Es muy complicado unir de forma tecnológica a dos personas y enviarlas a una cita. Hay que tener en cuenta bastantes expectativas. ¿Tienen intereses similares? ¿Viven en el mismo lugar? ¿Cuáles son sus objetivos? Y también hay bastantes expectativas ocultas, como por ejemplo, sobre el aspecto. El matching sigue siendo un problema complejo.

No cambia nada cuando se trata de unir a la persona adecuada con el trabajo adecuado. El matching de empleo y habilidades es un gran desafío incluso para los especialistas con muchos años de experiencia. ¿Quién y qué encaja bien? ¿En qué hay que fijarse? Todos los días hay que responder estas preguntas para poder realizar un matching eficaz. Se requiere un buen conocimiento y buena información, y, como ya se comentó, es bastante difícil cuando las personas tienen que realizar estas tareas con un alto nivel de calidad. Las expectativas de los empleadores y los potenciales empleados son altas. ¿Una máquina, un algoritmo, podría cumplir estas expectativas a la perfección?

 

¿Es posible un buen matching?

Primero vamos a aclarar si es posible un buen matching. El matching es la asignación de atributos de dos unidades distintas, en nuestro caso se trata de un trabajo y una persona. De todos modos, esto por sí solo puede significar cosas muy diferentes en nuestro ámbito a analizar. En algunos empleos el análisis de si se encaja con el trabajo solo se refiere a si se es capaz de desempeñar el trabajo. Por ejemplo, si alguien está sano físicamente, debería poder recoger fresas. Sin embargo, también hay otros trabajos que requieren muchos certificados, especializaciones y experiencia. ¿Intenta realizar un matching con un cirujano neonatal?

A pesar de que los especialistas en personal conocen los pormenores a los que hay que prestar atención, el matching sigue siendo un problema muy complejo también para ellos. Los requisitos cambian constantemente. Las exigencias que se aplicaban ayer, hoy ya no se aplican y, de la misma manera, las de hoy ya no se aplican mañana. El trabajo no se mantiene como trabajo, la persona no se mantiene como persona y el mercado laboral no se mantiene como mercado laboral. ¿Quién habría necesitado hace un par de años un director de desarrollo digital? ¿Y quién habría tenido esta especialización en su curriculum vitae?

Y esto se complica mucho cuando una máquina es la que tiene que realizar esta tarea. Tiene que poder aplicar toda la experiencia y los conocimientos de los especialistas, prestar atención a los detalles y también tiene que reaccionar a los constantes cambios del mercado laboral. Los proveedores de este tipo de máquinas se centran en distintos datos para superar el complejo problema, por ejemplo, el título del empleo anterior del solicitante o sus habilidades. Un algoritmo compara los requisitos de un puesto de trabajo y los curriculum vitae, y así se realiza el matching. ¿Con eficacia?

 

Un albañil es un albañil – ¿un asesor comercial es un asesor comercial?

Como se ha comentado, en algunos casos el matching se realiza en base a los títulos de los empleos anteriores. Si el candidato tenía el puesto X en la empresa A, también puede ejercer el puesto X en la empresa B, ¿no? Antes, igual sí. Antes éramos médicos de cabecera, secretarios, abogados, albañiles, etc. En la actualidad somos asesores comerciales, ninjas de datos, gestores de instalaciones, etc. ¿Un asesor comercial es alguien que está en un comercio minorista y aconseja a los clientes? ¿O alguien que crea ofertas, realiza tareas y negocia contratos con clientes en el departamento de ventas? Los especialistas se hacen estas preguntas cuando leen los curriculum vitae. Y una máquina también tiene que poder considerar y entender esto.

Los títulos de los empleos también son demasiado genéricos con demasiada frecuencia. O, por el contrario, demasiado específicos, cuando se incluyen términos internos de la empresa en el título del empleo para describir una función – esto ocurre en la actualidad con algunos encargados. Sin una descripción detallada de las ocupaciones, a menudo estaríamos perdidos y no podríamos saber si un solicitante es en realidad adecuado para un puesto. O si el puesto es adecuado para el solicitante.

