Bisakah Algoritme Mengalahkan Para Ahli dalam Perekrutan?

Data Mengalahkan Intuisi dalam Membuat Keputusan Seleksi

Bisakah sebuah algoritme mengalahkan para ahli dalam perekrutan?

Artikel Scientific American: “How Data Beats Intuition” menyatakan:

“Ketika kita membuat keputusan seleksi—baik memilih teman kencan, calon mitra bisnis, maupun kandidat karyawan—kita berusaha sebaik mungkin untuk menilai secara akurat potensi orang-orang yang kita pertimbangkan. Bagaimanapun, keputusan ini memiliki konsekuensi jangka panjang. Kencan pertama bisa berkembang menjadi hubungan romantis yang langgeng; calon mitra bisnis bisa menjadi rekan kerja seumur hidup; kandidat karyawan bisa menjadi seseorang yang bekerja bersama kita selama bertahun-tahun.

Namun, terlalu sering kita akhirnya bertanya, ‘Apa yang salah?’ Kita mungkin telah menghabiskan banyak waktu bersama orang tersebut serta melakukan beberapa wawancara dan asesmen, lalu menyadari beberapa bulan kemudian bahwa orang yang kita pilih ternyata tidak cocok. Ini bukan kejadian yang langka. Misalnya, data menunjukkan bahwa metode perekrutan tradisional menghasilkan kandidat yang memenuhi atau melampaui harapan manajer perekrutan hanya dalam 56 persen kasus—kira-kira sama dengan hasil yang diperoleh dari melempar koin.”

Ini adalah artikel yang sangat baik dan benar menurut pengalaman dan penelitian Harrison Assessment International. Alasan utama mengapa data bekerja lebih baik adalah karena ada banyak faktor yang berhubungan dengan keberhasilan kerja.

Setiap faktor ini seharusnya diberi bobot dan dinilai secara sistematis. Pewawancara pekerjaan cenderung tidak menganalisis pekerjaan secara sistematis dan merumuskan faktor-faktor kunci. Selain itu, pewawancara tidak memiliki cara yang strategis dan efektif untuk mengukur faktor-faktor tersebut. Akibatnya, penilaian subjektif mereka akan kurang efektif.

Anda dapat melihat pentingnya analisis pekerjaan dengan melihat perbedaan antara wawancara terstruktur dan wawancara tidak terstruktur. Hampir di setiap studi terbukti bahwa wawancara terstruktur jauh lebih efektif. Perbedaannya adalah seseorang meluangkan waktu untuk mempertimbangkan apa yang penting terkait pekerjaan dan mendasarkan wawancara pada faktor-faktor tersebut. Hal ini secara signifikan meningkatkan hasil.

Asesmen adalah sarana sistematis untuk memberi bobot dan mengukur kualifikasi serta kompetensi perilaku yang berhubungan dengan keberhasilan kerja. Namun, agar efektif, asesmen harus disesuaikan dengan pekerjaan tersebut dan tidak hanya mengukur faktor-faktor umum.

Faktor penting lainnya adalah sejauh mana suatu asesmen bersifat komprehensif. Asesmen yang efektif harus memberi bobot dan menilai semua faktor yang berhubungan dengan keberhasilan kerja, termasuk pendidikan, pengalaman, keterampilan teknis atau bisnis, keterampilan antarpribadi, kecenderungan kepemimpinan, dan motivasi. Jumlah faktor yang diukur harus memadai. Faktor-faktor yang tidak terkait sebaiknya tidak disertakan dalam analisis agar tidak membingungkan perekrut. Asesmen yang efektif juga harus mengukur aspek keterikatan karyawan dan retensi dengan menilai preferensi pekerjaan, preferensi tugas, dan minat. Jika tidak, asesmen tidak akan komprehensif. Efektivitas asesmen bergantung pada sejauh mana asesmen tersebut mencakup semua faktor yang berhubungan dengan keberhasilan kerja, sekaligus hanya menyertakan faktor-faktor yang relevan bagi keberhasilan dalam pekerjaan tertentu.

Asesmen Harrison dapat mencakup mekanisme strategis untuk mengidentifikasi ketidakjujuran yang jauh lebih efektif dibandingkan upaya pewawancara untuk menentukan sejauh mana seseorang berkata jujur terkait setiap faktor.

Jika data disesuaikan untuk keberhasilan dalam pekerjaan tertentu, hasilnya kemungkinan besar akan lebih relevan. Misalnya, mengukur beberapa faktor kepribadian umum dan membiarkan pewawancara menebak faktor mana yang penting untuk suatu pekerjaan tidak lebih efektif daripada wawancara terstruktur. Faktor-faktor yang diukur dan bobot yang diberikan seharusnya didasarkan pada penelitian kinerja, bukan tebakan. Dengan demikian, tersedia data nyata dan peluang yang jauh lebih besar untuk memprediksi keberhasilan kerja.