan Sarah Vansteenkiste promotor is, onderzocht ze samen met Wouter Dossche, wijlen Bart Baesens en Wilfried Lemahieu meer dan een half miljoen vacatures. Door die enorme dataset met slimme algoritmes te analyseren, kwamen patronen aan het licht die werkgevers en HR-professionals helpen hun vacatures aantrekkelijker te maken én sneller de juiste match te vinden.
Toen ik Sarah Vansteenkiste sprak, kwam ze net terug van de Leuven.AI-conferentie, een feestje voor wie van toekomstdenken en slimme technologie houdt. Die conferentie vierde niet alleen 600 jaar KU Leuven, maar ook 70 jaar AI, en bracht knappe koppen van over de hele wereld samen. Op het podium passeerden klinkende namen: Pieter Abbeel (UC Berkeley, pionier in machine learning en robotica), Sophie Vandebroek (voormalig CTO van Xerox en IBM, met een neus voor innovatie en industriële toepassingen), Guy Van den Broeck (UCLA, specialist in probabilistisch redeneren en explainable AI) en Mark Coeckelbergh (Universiteit van Wenen, filosoof die kritisch kijkt naar de ethiek en impact van AI). Samen zorgden ze voor een mix van technische doorbraken en ethische reflecties, precies de combinatie die het gesprek over AI zo boeiend maakt.
AI die niet alleen voorspelt, maar ook uitlegt
Na de conferentie in Leuven schakelde Sarah meteen over naar haar eigen onderzoekswerk. Ze deelde trots een nieuwe studie met haar doctoraatsstudent Wouter Dossche, mee begeleid door prof. Bart Baesens en prof. Wilfried Lemahieu in samenwerking met VDAB. Daarin werden meer dan 500.000 vacatures geanalyseerd. Met explainable machine learning konden ze nauwkeurig voorspellen welke vacatures moeilijk ingevuld raken én zicht geven op bepalende factoren, van de helderheid van vacatureteksten tot het vermelden van looninformatie. In een krappe arbeidsmarkt zijn zulke inzichten bijzonder waardevol. “Dankzij explainable AI weet je niet enkel dát een vacature moeilijk invulbaar is, maar ook wat je eraan kan doen.” vertelde ze me. Ik vroeg haar wat dit concreet betekent voor HR-praktijk en werkgevers.
De aanleiding
Waarom dit onderzoek noodzakelijk was en welke vragen centraal stonden
De aanleiding voor dit onderzoek was heel concreet: “We zien dat in Vlaanderen heel wat vacatures moeilijk ingevuld raken. Dat is niet alleen frustrerend voor werkgevers, maar ook duur en slecht voor de economie. Wij vroegen ons af: kunnen we met slimme data-analyse sneller voorspellen waar de pijnpunten zitten? Waar het meeste onderzoek zich focust op de werkzoekenden, belichten we in dit onderzoek de kant van de werkgever. Hoe een vacaturetekst geschreven is, welke eisen je stelt en of je looninformatie vermeldt, maakt een groot verschil. Dankzij VDAB konden we meer dan een half miljoen vacatures analyseren, en met geavanceerde technieken zoals XGBoost en SHAP zagen we dat die teksten en zelfs latente bedrijfskarakteristieken sterke voorspellers zijn voor knelpuntvacatures. Met die inzichten kunnen we werkgevers en beleid echt handvaten geven om sneller in te grijpen.”
De aanpak
Van klassieke statistiek naar geavanceerde algoritmes en tekstanalyse
Wat dit onderzoek bijzonder maakt, is dat het niet vertrok vanuit klassieke statistiek, maar gebruik maakte van moderne AI-technieken die veel beter omgaan met grote en uiteenlopende datasets. Daardoor konden de onderzoekers veel nauwkeuriger voorspellen welke vacatures het risico lopen om lang open te blijven. Een belangrijk element was de analyse van de vacatureteksten zelf. Die werden opgesplitst in onderdelen – titel, beschrijving, vereisten en aanbod – om te zien welke kenmerken voorspellend zijn. Denk bijvoorbeeld aan de lengte van de tekst, het vermelden van loon of hoe sterk een tekst lijkt op andere vacatures binnen hetzelfde beroep. Ook de dataset zelf was uitzonderlijk: meer dan een half miljoen vacatures, gespreid over jaren en sectoren. Dat liet toe om brede trends bloot te leggen én om ook kenmerken van bedrijven, zoals hun aanwervingsgeschiedenis, mee te nemen.