 

Es mejor fijarse en los conocimientos

En la actualidad, el título de un empleo tampoco basta para un buen matching. Los proveedores de matching de empleo también solucionan el problema del matching con otros parámetros – se fijan en las habilidades y competencias porque son el contenido de las descripciones de los títulos de empleo crípticos. El matching basado en habilidades o competencias es relevante y prometedor porque no solo tiene en cuenta un título que alguien una vez tuvo, sino también sus conocimientos, talentos y formación, se podría decir. También se contemplan las capacidades de un candidato y las capacidades necesarias para un empleo, y se unen.

En principio suena lógico: quiero un directivo que sea abierto, comunicativo, resolutivo y un buen líder. Encuentro a alguien que tiene estos términos en su curriculum vitae y con los que coincide. Las habilidades son puntos fiables para que una máquina sepa que esta es la coincidencia perfecta para mi vacante, ¿no?

Vamos a mirar con más detenimiento las habilidades. Las habilidades, así como las capacidades, resultan de mi conocimiento. Aristóteles dijo que el conocimiento es la verdad absoluta. Solo se puede lograr la verdad absoluta cuando se ha experimentado y comprobado el conocimiento. El conocimiento que se ha aprendido mediante la comunicación y el estudio  por parte de otros tiene que comprobarse, por lo que no puede ser la verdad absoluta. Entonces, cuando alguien me cuenta algo nuevo – ¿cómo puedo estar seguro de que es una historia verdadera?

Mientras yo no lo experimente – y no lo aplique – el conocimiento permanece incompleto. Una buena formación seguramente es un buen valor, no quiero negarlo. Pero hasta que no sepa cómo alguien ha empleado los conocimientos adquiridos, no se ha comprobado y no me da la oportunidad de aplicarlos. Cuando también se comprueba, me produce un beneficio, un margen de maniobra, en cierto punto, una parte del poder.

Si volvemos a mi ejecutivo, que es abierto, comunicativo y un buen líder, se resuelve el problema. ¿No podría ser que nuestros potenciales candidatos podrían ser gestores de la industria de la construcción, las finanzas o los textiles? Probablemente sin su experiencia, las vacantes se unirían con los tres puestos de trabajo, aunque cada puesto requiere la experiencia propia de su sector. Falta la experiencia relevante para relacionar con sentido las habilidades.

 

El conocimiento real necesita experiencia

Por el contrario, esto lo reconocieron otros proveedores de matching de empleos. Las habilidades tampoco bastan. Si quisiera realizar el matching de un determinado empleo, no solo necesito el campo Habilidades  – mis conocimientos según el curriculum vitae y la carta de presentación. Necesito los componentes de la experiencia. Solo con la experiencia se pueden deducir las relaciones como los sectores.

Además, nadie menciona todas las capacidades que tiene – pero la gente suele mencionar otra información relevante que puede ayudar en el matching. Del mismo modo, una empresa especifica poco las competencias que hacen falta en la descripción del puesto – y esto dificulta el matching. Cuando una descripción de un empleo se refiere a un «científico de datos», el empleador no menciona ni las habilidades «utilización de TI», ni «procesamiento de datos» porque parte de que esto ya se deduce por el título del empleo. Del mismo modo, un científico de datos probablemente indicaría en su curriculum vitae las habilidades más específicas que las que se deducen de los títulos de sus anteriores empleos. Pero si una persona tiene que unirse con un empleo según sus habilidades, la información de este parámetro de comparación es un factor ausente.

Cuando realizamos el matching solo en base a las habilidades, estoy seguro de que obtenemos resultados diferentes a cuando solo buscamos en base a los títulos del empleo. Pero este nivel no es suficiente para que las personas se incorporen finalmente a los puestos de trabajo, los solicitantes a las vacantes y los empleadores a los empleados. Necesitamos más.

