Fehlende Daten und AAP/EEO-Konformität

Auf den ersten Blick scheinen fehlende Daten eher ein alltägliches Ärgernis als ein Problem zu sein. Dies gilt insbesondere für die freiwillige Angabe von Daten zu ethnischer Zugehörigkeit und Geschlecht durch Bewerber. Nach unserer Erfahrung sind fehlende Daten jedoch eine der am häufigsten übersehenen Gefahren für die Einhaltung der AAP-Vorschriften. Leider erkennen die meisten Auftragnehmer dies erst, wenn sie sich mitten in einer OFCCP-Prüfung befinden. Ziel dieses Artikels ist es, Auftragnehmern des Bundes ein besseres Verständnis für fehlende Daten zu vermitteln, wobei folgende Punkte erörtert werden:

1. Was sind fehlende Daten?
2. Folgen fehlender Daten – Ungenaue AAP/EEO-Analysen.
3. Bewährte Verfahren – Wie man mit dieser Bedrohung umgeht.

Abschnitt 1: Was sind fehlende Daten?

In der Regel betrachten Analysten fehlende Daten einfach als leere Informationen in einem Datensatz. In der Praxis sind jedoch nicht alle fehlenden Daten gleich. Bei AAP/EEO gibt es zwei Arten von fehlenden Daten:

1. Zufälliges Fehlen (MAR)
2. Nicht zufällig fehlend (nMAR)

Zufälliges Fehlen (MAR)

Untersuchungen zeigen, dass Daten selten zufällig fehlen. Auch wenn es schwierig ist, das Gegenteil zu beweisen, sollten Analysten davon absehen, fehlende Daten ohne grundlegende Untersuchung als MAR anzunehmen.

In der Praxis sind MAR-Daten in AAP/EEO-Analysen am wenigsten problematisch. Da Daten zufällig fehlen, gibt es kein systematisches Muster dafür, wie Daten fehlen, und alle Gruppen (Geschlecht, ethnische Zugehörigkeit) sind gleichermaßen betroffen. Betrachten Sie das folgende Beispiel:

Wenn keine Daten fehlen, sehen wir, dass es insgesamt 100 Bewerber gibt, davon 70 Männer (70 %) und 30 Frauen (30 %). Wenn Daten zufällig fehlen, wirkt sich dies gleichermaßen auf männliche und weibliche Bewerber aus. Wir sehen, dass die MAR-Daten zu 70 % aus männlichen und zu 30 % aus weiblichen Bewerbern bestehen.

Wie dieses Beispiel zeigt, ist das wichtigste Ergebnis von MAR-Daten eine geringere Stichprobengröße. Analytisch gesehen verringert eine geringere Stichprobengröße die statistische Aussagekraft. Verteidigungsorientierte Praktiker mögen sich darüber freuen, dass eine Analyse oder die OFCCP keine Signifikanz feststellen kann, aber das ist kurzsichtig und falsch. In Abschnitt 2 wird dieses Problem näher erläutert.

Nicht zufällig fehlend (nMAR)

In unterschiedlichem Ausmaß gibt es in der Praxis systemische Muster bei fehlenden Daten. nMAR kann zu Verzerrungen führen und Analysen auf unvorhersehbare Weise verfälschen. Beispielsweise könnten afroamerikanische Bewerber geneigt sein, ihre ethnische Zugehörigkeit nicht freiwillig anzugeben, weil sie befürchten, dass dies in irgendeiner Weise mit ihrer Bewerbung in Verbindung gebracht werden könnte.

Dies ist nicht überraschend, insbesondere wenn man die Forschungsergebnisse zu Bewerbern aus Minderheiten berücksichtigt, die das Bedürfnis verspüren, ihre Lebensläufe zu beschönigen. Auf der anderen Seite geben weiße Bewerber angesichts der verstärkten Fokussierung auf die Diversifizierung der Belegschaft ihre ethnische Zugehörigkeit möglicherweise nicht freiwillig an. Je nach Beruf und sozialem Klima kann nMAR unterschiedliche Formen annehmen – die Richtung dieser systemischen Auswirkungen ist unvorhersehbar. Insgesamt handelt es sich bei fehlenden Bewerberinformationen höchstwahrscheinlich um nMAR-Daten in unterschiedlichem Ausmaß.

