Wissenschaftlich fundiert
Wir arbeiten mit wissenschaftlich validierten Persönlichkeits- und Kulturmodellen, die eine hohe Erklärungskraft in Bezug auf Verhalten und Leistung haben
Weltweit einsetzbar
Unsere Modelle wurden mit einem demografisch vielfältigen Datensatz trainiert. Wir haben über 100.000 Menschen aus der ganzen Welt analysiert
Modelle ohne Vorurteile
Unsere Modelle sind blind gegenüber Alter, Geschlecht oder Hautfarbe. Wir stellen sicher, dass unsere Modelle menschliche Voreingenommenheit und Diskriminierungstendenzen ausschließen
Maschinelles Lernen
Wir verwenden ausschließlich überwachte verhaltensbasierte Machine-Learning-Modelle, die tatsächliches Verhalten statt Selbsteinschätzung analysieren
Wir bauen auf die Big 5 - dem Goldstandard der Persönlichkeitsforschung
Retorio basiert auf dem wissenschaftlich validierten Big-5-Modell (McCrae & John, 1992) – das wahrscheinlich einzige Persönlichkeitsmodell, über das ein wissenschaftlicher Konsens besteht. Das Big-5-Modell beschreibt die Persönlichkeit eines Menschen anhand von fünf Dimensionen: Offenheit, Gewissenhaftigkeit, Extraversion, Verträglichkeit und Neurotizismus.
Jede dieser Eigenschaften hat weitere beschreibende Unterdimensionen. Offenheit zum Beispiel basiert auf den Unterdimensionen intellektuelle Neugier, ästhetisches Interesse und kreative Vorstellungskraft.
Wir betrachten Persönlichkeit im Kontext von Unternehmenskultur
Die Unternehmenskultur spiegelt Verhaltensmuster und Einstellungen wider, die von den Mitgliedern einer Organisation (z. B. Einzelpersonen, Gruppen, Teams usw.) gelebt werden. Mit Retorio verwenden wir eine der vorherrschenden und am besten erforschten Taxonomien der Unternehmenskultur, die sich auf sieben verschiedene Facetten stützt (vgl. O'Reilly III et al., 1991).
Organisationsforscher:innen haben diese sieben kulturellen Facetten mit individuellen Merkmalen und Eigenschaften in Verbindung gebracht. Auf der Grundlage dieses Abgleichs können Persönlichkeitsmerkmale auf individueller Ebene zu einem Kulturmodell auf höherer Ebene aggregiert werden. Auf diese Weise können wir die Passung zwischen Person und Kultur bestimmen und abschätzen, ob sich eine Person in einer Organisationskultur eher oder eher weniger wohlfühlen wird. Empirische Untersuchungen legen nahe, dass Personen mit niedriger Kulturpassung ein Unternehmen mit wesentlich höherer Wahrscheinlichkeit verlassen als Personen mit hoher Passung.
Wir analysieren beobachtetes Verhalten anstelle von Selbsteinschätzung
Retorio beschreibt die Persönlichkeit auf der Grundlage von Verhaltensbeobachtungen und nicht auf der Grundlage herkömmlicher fragebogengestützter Selbsteinschätzungen. Fragebogenbasierte Persönlichkeitsbeurteilungen wie der Hogan HPI, NEO-PI-R usw. sind weit verbreitet. Es gibt jedoch (mindestens) zwei gute Gründe, sich stattdessen auf Beobachterbewertungen zu verlassen.
Beobachterbewertungen sind weniger anfällig für Spielereien und Manipulationen
Im Rahmen unserer früheren Forschung haben wir häufig Teilnehmer:innen beobachtet, die ihre Eigenschaften überschätzten, um ihre Chancen auf eine Einstellung oder Beförderung zu erhöhen. Bei herkömmlichen Fragebögen genügen ein paar absichtlich falsch gesetzte Kreuze auf einem Blatt Papier, um eine völlig andere Person zu werden.
