El «problema desconocido» es en realidad muy familiar para cualquiera que analice los datos de los solicitantes. Por lo tanto, no es realmente «desconocido» en absoluto. Pero el problema es mucho más amplio de lo que se podría imaginar y tiene implicaciones que se extienden a varios análisis de su Plan de Acción Afirmativa.
Raza y/o género desconocidos en los datos del solicitante
Nunca he visto un conjunto de datos de solicitantes en el que no hubiera varios campos en blanco o marcados como «desconocido» en cuanto a raza y/o género. La pregunta es: ¿cómo se incluyen en el análisis, si es que se incluyen? Podría parecer obvio excluir a todos los solicitantes cuya raza y género se desconocen. Pero, ¿qué pasa con los candidatos que se identifican a sí mismos con uno, pero no con el otro?
Y por si acaso se ha perdido mi último artículo, «Hacerlo bien a la primera», mencionaré aquí que debe asegurarse de que los candidatos contratados tengan su raza y género actualizados en la lista de solicitantes si se identifican a sí mismos en el momento de la contratación. La mayoría de los contratistas federales tienen una base de datos con la información de los solicitantes que es independiente del sistema HRIS. Esto significa que una contratación en el sistema HRIS (con raza y género conocidos) puede aparecer en el registro de solicitantes como raza y/o género desconocidos. Basta decir que estas anomalías en los datos deben corregirse antes de comenzar el análisis del índice de impacto de la selección (IRA).
Ahora, supongamos que tenemos 1000 candidatos para un puesto, y 900 se identifican por género, pero solo 500 se identifican por raza y género. Supongamos también que 300 de las 400 personas que proporcionaron su género, pero no su raza, eran hombres. De los candidatos que proporcionaron información de autoidentificación tanto para la raza como para el género, 250 eran mujeres y 250 eran hombres. Si hubiera 150 selecciones, y 100 fueran hombres y 50 fueran mujeres, el IRA sería 0,5, con una desviación estándar de 4,88. Si añadimos los solicitantes con género conocido y raza desconocida, la tasa de selección para las mujeres sería de 50/350 y la tasa de selección para los hombres sería de 100/550. Esto produce un IRA de 0,79, sin significación estadística.
Como sabemos, una composición diferente del género en los solicitantes de «raza desconocida/género conocido» producirá un resultado diferente. Es importante comprender que la forma en que decida manejar las incógnitas afectará los resultados de sus datos. Además, para garantizar la integridad de los datos en el proceso, debe aplicar su método de manera coherente.
Discapacidad desconocida y/o condición de veterano en los datos del solicitante
Ahora que debemos tener en cuenta la discapacidad y la condición de veterano en nuestra recopilación y análisis de datos, ¿debemos excluir a los candidatos que no se hayan identificado a sí mismos como personas con discapacidad o veteranos?
¿Por qué es importante esto? Supongamos que tienes 1000 candidatos para un puesto, 600 de los cuales se identifican a sí mismos para todo, y 300 de ellos son personas con discapacidad (sí, sé que es poco probable, pero sigamos con el ejemplo). Si seleccionas a 300 personas y 100 de ellas son personas con discapacidad, la tasa de selección de personas con discapacidad es de 0,33 y la tasa de personas sin discapacidad es de 0,67, con un IRA de 0,5 y una desviación estándar de 8,16. Esto es un problema.
En la conferencia SWARM del año pasado, la directora regional de la OFCCP, Melissa Speer, confirmó que, cuando analizamos nuestra plantilla con el fin de establecer un objetivo de utilización, contamos a las personas desconocidas de nuestra plantilla como personas sin discapacidad. Deberíamos poder hacer lo mismo con los datos de nuestros solicitantes.
Por lo tanto, si ahora incluimos a los 400 candidatos en nuestro análisis como personas sin discapacidad, la tasa de selección de las personas con discapacidad sigue siendo de 0,33, pero la tasa de selección de las personas sin discapacidad desciende a 0,29, con un IRA de 1,17. Ahora ya no hay ningún impacto adverso contra las personas con discapacidad.