Es ist verständlich, dass nMAR in Auditsituationen schwerwiegende Folgen haben kann. Im nächsten Abschnitt werden drei (3) Gefahren für die analytische Validität durch MAR- und nMAR-Daten näher erläutert.

Abschnitt 2: Ungenaue AAP/EEO-Analysen

Forscher haben das Problem fehlender Daten schon lange erkannt. Es kann zu künstlichen Verzerrungen bei Analysen führen, was wiederum irreführende Ergebnisse und Schlussfolgerungen zur Folge hat. Für Auftragnehmer können diese Auswirkungen unnötigerweise die Aufmerksamkeit und Kontrolle der OFCCP auf sich ziehen. Wenn Bewerberdaten unvollständig sind, kann ein Auftragnehmer mit drei (3) häufigen Problemen konfrontiert werden:

1. Künstlich bedeutsame Analyse
2. Künstlich nicht signifikante Analyse
3. Ein-zu-Eins-Bewerber zu Einstellungen

Problem 1: Künstlich bedeutsame Analyse

Erhebliche negative Auswirkungen, Unterauslastung und Defizite sind für Auftragnehmer in einer Auditsituation große Probleme. Im folgenden Beispiel leiden die Bewerberdaten unter nMAR, von dem männliche Bewerber betroffen sind. Wenn keine Daten fehlen, ist die Auswahlquote für männliche und weibliche Bewerber gleich (70 %).

Wenn jedoch ein systemisches Muster bei fehlenden Daten vorliegt, das männliche Bewerber betrifft, können wir nur 12 männliche Bewerber identifizieren, die nicht eingestellt wurden; die übrigen 18 männlichen Bewerber sind unbekannt. Infolgedessen ist die beobachtete Auswahlquote für Männer (85 %) in einer Prüfung deutlich höher als für Frauen (70 %) (SD = 2,00).

Hinweis: Als bewährte Vorgehensweise ist es möglich, demografische Daten für fast alle unbekannten Bewerber, die eingestellt werden, zu ermitteln.

Es ist offensichtlich, dass diese statistisch signifikante Erkenntnis künstlich ist und ausschließlich auf das Problem der nMAR-Daten zurückzuführen ist, die männliche Bewerber betreffen.

Problem 2: Künstlich nicht signifikante Nutzungsanalyse

Andererseits kann nMAR zu Ergebnissen ohne statistische Signifikanz führen. Dies kann auf zwei Effekte zurückzuführen sein: 1) Änderung der Auswahlquote und/oder 2) verringerte statistische Aussagekraft zur Erkennung von Signifikanz. Auch wenn dies für verteidigungsorientierte Praktiker erfreulich sein mag, ist es, wie bereits erwähnt, kurzsichtig. Betrachten Sie das folgende Beispiel, in dem nMAR weibliche Bewerberinnen betrifft:

Hinweis: Als bewährte Vorgehensweise ist es möglich, demografische Daten für fast alle unbekannten Bewerber, die eingestellt werden, zu ermitteln.

Wenn keine Daten fehlen, ist die Auswahlquote für männliche Bewerber (70 %) deutlich höher als für weibliche Bewerber (30 %) (SD = 4,60). Wenn jedoch ein systematisches Muster bei fehlenden Daten vorliegt, das weibliche Bewerber betrifft, können wir nur 15 weibliche Bewerber identifizieren, die nicht eingestellt wurden; die übrigen 20 weiblichen Bewerber sind unbekannt. Infolgedessen ist die beobachtete Auswahlquote für Männer (70 %) nicht signifikant höher als für Frauen (50 %) (SD = 1,95).

