WAT BETEKENT 'META'
HET GEMIDDELDE VAN DE ANALYSE?

Potentiële bronnen worden geïdentificeerd via een verscheidenheid aan kanalen, waaronder bedrijfswebsites met carrièremogelijkheden, werkgevers die onderscheidingen hebben ontvangen, HR-gerelateerde blogartikelen of nieuwsberichten, professionele netwerken zoals LinkedIn, zoekopdrachten op basis van trefwoorden via Google, internationale vergelijkingen, en suggesties vanuit het publiek of de Adviesraad.

Het hoofddoel bij het samenstellen van deze bronnen is om uit uiteenlopende fragmenten een zo volledig en accuraat mogelijk beeld te verkrijgen. Hoe veelzijdiger de reeks gehanteerde criteria, hoe groter de kans om zogenaamde ‘zwarte schapen’ te onderscheiden van echte toppresteerders.

Om methodologische consistentie en kwaliteit te waarborgen, wordt de evaluatie van deze bronnen op continue basis uitgevoerd. Het beoordelingsproces onderzoekt de integriteit en kwaliteit over meerdere dimensies. Deze omvatten het type bron (bijvoorbeeld auditrapporten, enquêtes, openbare beoordelingsplatformen), de onderzoeksaanpak (zelfregistratiemechanismen versus onafhankelijke studies) en de relevantie van de gegevens. Andere overwegingen betreffen validatieprocedures, waarborgen tegen manipulatie, de beschikbaarheid van klachten- en correctiemechanismen, en de vraag of de bron onder toezicht staat van academische instellingen of overheidsorganen. Voor meer informatie, zie 2. Classificeren en standaardiseren van bronnen.

Deze multidimensionale benadering garandeert dat nieuw geïntegreerde bronnen voldoen aan onze kwaliteitsnormen, en versterkt zo de robuustheid, betrouwbaarheid en validiteit van het algehele onderzoeksontwerp.

Bronnen worden geclassificeerd op basis van hun relevantie en kwaliteit om consistentie binnen het volledige beoordelingsproces te waarborgen. Deze classificatie bestrijkt meerdere dimensies en vormt de basis voor een wetenschappelijk onderbouwde analyse.

• Inhoudelijke afstemming: Elke bron wordt beoordeeld op haar inhoud en thematisch toegewezen aan één of meerdere van de negen studiedimensies. Aangezien deze dimensies met elkaar verbonden zijn, kan één enkele bron aan meerdere categorieën worden toegewezen wanneer de inhoud relevant is voor verschillende domeinen.
  
  Geografische relevantie: Naast de inhoud wordt ook de geografische reikwijdte van elke bron geëvalueerd. Bronnen worden gecategoriseerd als regionaal (lokale relevantie), nationaal (landelijke relevantie) of transnationaal/globaal. Dit omvat bronnen die betrekking hebben op ruimere regio’s zoals Europa, Azië of Afrika, evenals bronnen met wereldwijde geldigheid.
  
• Type bron: Bij de classificatie wordt rekening gehouden met de herkomst van het materiaal, bijvoorbeeld uit een gestructureerde audit, een enquête, een juryprijs, een HR-benchmark, een zelfrapportage, een lidmaatschap of een openbaar beoordelingsplatform.
• Onderzoeksbenadering: Er wordt geëvalueerd of de gegevens afkomstig zijn uit onafhankelijk onderzoek, extern gevalideerde processen of zelfregistratiemechanismen.
• Validatie en toezicht: Elke bron wordt verder beoordeeld op de robuustheid van haar validatiemechanismen, de waarborgen tegen manipulatie, de beschikbaarheid van klachten- en correctieprocedures en, waar mogelijk, academische of overheidsmatige goedkeuring.
• Duur en actualiteit: Er wordt ook rekening gehouden met de bestaansduur van de bron. Voor het onderzoek is vooral de duurzame ontwikkeling van een organisatie over de jaren heen van belang. Tegelijkertijd wordt erop toegezien dat elke bron voldoende actueel en relevant is om geldige en up-to-date inzichten te verschaffen.
  

Via dit meerlagige classificatieproces worden bronnen niet alleen thematisch afgestemd en geografisch gekaderd, maar ook gestandaardiseerd op het vlak van kwaliteit, onafhankelijkheid, actualiteit en geloofwaardigheid. Deze systematische aanpak versterkt zowel de betrouwbaarheid als de validiteit van de onderzoeksresultaten en vormt de basis voor de wetenschappelijke integriteit van de gehele evaluatie.

Het dataverzamelingsproces is ontworpen om zoveel mogelijk beschikbare informatie uit elke bron te capteren, met aandacht voor zowel de breedte als de diepte van de dekking. Om dit te realiseren, hanteren we een hybride aanpak die geautomatiseerde verzameling combineert met manuele verificatie.
‍
Geautomatiseerde dataverzameling gebeurt via gespecialiseerde tools en onderzoeksagenten die toegang hebben tot toonaangevende databanken en externe bronnen integreren, zoals Cognism voor markt- en bedrijfsinformatie. Deze werkwijze maakt grootschalige, efficiënte verrijking en validatie van gegevens mogelijk voor honderdduizenden bedrijven en meer dan 500 uiteenlopende bronnen.