Im Gegensatz dazu stützen sich die Bewertungen von Beobachter:innen auf beobachtbares Verhalten und tatsächliche Leistungen. Natürlich können auch die Bewertungen von Beobachtenden in gewissem Maße manipuliert werden. Eine Person, die erfolgreich vorgibt, ein großartiger Redner zu sein, kann als ein großartiger Sprecher angesehen werden; ein versteckter Introvertierter, der keine Probleme hat, auf andere Menschen zuzugehen, verdient es, als "falsch" extrovertiert eingestuft zu werden.Beobachterbewertungen sagen künftiges Verhalten (und damit Leistung) zuverlässig voraus
Die Wissenschaft unterstützt die Anwendung von Beobachterbewertungen anstelle von Selbsteinschätzungen. In einem Arbeitskontext haben Beobachterbewertungen eine höhere Vorhersagekraft als Selbsteinschätzungen (Mount et al., 1994).
Gleichzeitig kann die Persönlichkeit auch von Fremden zuverlässig eingeschätzt werden. Die Forschung zeigt, dass Fremde bereits nach 50 Millisekunden, in denen sie einem Gesicht ausgesetzt sind, die Extraversion korrekt vorhersagen können (Borkenau et al., 2009). Für andere Big-5-Persönlichkeitsdimensionen wie Verträglichkeit oder Gewissenhaftigkeit wurden ähnliche Effekte nach 20-30 Sekunden festgestellt (Kogan et al., 2011). Das Zeigen von kurzen Videoclips (z. B. 30 Sekunden) reicht aus, um zuverlässige Urteile zu bilden, die eine Vorhersagekraft in Bezug auf die Arbeitsleistung haben (Ambady et al., 2006; Ambady & Rosenthal, 1993).
Unser Ansatz des maschinellen Lernens und unsere Trainingsdaten
Mithilfe automatisierter Videointerviews analysiert Retorios KI Verhaltenshinweise wie Gesichtsausdrücke, Körpersprache und Stimme, um ein Persönlichkeitsprofil zu erstellen. Außerdem transkribieren wir gesprochene Worte und analysieren den Sprachgebrauch. Retorio verwendet für seine Analysen proprietäre neuronale Netzwerke und NLP-Modelle. Unser Ansatz der Kombination verschiedener maschineller Lernmethoden (Ensemble-Modelle) bietet Sicherheit, Transparenz und tiefere Einblicke. Derzeit kombinieren wir die folgenden Machine-Learning-Ansätze:
- Deep Learning für visuelle Datenverarbeitung (Gesichtsausdrücke, Körpersprache usw.)
- Generative AI für Generierung von passendem Feedback (LLMs)
- Akustische Analyse von Sprachdaten
- Deep Learning für die Speech-to-Text-Erkennung, Natural Language Processing (NLP) für die Sprachanalyse (Erkennung von Sprachmustern, Sprachgebrauch usw.)
- Konventionelle ML-Modelle für multimodale Interpretation und Matching (z.B. OLS-Regressionsanalyse, etc.)
Deep Learning
Das Herzstück der KI von Retorio sind unsere Deep-Learning-Modelle. Deep Learning ist eine Form des maschinellen Lernens, bei der Computer darauf trainiert werden, menschenähnliche Aufgaben auszuführen, z. B. Sprache zu erkennen, Emotionen aus Videodaten zu identifizieren oder Vorhersagen in Bezug auf die Persönlichkeit oder die Eignung für einen bestimmten Job zu machen. Anstatt Daten zu strukturieren und sie durch vordefinierte Gleichungen laufen zu lassen, werden beim Deep Learning grundlegende Parameter über die Daten festgelegt und der Computer darauf trainiert, selbständig zu lernen, indem er mithilfe vieler Verarbeitungsebenen Muster erkennt.
Für die Lösung von Deep-Learning-Problemen, wie z. B. die Klassifizierung von Persönlichkeiten, ist viel Rechenleistung erforderlich, da Deep-Learning-Algorithmen iterativ arbeiten, ihre Komplexität mit der Anzahl der Schichten zunimmt und große Datenmengen zum Trainieren der Netzwerke benötigt werden. Doch unser Ansatz des Deep Learning ermöglicht uns Dinge, die noch vor wenigen Jahren unvorstellbar waren.
