Contratación y Big Data: los que podrían quedarse atrás

Los reclutadores, los directores de recursos humanos y los inversores siempre han buscado mejores formas de identificar quién se ajusta y tiene potencial y cómo asignarles las oportunidades. El big data promete no solo mejorar enormemente la eficiencia, sino también aportar una mayor objetividad a nuestra toma de decisiones humanas, sesgada inconscientemente. Y sin lugar a dudas, el «análisis de personas» predictivo está empezando a transformar la forma en que los empleadores contratan, despiden y ascienden. Como un Atlántico reciente artículo sostiene: «Lo que comienza con una prueba de selección en línea para los trabajadores principiantes termina con la transformación de casi todos los aspectos de la contratación, la evaluación del desempeño y la gestión».

Pero eso es solo la punta del iceberg. Una de las novedades que, sin duda, consolidará la relación entre el big data y los procesos de talento es el auge de los cursos masivos y abiertos en línea, o MOOC. Las escuelas de negocios se están metiendo en ellas cerdo entero. Pronto, su actuación en el MOOC se venderá a los reclutadores en línea, que aprovecharán el tipo de información que permite el big data: distinciones precisas no solo en cuanto a la asimilación del contenido, sino también en la participación, la contribución y el estatus en las comunidades en línea asociadas. Pero, ¿y si estas nuevas posibilidades —utilizadas por los reclutadores y los directivos para conseguir el mejor talento de manera eficiente y objetiva— solo contribuyen a las desigualdades actuales? ¿O crear otros nuevos?

Elogiados como proveedores de igualdad, los datos no solo muestran que la mayoría de los moocs tienen un buen nivel educativo, tienen empleo, son jóvenes y hombres, pero eso la mayoría de los profesores, especialmente las «estrellas», son hombres. Y como reciente artículo titulada «Cursos en línea abiertos para hombres», advierte que los MOOC podrían estar devolviendo la academia «a los días de las enormes brechas de género, cuando los profesores sénior eran abrumadoramente hombres». Sin embargo, quién nos enseña es importante en más de un sentido. Mire cualquier investigación sobre lo sutil, sistémico o» sesgo de segunda generación» frenando a las mujeres y las minorías en los negocios y encontrará la falta de modelos a seguir en lo más alto de la lista. Al fin y al cabo, quiénes son nuestros primeros modelos a seguir (después de los padres, si tenemos suerte): nuestros profesores. Por experiencia, sé que no habría acabado haciendo un doctorado en Yale si el director de mi departamento en la Universidad de Miami, el Dr. Robert Tallerico, no me hubiera alentado y asesorado personalmente desde el primer día.

Lejos de democratizar la educación, críticos argumentar que los MOOC solo reforzarán a los que tienen poder y debilitarán a los que no lo tienen. Las primeras pruebas de los MOOC sugieren enormes tasas de caída. Tras Sebastian Thrun, fundador de Udacity deserción muy pública de la iglesia MOOC, lo arremetieron por realizar un «experimento» con fines de lucro en el estado de San José sin pensar en si las tasas de finalización podrían diferir según la raza y la clase. No puedo evitar preguntarme qué me habría pasado si mi primer año en la universidad hubiera sido todo MOOC.¿Thrun y sus colegas consideraron la posibilidad ¿que el problema podría no haber sido un «barrio difícil sin un buen acceso a los ordenadores» sino la falta de contacto e identificación con el cuerpo docente?

Y veamos más de cerca los juegos en línea sobre los que Don Peck informa en su Atlántico pieza. A medida que más reclutadores utilizan los datos de los juegos para tomar decisiones de contratación, ¿garantizan sin darse cuenta una fuerza laboral homogénea? Los hombres acumulan muchas más horas de práctica en este tipo de juegos que las mujeres, un Roles sexuales [estudiar](http://phys.org/news167660240.html#jCp; http://chronicle.com/article/In-Terms-of-Gender/135290/) demuestra. Los juegos también se asocian con dedicar menos tiempo a hacer los deberes, es decir, a trabajar duro, el ingrediente esencial en el que confían las niñas, las minorías y los inmigrantes (lo sé, marco los tres) para salir adelante. No puedo imaginarme a mis padres diciendo: «Cariño, guarde esos libros de texto y trabaje en sus juegos o nunca llegará a ningún lado en la vida».

Sin embargo, los reclutadores se toman estos datos en serio. «Cuánto tiempo duda antes de tomar cada acción, la secuencia de acciones que toma, cómo resuelve los problemas», dice un proveedor de análisis de la fuerza laboral , «todos estos factores y muchos más se registran a medida que juega y, a continuación, se utilizan para analizar su creatividad, su persistencia, su capacidad de aprender rápidamente de los errores, su capacidad de priorizar e incluso su inteligencia social y su personalidad». Incluso después de solo veinte minutos de juego, generará varios megabytes de datos que «componen un retrato en alta resolución de su psique e intelecto y una evaluación de su potencial como líder o innovador».