Gegevensopslag en -beheer steunen op een robuuste en schaalbare infrastructuur. Postgres fungeert als centrale, hoog-performante databank, terwijl Supabase instaat voor authenticatie en vectoropslag. n8n ondersteunt procesautomatisering en zorgt voor een vlotte workflow van verzameling tot integratie.

Rapportering en analyse worden aangedreven door meerdere Large Language Models (LLM’s), zoals OpenAI en Gemini, die intelligente, AI-gestuurde analyses, dynamische evaluatielogica en contextuele interpretatie van de verzamelde gegevens mogelijk maken.

Manuele dataverzameling vult het geautomatiseerde systeem aan: data-analisten halen gegevens rechtstreeks uit de respectieve bronnen, zodat kwalitatieve en niet-gestandaardiseerde informatie nauwkeurig wordt geïntegreerd.

Door geautomatiseerde schaalbaarheid, gestructureerde opslag en AI-ondersteunde rapportering te combineren met manuele precisie, garandeert deze aanpak volledige, betrouwbare en wetenschappelijk gevalideerde inzichten.

Om nauwkeurigheid en relevantie te waarborgen, ondergaat de dataset een grondig opschoningsproces. Voor het afstemmen van bedrijfsnamen en het verwijderen van duplicaten wordt een meerstapsprocedure toegepast die Natural Language Processing (NLP)-technieken combineert met geavanceerde taalmodellen. Dit omvat de normalisatie van bedrijfsnamen, de vergelijking van varianten en gelijkenissen, en semantische controles met behulp van Large Language Models (LLM’s) om een hoge datakwaliteit te garanderen. Manuele verificatie vult dit proces aan om de juistheid van kritieke datapunten te verzekeren. Na consolidatie worden inclusie- en exclusiecriteria toegepast om bedrijven uit te filteren die te klein of inactief zijn, of die aanzienlijke reputatieschade hebben opgelopen.
‍
In gevallen waarin resultaten ambigu blijven, wordt de opschoning van duplicaten aangevuld met manuele controle. Deze tijdsintensieve procedure wordt onder meer uitgevoerd op basis van de volgende principes:

• Werd dezelfde onderneming hernoemd?
• Hebben er fusies, overnames of structurele veranderingen plaatsgevonden?
• Kunnen er conclusies worden getrokken op basis van postadressen?
• Identificatie van verwante vermeldingen die niet alfabetisch naast elkaar voorkomen, bijvoorbeeld:
  SC (als afkorting), The Sample Company (met voorvoegsel), Founder’s Sample Company (inclusief de naam van de oprichter), enz.

Daarnaast bestaat er een grote verscheidenheid aan sectorclassificaties en beschrijvende termen. Om met deze diversiteit rekening te houden en de vergelijkbaarheid te waarborgen, wordt de sectorclassificatie automatisch uitgevoerd via het Glassdoor-netwerk, aangezien dit wereldwijd beschikbaar is en een consistent kader biedt voor internationale benchmarking.

Door geautomatiseerde taaltechnologieën te combineren met gerichte manuele controles in onduidelijke gevallen, verzekert het onderzoek een hoog niveau van robuustheid, betrouwbaarheid en validiteit in de datavoorbereidingsfase.

Het scoringsproces is opgezet als een meertraps evaluatieprocedure om eerlijkheid en nauwkeurigheid te waarborgen. De punten die per bron worden toegekend, zijn rechtstreeks gebaseerd op de kwaliteit en relatieve belangrijkheid ervan. Zo krijgt een zelfrapportage minder punten dan een uitgebreide audit, die — naast de vereiste tijd en financiële investering — ook medewerkers betrekt en concrete opvolgmaatregelen vereist op basis van de resultaten.

Het proces start met de beoordeling van de relevantie van afzonderlijke datapunten in relatie tot de negen centrale thema’s van de studie. Medewerkersbeoordelingen worden enkel in aanmerking genomen wanneer een vooraf bepaald deelname- en representativiteitsdrempel wordt bereikt; indien deze drempel niet wordt gehaald, worden de gegevens uitgesloten. Zodra de drempel is overschreden, worden geen bijkomende wegingen toegepast, zodat enkel betrouwbare datasets in de resultaten worden opgenomen.

Naast de algemene rangschikking worden er ook ranglijsten opgesteld voor elk van de negen categorieën, evenals gedifferentieerde regionale, stedelijke en sectorale ranglijsten. Naast traditionele bronnen bevatten de negen categorieën tevens themagerelateerde waarden uit werknemersbeoordelingsplatformen — bijvoorbeeld de CEO-score binnen het thema leiderschap. Op deze manier worden externe percepties op een zinvolle wijze toegewezen aan de respectieve dimensies en dragen ze bij tot de geldigheid van de resultaten.

Het kwaliteitsborgingsproces is ontworpen om de nauwkeurigheid van de gegevens te waarborgen via grondige opschonings- en verrijkingsprocedures.