Erstens können wir durch Deep Learning die Genauigkeit und Leistung unserer neuronalen Netze verbessern. Dank verbesserter Algorithmen und höherer Rechenleistung können wir unsere Vorhersagen zur Persönlichkeit und zur kulturellen Eignung noch weiter vertiefen.
Und zweitens bietet Deep Learning eine großartige Möglichkeit, dynamischeres Verhalten in die Analytik einzubringen. Mit Retorio können wir eine stärkere Personalisierung von Kundenanalysen auf der Grundlage von kundenspezifischen Daten anbieten. Indem Du uns Informationen über Dein Team und die Mitarbeiter:innen, die Du einstellst, zur Verfügung stellst, können wir unsere Modelle mit einem kontinuierlich verbesserten Verständnis der Kriterien ausstatten, die die Leistung in Deinem Unternehmen bestimmen.
Datensätze
Jede KI ist nur so gut wie die Daten, aus denen sie lernt. Wir haben unsere KI auf einem breiten Datensatz - Millionen von Datenpunkten - trainiert, der ein umfangreiches Spektrum von Altersgruppen, Geschlechtern und Ethnien abdeckt. Retorio ist eine sogenannte "überwachte KI" - sie lernt nur unter menschlicher Aufsicht und aus wissenschaftlich geprüften Datensätzen. Um Verzerrungen zu vermeiden und repräsentative Ergebnisse zu erzielen, repräsentieren unsere Datensätze das Verhalten und die Wahrnehmung von Menschen aus unterschiedlichen Bevölkerungsgruppen.
Wir stellen sicher, dass nur Faktoren, auf die die Bewerbenden Einfluss haben, in die Ergebnisse einfließen. In unseren Datensätzen vergleichen wir zum Beispiel die Mittelwerte der Big-5-Einschätzungen zwischen Weißen und Schwarzen, jungen und alten Menschen, Männern und Frauen usw. Wenn wir signifikante Mittelwertunterschiede feststellen, die auf die Gruppenzugehörigkeit zurückzuführen sind, passen wir die Mittelwerte und Verteilungen an, um diskriminierende Verzerrungen in unseren Trainings- und Testdatensätzen auszugleichen.
Wir testen unsere korrigierten Modelle regelmäßig mit großen, wissenschaftlich fundierten Datensätzen, wie z. B. dem Fairface-Datensatz der UCLA, der etwa 100 000 Personen aus verschiedenen Kulturen, Altersgruppen usw. enthält. Wir veröffentlichen unsere Ergebnisse transparent. Unsere Resultate zeigen deutlich, dass Retorio die Bewerber:innen unabhängig von ihrer Hautfarbe, ihrem Geschlecht oder ihrem Alter bewertet. Somit trägt Retorios KI zu faireren und objektiveren Talententscheidungen bei.
Verteilung der Big-5-Persönlichkeitsmerkmale, wie sie von Retorios KI geschätzt werden, in verschiedenen ethnischen Gruppen nach dem Debiasing. Wir beobachten keine systematischen Unterschiede (N=100.000).
Unsere KI - mit 90 % Genauigkeit und immer präziser
Die Vorhersagegenauigkeit gibt an, wie weit die Prognosen von Retorio im Durchschnitt von der Wahrnehmung abweichen, die eine repräsentative Gruppe von Personen gegenüber einer Person hat. Derzeit erreicht Retorio eine Genauigkeit von etwa 90 %. Bei dem Versuch, die Außenwahrnehmung einer Person anhand der Big-5-Taxonomie vorherzusagen, beobachten wir also eine Abweichung von durchschnittlich etwa 10 %. Diese Abweichung entspricht dem Messfehler unseres Verfahrens. An dieser Stelle ist anzumerken, dass unsere KI für einen bestimmten Zweck trainiert wurde: die Bewertung typischer Bewerbungsvideos oder Alltagssituationen in Unternehmen. Alle angegebenen Genauigkeitsstufen beziehen sich auf diesen speziellen Zweck.
