¿Puede la IA predecir cuándo abandonará la empresa un nuevo empleado?

¿Qué pasaría si supiera cuándo dejaría de trabajar un candidato antes de que le ofreciera el puesto? Si bien la tecnología está prediciendo el tiempo del futuro, se espera que el futuro sea mejor. Si la tecnología funciona, podría ahorrar miles de millones de dólares, ¿pero vale la pena?

Pymetrics, es una empresa de ciencia de datos que se ejecuta a través de una serie de 12 juegos en línea. Pero "en realidad no son solo juegos", explica el CEO y cofundador, Dr. Frida Polli, "son ejercicios científicos que han sido desarrollados por la comunidad de neurociencia cognitiva a nivel mundial para observar diferentes rasgos cognitivos y emocionales".

Las personas que solicitan puestos en Accenture o Unilever, los clientes principales de Pymetrics, juegan solitario en línea, apilan anillos virtuales en pilas y participan en otros ejercicios diseñados para descifrar el funcionamiento interno del cerebro de un solicitante: ¿son personas altruistas? ¿trabajan más rápido o más despacio cuando tienen distracciones? La tecnología mide más de 90 rasgos cognitivos, emocionales y sociales, todos los cuales, dice Polli, "salen a la superficie para diferentes roles en diferentes compañías".

Una vez que las pruebas se han realizado, el modelado predictivo de Pymetrics se pone a trabajar: patrón de ciencia de datos: coincide con los resultados de los candidatos frente al conjunto de datos de empleados exitosos y la compañía proporciona una coincidencia porcentual basada en que el examinado debe permanecer en ese trabajo por más de un año.

El éxito, dice Polli, está determinado por cada cliente, pero la empresa alienta a los empleados a usar métricas cuantificables, como la cantidad de trimestres en que se cumple el objetivo para un trabajo de ventas. Que van del uno al 100%, una coincidencia media o baja indica que un solicitante no se combinará bien y abandonará.

Predicciones de retención de IA: una cuestión de precisión

Danny Nelms, presidente de Work Institute, afirma: "el 75% de la facturación es más controlable versus menos controlable, explicando cómo los factores internos, impulsados ​​por la empresa son los más frecuentes sobre por qué los empleados se van como el pago por debajo del estándar. Estos se pueden controlar a nivel empresarial, pero en otras ocasiones, los grandes empleados simplemente se emparejan con malos jefes que los empujan a irse.

Pero buscar rasgos clave es exactamente lo que hace Pymetrics, las preguntas de precisión son las habituales para las predicciones de retención de IA.

Lo más importante es el resultado de la prueba. El poder predictivo de las referencias. Por coincidencia de patrones que se relaciona con el rendimiento.