Wären diese Ergebnisse im Rahmen eines jährlichen AAP erzielt worden, hätte der Auftragnehmer diese bestimmte Berufsgruppe ignoriert. Bei einer Prüfung wurden jedoch durch zusätzliche Datenverfeinerung und Datenbereinigung eine weitere weibliche Bewerberin (nicht eingestellt) ermittelt. In diesem Fall, mit nur einer zusätzlichen weiblichen Bewerberin, erkennt der Auftragnehmer viel zu spät, dass die Auswahlquote für Frauen deutlich niedriger ist als die für Männer. Tatsächlich würden alle Bemühungen zur Datenbereinigung, um Daten wiederherzustellen, die Situation nur verschlimmern, da der nMAR-Effekt gegen weibliche Bewerberinnen sprach, da nur die Zahl der nicht eingestellten Frauen steigen würde.

Problem 3: Verhältnis von Bewerbern zu Einstellungen

Es kommt nicht selten vor, dass Auftragnehmer feststellen, dass sie zwar Mitarbeiter eingestellt haben, aber keine Bewerberdaten vorliegen. In einigen Fällen wurden die Bewerberdaten nicht erfasst, aber in den meisten Fällen war die Zahl der Bewerber gering und niemand hat freiwillig Angaben zu seinen demografischen Daten gemacht. In solchen Fällen können Auftragnehmer nur die Datensätze der Bewerber „wiederherstellen”. In der Praxis bedeutet dies, dass sie nur die demografischen Daten der Personen wiederherstellen können, die eingestellt wurden. Hier ein gutes Beispiel:

Hinweis: Als bewährte Vorgehensweise ist es möglich, demografische Daten für fast alle unbekannten Bewerber, die eingestellt werden, zu ermitteln.

In diesem Beispiel gab es zwei männliche Einstellungen und keine weiblichen Einstellungen. Wenn 100 % der Bewerberdaten fehlen, ist es möglich, zwei (2) männliche Bewerber „wiederherzustellen“, einfach weil sie eingestellt wurden und alle ihre demografischen Daten aus der Mitarbeiterdatei verfügbar sind. Die fünf (5) weiblichen Bewerberinnen können nicht wiederhergestellt werden, da sie nicht eingestellt wurden und nicht in der Mitarbeiterdatei enthalten sind. Folglich werden die Analysen der Bewerber-zu-Einstellungen als „Eins-zu-Eins”-Einstellungen bezeichnet – alle Bewerber wurden eingestellt.

In der Praxis zeigt sich die OFCCP recht verständnisvoll gegenüber den Schwierigkeiten von Auftragnehmern, qualitativ hochwertige Bewerberdaten zu erfassen. Bei einer übermäßigen Anzahl von Einzelanstellungen fällt dies jedoch leicht auf und wird von der OFCCP genau unter die Lupe genommen.

Abschnitt 3: Bewährte Verfahren

Es ist zu erwarten, dass die Bewerberdaten unvollständig sind, da die Angabe der ethnischen Zugehörigkeit, des Geschlechts und anderer demografischer Daten freiwillig ist. Daher können Auftragnehmer nur versuchen, sicherzustellen, dass ihre Bewerberdaten so vollständig wie möglich sind. Hier sind zwei bewährte Verfahren für Auftragnehmer:

1. Bewerber müssen „Ich möchte keine Angaben machen“ auswählen, wenn sie sich nicht selbst identifizieren möchten.
2. Demografische Daten aus den Personalakten der eingestellten Mitarbeiter „wiederherstellen“.

Bewerber müssen sich entscheiden

Es ist zwar nicht möglich, Bewerber zur Angabe ihrer ethnischen Zugehörigkeit und ihres Geschlechts zu zwingen, aber es ist möglich, ihre Weigerung, sich selbst zu identifizieren, ordnungsgemäß zu erfassen. Eine bewährte Vorgehensweise besteht darin, von den Bewerbern zu verlangen, dass sie eine Kategorie für ihre ethnische Zugehörigkeit oder ihr Geschlecht auswählen oder „Ich möchte keine Angaben machen“ auswählen. Diese Einrichtung des Bewerberverwaltungssystems (ATS) hat zwei wichtige Vorteile:

1. 1. Wenn der Antragsteller sich weigert, eine der verfügbaren Optionen auszuwählen (einschließlich „Ich möchte keine Angaben machen“), kann er nicht fortfahren und den Antrag technisch gesehen nicht ausfüllen, wodurch er aus dem Auswahlverfahren ausgeschlossen wird. Dadurch werden fehlende Daten effektiv eliminiert und Personen, die sich weigern, sich selbst als „Ich möchte keine Angaben machen“ zu identifizieren, ordnungsgemäß erfasst.