What problems does Retorio actually solve?
Retorio is used in HR to support companies in the selection and development of employees. Research suggests that HR-decisions are strongly influenced by subconscious factors and biases. The great importance of gut feelings on the part of decision-makers often leads to unequal treatment, unnecessary workload, and bad hiring decisions.
Prevent unequal treatment in HR processes
Talents are still discriminated against on the basis of their skin color, religion, and culture. For instance, based on a field experiment, a 2018 study by WZB shows that black and white applicants are treated significantly differently, even when they apply with identical CVs.
Retorio ensures that only factors that are within the control of the applicant are included in the results. We actively debias our datasets and models to ensure Retorio does not see skin color, gender, or age.
Moreover, Retorio does not consider a person's dialect, the background of an application video, hair color, etc. For humans, avoiding these factors is substantially more difficult.
Reduce recruiter workload, improve interview quality
Overworked HR departments often have little time to prepare for and follow up on their interviews. In their accelerated workday, decision makers need to rely on their intuition which might be subject to biases.
Whereas in the past only a fraction of all applicants were able to introduce themselves in person, Retorio provides each individual with an opportunity to introduce himself or herself and to show exactly what a resume does not reveal: who he or she is.
Recruiters have access to all video applications and form their own judgment. They only meet with candidates who really stand a chance and have access to meaningful data to prepare for the interview.
Focus on culture-fit to avoid 46% failure rate
46% of new hires fail within 18 months. According to a Leadership IQ study, 89% of these failures result from a bad person-culture fit. 82% of managers reported that in hindsight, interviews with the candidates elicited subtle clues that these talents would be headed for trouble. Yet, typical interviews fixate on experience rather than personality, motivation, and culture fit.
To this day, most hiring decisions are ultimately based on unstructured interviews, although this method of interviewing leads to biased decisions (e.g. Barrick et al. 2009). Researchers point to structured interviews as a better way of recruiting. For instance, Schmidt and Zimmerman (2004) find that THREE to FOUR independent unstructured interviews are required to provide the same level of validity for predicting job performance as ONE structured (and ideally uninterrupted and standardized) interview.
With questions focused on specific attributes and skills, video-based structured interviews are a more effective way of testing a candidate’s culture fit and potential performance on the job.
Lerne das Team von Retorio kennen:
Basierend auf KI, Psychologie und Organisationsforschung
Retorio wurde als Forschungsprojekt an der Technischen Universität München ins Leben gerufen.
Nach jahrelanger Forschung im Bereich der Verhaltens- und Differenzialpsychologie haben wir uns entschlossen, unsere Erkenntnisse für alle zugänglich, gerecht und skalierbar zu machen. Wir beschäftigen Psycholog:innen, KI-Spezialist:innen und Wirtschaftsexpert:innen aus mehr als 10 Ländern. Als ein Produkt, das auf Forschung basiert, wollen wir unseren Kund:innen und Nutzer:innen solide, empirisch validierte Ergebnisse liefern.
Florian studierte Physik an der Universität München (LMU) und promovierte am Max-Born-Institut der TU Berlin. Bevor er als Chief Data Officer zu Retorio kam, arbeitete er als Lead Data Scientist bei Compass inc. in San Francisco und als Group Head of Applied Intelligence bei Plan.Net Business Intelligence.
Christoph ist einer der Mitgründer von Retorio und unser Chefpsychologe. Nach seinem Studium der Wirtschaftspsychologie promovierte er an der TU München, wo er die Schnittmenge zwischen KI und Psychologie erforschte. Er forschte zudem als Gastdoktorand am MIT und der Universität Tokio.
Patrick ist einer unserer Mitgründer und verantwortlich für die Produktkommunikation. Er erhielt seinen M.Sc. in Management & Strategy von der LSE und promovierte an der TU München, wo er Zusammenhänge zwischen Verhaltensmustern in Organisationen und Leistung untersuchte. Er war Gastdoktorand am AY Lab der Uni Tokio.