Når det kommer til at ansætte nyt personale, er store virksomheder ofte nødt til at vælge mellem hundreder af kandidater, en proces, der kræver tid og ressourcer. Kan matematik hjælpe med at strømline disse procedurer? I det mindste i bredeste forstand, sandsynligvis ja.
Et papir offentliggjort i Journal of Statistical Mechanics: Theory and Experiment Af Pavel Krapivsky, en statistisk fysiker ved Boston University, foreslår en algoritme, der identificerer tre ansættelsesstrategier, der hver svarer til forskellige mål, som en virksomhed måtte have.
Krapivsky hentede inspiration fra det berømte “sekretærproblem” eller “optimalt ægteskabsproblem”. I en af sine mange versioner skal en prinsesse vælge sin fremtidige mand fra en pulje på 100 kandidater til en storslået modtagelse. Imidlertid gælder strenge regler: Hun mødes muligvis kun en frier ad gangen og har begrænset tid til at lære ham at kende.
I slutningen af hvert møde skal hun straks beslutte, om hun skal acceptere eller afvise frieren. Hun kan ikke besøge tidligere kandidater, og hun kan heller ikke bede nogen af dem om at vente, mens hun overvejer andre. Hvordan kan prinsessen håbe at tage det bedste valg?
Hemmeligheden ligger i et tal: 37, for at være præcis (løft din hånd, hvis du tænkte på 42). “Hvis vi deler 100 med 2.718, hvilket er Eulers nummer – en af de mest berømte i matematisk historie – får vi cirka 37,” forklarer Krapivsky.
Rent praktisk betyder det, at prinsessen skal evaluere og afvise de første 37 kandidater, samtidig med at de holder styr på deres kvalitet. Fra kandidatnummer 38 skal hun vælge den første, der er bedre end alle dem, hun tidligere har mødt. Ifølge Krapivsky garanterer denne strategi det bedst mulige resultat under de givne begrænsninger.
Metoden er så pålidelig, at selv Johannes Kepler ryktes – selvom der ikke er noget solidt bevis – at have brugt det til at vælge sin anden kone. “Han studerede meget detaljeret problemet, tilbragte et år med at gøre dette snarere end sin egen store forskning og tog derefter et valg,” fortæller Krapivsky.
Krapivsky omformulerede problemet i en mere moderne kontekst og anvender det til at ansætte praksis i store virksomheder. Den grundlæggende idé forbliver den samme: Virksomheden har en enkelt parameter til at vurdere kvaliteten af en kandidat og skal beslutte, om de skal ansætte dem med det samme eller afvise dem uden genovervejelse. Desuden kan nyligt ansatte i denne model ikke afskediges.
”Jeg kan ikke lide at skyde folk,” spøger Krapivsky. I modsætning til sekretærproblemet er her kandidatstrømmen kontinuerlig og potentielt uendelig, hvilket gør modellen mere realistisk for moderne arbejdspladser, hvor ansættelsesbeslutninger træffes baseret på øjeblikkelige forretningsbehov.
Undersøgelsen undersøger tre forskellige ansættelsesstrategier:
- Den maksimale forbedringsstrategi (MIS) dikterer, at en kandidat kun ansættes, hvis deres score er højere end for nogen tidligere ansat medarbejder.
- Den gennemsnitlige forbedringsstrategi (AIS) gør det muligt at ansat en kandidat, hvis deres score overstiger den gennemsnitlige score for alle nuværende medarbejdere. Den lokale forbedringsstrategi (LIS) involverer på den anden side hver kandidat, der vurderes af en tilfældigt valgt medarbejder eller et lille ansættelsesudvalg og kun ansat, hvis deres score overgår intervieweren eller alle udvalgsmedlemmer.
I modsætning til det optimale ægteskabsproblem er der ingen eneste bedste strategi – snarere afhænger valget af virksomhedens mål. Hvis målet er at maksimere langsigtet kvalitet, er MIS den bedste tilgang, men det resulterer i langsommere ansættelse. Hvis prioriteten er at afbalancere kvalitet og ansættelseshastighed, er AIS et rimeligt kompromis. Hvis hurtig ansættelse er vigtigere end kvalitet, er LIS den mest effektive strategi.
“Selvfølgelig er dette forenklinger,” bemærker Krapivsky, “men de kan stadig være nyttige.” En model som den, der blev præsenteret i papiret, kunne for eksempel tjene som grundlaget for algoritmer, der bruges i sociale netværk og digitale platforme.
Disse inkluderer ikke kun platforme designet til jobsøgning, såsom LinkedIn eller dating -apps som Tinder, som skræddersy fremtidige matchforslag baseret på tidligere “Swipes”, men også dem, der styrer indholdsvalg, ressourcestyring og kunstig intelligens.
“Mange af disse er faktisk baseret på meget enkle algoritmer, ligesom dem, der antyder, hvad vi ser på YouTube,” konkluderer Krapivsky.