Sarah licht toe: “Voor dit onderzoek hebben we gebruikgemaakt van XGBoost, een moderne AI-techniek die je kan zien als een heel slimme beslissingsboom. Klassieke statistiek kijkt vaak naar één verband tegelijk, maar XGBoost combineert honderden van die kleine ‘boompjes’ en leert uit allerlei soorten gegevens tegelijk, denk aan kenmerken van de vacaturetekst, het bedrijf en de job zelf. Daardoor kan het veel beter voorspellen welke vacatures moeilijk ingevuld zullen raken.Maar een model dat alleen een voorspelling geeft, zonder uitleg, daar heeft niemand veel aan. Daarom hebben we gewerkt met explainable AI. Dat betekent dat je niet enkel weet dát een vacature moeilijk in te vullen zal zijn, maar ook waarom. Het model toont welke factoren het zwaarst doorwegen, bijvoorbeeld dat een onduidelijke jobomschrijving of het ontbreken van looninformatie de kans op problemen vergroot. Zo krijg je als werkgever niet alleen een waarschuwing, maar ook concrete aanknopingspunten om je vacature aantrekkelijker te maken.”
Wat meer dan 500.000 vacatures ons verklappen
De factoren die bepalen of een vacature snel of juist heel moeizaam ingevuld raakt
“Wat meteen opviel in ons onderzoek,” legt Sarah uit, “is dat de aanwervingsgeschiedenis van een bedrijf een sterke voorspeller is. Als je in het verleden al moeite had om functies ingevuld te krijgen, dan herhaalt dat patroon zich vaak. Dat betekent dat het loont om te leren uit eerdere rekruteringsrondes en die kennis actief in te zetten.”
Tip: kijk kritisch naar eerdere vacatures die moeilijk ingevuld raakten en stel jezelf de vraag wat je deze keer anders kan doen.
“Daarnaast zagen we dat ook bedrijfskenmerken meespelen. Kandidaten lijken feilloos aan te voelen hoe aantrekkelijk of stabiel een werkgever is. Bedrijven met een minder sterke reputatie of financiële gezondheid trekken minder reacties.”
Tip: investeer in je employer branding en communiceer duidelijk over de sterktes van je organisatie, zeker als je rechtstreekse concurrentie voelt van andere werkgevers.
De analyse van de vacatureteksten leverde misschien wel de meest bruikbare inzichten op. “Standaardformuleringen of hele lange, vage teksten schrikken eerder af,” zegt Sarah. “Wat werkt, is een duidelijke en concrete omschrijving, waar je als kandidaat snel begrijpt wat er verwacht wordt.”
Tip: hou je vacaturetekst overzichtelijk, vermijd jargon en wees helder over wat de functie inhoudt.
Een opvallend detail is het vermelden van looninformatie. “We zagen een duidelijk effect: vacatures waarin het loon concreet vermeld wordt, krijgen sneller respons,” vertelt Sarah.
Tip: transparantie loont, vermeld het loon of tenminste een realistische vork, zodat kandidaten weten waar ze aan toe zijn.
Ook de ervaringseisen verdienen aandacht. “Te strenge of uitgebreide vereisten werken ontmoedigend. Soms vragen werkgevers eigenlijk meer dan strikt noodzakelijk is.”
Tip: denk na of alle eisen echt nodig zijn en formuleer ze niet zwaarder dan de job vereist.
Tot slot blijken ook praktische elementen een rol te spelen. “Wanneer een bedrijf plots heel veel vacatures tegelijk online zet, schrikt dat af. En kandidaten reageren vaker op vacatures die rechtstreeks door de werkgever zelf geplaatst zijn, in plaats van via een tussenpartij.”
Tip: spreid je vacatures waar mogelijk en toon een rechtstreeks gezicht als werkgever. Dat wekt vertrouwen.
Van datalab naar HR-kantoor
De vertaalslag van academisch onderzoek naar concrete inzichten
Volgens Sarah zijn de inzichten uit het onderzoek niet alleen interessant vanuit academisch oogpunt, maar vooral bruikbaar in de praktijk. “Werkgevers kunnen er vandaag al iets mee,” legt ze uit. “Het vermelden van loon, een heldere en vlot leesbare tekst, het vermijden van standaardformuleringen… het zijn misschien geen spectaculaire ingrepen, maar ze hebben een zichtbaar effect.”
Ook voor VDAB liggen er volgens haar kansen. “Als VDAB op basis van deze inzichten sneller kan signaleren welke vacatures risicovol zijn, dan kunnen ze werkgevers proactief ondersteunen. Een eenvoudige tip over een tekst die te vaag is of eisen die te streng geformuleerd zijn, kan een groot verschil maken.”
En sommige sectoren hebben daar meer baat bij dan andere. “Vooral in beroepen waar al jarenlang tekorten spelen, denk aan techniek en zorg, kan dit echt een hefboom zijn. We lossen de krapte er niet mee op, maar we kunnen wel zorgen dat vacatures sneller en slimmer ingevuld raken. Dat maakt voor werkgevers én voor werkzoekenden een groot verschil.”