1. Diese Methode dokumentiert die Bemühungen des Auftragnehmers, demografische Daten von Bewerbern zu erfassen. Mit einer ordnungsgemäßen Dokumentation wird das Risiko von Compliance-Verstößen aufgrund fehlender Daten im Falle einer Prüfung erheblich gemindert. Leider einigen sich viele Auftragnehmer auf Vergleichsvereinbarungen, weil ihnen die Dokumentation fehlt, um die außergewöhnlich hohe Zahl von Bewerbern mit fehlenden demografischen Angaben angemessen zu erklären.

Bewerberinformationen wiederherstellen

In einigen Fällen können fehlende Bewerberinformationen wiederhergestellt werden. Ein Bewerber kann sich dafür entscheiden, seine demografischen Daten während der Bewerbungsphase nicht anzugeben, aber sobald er Mitarbeiter wird, ist er (in den meisten Fällen) verpflichtet, seine demografischen Daten (z. B. ethnische Zugehörigkeit und Geschlecht) offenzulegen. Wenn ein Bewerber sich während des Bewerbungsprozesses weigert, Angaben zu seiner Person zu machen, aber eingestellt wird, ist es zulässig, die Bewerberdaten mit Informationen aus seiner Personalakte (z. B. ethnische Zugehörigkeit und Geschlecht) zu aktualisieren. Dies kann erhebliche Auswirkungen auf die Gesamtergebnisse haben, insbesondere wenn eine große Anzahl unbekannter Bewerber eingestellt wird.

Zusammenfassung und Schlussfolgerung

Für die meisten Auftragnehmer sind fehlende Daten alles andere als harmlos. Hoffentlich trägt dieser Artikel dazu bei, das Bewusstsein und Verständnis der Auftragnehmer für fehlende Daten zu schärfen. Zunächst einmal sind nicht alle fehlenden Daten gleich. Einige gelten als zufällig fehlend (MAR), andere als nicht zufällig fehlend (nMAR). In der Praxis handelt es sich bei fehlenden Daten in der Regel um nMAR, was zu einer Verzerrung der Daten und zu unzuverlässigen Analyseergebnissen führen kann. Bei erheblichen Datenlücken ist das Phänomen der Eins-zu-Eins-Einstellungen unvermeidlich, was die OFCCP dazu veranlassen kann, die Unzuverlässigkeit der Daten zu überprüfen. Letztendlich sind demografische Angaben zu Bewerbern nicht verpflichtend, und die OFCCP ist sich dessen bewusst. Auftragnehmer müssen lediglich ihren Prozess dokumentieren, damit klar ist, dass angemessene Anstrengungen unternommen wurden, um den Bewerbern die Selbstidentifizierung zu ermöglichen. Forscher haben seit vielen, vielen Jahren mit fehlenden Daten zu kämpfen. Es gibt keine einfachen Antworten. Hoffentlich hilft dieser Artikel dabei, Licht in ein oft übersehenes, aber ernstes Problem zu bringen, das vielen Auftragnehmern nicht bewusst ist.

Für weitere Informationen zu fehlenden Daten und allgemeiner Unterstützung in Bezug auf AAP/EEO wenden Sie sich bitte per E-Mail an [email protected] oder telefonisch unter 800-999-0438 an die Biddle Consulting Group, Inc.

Anmerkung der Redaktion: Dieser Beitrag wurde ursprünglich auf Circaworks.com veröffentlicht. Im April 2023 übernahm Mitratech Circa, einen führenden Anbieter von Software für integratives Recruiting und OFCCP-Compliance. Der Inhalt wurde seitdem aktualisiert, um unser erweitertes Produktangebot, die sich entwickelnden Compliance-Vorschriften für die Talentakquise und Best Practices im Personalmanagement zu berücksichtigen.