Hay más. El Roles sexuales El coautor del estudio afirma que otro posible factor que contribuye a la falta de interés de las niñas por los juegos es la escasez de mujeres que trabajen en la industria del diseño de juegos. «El 88 por ciento de los desarrolladores de juegos son hombres», [Heeter dice](http://phys.org/news167660240.html#jCp; http://chronicle.com/article/In-Terms-of-Gender/135290/), añadiendo que «los juegos diseñados para atraer de manera óptima a las mujeres pueden minimizar la presión de rendimiento en el juego, ofrecer beneficios en el mundo real, como aliviar el estrés, hacer ejercicio cerebral o pasar más tiempo de calidad con la familia y los amigos, y se pueden jugar en poco tiempo».

Lo que lleva a otra pregunta: ¿Y si la «presión de rendimiento en el juego» desencadena una amenaza estereotipada? Hace décadas el psicólogo Claude Steele mostró que las mujeres y los afroamericanos tenían un rendimiento inferior desde el punto de vista académico y en los exámenes estandarizados, no por incapacidad sino más bien por la amenaza de los estereotipos, el miedo a que las estereotiparan y subestimaran por su raza y género. Steele también descubrió que la tasa de abandono escolar de los estudiantes afroamericanos era mucho más alta que la de sus compañeros blancos, a pesar de que eran buenos estudiantes y habían obtenido excelentes puntajes en el SAT. A medida que las formas de aprendizaje y evaluación en línea se hagan más sofisticadas, añadan más elementos de participación y vinculen de manera más explícita a los guardianes profesionales, ¿taparemos las filtraciones en la cartera de diversidad o añadiremos más?

La belleza (y el peligro) del big data es que no se limita a las pruebas que una persona hace voluntariamente como parte del proceso de contratación, sino que también puede buscar en nuestras huellas digitales para encontrar los principales indicadores correlacionados con el desempeño laboral. La enorme cantidad de puntos de datos que recopilan los mineros les permiten una precisión quirúrgica a la hora de discernir qué atributos se correlacionan mejor con el éxito en los diferentes trabajos. Por ejemplo, resulta que el navegador que usa un solicitante hacer la prueba en línea es muy importante, especialmente para los puestos técnicos, ya que el uso de los navegadores más sofisticados requiere «un poco de conocimiento e iniciativa para descargarlos». Otros predictores son tan preocupantes que las empresas no los utilizan a pesar de su poder. Una startup que aplica el análisis de personas para seleccionar a los solicitantes de empleo descubrió que la distancia entre el hogar y el trabajo está fuertemente asociada con el compromiso y la retención de los empleados. Otro descubre que los programadores más fuertes suelen ser los fanáticos de un sitio de manga japonés en particular. ¿Cuál es la diferencia entre el reconocimiento de patrones que ofrece el big data y la elaboración de perfiles por género, raza o clase?

Incluso la persona que nunca se ha aventurado más allá de Statistics 101 sabe que la correlación no es causalidad, una obviedad que reconocen los creadores de los algoritmos. Google, por ejemplo, dejó de usar acertijos y acertijos al contratar tras descubrir que no predijeron el rendimiento laboral ni la capacidad de liderazgo. Y, en muchos casos, los factores no medidos provocan tanto la variable predictora como el resultado que pretende predecir. ¿Y si el navegador que utiliza o lo que lee para divertirse en su tiempo libre depende en parte de su red social? Lo es bien documentado, por ejemplo, que las innovaciones se difunden a través de redes sociales que son notoriamente «homófilas», es decir, que conectan a personas con datos demográficos similares, como la clase, la raza y el género. ¿Los algoritmos basados en nuestras interacciones sociales no solo recrearán digitalmente sino que potenciarán exponencialmente el «viejo club de chicos (blancos)?»

El big data promete una mayor previsibilidad, pero no debe confundirse con la objetividad. Como investigador, hago una advertencia: antes de abrazar esta revolución basada en la evidencia, ¿no deberíamos seguir sus principios realizando algunos estudios sobre la dinámica de la diversidad en este nuevo y valiente mundo de la gestión del talento?

El talento y el nuevo mundo de la contratación
Un HBR Insight Center

• Cómo utilizar las pruebas psicométricas en la contratación
• Una forma más justa de tomar decisiones de contratación y ascenso
• Por qué Recursos Humanos tiene que dejar de pasar por alto a los desempleados de larga duración
• El mercado laboral de los MBA está a punto de recibir un golpe