Algoritmos para mejorar la contratación
10 minutos
Los investigadores del MIT han desarrollado un nuevo enfoque para utilizar algoritmos en el proceso de contratación que puede ayudar a las empresas a atraer talento de un grupo más diverso de solicitantes de empleo.
El enfoque genera más del triple de candidatos de otras etnias de los que las empresas podrían haber considerado utilizando algoritmos tradicionales de selección de currículums. El algoritmo también genera un conjunto de entrevistados que tienen más probabilidades de recibir y aceptar una oferta de trabajo, lo que puede ayudar a las empresas a agilizar el proceso de contratación. El informe “La contratación como exploración”, desgrana los resultados.
Identificar candidatos laborales que se destacan del resto produce una lista corta más diversa para las entrevistas que las prácticas tradicionales de selección de currículums.
Las empresas recurren cada vez más a algoritmos para ayudarlas a tomar decisiones de contratación. Los algoritmos prometen ahorrar tiempo a las organizaciones, que pueden procesar miles de solicitudes mucho más rápido que un reclutador humano. También mejoran potencialmente las decisiones de selección al descubrir predictores del desempeño de los solicitantes que los humanos podrían pasar por alto.
Los algoritmos de contratación tradicionales buscan características de un solicitante de empleo que predicen el éxito futuro, basándose en un conjunto de datos de capacitación históricos de solicitantes que han sido entrevistados o contratados en el pasado. Este tipo de enfoque, conocido como aprendizaje supervisado, funciona bien cuando las empresas tienen muchos datos sobre solicitantes anteriores y cuando las cualidades que predicen el éxito pasado continúan prediciendo el éxito futuro.
Sin embargo, hay muchos casos en los que ambos supuestos pueden no ser ciertos. Por ejemplo, los solicitantes de entornos no tradicionales pueden estar subrepresentados en el conjunto de datos de capacitación, lo que hace más difícil para las empresas predecir con precisión su desempeño. Además, las demandas de habilidades pueden cambiar con el tiempo: las empresas que contraten trabajadores en la actualidad pueden poner más énfasis en la capacidad de un empleado para trabajar eficazmente en un entorno remoto.
“Los enfoques de aprendizaje supervisado estático pueden impulsar a las empresas a replicar lo que ha tenido éxito en el pasado, y eso puede reducir las oportunidades para las personas con antecedentes no tradicionales”, han dicho los investigadores del MIT. “Es necesario tratar la contratación como un problema de aprendizaje dinámico para aprender más sobre la calidad de los candidatos de los que sabes menos y poder tomar mejores decisiones de contratación en el futuro”.
La diversidad importa, pero las empresas luchan por mejorar
Algunas investigaciones han demostrado que los equipos más diversos son mejores para los negocios. Cuando los equipos de liderazgo provienen de orígenes diversos (no solo de género y raza, sino también de trayectoria profesional y educación), las empresas reportan una mayor probabilidad de innovación, ganancias superiores al promedio, y un impulso a los precios de sus acciones.
Además, una encuesta de Weber Shandwick encontró que es cada vez más probable que los trabajadores más jóvenes consideren la diversidad y la inclusión como un factor importante en su búsqueda de empleo. Esto sugiere que las empresas que no están comprometidas con mejorar la diversidad pueden tener problemas para atraer a los mejores talentos, señaló la encuesta.
Los intentos de aumentar la diversidad en la contratación enfrentan desafíos cuando las organizaciones utilizan técnicas tradicionales de aprendizaje automático para seleccionar a los solicitantes de empleo. Esos algoritmos se centran en seleccionar a los mejores trabajadores basándose en lo que la empresa sabe en este momento, en lugar de considerar la posibilidad de que esto pueda llevarla a pasar por alto a solicitantes calificados de entornos no tradicionales que están subrepresentados en sus datos históricos. Según los expertos creen que las empresas deberían lograr un mejor equilibrio entre contratar a grupos con antecedentes comprobados y arriesgarse con candidatos de grupos menos representados, para conocer sus habilidades.
“El aprendizaje automático se utiliza cada vez más para guiar la toma de decisiones: para las calificaciones crediticias, para determinar quién recibe atención médica y quién es contratado”, dijeron. “Estábamos interesados en observar la forma en que el diseño de algoritmos afecta el acceso a las oportunidades”.
Los modelos dinámicos encuentran candidatos que se destacan
Para abordar esto, se consideró la contratación como un problema de aprendizaje dinámico, analizando a los solicitantes en función de su potencial de crecimiento o valor de opción. El algoritmo del equipo asigna lo que llamó un “bono de exploración” para identificar candidatos cuya calidad la empresa conoce menos (dados los datos existentes de la organización). Estos candidatos pueden ser raros según su formación académica, historial laboral o demografía, pero todos comparten una cosa en común: debido a que la empresa sabe tan poco sobre ellos, es lo que más aprenderá al darles una oportunidad. Esto se conoce como “contratación como exploración” ya que “nunca se sabe si no lo intentas”.
Luego, los investigadores aplicaron el algoritmo de aprendizaje dinámico a una muestra de datos de casi 90.000 solicitudes de empleo que una sola empresa Fortune 500 recibió durante un lapso de 40 meses. Los investigadores compararon su resultado (el “modelo orientado a la exploración”) con el resultado de dos tipos de algoritmos de aprendizaje estático, uno que nunca cambió y otro que se actualizó después de una ronda de 100 solicitantes (los “modelos de aprendizaje supervisado”), y con las decisiones finales de entrevista y contratación de la empresa. La organización fue muy selectiva. Rechazó aproximadamente el 95% de los candidatos basándose en su selección inicial de currículum, y sólo el 10% de los candidatos que pasaron la selección aceptaron una oferta de trabajo.
Utilizando los modelos de aprendizaje supervisado, aproximadamente el 2% de los solicitantes que aprobaron la evaluación inicial del currículum eran africanos y menos del 5% eran hispanos. Bajo el modelo orientado a la exploración, las acciones aumentaron al 14% y 10%, respectivamente.
“No es porque los algoritmos estén buscando encontrarlos, sino porque los candidatos son más raros y los algoritmos los están explorando más”, dicen los especialistas, señalando que el algoritmo sólo está diseñado para maximizar la calidad, sin ninguna preferencia por el género o la diversidad étnica.
“Las empresas y los reclutadores no tienen que decir nada sobre sus preferencias en cuanto a datos demográficos o historial laboral”, afirman. “Los algoritmos proporcionan una forma no intervencionista de decidir qué tipos de diversidad explorar”.
El modelo de aprendizaje dinámico demostró otro beneficio. La tasa de contratación entre los candidatos seleccionados por los algoritmos fue del 25%, en comparación con una tasa del 10% para los candidatos seleccionados por reclutadores humanos. Tal resultado permitiría a las empresas programar menos entrevistas para cubrir un puesto. Igualmente, también podría alejar a una empresa de seguir seleccionando un gran grupo de candidatos que probablemente no aceptarán un puesto porque tienen ofertas de trabajo competitivas sobre la mesa, como la práctica de reclutar graduados de MBA de programas de alto perfil para consultoría o roles de servicios financieros.
Nadie piensa que no hay gente con talento fuera de las mejores universidades. La pregunta es, ¿cómo los encontramos?, dicen los autores de la investigación. “Creamos una herramienta que nos permite identificar personas de grupos que pueden haber sido tradicionalmente descuidados y que los algoritmos sacan a la luz”.
Relacionado
Ideas de desarrollo de empleados en 2024 