Er worden meerdere plausibiliteitscontroles uitgevoerd, waaronder anomaliedetectie, om inconsistenties te identificeren-bijvoorbeeld uitzonderlijk hoge scores die slechts op een minimaal aantal bronnen zijn gebaseerd. Als standaardprocedure worden zowel zeer lage als extreem hoge resultaten systematisch herzien om uitschieters in een vroeg stadium te detecteren en een realistische weergave te garanderen. Deze geautomatiseerde controles worden aangevuld met gedetailleerde manuele beoordelingen, zodat alle resultaten betrouwbaar en representatief blijven.

Daarnaast worden steekproeven uitgevoerd over alle categorieën van verzamelde gegevens. Deze omvatten vergelijkingen met resultaten uit voorgaande jaren, verificatie van URL’s van bedrijfswebsites met carrièremogelijkheden, en bevestiging of de organisatie nog steeds in haar huidige vorm actief is - samen met een evaluatie van de kwaliteit van de betreffende werkomgeving. Bijkomende beoordelingen houden tevens rekening met mogelijke bedrijfswijzigingen, zoals naamsveranderingen, fusies, overnames of insolventieprocedures.

Door geautomatiseerde detectiemechanismen te combineren met gerichte manuele validaties, waarborgt het onderzoek een hoog niveau van robuustheid, geldigheid en transparantie van de resultaten.

a. Structuur en opbouw van de onderzoeksrapporten

De onderzoeksrapporten presenteren de individuele resultaten van elke gecertificeerde organisatie en volgen een duidelijke analytische logica. Ze starten met de algemene rangschikking, gevolgd door de resultaten binnen de negen beoordelingsdimensies, die worden geplaatst in de context van  zowel sector- als groottespecifieke benchmarks. Verdiepende analyses belichten de sterke punten en ontwikkelingsdomeinen, aangevuld met gegevens over externe perceptie, zoals bedrijfswebsites met carrièremogelijkheden, vacatureteksten, carrièreportalen en sociale media. 
De rapporten sluiten af met geprioriteerde aanbevelingen voor actie, rechtstreeks afgeleid uit de behaalde resultaten.

• Managementsamenvatting: Overzicht van de algemene prestaties, best presterende domeinen, quick wins en vastgestelde ontwikkelingspunten.
• Resultaten: Gedetailleerde weergave op zowel algemeen als thematisch niveau, verder gedifferentieerd per stad, regio en sector.
• Inzichten: Benchmarks, sterke punten en optimalisatiepotentieel die zorgen voor een contextuele interpretatie van de resultaten.
• Aanbevelingen: Precieze, geprioriteerde acties rechtstreeks gebaseerd op de analyse.

De onderzoeksrapporten worden gegenereerd via een technologisch robuuste infrastructuur (Postgres, Supabase, n8n, LLM’s zoals OpenAI en Gemini) en worden beveiligd door een grondige menselijke kwaliteitscontrole. Dit waarborgt de naleving van de centrale kwaliteitscriteria van wetenschappelijk onderzoek: betrouwbaarheid, validiteit en objectiviteit. De rapporten combineren daardoor methodologische nauwkeurigheid met praktijkgerichte inzichten en bieden een transparante, data-gedreven basis voor de evaluatie van werkgeversexcellentie.

b. Van Recruiting Performance Check naar Recruiting Performance Portal

Het Recruiting Performance Portal bouwt voort op de vroegere Recruiting Performance Check en ontwikkelt deze tot een uitgebreid analytisch instrument voor de evaluatie van organisatiegebonden carrièreomgevingen. Naast de systematische beoordeling van carrièrewebsites en vacatureteksten, integreert het portaal AI-gestuurde chatinteracties die adaptieve feedback genereren, evenals SEO- en geo-analyses en de identificatie van optimalisatiepotentieel. Op deze manier combineert het portaal empirisch onderbouwde inzichten met actiegerichte toepassingslogica en vormt het een betrouwbare basis voor de strategische ontwikkeling van rekruteringsprocessen.

Met de herlancering is de onderliggende evaluatielogica fundamenteel gemoderniseerd. Het vroegere 2025-systeem werkte op basis van een regelgestuurde beoordelingsstructuur met additieve puntentoekenning, vergelijkbaar met een meerkeuzetest. Het 2026-systeem daarentegen hanteert een cognitief versterkte aanpak, aangedreven door geavanceerde Large Language Models (LLM’s). Dit maakt semantisch gedifferentieerde en contextgevoelige evaluaties mogelijk die de complexe realiteit van hedendaagse rekruteringspraktijken weerspiegelen.

Bovendien biedt het systeem de mogelijkheid om organisatiespecifieke onderzoeksvragen te integreren, waardoor resultaten worden gegenereerd die zowel gepersonaliseerd als wetenschappelijk valide zijn. In combinatie met verbeterde rapportering ontstaat zo een technologisch geavanceerd, transparant en wetenschappelijk onderbouwd systeem, dat een robuuste basis vormt voor de evaluatie van werkgeverskwaliteit.