Case study

MediMatch · zorgbemiddeling · uitzend & staffing

Van handmatig matchen naar een geautomatiseerde matchingoperatie

Hoe we voor MediMatch het grootste deel van het handmatige zoek-, controle- en matchwerk automatiseerden — terwijl de planners de controle hielden over uitzonderingen.

83%Minder zoektijd per handmatig aangeboden shift: van 24 naar 4 minuten
6×Zoveel handmatige aanbiedingen per planneruur, bij hetzelfde team
24/7Shifts komen via API binnen en worden direct beoordeeld, ook als er niemand werkt
48uOnder die grens beslist altijd een mens, niet het systeem

De eerste twee cijfers komen van MediMatch zelf en gaan over het handmatig aanbieden van een shift. Wat de automatisering aan extra gevulde shifts oplevert, is niet door ons gemeten; zie de ROI-sectie.

Klant: MediMatchBemiddelt zorgpersoneel naar zorginstellingen
Sector: Uitzend & staffingZorg — korte reactietijden, harde bevoegdheidseisen
Diensten: FlowLink & SoftwareLinkBinnen de sectoroplossing uitzend & staffing
Wat we bouwden: Een automatiseringslaag om het matchingprocesVan binnenkomende shift tot bevestigde match

In deze case

Twaalf hoofdstukken, van probleem tot opbrengst

01 De situatie

Een bureau dat elke dag mensen aan shifts koppelt

MediMatch bemiddelt zorgpersoneel naar zorginstellingen. Dagelijks worden medewerkers gekoppeld aan beschikbare shifts bij opdrachtgevers.

Een groot deel van dat proces ging handmatig. De data stond verspreid over Excel-bestanden en losse systemen, terwijl planners beschikbaarheid, kwalificaties en voorkeuren via mail, WhatsApp en telefoon bijhielden.

Naarmate het aantal medewerkers en shifts groeide, groeide vooral de hoeveelheid operationeel werk mee.

02 Het probleem

Tien handelingen, bij elke nieuwe shift opnieuw

Niet "het proces was inefficiënt". Dit is wat er daadwerkelijk gebeurde voordat één shift gevuld was.

01De shift bekijken
02Geschikte kandidaten zoeken
03Beschikbaarheid controleren
04Certificaten en bevoegdheden controleren
05Locatie en voorwaarden controleren
06Klantvoorkeuren meenemen
07Kandidaten benaderen
08Reacties verwerken
09De juiste kandidaat selecteren
10De match terugkoppelen naar de opdrachtgever

Het probleem was niet dat planners niet konden matchen. Het probleem was dat ervaren planners hun tijd besteedden aan werk dat software beter en sneller uitvoert.

03 De business impact

Wat dat operationeel daadwerkelijk kostte

Planners waren continu bezig met zoeken en controleren in plaats van met opdrachtgevers
Beschikbaarheid moest actief worden nagejaagd via appjes en telefoon
De kennis om goed te matchen zat deels in de hoofden van individuele planners
De kwaliteit van een match hing af van hoeveel kandidaten een planner handmatig meenam
Buiten kantooruren bleef een aanvraag liggen tot de volgende ochtend
Data moest handmatig worden bijgehouden om überhaupt goed te kunnen matchen
Groei betekende direct meer druk op de planning

Iedere extra shift creëerde niet alleen omzetpotentieel, maar ook extra operationeel werk. Dat is het probleem dat we hebben opgelost.

04 De uitdaging

Niet hóe matching te automatiseren, maar welk deel dat überhaupt mocht

Een systeem dat alles automatisch toewijst is technisch eenvoudig en wordt in de praktijk omzeild. De eerste vraag was daarom niet technisch maar operationeel: waar mag software beslissen, en waar niet?

De grens die daaruit volgde: shifts die binnen 48 uur starten blijven onder menselijke controle. Ze worden bewust niet automatisch ingevuld, krijgen de markering "handmatig toewijzen" en staan bovenaan in de wachtrij.

Dat is geen fallback omdat de automatisering tekortschiet. Het is een ontwerpbeslissing: bij spoed telt context die niet in data zit — welke medewerker je op dit moment wél kunt bellen, welke opdrachtgever je niet wilt teleurstellen, welke uitzondering vandaag verdedigbaar is.

Het systeem weet zowel "dit kan ik automatisch afhandelen" als "hier moet een mens naar kijken".

05 De aanpak

Eerst het proces ontleden, daarna pas bouwen

Voordat er één regel code geschreven werd, hebben we het matchingproces uit elkaar getrokken aan de hand van acht vragen. De antwoorden bepaalden wat het systeem wel en niet zelfstandig doet.

Welke criteria zijn harde eisen?
Welke criteria zijn voorkeuren?
Welke informatie moet altijd beschikbaar zijn?
Welke uitzonderingen bestaan er in de praktijk?
Welke beslissingen maakt een planner werkelijk zelf?
Wanneer is menselijke beoordeling noodzakelijk?
Welke processen kunnen volledig automatisch?
Waar moet het systeem juist stoppen?