 

Una buena formación no significa buenos modales

Las habilidades y la experiencia tampoco pueden determinar si el nuevo redactor encaja bien en el equipo. Usted no puede responder a si el nuevo cuidador llegará puntual al hospital o si el nuevo vendedor sabe negociar bien. En la actualidad no es de fiar alguien que no ponga en su curriculum vitae que sabe trabajar en equipo. Pero estas habilidades de gestión y la personalidad son tremendamente importantes para un buen matching. Un asesor debe llegar puntual a una cita con un cliente, un programador también tiene que ajustarse a un horario flexible. Del mismo modo, el programador también tiene que saber trabajar solo. Si el asesor no se dirige a los clientes de forma abierta, su empresa pierde oportunidades. Por lo tanto, la coincidencia es especialmente buena cuando se incluye la personalidad. Mi curriculum vitae indica muchísimos conocimientos que he adquirido. Pero tiene que tener importancia la manera en la que los he logrado.

 

¿Aunar esfuerzos?

Y si un CV encaja demasiado a la perfección con una vacante, no se piensa mucho tiempo que este solo pueda ser perfecto en el contexto. Las habilidades y la personalidad de un nuevo empleado completan una red con habilidades y personalidades de los compañeros de trabajo. Si soy el único ingeniero de software de una empresa, tengo que ser todoterreno y tomar iniciativas propias. Si trabajo en un equipo con dos personas más, una sabe más del campo X, la otra del campo Y, las habilidades se complementan y la colaboración logra algo nuevo. Con frecuencia puedo ofrecer ayuda y me pueden pedir que me integre en un equipo. Los compañeros también influyen en el matching perfecto. Si esto también se toma en serio, hay que realizar el matching con los CV de los empleados.

Quien todavía piense que se puede hacer un matching solo en base a un parámetro (título del empleo, habilidades, experiencia o personalidad), debería reconocer que esto solo sale bien con mucha suerte. Cuando un algoritmo tiene que resolver un problema complejo, un buen matching se parece a la aguja encontrada en el pajar.

Entonces, ¿hemos llegado al final del camino?

Todavía no. Confucio afirmó: «La experiencia es una linterna que llevamos en la espalda y que solo alumbra el camino ya recorrido.»

Hemos probado nuestro conocimientos, aportado otras ventajas, quizás somos puntuales y fiables. Nos guiamos por las habilidades de gestión requeridas. Esto nos permite garantizar un buen funcionamiento con seguridad. Cumplimos todas las fechas de entrega, tratamos bien a todos los clientes y los empleados llegan puntuales siempre a su puesto. En realidad, ahora todo tiene que estar claro.

 

¿Qué fortalece la empresa?

La empresa «solo» se asegura realmente cuando todo siempre corresponde a lo que se exige. No hemos hecho nada nuevo. Hacer algo nuevo requiere buenos conocimientos y a menudo mucha experiencia. Sobre todo se necesita creatividad literal y semántica.

El diccionario de Cambridge describe la creatividad como «la capacidad de producir ideas originales y extraordinarias o de hacer algo nuevo o imaginativo»¹. Por consiguiente nos da la tercera perspectiva de algo que se escapa de nuestro conocimiento y experiencia, quizás también se podría describir como «think out of the box». Trabajar con creatividad no supone un enfoque artístico, sino romper las normas. Rebelarse. Dar un golpe en la mesa y deshacer las situaciones estancadas. Nuevo y diferente, quizás un poco intimidante.

Albert Einstein dijo: «La creatividad es la inteligencia divirtiéndose»². El creativo es el que se divierte desarrollando una empresa y no el que cumple un catálogo de requisitos de forma clásica, ve la empresa de forma diferente. La creatividad es el bien más valioso en una época con tantos cambios. Los que no se adapten durante la digitalización, no pueden continuar y se quedan atrás. Necesitamos empleados que tengan una perspectiva general. Necesitamos empleados que den seguridad a la empresa. Y necesitamos empleados que nos muestren algo nuevo, totalmente especial en estos tiempos. En la actualidad la creatividad es la habilidad más importante.

