UNA FORMA DE DETECTAR EL SESGO

Octubre de 2015

Esto sorprenderá a mucha gente, pero en algunos casos es posible detectar sesgos en un proceso de selección sin saber nada sobre el grupo de candidatos. Esto es emocionante porque, entre otras cosas, significa que terceros pueden utilizar esta técnica para detectar sesgos, independientemente de que quienes realizan la selección lo quieran o no.

Puede utilizar esta técnica siempre que (a) tenga al menos una muestra aleatoria de los solicitantes que fueron seleccionados, (b) se mida su desempeño posterior y (c) los grupos de solicitantes que está comparando tengan una distribución de habilidades aproximadamente igual.

¿Cómo funciona? Piense en lo que significa ser parcial. Lo que significa que un proceso de selección esté sesgado en contra de los solicitantes del tipo x es que les resulta más difícil pasar. Lo que significa que los solicitantes del tipo x tienen que ser mejores para ser seleccionados que los solicitantes que no son del tipo x.

[ 1 ]

Esto significa que los candidatos del tipo x que logran pasar el proceso de selección superarán a otros candidatos exitosos. Y si se mide el desempeño de todos los candidatos exitosos, se sabrá si lo logran.

Por supuesto, la prueba que se utiliza para medir el rendimiento debe ser válida y, en particular, no debe verse invalidada por el sesgo que se intenta medir. Pero hay algunos ámbitos en los que se puede medir el rendimiento y, en ellos, detectar el sesgo es sencillo. ¿Quiere saber si el proceso de selección estuvo sesgado en contra de algún tipo de candidato? Compruebe si supera a los demás. Esto no es solo una heurística para detectar el sesgo. Es lo que significa el sesgo.

Por ejemplo, muchos sospechan que las firmas de capital de riesgo tienen prejuicios contra las fundadoras. Esto sería fácil de detectar: entre las empresas de su cartera, ¿las startups con fundadoras superan a las que no las tienen? Hace un par de meses, una firma de capital de riesgo (casi seguramente sin intención) publicó un estudio que mostraba prejuicios de este tipo. First Round Capital descubrió que, entre las empresas de su cartera, las startups con fundadoras superaban a las que no las tenían en un 63%.

[ 2 ]

La razón por la que empecé diciendo que esta técnica sorprendería a mucha gente es que rara vez vemos análisis de este tipo. Estoy seguro de que a First Round le sorprenderá que hayan realizado uno. Dudo que alguien allí se diera cuenta de que al limitar su muestra a su propia cartera, estaban elaborando un estudio no sobre las tendencias de las empresas emergentes, sino sobre sus propios sesgos a la hora de seleccionar empresas.

Preveo que en el futuro veremos que esta técnica se utiliza más. La información necesaria para realizar estos estudios está cada vez más disponible. Los datos sobre quiénes solicitan las cosas suelen estar celosamente guardados por las organizaciones que los seleccionan, pero hoy en día los datos sobre quiénes son seleccionados suelen estar disponibles públicamente para cualquiera que se tome la molestia de recopilarlos.

Notas

[ 1 ] Esta técnica no funcionaría si el proceso de selección buscara cosas diferentes en distintos tipos de solicitantes; por ejemplo, si un empleador contratara a hombres en función de sus capacidades, pero a mujeres en función de su apariencia.

[ 2 ] Como señala Paul Buchheit, First Round excluyó del estudio a su inversión más exitosa, Uber. Y si bien tiene sentido excluir a los valores atípicos de algunos tipos de estudios, los estudios sobre los retornos de la inversión en startups, que se basan en aprovechar los valores atípicos, no son uno de ellos.

Gracias a Sam Altman, Jessica Livingston y Geoff Ralston por leer borradores de este documento.