Uit die inventarisatie kwamen zeven harde controles per kandidaat — functie, bevoegdheden, locatie, beschikbaarheid, afwezigheid, overlap en actieve status — plus de voorkeuren die de volgorde bepalen. Precies de zeven controles die een planner eerst uit het hoofd naliep.

06 De oplossing

Geen matchingtool, maar een automatiseringslaag om het hele proces

Een tool die alleen kandidaten rangschikt lost het probleem niet op, want het werk zit in alles eromheen. We hebben daarom zes lagen gebouwd, van databron tot terugkoppeling.

01 Data foundation Excel-bestanden en de overige databronnen omgezet naar opgeschoonde, gestructureerde data: competenties, diploma's met verloopdatum, locaties, tarieven en beschikbaarheid.
02 Data quality Het systeem blijft controleren op ontbrekende gegevens, dubbele records, incomplete profielen, verlopen certificeringen en gaten in de beschikbaarheid. Wat niet klopt, is zichtbaar in plaats van stil.
03 Matching engine Elke nieuwe shift wordt getoetst langs beschikbaarheid, kwalificaties, locatie, certificaten, klantvoorkeuren en de overige business rules. Over het volledige personeelsbestand, niet alleen bij de mensen die een planner voor ogen had.
04 Human-in-the-loop Automatisch waar het kan, planner waar het moet. Spoed onder 48 uur, uitzonderingen en overrulen liggen bij de mens — vooraf vastgelegd, niet achteraf toegevoegd.
05 Employee self-service Medewerkers houden hun eigen beschikbaarheid bij en krijgen de shifts die bij hen passen. Zij reageren, het systeem verwerkt de reactie. Het gedeelde Excel-bestand en het najagen via appjes zijn daarmee verdwenen.
06 Integrations Nieuwe shifts komen automatisch via API binnen, matches gaan automatisch terug naar het systeem van de opdrachtgever — met het juiste tarief en het cv erbij. Elke uitwisseling wordt vastgelegd met tijdstip en inhoud.

07 Hoe het werkt

Van binnenkomende shift tot bevestigde match

Eén route, met één splitsing: kan het systeem dit zelf afhandelen, of moet er een planner naar kijken?

OpdrachtgeverPlaatst een shift in het eigen systeem

Nieuwe shiftAutomatisch binnengehaald, uitgelezen en vertaald naar de juiste locatie

Matching engine Toetst het volledige personeelsbestand

BeschikbaarheidCertificatenLocatieErvaringKlantvoorkeurBusiness rules

Top matchesGerangschikt op geschiktheid en prioriteit, met de reden waarom ze passen

AutomatischBuiten kantooruren, of wanneer er geen planner nodig is

PlannerSpoed onder 48 uur en uitzonderingen

MedewerkerKrijgt de shift aangeboden via het portaal en reageert

BevestigingReactie verwerkt, dubbele toewijzing technisch uitgesloten

Terug naar de opdrachtgeverInclusief het juiste tarief en het cv, met watermerk

In de automatische route kwam een aanvraag om 02:14 binnen en lag er om 02:19 een kandidaat bij de opdrachtgever. Er was op dat moment niemand aan het werk. Voorheen was diezelfde aanvraag pas de volgende ochtend gezien, en dan is een nachtdienst vaak al door een ander bureau gevuld.

08 Implementatie

Van verspreide bestanden naar één systeem

Stap 1

Begrijpen

De bestaande workflow volledig in kaart gebracht, inclusief de uitzonderingen die nergens opgeschreven stonden.

Stap 2

Fundament

Data opgeschoond, gestructureerd en gecentraliseerd. Zonder deze stap is betrouwbaar matchen niet mogelijk.

Stap 3

Beslislogica

Matchingcriteria, voorkeuren en uitzonderingen vertaald naar software. Harde eisen hard, voorkeuren wegend.

Stap 4

Automatiseren

API-koppelingen, matching engine, ranking en automatische terugkoppeling naar de opdrachtgever.

Stap 5

Uitbreiden

Medewerkersportaal en verdere automatisering rondom beschikbaarheid en verlof.

09 Het resultaat

Wat er veranderde in de operatie

83% Snelheid. Handmatig een shift aanbieden kostte 24 minuten zoeken. Nu 4 minuten kiezen, omdat de voorselectie al klaarstaat.

6× Capaciteit. In dezelfde planuren passen zes keer zoveel handmatige aanbiedingen. Eén planner kan een groter volume aan zonder dat het team evenredig meegroeit.

24/7 Dekking. Buiten kantooruren, in het weekend en wanneer er geen planner nodig is, reageert de laag zelf. Er blijft geen shift meer onopgemerkt liggen.

7 Kwaliteit. Iedere kandidaat wordt op dezelfde zeven criteria beoordeeld, over het volledige bestand in plaats van de mensen die iemand toevallig voor ogen had.

