Strategie ideali di selezione candidati

Quando si tratta di assumere nuovo personale, le grandi aziende devono selezionare tra centinaia di candidati, un processo che richiede tempo e risorse. Possiamo sfruttare la matematica per rendere queste procedure più efficienti? Probabilmente sì, almeno per una scrematura generale. Un articolo recentemente pubblicato sul Journal of Statistical Mechanics: Theory and Experiment (JSTAT) dal fisico statistico Pavel Krapivsky dell’Università di Boston propone un algoritmo che identifica tre strategie di selezione del personale, ognuna corrispondente a diversi obiettivi aziendali.

L’ispirazione arriva dal famoso “problema della segretaria” o “problema del matrimonio ottimale”. In una delle sue tante versioni, una principessa deve scegliere il futuro sposo tra 100 candidati invitati a un grande ricevimento. Ci sono però rigide regole da rispettare: può incontrare un solo pretendente alla volta e ha un tempo limitato per conoscerlo. Alla fine di ogni incontro, deve decidere immediatamente se accettarlo o rifiutarlo, senza possibilità di ripensamenti. Non può rivedere i candidati scartati né chiedere loro di aspettare per confrontarli con gli altri. Come può la principessa sperare di fare la scelta migliore?
La risposta ruota intorno a un numero. 37, per la precisione (alzi la mano chi ha pensato a 42). “Se dividiamo 100 per 2,718, ovvero il numero di Eulero – uno dei più celebri nella storia della matematica – otteniamo circa 37”, spiega Krapivsky. In pratica, questo significa che la principessa dovrà valutare e rifiutare i primi 37 candidati, tenendo traccia della loro qualità. A partire dal numero 38, dovà accettare il primo che risulti migliore di tutti quelli visti fino a quel momento. Secondo Krapivsky, questa strategia garantisce il miglior risultato possibile date le condizioni imposte. Un metodo talmente efficace che si dice – senza prove certe – che persino Johannes Keplero lo abbia utilizzato per scegliere la sua seconda moglie. “Keplero ha studiato il problema nei minimi dettagli, dedicandoci un anno intero piuttosto che alle sue grandi ricerche, e poi ha fatto la sua scelta”, assicura Krapivsky.

Krapivsky ha adattato il problema a un contesto più moderno, applicandolo ai processi di selezione del personale nelle grandi aziende. L’idea di base rimane la stessa: l’azienda ha un solo parametro per valutare la qualità di un candidato e deve decidere immediatamente se assumerlo o rifiutarlo senza possibilità di ripensamenti. Inoltre, nel modello proposto, i dipendenti appena assunti non possono essere poi scartati. “Non mi piace licenziare le persone”, scherza Krapivsky. A differenza del problema della segretaria, qui il flusso di candidati è continuo e potenzialmente infinito, rendendo il modello più realistico per il mercato del lavoro moderno, dove le assunzioni avvengono in base alle necessità aziendali immediate.

Lo studio esamina tre strategie di assunzione. La Maximal Improvement Strategy (MIS) prevede l’assunzione di un candidato solo se il suo punteggio è superiore a quello di qualsiasi dipendente già assunto. La Average Improvement Strategy (AIS) consente di assumere un candidato se il suo punteggio è superiore alla media dei dipendenti attuali. La Local Improvement Strategy (LIS), invece, prevede che il candidato venga valutato da un selezionatore casuale o da un piccolo comitato e venga assunto solo se il suo punteggio supera quello del valutatore o di tutti i membri del comitato.

A differenza del problema del matrimonio ottimale, qui non esiste una strategia unica migliore, ma la scelta dipende dagli obiettivi dell’azienda. Se l’obiettivo è massimizzare la qualità a lungo termine, la strategia MIS è la più efficace, ma rallenta il processo di assunzione. Se la priorità è bilanciare qualità e velocità di assunzione, la AIS rappresenta un buon compromesso. Se l’azienda ha bisogno di assumere rapidamente, senza concentrarsi troppo sulla qualità, la LIS è la strategia più adatta.
“Naturalmente, si tratta di semplificazioni”, sottolinea Krapivsky, “ma possono comunque risultare utili”. Un modello come quello presentato nello studio potrebbe, per esempio, costituire la base per gli algoritmi utilizzati nei social network e nelle piattaforme digitali. Questi includono non solo le piattaforme specifiche per la ricerca di lavoro, come LinkedIn, o le app di incontri come Tinder – che calibra le proposte future in base agli “swipe” degli utenti – ma anche sistemi che regolano la selezione dei contenuti, la gestione delle risorse e l’intelligenza artificiale. “Molti di questi meccanismi si basano in realtà su algoritmi molto semplici, come quelli che ci suggeriscono cosa guardare su YouTube”, conclude Krapivsky.