Inteligencia humana y algoritmos, la clave para contratar en el futuro

Pierda el miedo, pida permiso y hable: así se afrontan los temas tabú
Pierda el miedo, pida permiso y hable: así se afrontan los temas tabú

Escoger la persona adecuada para un puesto puede resultar difícil. Sólo el volumen de curriculum vitaes recibidos puede resultar abrumador. Pero, incluso para las organizaciones con suficiente paciencia para revisar cada una de las solicitudes, las malas elecciones pueden ocurrir por sesgos psicológicos comola discriminación racial y el encuadramiento estrecho (denarrow bracketing en inglés; se refiere a cuando se exagerala importancia de un subconjunto de opciones en vez de fijarse en todo el grupo, por ejemplo, cuando se elige al mejorcandidato entrevistado el últimodía en lugar del mejor de todo el proceso). Al menos, para las empresas versadas en la tecnología, las últimas aplicaciones de aprendizaje de máquinas, junto a una mayor cantidad de datos disponibles, puedenmejorar las decisiones de contratación con la ayuda de algoritmos.

Para ver la estrecha relación entre los algoritmos y las contrataciones, basta pensar que una contratación es en esencia una predicción.Cuando una mánager lee los curriculum vitae de los candidatos, intenta predecirimplícitamente quiénes se adecuarán al puesto y quiénes no, quiénes rendirán mejor. Las empresas de ventas buscan intuir qué candidatos cerrarán acuerdos con éxito; las escuelas, quéprofesores motivarán mejor al alumnado; la policía qué agentes mantendrán la seguridad de un barrio.

Los algoritmos estadísticos sedesarrollanpara solucionar problemas predictivos. Pueden resultar útiles a la hora de mejorar la toma de decisiones humanas en diferentes ámbitos, desde jueces que sospechan quién no pagará la fianza, hasta inspectores de sanidad que identifican restaurantesque no cumplen lanormassanitarias. Del mismo modo, pueden mejorar la contratación de trabajadores en áreas tan diversas como la educación, la policía o las ventas.

Analizamos e investigamosese potencial enun reciente estudio sobre la selección de profesores y agentes de policía. Empleamos algoritmos de aprendizaje de máquinas para transformar los datos sobre las características de profesores y policías –por ejemplo, su formación académica, encuestas y pruebas– en predicciones sobre su desempeñofuturo. Los resultados de nuestro trabajodemuestran que, tanto los alumnos como la comunidad,podrían beneficiarse de un proceso de selección impulsado en mayor medida por los datos. Los algoritmos pueden ayudar a resolveralgunos de los problemas más difíciles de Estados Unidos en cuanto a personal. En el caso de la policía, por ejemplo, procesar datos puede ayudar a los departamentos policiales a predecir, durante el proceso de selección, qué candidatos tienen más probabilidadde verse envueltos en un tiroteo o ser acusados de abuso.

Por supuesto, una propuesta así suscita mucha polémica en organizaciones ancladas en las prácticas tradicionales.Las personas másescépticas querrán saber, con razón, más sobre el tipo de datos que se analizan. No creemos queningún algoritmo concretovaya a proporcionar la respuesta perfecta y reemplazar toda la interacción humana de un proceso de contratación. Decimos algo mucho más sencillo: los algoritmos son una gran ayuda para mánagers que necesitan decidir a quién contratan o ascienden. Los algoritmos tienen sus virtudes y limitaciones, yhay que gestionarlos.

La pregunta no es si deben utilizarse algoritmos para contratar, sino cómo aprovecharlos de la mejor manera.Es decir, ¿qué reglas y decisiones hay que definirpara seleccionarel candidato con mayores probabilidades de éxito? Para las organizaciones interesadas en la promesa actual de los datos, ofrecemos cinco principios para el uso de algoritmos estadísticos en los procesos de selección.

1. Escoger la métrica de rendimiento adecuada. Los algoritmos son implacables a la hora de perseguir el objetivo asignado. Optimizarán la información para eso y nada más. Significa que hay que ser muy claro sobre cómo se define el éxito. A menudo la métrica acertada será una combinación de características. Por ejemplo, un mánager que busca contratar a un comercial podría querer equilibrar su probabilidad de rotación, su porcentaje estimado deacuerdos cerrados y su impacto enla relación con clientes.

2. Recopilar las variables acertadas. Tanto las empresascomolos solicitantes suelen recurrir a la heurística para determinar qué características de un curriculum vitae importan más (la nota media de la carrera, el puestoanterior o los intereses personales). Losalgoritmoseficacesrequieren intuición humana, experimentación e iteración para determinar qué características de cada candidatomedir para predecir la métrica que más importea la organización en cuestión.

3. Seguir recopilandodatos.Después de contratara unapersona, rastree su rendimiento y archive sus datos como candidata. Estos datos ayudarán a sus algoritmos en futuros procesos de selección. Son animales hambrientos:a más datos, mejores predicciones. Aquí la escala supone una ventaja competitiva. Las empresas con más trabajadorespueden aprender más.

4. Comparar lo semejante. Un error frecuente a la hora de medir el desempeño pasado esobviar ladiferente dificultad de las tareas asignadas a cada trabajador. Por ejemplo, si el mejor comercial asumió los clientes más difíciles, podría tener un porcentaje de ventasmás bajo. Una métrica de rendimiento adecuada tieneque contemplar la complejidadde la tarea.

5. Anticiparse a los incentivos. Candidatos yempleados podrían estar incentivados para “trucar” la métrica al comportarse de manera que elevensuperficialmente supuntuación, pero que no reflejen con precisión su talento. Los comerciales incentivados a cerrar acuerdos a cualquier coste podrían puntuar bien en una métrica de rendimiento, pero proporcionar poco valor a la empresa. Anticiparse a esto, le permitirá desarrollar unas métricas lo suficientemente amplias y tener en cuenta los comportamientos estratégicos.

Aunque los algoritmos estadísticos tienen sus limitaciones, también las tiene el juicio humano. Dentro de las compañías más grandes, resulta difícilimaginar un mundo en el que, combinar inteligencia humana y de máquinas para contratar, no sea el camino a tomar.En otras palabras, para escogerla persona adecuada para una vacante, lo mejor es apoyarse en las fortalezas de las dos.


por
trad. Teresa Woods

Oren Danieli es alumno de doctorado del programa de economía de negocio de la Escuela de Negocios de la Universidad de Harvard (EEUU).

Related Posts
Maximizing Your Return on People

Oops, no importa…

Retracciones de artículos científicos se han disparado: En 2011, la base de datos online de Thomson Reuters de publicaciones científicas que figuran más de 400 avisos de abstinencia-un aumento de más del 1.000% desde principios de la década de 2000, cuando el recuento anual fue de aproximadamente 30. (El número de artículos publicados se incrementó sólo un 44%). los científicos atribuyen la tendencia, publicado en Nature, a [...]
Leer más
Maximizing Your Return on People

La razón secreta por la que sus empleados no innovarán

¿Por qué, a pesar de todo el brazo de su empresa agitando sobre la importancia de la innovación, son sus empleados todavía no poner nuevas ideas? Resulta que tienen miedo a. Después de encuestar a cientos de empleados que van desde directivos a empleados de almacén, Feirong Yuan de la Universidad de Kansas y Richard W. Woodman de Texas A & M encontró que las preocupaciones [...]
Leer más