Twee kandidaten op je scherm. Zelfde functietitel: “Project Manager”. Zelfde jaren ervaring: 6 jaar. Zelfde skills op LinkedIn: Agile, Scrum, Stakeholder management.
LinkedIn zegt: identiek. Je intuïtie zegt: check de werkgevers. Je googlet de bedrijfsnamen. 5 minuten later weet je: totaal verschillende profielen.
De ene werkt bij een IT scale-up. De ander bij een bouwbedrijf. Voor jouw IT-vacature is kandidaat A relevant. Kandidaat B niet.
Hoe vaak maak je dit mee? Elke week. Elke search. Je filtert op functietitel en locatie, maar de echte vraag blijft: welke werkgevers vertellen me of iemand past?
Het probleem met functietitels
Een functietitel zonder werkgeverscontext is betekenisloos.
“Project Manager” kan betekenen:
- IT projecten bij een SaaS scale-up (agile sprints, EUR 2M budget, multi-stakeholder)
- Bouwprojecten bij een aannemersbedrijf (watervalmethode, EUR 50M infrastructuur)
- Marketing campagnes bij een e-commerce bedrijf (2-weken sprints, cross-functioneel)
- Manufacturing projecten (lean, 6 sigma, supply chain optimalisatie)
Zelfde titel. Vier totaal verschillende functies. Verschillende methodiek, verschillende stakeholders, verschillende complexiteit.
De titel zegt wat iemand doet. De werkgever vertelt hoe en in welke context.
Zonder die context filter je blind. Je gooit kandidaat B in je shortlist omdat de titel klopt. Vervolgens blijkt in het gesprek dat de ervaring niet aansluit. Je hebt een uur verloren. De kandidaat heeft een uur verloren. De hiring manager vraagt: waarom is deze kandidaat voorgesteld?
Waarom context nu pas een oplossing heeft
Dit probleem bestaat al 20 jaar. Recruiters hebben altijd geweten dat werkgeverscontext belangrijk is. Waarom is het dan nooit opgelost?
Omdat het handmatig onmogelijk is.
Bij een search van 800 profielen zijn er gemiddeld 600-700 unieke werkgevers. Als je elke werkgever 5 minuten googlet, ben je 50-60 uur bezig. Voor één search.
Je kunt niet 50 uur besteden aan research voordat je begint met screenen. Dus screende je op titels. En miste je kandidaten.
Wat is er veranderd? Drie dingen:
- AI kan bedrijfsinformatie verwerken en analyseren in seconden
- Databases zoals Crustdata bevatten bedrijfsdata van 60+ miljoen organisaties
- NLP (Natural Language Processing) begrijpt nuance en context
SourceLens combineert deze drie. Het analyseert de laatste 8 werkgevers van een kandidaat op 18 dimensies. Automatisch. In 8 seconden per kandidaat.
De 18 dimensies die WEL vertellen wie iemand is
Wanneer je een kandidaat beoordeelt, wil je weten:
Bedrijf:
- Sector/industrie
- Bedrijfsgrootte (startup, MKB, corporate)
- Omzet en groeifase
Markt:
- B2B of B2C
- Klantsegment (Enterprise, Mid-market, SMB)
- Geografische focus (lokaal, EU, wereldwijd)
Product/Dienst:
- Type product (SaaS, on-premise, fysiek product, dienstverlening)
- Complexiteit van de propositie
Sales/Commercieel (voor commerciële functies):
- Verkoopmodel (inside sales, field sales, consultative, channel)
- Dealgrootte (transactioneel vs. enterprise)
- Salescyclus lengte (weken vs. maanden)
Werkwijze:
- Beslissnelheid (startup chaos vs. corporate proces)
- Ownership structuur (hoe zelfstandig werkt iemand)
- Cultuur (quota-gedreven vs. relatie-gedreven)
Deze 18 dimensies vertellen je niet alleen wat een kandidaat heeft gedaan, maar in welke context ze het hebben gedaan.
En context bepaalt of ervaring overdraagbaar is naar jouw vacature.
Case study: Project manager A vs project manager B
Stel: je zoekt een IT Project Manager voor een SaaS scale-up. Agile werkwijze, multi-stakeholder omgeving, snelle besluitvorming.
Je krijgt twee kandidaten:
Kandidaat A:
- Functie: Project Manager
- Werkgever: CloudBase (scale-up, 120 medewerkers)
- Context: SaaS platform, agile, 2-weken sprints, budget EUR 2M, multi-stakeholder (product, engineering, sales), 18-24 maanden projecten
Kandidaat B:
- Functie: Project Manager
- Werkgever: DeltaMech (bouwbedrijf, 800 medewerkers)
- Context: infrastructuurprojecten, watervalmethode, 3-5 jaar looptijd, budget EUR 50M, stakeholders (aannemers, gemeente, toezichthouders)
Zelfde titel. Zelfde jaren ervaring. Maar:
- Kandidaat A werkt in korte iteraties. Kandidaat B in lange planningsfasen.