La creatividad, la intuición, las emociones y todos los opuestos al pensamiento lógico, analítico y razonable (que podrían considerarse como nuestro conocimiento y nuestra experiencia) suelen ejecutarse en la mitad derecha del cerebro. Quizás ha escuchado la teoría de que se puede ser un «pensador del hemisferio derecho» o «pensador del hemisferio izquierdo». Los investigadores determinaron que se trata de un mito. Aunque algunas funciones están situadas en un lado del cerebro, los mejores resultados se obtienen cuando los dos lados del cerebro trabajan juntos en complejas redes.³

Cuando quiero crear un nuevo producto, me ayuda conocer los procesos de fabricación y el material necesario. Mi experiencia también me ayuda al planificar un nuevo producto. Mi talento organizativo favorece el proceso. Pero la idea para crear un nuevo producto resulta de mi creatividad. Cuando se es bueno en algo, se obtienen los mejores resultados de todos los participantes: conocimientos, experiencia, personalidad y creatividad.

 

La despedida del matching perfecto

Vamos a decirlo claro: no se puede resolver el problema con ningún matching basado en competencias, habilidades, etc. porque el problema es demasiado complejo. El matching está impulsado por expectativas y estas cambian constantemente.

Por lo tanto, sencillamente no hay una coincidencia perfecta porque es imposible superar las expectativas. Nunca se pueden cumplir las expectativas igual de bien para todos, puesto que son muy subjetivas. También existe la posibilidad de incluir todas las dimensiones en la medida de lo posible para lograr una aproximación máxima al matching perfecto.

Los resultados de la cultura actual del matching con trozos de datos, como un par de habilidades o títulos de empleo crípticos, acaban una y otra vez con la calidad de la máquina. El matching con trozos de datos es como caminar en la oscuridad. Los que piensen que se puede realizar un matching con trozos de datos, con palabras clave casuales, están muy lejos de la coincidencia perfecta. Como ya se ha indicado, sencillamente faltan otros parámetros relevantes para una asignación de alta calidad.

Solo se puede lograr una aproximación máxima con algoritmos complejos cuando se renuncia a los trozos de datos y se intenta incluir todas las dimensiones, como hace el cerebro para crear algo nuevo: las habilidades, la experiencia, la personalidad y, sí, con prudencia, también el título del empleo anterior. La máquina introduce todas las dimensiones, las evalúa una a una y determina una ponderación. Cuando estas dimensiones se representan con una ponderación adecuada, se logra un buen punto de partida para unir de forma tecnológica a la persona y al empleo, se adaptan todas las dimensiones y, por lo tanto, las expectativas, e intentan lograr la máxima aproximación posible a la coincidencia perfecta.

Incluso con los procesos de matching de JANZZ.technology, bien concebidos y desarrollados, y mejorados durante años, es complicado englobar todas las dimensiones en las medidas adecuadas. Las expectativas se pueden representar en gran parte, pero una parte permanece siempre cerrada. Si, por ejemplo, se gestiona a una persona en paro, gran parte de sus expectativas es la gestión en sí. Si se realiza un matching con ingenieros, existe la expectativa de que la horquilla salarial encaje con los empleos anteriores. Se pueden representar otras expectativas cuando está claro que existen. También nos podemos aproximar a la coincidencia perfecta. Se descarta caminar en la oscuridad con trozos de datos. Al final, probablemente no puede existir la cita perfecta. Pero quizás sí una nueva invitación a otra.

 

Fuentes:

¹ Cambridge Dictionary (2017). Creativity. Abgerufen von: http://dictionary.cambridge.org/dictionary/english/creativity [2017.11.02].

² Einstein, Albert (1930). Mein Weltbild. Wie ich die Welt sehe.

³ Nielsen JA, Zielinski BA, Ferguson MA, Lainhart JE, Anderson JS (2013). An Evaluation of the Left-Brain vs. Right-Brain Hypothesis with Resting State Functional Connectivity Magnetic Resonance Imaging. PLoS ONE8(8): e71275. https://doi.org/10.1371/journal.pone.0071275

Sahoo, Anadi (2017). Knowledge, Experience & Creativity. Abgerufen von: https://www.linkedin.com/pulse/knowledge-experience-creativity-dr-anadi-sahoo/ [2017.11.03.].

