Vida Sana
Getty Images
En promedio, los empleos corporativos atraen la friolera de 250 solicitantes cada uno; sin embargo, solo unos cuantos llegan a la entrevista. Si cada currículo tiene de dos a tres páginas, eso representa más de 750 páginas por filtrar para cubrir un solo puesto... ¿y quién tiene tiempo para eso? Introducimos: los algoritmos.
En su núcleo, los algoritmos están diseñados para detectar patrones en los datos existentes y hacer predicciones sobre los datos futuros, basándose en una definición de qué variables (como las habilidades, por ejemplo) coinciden. Y mientras más datos alimentes a un algoritmo —según el razonamiento— más precisas son sus predicciones. Este es ciertamente el caso cuando se trata de compras por internet. Un análisis de compradores anteriores indica que si compras un cierto tipo de teléfono, probablemente querrás un tipo particular de funda, aro o soporte para acompañarlo. Y eso es muy eficaz... cuando se trata de comprar teléfonos.
Membresía de AARP: $12 por tu primer año cuando te inscribes en la renovación automática.
Obtén acceso inmediato a productos exclusivos para socios y cientos de descuentos, una segunda membresía gratis y una suscripción a AARP The Magazine.
Únete a AARP
El problema de la construcción de algoritmos para descartar a los candidatos equivocados es que muchos diseños se basan en a) la definición de lo que es un “buen” candidato, b) ejemplos anteriores de lo que han sido “buenos” candidatos, o c) qué candidatos de todo el conjunto de solicitantes terminan avanzando en rondas sucesivas. Definir qué es lo que hace que un candidato sea adecuado para un trabajo es notoriamente difícil. Hasta el 50% de las nuevas contrataciones fallan en 18 meses. Y cuando los datos de los anteriores candidatos exitosos se introducen en los algoritmos diseñados para predecir qué candidatos serán los siguientes en tener éxito, terminas obteniendo más de lo mismo. Además, si las descripciones de los puestos de trabajo y los procesos de reclutamiento están diseñados para suprimir, de manera abierta o inconsciente, el interés de los diversos candidatos, es probable que el proceso no incluya una variedad lo suficientemente grande como para provocar que el algoritmo sugiera diversos candidatos en el futuro.
La buena noticia es que algunas estrategias pueden ayudar a evitar que el sesgo se introduzca en el flujo de datos y en los algoritmos que aprenden de él.
1. Haz preguntas
Puedes hacer una serie de preguntas a los posibles proveedores para medir sus garantías de mitigación de prejuicios. ¿Puedes obtener cierta visibilidad de cómo se crean sus algoritmos? ¿Tienen un psicólogo especialista en organización industrial entre su personal que pueda hacer análisis detallados del trabajo y ayudar a los científicos de datos a construir una definición de las variables “buenas”? ¿Hacen los vendedores auditorías independientes y regulares de los resultados para ver si avanzan suficientes candidatos diversos? ¿Califican o clasifican a los candidatos, y si es así, pueden seleccionar al azar a los primeros diez o veinte para evitar demasiada concentración en pequeñas diferencias?
También te puede interesar
Diez principios para administrar equipos de edades mixtas
Los nuevos enfoques para administrar tu fuerza laboral pueden aprovechar las fortalezas de cada generación.Empleadores en todo el mundo a menudo excluyen la edad de sus políticas de diversidad
Una encuesta de AARP encontró que la mayoría de las empresas aún ven los beneficios de una fuerza laboral multigeneracional.Cuatro pasos para lucirte en una videoentrevista de trabajo
Los empleadores recurren a Zoom, Skype y otras tecnologías para seleccionar candidatos a distancia.