- Kandidaat A schakelt dagelijks tussen product en sales. Kandidaat B met aannemers en overheid.
- Kandidaat A werkt met budget EUR 2M. Kandidaat B met EUR 50M (totaal andere schaal en verantwoordelijkheid).
Voor jouw IT scale-up vacature is kandidaat A relevant. Kandidaat B niet.
Zonder werkgeverscontext zie je alleen “Project Manager, 6 jaar ervaring, Agile”. Met werkgeverscontext zie je het verschil in 8 seconden.
Hoe je employer-context analyseert (handmatig vs automatisch)
Handmatige methode
- Open LinkedIn profiel
- Google elke werkgever
- Check website: wat doen ze, welke sector, hoe groot
- Zoek op LinkedIn: B2B of B2C, wie zijn hun klanten
- Probeer te achterhalen: verkoopmodel, complexiteit, werkwijze
- Noteer je bevindingen
- Herhaal voor volgende werkgever
Tijd per kandidaat: 5-10 minuten Tijd voor 100 kandidaten: 8-16 uur
Automatische methode (SourceLens)
- Exporteer LinkedIn profiel naar SourceLens (1 klik)
- AI analyseert laatste 8 werkgevers op 18 dimensies
- Werkgeverscontext wordt toegevoegd aan kandidaatprofiel
- Matching engine vergelijkt context met jouw vacature-criteria
- Matchingscore met onderbouwing per criterium
Tijd per kandidaat: 8 seconden Tijd voor 100 kandidaten: 13 minuten
Van 8-16 uur naar 13 minuten. Van gissen naar weten.
Waarom dit nu pas mogelijk is
Tien jaar geleden was dit science fiction. Wat is er veranderd?
Geavanceerde AI-modellen begrijpen bedrijfscontext uit ongestructureerde data. Ze kunnen een bedrijfswebsite analyseren en concluderen: “Dit is een B2B SaaS bedrijf met consultative inside sales, 12+ maanden salescyclus, enterprise klanten.”
Databases zoals Crustdata bevatten gestructureerde informatie over 60+ miljoen bedrijven wereldwijd. Sector, grootte, omzet, werknemersaantal, locatie.
NLP herkent nuance. Het verschil tussen “enterprise sales bij een SaaS bedrijf” en “transactionele sales bij een productbedrijf” is subtiel. AI snapt dat subtiele verschil.
SourceLens combineert deze drie technologieën. Het resultaat: instant werkgeverscontext voor elke kandidaat in je search.
Van functietitels naar werkgeverscontext
De oude werkwijze:
- Boolean search in LinkedIn op functietitel + locatie
- 800 profielen terugkrijgen
- Scrollen, profiel openen, werkgever googlen, beoordelen
- 3-4 uur later: 80 kandidaten in je shortlist
- Waarvan 40% eigenlijk niet relevant (blijkt later)
De nieuwe werkwijze:
- Boolean search in LinkedIn op functietitel + locatie
- Exporteer 800 profielen naar SourceLens (Chrome extensie, 2 minuten)
- AI analyseert werkgevers op 18 dimensies, matcht tegen jouw criteria
- 45 minuten later: 80 kandidaten met matchingscore en onderbouwing
- Shortlist is direct bruikbaar, relevantie 95%+
Stop met filteren op functietitels. Start met filteren op employer-context.
De kandidaat met de perfecte titel bij het verkeerde type bedrijf past niet. De kandidaat met een afwijkende titel bij het juiste type bedrijf past vaak wel.
Context bepaalt relevantie. Niet de titel.
Conclusie: Context is de nieuwe standaard
Functietitels zijn labels. Ze categoriseren. Maar ze vertellen niet het verhaal.
De werkgever vertelt het verhaal. De sector, het type organisatie, het verkoopmodel, de complexiteit. Dat is wat bepaalt of iemand aansluit bij jouw vacature.
Als corporate recruiter kun je niet voor elke functie de markt kennen. Als bureau medewerker bouw je jarenlang die kennis op. Als zelfstandige recruiter stap je regelmatig in onbekende sectoren.
Met werkgeverscontext is dat niet meer nodig. De context wordt automatisch toegevoegd. Voor elke kandidaat. Elke search. Elke functie.
Van 800 profielen naar 80 relevante kandidaten. Van gissen naar weten. Van functietitels naar employer-context.
Zie employer-context voor je volgende 100 kandidaten. Probeer SourceLens 14 dagen gratis → sourcelens.ai
Arthur Balabrega is oprichter van SourceLens en heeft 20 jaar ervaring in recruitment. Hij bouwde SourceLens omdat hij zag dat recruiters 90% van hun tijd besteden aan uitzoeken of werkgevers relevant zijn — tijd die beter besteed kan worden aan het daadwerkelijk spreken met kandidaten.