«. . . En aquel Imperio, el Arte de la Cartografía logró tal Perfección que el mapa de una sola Provincia ocupaba toda una Ciudad, y el mapa del Imperio, toda una Provincia. Con el tiempo, estos Mapas Desmesurados no satisficieron y los Colegios de Cartógrafos levantaron un Mapa del Imperio, que tenía el tamaño del Imperio y coincidía puntualmente con él.[…]»

«Del rigor en la ciencia»
Jorge Luis Borges

La historia de Borges imagina un Imperio adicto a la idea de crear una representación perfecta de su mundo. El Imperio ficticio se ha enfrascado totalmente en la tarea de crear un mapa que coincida con su terreno punto a punto. Hoy no puedo evitar pensar que nos encontramos en un ambiente muy similar: los datos están cambiando profundamente nuestro mundo y la manera que tenemos de percibirlo. Nos encontramos en medio de una revolución de datos tan grande, dominante y joven que cuesta abarcarla entera. El impacto de los datos se está extendiendo a una escala realmente masiva; tratamos de usar los big data para transformar industrias completas, desde el marketing y las ventas hasta las predicciones meteorológicas, desde los diagnósticos médicos hasta los envases alimenticios y desde el almacenamiento de documentos y el uso de software hasta la comunicación. En realidad, como en el Imperio ficticio de Borges, hemos llegado a creer que cuantos más datos recopilemos y analicemos, mejor conoceremos al mundo y a las personas que lo habitan. Qué ingenuos nos hemos vuelto los maníacos de los datos.

En la actualidad prevalece la convicción de que los big data proporcionan un conocimiento práctico de casi cualquier aspecto de la vida. Philip Evans y Patrick Forth impugnan que «la información se comprende y aplica con medios básicamente nuevos de inteligencia artificial que buscan el conocimiento mediante algoritmos que emplean conjuntos de datos masivos y ruidosos. Como los mayores conjuntos de datos producen un mejor conocimiento, lo grande es hermoso» (de su artículo conjunto en bcg.perspectives). En este sentido, nuestra hambre de datos aumenta de forma constante y nuestro ecosistema digital la impulsa: los sensores, los dispositivos conectados, las redes sociales y un número creciente de nubes que producen continuamente nuevos datos para que los recopilemos y analicemos. Según un estudio de la International Data Corporation (IDC), el universo digital será casi el doble cada dos años. Desde 2005 a 2020, el volumen de datos crecerá en un factor de 300, hasta 40 zettabytes de datos. Un zettabyte tiene 21 ceros. En este mundo de crecimiento exponencial de datos, la ambición de acumular datos no conoce límites. Como en el Imperio ficticio de Borges, el límite externo es la escala de 1:1, una representación digital completa de nuestro mundo.

En la actualidad, empresas como IBM o LinkedIn ya están presionando este límite. IBM está formando a su sistema informático cognitivo llamado Watson para que pueda contestar virtualmente a cualquier pregunta. Para lograrlo, IBM Watson está recopilando una cantidad de datos sin precedentes para crear un impresionante corpus de información. La empresa acaba de adquirir Truven Health Analytics por 2,6 mil millones de $ en efectivo, proporcionando a su unidad de salud un inmenso depósito de datos sobre salud de miles de hospitales, empleados y gobiernos estatales de EE. UU. Fue la cuarta gran adquisición de una empresa de datos sanitarios en los 10 meses de vida de IBM Watson, lo que muestra la importancia que una representación digital de los pacientes, diagnósticos, tratamientos y hospitales tiene para el sistema de inteligencia artificial del gigante de la informática. La visión de LinkedIn es igual de ambiciosa: están creando Economic Graph, nada menos que una cartografía digital de la economía global. Aspira a incluir un perfil de cada uno de los 3 mil millones de miembros de la población activa mundial. Pretende representar digitalmente a todas las empresas, sus productos y servicios, las oportunidades económicas que ofrecen y las capacidades necesarias para obtener esas oportunidades. Y planea incluir una presencia digital para todas las organizaciones de educación superior del mundo. Sin embargo, los esfuerzos de las dos empresas son solo la punta del iceberg. Su empeño por crear una representación digital completa de sus respectivos campos es emblemático de una aspiración más general que va en la actualidad hacia un estado de información ubicua.

