Algoritmos para mejorar la contratación

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”.