La película Moneyball es tal vez uno de los mejores ejemplos para demostrar cuánto importa el análisis de datos a la hora de contratar un postulante para una empresa o formar un buen equipo de trabajo. En este film basado en hechos reales, Brad Pitt encarna a Billy Beane, gerente general del equipo de béisbol los Oakland Athletics, quien al ver los penosos resultados en los últimos años, decide relanzar el equipo para la nueva temporada. Pero no es un relanzamiento tradicional. Beane rearma los Oakland Athletics través de nuevas formas de evaluar a jugadores, utilizando el análisis de datos como herramienta. El objetivo: fichar a los jugadores precisos para tener una de las mejores temporadas de su historia. ¿Les suena familiar? ¿Qué creen que sucedió?
Basándose en análisis estadísticos, lograron encontrar valor en jugadores que eran descartados por otros equipos, que no eran muy caros y que tenían hambre de triunfar. Al mismo tiempo, evitaron contratar jugadores que eran muy apetecidos (es decir demasiado caros), pero que después no rendían como se esperaba. Sin embargo, cuando se dio a conocer la historia en la prensa muchos expertos del béisbol como managers y cazatalentos se molestaron y desacreditaron la metodología, argumentando que las cosas no se hacían de esa manera, y que ellos eran los más capacitados para seleccionar a los mejores jugadores en base a su experiencia y conocimientos.
Expertos limitados por los sesgos
Esta es una historia que tiene muchas similitudes con lo que ocurre en el campo del reclutamiento y la selección de personas en el mundo empresarial. En esta área, expertos deben evaluar constantemente candidatos. Y cuando lo hacen principalmente se basan en sus experiencias personales, en la intuición, y en la creencia de que tienen un poder para determinar de manera muy precisa si un candidato es el indicado para un puesto o no.
Lamentablemente se ha demostrado que estos expertos se ven afectados por diversos sesgos inconscientes a la hora de realizar juicios sobre los candidatos. Por ejemplo, el sesgo de afinidad emerge cuando el candidato comparte intereses o desarrolla actividades similares al evaluador. También está el efecto de halo, que ocurre cuando el evaluador se centra en un aspecto del candidato pasando por alto otros elementos de igual o mayor importancia. Otro ejemplo es el sesgo de confirmación, donde el evaluador se deja llevar por una positiva primera impresión para luego buscar elementos que solo confirmen esa percepción. Estos ejemplos nos muestran claramente cómo los sesgos inconscientes nos inducen a realizar juicios y tomar decisiones que parecen correctas pero que en la práctica no nos permiten seleccionar a los candidatos que tendrán un desempeño superior.
Takeaways: Hoy día la gran mayoría de las consultoras de Head Hunting utilizan metodologías tradicionales con escasa predictibilidad del desempeño futuro de los candidatos seleccionados. Al igual que nos muestra Moneyball, una selección de talentos más precisa, pasa ineludiblemente por incorporar metodologías más robustas, que presenten una validez comprobada y basadas en la data, de manera que las decisiones de contratación se basen no solo en el juicio de los expertos si no también en la evidencia objetiva asociada a los candidatos.