Las visiones de empresas como IBM Watson y LinkedIn ya evocan el mundo imaginado por Borges. Los poderes de los big data están convergiendo y recreando las ambiciones cartográficas del Imperio de su historia. Este mundo se está convirtiendo en referencial de sí mismo. La representación digital de nuestro mundo se está expandiendo deprisa y en los límites exteriores, la representación y la realidad están empezando a coincidir. El mundo y nuestra imagen de él están convergiendo. De repente nos encontramos en un mundo que guarda una semejanza alarmante con el Imperio de Borges.

Qué disparate – la historia de Borges continúa, cuestionando el propósito de una representación tan inmensa. Ya sea cartográfico o digital, un mapa a escala 1:1 puede que no sea tan útil como se piensa.

«[…] Menos Adictas al Estudio de la Cartografía, las Generaciones Siguientes entendieron que ese dilatado Mapa era Inútil y no sin Impiedad lo entregaron a las Inclemencias del Sol y los Inviernos. En los Desiertos del Oeste perduran despedazadas Ruinas del Mapa, habitadas por Animales y por Mendigos; en todo el País no hay otra reliquia de las Disciplinas Geográficas.»

En el mundo ficticio de Borges, las siguientes generaciones tiraron el mapa de sus antepasados porque no sentían la misma ambición que sus ancestros y reconocieron que el mapa a escala 1:1 era inútil. Dejaron que se descompusiera y solo quedaron las «despedazadas ruinas» del mapa de los antepasados. La comprensión de que un mapa a escala 1:1 no tiene sentido en la práctica también recuerda a nuestra experiencia con el universo de los datos en expansión.  El profesor Patrick Wolfe, director ejecutivo del Big Data Institute de la University College of London, advierte de que «la tasa en la que generamos datos supera rápidamente nuestra capacidad para analizarlos.» En la actualidad solo se analiza aproximadamente el 0,5 % de todos los datos y Wolfe afirma que este porcentaje disminuye a medida que se recopilan más datos. También estamos empezando a darnos cuenta de la inviabilidad de las masas de datos que estamos manejando. En lugar de ganar de manera exponencial más conocimiento sobre nuestro mundo con los datos, estamos creando una entidad que está en peligro de caer en el olvido por su gran tamaño.

Para evitar que nuestra colección digital que se acumula constantemente sufra la misma suerte que el mapa de Borges – que las generaciones venideras la dejen en despedazadas ruinas –, es esencial crear una inteligencia práctica a partir de ella. Por consiguiente, la capacidad para entender de verdad la total complejidad de las masas de los datos recopilados y para producir un conocimiento relevante de ellos será la ventaja competitiva definitiva; esto es válido en la actualidad y todavía lo será más en el futuro.

Mientras que muchos ya proponen la conversión de los big data en smart data o intelligent data, todavía no ha surgido ninguna solución clara sobre cómo lograr realmente esta transformación. Hoy en día, las matemáticas aplicadas, el procesamiento del lenguaje natural y el aprendizaje automático tienen el mismo peso en la balanza y sustituyen a cualquier otra herramienta que se pueda aplicar. Es la idea de que con suficientes datos, los números hablan solos. Repitiendo lo que dijeron Evans y Forth, «lo grande es hermoso». Esta idea conforma la cultura de Silicon Valley y, por extensión, la de muchas empresas de todo el mundo.

Otras metodologías como las ontologías, las taxonomías y la semántica se ignoran totalmente en el espíritu de descubrimiento actual. Mientras que las matemáticas aplicadas, el aprendizaje automático y el análisis predictivo representan el tamaño; las taxonomías y la semántica representan el significado y la comprensión. Y mientras que las segundas pueden parecer insignificantes en comparación con las dimensiones de las primeras, no desempeñan un papel menor al determinar la salud competitiva de las empresas. Tras el crecimiento exponencial del universo digital en los últimos años, hemos llegado a un grado de complejidad que requiere la introducción de un conocimiento profundo de las materias en cuestión. Esto es algo que no se logrará recopilando todavía más datos ni implementando un algoritmo. Irónicamente, es un cambio de dirección que se aleja del «lo grande es hermoso» y podría aprovechar todo el potencial de los big data.