Waar HR en AI elkaar ontmoeten
De leerstoel die HR, arbeidsmarkt expertise en big data-onderzoek bundelt
Dit onderzoek staat overigens niet op zichzelf, maar maakt deel uit van een langlopende samenwerking binnen een leerstoel van VDAB waar Sarah Vansteenkiste promotor van is. Samen met wijlen professor Bart Baesens (KU Leuven & University of Southampton) en professor Wilfried Lemahieu (KU Leuven) brengt ze haar kennis over HR en arbeidsmarkt samen met hun expertise in big data en AI. “Die multidisciplinaire aanpak is de kern van de leerstoel,” legt Sarah uit. “We combineren inzichten uit HR met geavanceerde data-analyse en begeleiden daarbij ook jonge onderzoekers, zoals het doctoraat van Wouter Dossche. En dat is meteen ook een tip naar bedrijven: betrek altijd de juiste mix van expertises, afhankelijk van het vraagstuk dat je wilt oplossen.”
Eerder kwam uit deze samenwerking al een studie voort die met behulp van explainable AI voorspelde welke werkzoekenden een groter risico lopen om langdurig werkloos te blijven. Het model keek niet enkel naar klassieke factoren zoals werkervaring, opleidingsniveau of taalkennis, maar ook naar subtielere signalen zoals de online activiteit van werkzoekenden. Dat bleek verrassend waardevol: of iemand zijn cv updatet of actief vacatures bekijkt, zegt veel over motivatie en zoekintensiteit. Dankzij die aanpak kreeg VDAB niet enkel een score, maar ook inzicht in waarom iemand risico liep, dat zijn cruciale informatie om werkzoekenden gerichter te ondersteunen.
Intussen wordt de samenwerking verder uitgebouwd met nieuwe toepassingen, zoals het detecteren van opkomende competenties en het clusteren van vaardigheden tot bruikbare profielen. Sarah benadrukt dat dit soort onderzoek niet alleen wetenschappelijk interessant is, maar ook maatschappelijk en economisch relevant. “We hebben via VDAB toegang tot een unieke dataset van meer dan een half miljoen vacatures, en we werken met een van de sterkste AI-teams in Europa. Dat laat ons toe om inzichten te ontwikkelen die werkgevers, sectoren en beleidsmakers meteen kunnen gebruiken. Uiteindelijk is dat waar het om gaat: onderzoek dat impact heeft, zowel voor bedrijven als voor de samenleving.”
In de toekomst zou Sarah graag nog onderzoeken hoe werkzoekenden hun zoekstrategie het best afstemmen. “Aan het begin van een werkloosheidsperiode is het vaak effectiever om te solliciteren op functies die nauw aansluiten bij eerdere ervaring, dat blijkt ook uit literatuurstudies. Maar de vraag is wanneer het beter wordt om breder en flexibeler te zoeken. Daarbij speelt nog een extra uitdaging: werkgevers kijken vaak met argwaan naar kandidaten die buiten hun vertrouwde domein solliciteren en straffen dat soms zelfs af. Het raakt rechtstreeks aan het beleid rond werkloosheidsuitkeringen en aan de rol van begeleiding: moeten mensen aangemoedigd worden om out-of-the-box te solliciteren, of net niet?”
+++
Meer lezen
Dossche, W., Vansteenkiste, S., Baesens, B., Lemahieu (2025). Anticipating delays in recruitment: Explainable machine learning for the prediction of hard-to-fill online job vacancies. European Journal Of Operational Research
Dossche, W., Vansteenkiste, S., Baesens, B., Lemahieu, W. (2024). Interpretable and Accurate Identification of Job Seekers at Risk of Long-Term Unemployment: Explainable ML-Based Profiling. SN Computer Science, 5, Art.No. 536, 1-17.
Over Steunpunt Werk
Steunpunt Werk is een draaischijf voor het verspreiden van arbeidsmarktinformatie en heeft een ruim aanbod aan cijfers, onderzoek, publicaties en interactieve dashboards waar je als HR professional mee aan de slag kan om jouw HR beleid mee vorm te geven.
In memoriam
Op 6 augustus 2025 overleed professor Bart Baesens, gewoon hoogleraar aan de Faculteit Economie en Bedrijfswetenschappen van KU Leuven. Hij was een uitzonderlijk docent en onderzoeker, met een aanstekelijk enthousiasme en een diepe passie voor zijn vak. Zijn werk in big data en beleidsinformatica had wereldwijde impact, maar wie hem kende, herinnert zich vooral zijn warmte, humor en betrokkenheid bij studenten en collega’s. Hij was een vertrouwd gezicht in de gangen van de faculteit, een steun en inspirator voor velen. “Hij was echt een toppersoon, met veel humor, en hij wordt enorm gemist. Onze samenwerking was een mooi voorbeeld van hoe je HR-vraagstukken multidisciplinair kan aanpakken, met zowel HR-expertise als big data en AI. Dat blijft voor mij een inspiratie,” zegt Sarah Vansteenkiste. Bart laat een grote leegte achter, maar ook een blijvende indruk door de manier waarop hij mensen wist te raken. Onze gedachten gaan uit naar zijn familie, vrienden, collega’s en studenten.