Actualmente, la normativa no exige un análisis del impacto negativo sobre la discapacidad, pero si se dispone de los datos, se puede realizar dicho análisis. Se trata de un ámbito en el que conviene mantenerse a la vanguardia.
Raza y/o género desconocidos en la base de datos de empleados
La OFCCP tiene una sección de preguntas frecuentes en su sitio web en la que se indica lo siguiente:
- ¿Cuál es el procedimiento correcto para que un contratista obtenga la información étnica de sus empleados y solicitantes?
Las regulaciones de la OFCCP 41 CFR 60-1.12(c) indican que cualquier registro de personal o empleo que mantenga un contratista debe poder identificar el género, la raza y el origen étnico de cada empleado y, cuando sea posible, el género, la raza y el origen étnico de cada solicitante.
La OFCCP no ha ordenado un método concreto de recopilación de la información. La autoidentificación es el método más fiable y el preferido para recopilar información sobre el sexo, la raza y el origen étnico de una persona. Se recomienda encarecidamente a los contratistas que recurran a la autoidentificación de los empleados para obtener esta información. La observación visual es un método aceptable para identificar datos demográficos, aunque puede no ser fiable en todos los casos. Si la autoidentificación no es factible, pueden utilizarse los registros posteriores a la contratación o la observación visual para obtener esta información. Los contratistas no deben adivinar ni suponer el sexo, la raza o el origen étnico de un solicitante o empleado. [énfasis añadido].
Aunque la normativa establece una política de tolerancia cero, las directrices del sitio web de la OFCCP prevén que puede haber empleados cuya raza y/o género se desconozcan. Con la nueva normativa sobre identidad de género, estas directrices cobran aún más importancia. ¿Por qué? Porque adivinar el género de un empleado podría ser motivo de discriminación, especialmente si se adivina incorrectamente. Por lo tanto, es mejor dejar las incógnitas como tales.
A continuación, debe decidir cómo analizará los datos con incógnitas en su plantilla. Es posible que su software AAP no permita incógnitas, pero la OFCCP querrá que todos los empleados se tengan en cuenta en el AAP, independientemente de si le faltan datos de algunos empleados. Para ofrecer una imagen lo más precisa posible de su plantilla, las incógnitas deben incluirse en tantos análisis como sea posible. Muchos de los análisis no se basan en cálculos matemáticos, por lo que es relativamente fácil incluir incógnitas en el análisis de la plantilla, el análisis de grupos de puestos y los resúmenes transaccionales. Las incógnitas podrían excluirse del análisis de disponibilidad interna, disponibilidad externa, análisis de dos factores, análisis de utilización y todos los análisis de ratio de impacto, ya que los cálculos se basan en los datos de raza y género de todos los empleados incluidos en el análisis.
Conclusión
Es casi imposible eliminar el número de «incógnitas» en sus análisis de datos. Incluso nuestros mejores esfuerzos por recopilar esta información rara vez darán como resultado una respuesta del 100 % de autoidentificación en cuanto a raza, género, discapacidad y condición de veterano. Lo mejor que podemos hacer es adaptarnos a esta realidad y desarrollar una estrategia coherente y fiable para gestionarlas. A continuación, prepárese para defender su enfoque cuando la OFCCP llame a su puerta.
Para obtener más información sobre cómo analizar datos con factores desconocidos, póngase en contacto con Marilynn Schuyler en [email protected].
Nota: nada de lo contenido en este artículo pretende ser un asesoramiento jurídico ni sustituir el asesoramiento profesional sobre las circunstancias particulares de su organización. Todos los materiales originales son copyright © Schuyler Affirmative Action Practice.
Nota del Editor: Este post fue publicado originalmente en Circaworks.com. En abril de 2023, Mitratech adquirió Circa, un proveedor líder de software de reclutamiento inclusivo y cumplimiento de OFCCP. El contenido ha sido actualizado desde entonces para reflejar nuestra oferta ampliada de productos, la evolución de las regulaciones de cumplimiento de adquisición de talento y las mejores prácticas en la gestión de RRHH.
