¿Cómo ser más eficaz en la selección?

¿Cómo ser más eficaz en la selección?

La tasa de fracaso al final del período de prueba está establecida en torno al 20 % desde hace mucho tiempo, a pesar de la profesionalización de la función de RR. HH. ¿A qué se debe? Examinada más exhaustivamente, esta sorprendente persistencia tiene una sencilla causa: los errores de selección siguen siendo una realidad. En resumidas cuentas: las técnicas utilizadas para pronosticar los comportamientos profesionales y el éxito no siempre se corresponden con el objetivo perseguido por la empresa.

El mantenimiento de prácticas inadecuadas ya no es una fatalidad. Aparecen nuevas técnicas, Big Data, selección de predicción y adecuación al puesto, que parecen ser capaces de proponer medios más seguros para jerarquizar a los candidatos y, por lo tanto, acabar con esta hecatombe. Pero ¿hay que confiar ciegamente en las máquinas (y en sus vendedores)?

Las soluciones propuestas por los nuevos dispositivos de evaluación basados en el Big Data son numerosas. Para ayudar a los profesionales que desean mejorar sus prácticas, he aquí algunas preguntas esenciales que hay que plantearse para confirmar la relevancia de las herramientas propuestas.

¿El modelo se ha validado sobre una muestra relevante?

Evidentemente, el tamaño de la muestra analizada es un criterio de relevancia fundamental. Pero ¿el modelo también se ha probado sobre una submuestra comparable con las características de una empresa específica? Un modelo puede ser predictivo en general, pero mucho menos pertinente para una profesión, una empresa o un mercado de trabajo. Por consiguiente, resulta importante verificar si la norma general puede aplicarse a una organización.

¿El modelo se ha validado con técnicas estadísticas relevantes?

Las cualidades psicométricas de una prueba son las más complejas de comprender por individuos que no son especialistas. ¿Cómo apreciar la calidad de los análisis o de las técnicas estadísticas utilizadas cuando no se es un experto en sí mismo? La solución más sencilla es comprobar si el modelo ha sido elaborado por investigadores. Los resultados deben haberse publicado en revistas científicas. Una revista científica es «peer-reviewed», es decir, los artículos que publica se han evaluado de forma anónima por un comité científico formado por investigadores expertos en la materia.

¿El modelo utilizado describe condiciones indispensables para el rendimiento sin ser corto de miras?

Para convertir una característica individual en un criterio de selección, hay que estar seguro de que quienes lo poseen tendrán éxito, pero también se debe tener la certeza de que quienes no disponen de él no tendrán ninguna posibilidad de éxito. Debe garantizar tanto la relevancia de unos pocos como la imposibilidad de éxito de los demás.

¿El modelo propuesto explica realmente las diferencias de éxito?

El Big Data arroja luz sobre las relaciones entre variables. Sin embargo, ni la cantidad de datos, ni la sofisticación estadística resultan suficientes. ¿Qué sentido debe darse a las relaciones entre el color de los ojos y una buena nota en el bachillerato, o entre el origen geográfico y la remuneración? ¿Esta información describe características que afectan realmente al rendimiento? Encontrar un sentido a los datos es un ejercicio ante todo teórico. Las cifras solo sirven para confirmar modelos gracias a la realidad de los hechos. Por lo tanto, el modelo propuesto debe explicar, y no solo describir, las relaciones entre las características individuales y el rendimiento. Respetando esta condición, sí que se generan conocimientos capaces de mejorar significativamente los procesos de selección y evaluación.

¿Las normas de selección son inesperadas o confirman el sentido común preexistente? 

Los profesionales de recursos humanos deberían extrañarse cuando un modelo psicométrico no aporta ningún dato sorprendente: ni un concepto nuevo, ni relaciones inesperadas entre las características individuales y el rendimiento. En tales casos, es muy probable que el modelo solo revele estereotipos.

La manipulación de los datos puede convertirse en un temible medio de influencia en el destino de los colaboradores, pero también en el rendimiento de las organizaciones. Por ello, la cuestión de los medios para evaluar y gestionar las fases de selección a partir de esta técnica debe plantearse en sus dimensiones científicas, éticas y políticas. En definitiva, el aspecto fundamental no reside en el instrumento, sino en estos principios de construcción y, posteriormente, en el espíritu y la práctica concreta de su utilización.

Dominique Duquesnoy, director de Desarrollo de PerformanSe & Jean Pralong, titular de la cátedra «Nouvelles Carrières» (Nuevas carreras) de la escuela de negocios NEOMA Business School

 

Enviar comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Share This