VoorNa

Nieuwe shift — planner detecteert en verwerkt

Automatisch via API

Kandidaten zoeken — handmatig, 24 minuten per shift

Automatisch, voorselectie staat klaar

Beschikbaarheid — controleren en navragen via appjes

Centraal beschikbaar, door de medewerker zelf bijgehouden

Certificaten — handmatig controleren

Automatische controle op aanwezigheid en geldigheid

Kandidaten vergelijken — de planner, uit het hoofd

Matching engine, over het volledige bestand

Uitzonderingen — de planner ontdekt ze zelf

Het systeem escaleert ze actief

Medewerker benaderen — bellen, bij "nee" terug naar de lijst

Medewerkersportaal, reactie wordt verwerkt

Match terugkoppelen — handmatig overtypen met tarief en cv

Automatisch, met de juiste gegevens

Buiten kantooruren — alles blijft liggen tot de ochtend

De laag reageert zelf, binnen minuten

De planner is niet minder gaan werken. De planner is ander werk gaan doen: opdrachtgevers, spoed en uitzonderingen, in plaats van zoeken en controleren.

10 Wat het oplevert

Drie effecten, niet één

Automatisering wordt meestal verkocht op bespaarde uren. Dat is hier het kleinste effect van de drie.

Effect 1

Lagere operationele kosten

Minder planneruren per shift. Bij MediMatch ging de zoektijd per handmatig aangeboden shift van 24 naar 4 minuten: twintig minuten minder, elke keer opnieuw.

shifts per week × 20 min
= bespaarde planuren

Effect 2

Hogere capaciteit

Meer shifts verwerken met hetzelfde team. In dezelfde planuren passen zes keer zoveel handmatige aanbiedingen, en buiten kantooruren loopt de verwerking door zonder dat er iemand aan het werk is.

zelfde team
= 6× handmatige capaciteit

Effect 3

Hogere omzet

Meer shifts die daadwerkelijk gevuld worden. Een dienst gaat naar meerdere bureaus tegelijk; wie het eerst een geschikte kandidaat teruglegt, krijgt hem. Er blijft nu geen aanvraag meer onopgemerkt.

extra gevulde shifts
× marge per shift

Het derde effect is het grootste en tegelijk het effect dat wij bij MediMatch niet hebben gemeten. Wij weten wat er aan zoektijd verdwenen is en dat er geen aanvraag meer blijft liggen; hoeveel extra shifts dat oplevert, hangt af van het volume en de marge per shift. Daarom staat het hier als rekensom en niet als claim.

De boodschap is niet "we besparen planners". De boodschap is dat de operatie meer omzet kan verwerken zonder lineair meer personeel toe te voegen.

11 Waarom het werkte

Vier keuzes die het verschil maakten

We automatiseerden het proces, niet alleen de beslissing De meeste oplossingen kijken alleen naar matching. Hier is de hele keten geautomatiseerd: input, data, matching, medewerker, bevestiging en terugkoppeling. Een goede match die daarna handmatig overgetypt moet worden, levert nauwelijks tijd op.
Data werd onderdeel van het product Niet "we hebben de Excel opgeschoond", maar een systeem dat de kwaliteit van de data blijft bewaken. Onbetrouwbare data maakt automatisch matchen onbetrouwbaar, hoe goed de logica ook is.
AI werd gecombineerd met regels Niet alles hoeft door een taalmodel. Harde eisen als diploma's, verlof en dubbele planning blijven hard en controleerbaar. AI zit waar interpretatie en flexibiliteit waarde toevoegen, zoals het uitlezen van een vrij geformuleerde aanvraag.
Human-in-the-loop is ontworpen, geen fallback De momenten waarop een planner beslist zijn vooraf vastgelegd, niet toegevoegd omdat de automatisering tekortschoot. Dat verschil bepaalt of een systeem vertrouwd wordt of omzeild.

12 Lessen

Drie dingen die we meenemen naar het volgende bureau

01 — Automatisering begint bij data Als beschikbaarheid, certificering en kandidaatdata niet betrouwbaar zijn, kun je geen betrouwbare automatisering bouwen. Het fundament kost tijd en is niet zichtbaar in een demo, maar zonder dat fundament werkt de rest niet.
02 — De uitzonderingen zijn onderdeel van het ontwerp Een goed systeem probeert niet 100% van de gevallen automatisch af te handelen. Het weet wanneer het moet escaleren. De 48-uursregel is daar het duidelijkste voorbeeld van.
03 — De grootste winst zat niet in AI De grootste efficiëntiewinst kwam uit het opnieuw ontwerpen van de volledige workflow rondom matching. AI is daar een onderdeel van, geen antwoord op zichzelf.

En bij jou?

Hoeveel van jouw matchingproces kan eigenlijk automatisch?

We analyseren je huidige workflow, je data en je uitzonderingen, en brengen in kaart welke onderdelen volledig automatisch kunnen, welke ondersteuning nodig hebben en waar menselijke controle waardevol blijft.

Wij beginnen niet met een belofte, maar met een meting. Levert die analyse geen sluitende businesscase op, dan hoor je dat van ons.

Laat je matchingproces analyseren → Bekijk de sectoroplossing