Falta de datos y cumplimiento de la AAP/EEO

A primera vista, los datos faltantes parecen más una molestia mundana que un problema. Este es particularmente el caso de los datos sobre raza y género que los solicitantes proporcionan voluntariamente. Sin embargo, según nuestra experiencia, los datos faltantes son una de las amenazas más ignoradas para el cumplimiento de las AAP. Lamentablemente, la mayoría de los contratistas no se dan cuenta de esto hasta que se encuentran en medio de una auditoría de la OFCCP. El objetivo de este artículo es ayudar a los contratistas federales a comprender mejor los datos faltantes, con un análisis de:

1. ¿Qué son los datos faltantes?
2. Consecuencias de la falta de datos: análisis inexactos de AAP/EEO.
3. Mejores prácticas: cómo gestionar esta amenaza.

Sección 1: ¿Qué son los datos faltantes?

Por lo general, los analistas consideran los datos faltantes como información en blanco en un conjunto de datos. Sin embargo, en la práctica, no todos los datos faltantes son iguales. En AAP/EEO, hay dos tipos de datos faltantes:

1. Desaparecido al azar (MAR)
2. No faltar al azar (nMAR)

Desaparecido al azar (MAR)

Las investigaciones sugieren que los datos rara vez se pierden de forma aleatoria. Aunque es difícil demostrar lo contrario, se advierte a los analistas que no den por sentado que los datos perdidos son MAR sin realizar una investigación básica.

En la práctica, los datos MAR son los menos problemáticos en los análisis AAP/EEO. Dado que los datos faltan de forma aleatoria, no existe un patrón sistémico en cuanto a cómo faltan los datos y todos los grupos (género, raza) se ven afectados por igual. Consideremos el siguiente ejemplo:

Cuando no hay datos faltantes, vemos que hay un total de 100 solicitantes, de los cuales 70 son hombres (70 %) y 30 son mujeres (30 %). Cuando los datos faltan de forma aleatoria, el impacto es igual para los solicitantes masculinos y femeninos. Vemos que los datos MAR están compuestos por un 70 % de solicitantes masculinos y un 30 % de solicitantes femeninas.

Como muestra este ejemplo, el resultado más importante de los datos MAR es un tamaño de muestra más pequeño. Desde el punto de vista analítico, un tamaño de muestra más pequeño reduce la potencia estadística. Los profesionales orientados a la defensa pueden alegrarse de la incapacidad de un análisis o de la OFCCP para detectar la significación, pero eso es miope y erróneo. En la sección 2 se analizará este problema con más detalle.

No faltar al azar (nMAR)

En diversos grados, existen patrones sistémicos en los datos faltantes en el mundo real. El nMAR puede causar sesgos y distorsionar los análisis de forma impredecible. Por ejemplo, los solicitantes afroamericanos pueden sentirse inclinados a no revelar voluntariamente su raza por temor a que esto pueda estar relacionado de alguna manera con su solicitud.

Esto no es sorprendente, especialmente si se tiene en cuenta la investigación sobre los solicitantes pertenecientes a minorías que sienten la necesidad de blanquear sus currículos. Por otro lado, es posible que los solicitantes blancos no revelen voluntariamente su raza, dada la mayor atención que se presta a la diversificación de la plantilla. Dependiendo del puesto de trabajo y del clima social, la nMAR puede adoptar diferentes formas: la dirección de este impacto sistémico es impredecible. En conjunto, la información que falta sobre los solicitantes es muy probablemente datos nMAR en diversos grados.

Es comprensible que el nMAR pueda tener graves consecuencias en situaciones de auditoría. En la siguiente sección se detallan tres (3) amenazas a la validez analítica por parte de los datos MAR y nMAR.

Sección 2: Análisis inexactos de AAP/EEO

Los investigadores reconocen desde hace tiempo el problema que supone la falta de datos. Puede sesgar artificialmente los análisis, lo que da lugar a resultados y conclusiones engañosos. Para los contratistas, estos efectos pueden atraer innecesariamente la atención y el escrutinio de la OFCCP. Cuando los datos de los solicitantes adolecen de falta de datos, estos son tres (3) problemas comunes a los que puede enfrentarse un contratista:

1. Análisis artificialmente significativo
2. Análisis artificialmente no significativo
3. Solicitantes individuales para puestos de trabajo

Problema 1: Análisis artificialmente significativo

El impacto adverso significativo, la infrautilización y las deficiencias son los principales puntos débiles para los contratistas en una situación de auditoría. En el siguiente ejemplo, los datos de los solicitantes se ven afectados por el nMAR que afecta a los solicitantes masculinos. Cuando no faltan datos, la tasa de selección de los solicitantes masculinos y femeninos es la misma (70 %).

Sin embargo, cuando existe un patrón sistémico en los datos faltantes que afecta a los solicitantes masculinos, solo podemos identificar a 12 solicitantes masculinos que no fueron contratados; los 18 solicitantes masculinos restantes son desconocidos. Como consecuencia, en una auditoría, la tasa de selección observada para los hombres (85 %) es significativamente mayor que la de las mujeres (70 %), (SD = 2,00).

Nota: Como buena práctica, es posible identificar los datos demográficos de casi todos los solicitantes desconocidos que son contratados.

Es evidente que este hallazgo de significación estadística es artificial y se debe exclusivamente al problema de los datos nMAR que afectan a los solicitantes masculinos.

Problema 2: Análisis de utilización artificialmente insignificante

Por otro lado, el nMAR puede dar lugar a resultados sin significación estadística. Esto puede deberse a dos efectos: 1) un cambio en la tasa de selección y/o 2) una menor capacidad estadística para detectar la significación. Aunque los profesionales orientados a la defensa pueden alegrarse, esto es, como se ha sugerido anteriormente, una visión miope. Consideremos el siguiente ejemplo en el que el nMAR afecta a las candidatas femeninas:

Nota: Como buena práctica, es posible identificar los datos demográficos de casi todos los solicitantes desconocidos que son contratados.

Cuando no faltan datos, la tasa de selección de los candidatos masculinos (70 %) es significativamente mayor que la de las candidatas femeninas (30 %), (SD = 4,60). Sin embargo, cuando hay un patrón sistémico en los datos que faltan que afecta a las candidatas, solo podemos identificar a 15 candidatas que no fueron contratadas; las 20 candidatas restantes son desconocidas. Como consecuencia, la tasa de selección observada para los hombres (70 %) no es significativamente mayor que la de las mujeres (50 %), (SD = 1,95).

Si estos resultados se obtuvieran como parte de un AAP anual, el contratista ignoraría este grupo de puestos concreto. Sin embargo, en una situación de auditoría, con un refinamiento y una limpieza adicionales de los datos, se recuperó una candidata adicional (no contratada). En este caso, con la incorporación de una sola candidata, el contratista se da cuenta demasiado tarde de que la tasa de selección de mujeres es significativamente inferior a la de hombres. De hecho, cualquier esfuerzo de limpieza de datos para recuperar información solo serviría para magnificar o empeorar la situación, ya que el efecto nMAR iba en contra de las candidatas, ya que solo aumentaría el número de mujeres no contratadas.

Problema 3: Relación entre solicitantes y contratados

No es raro que los contratistas se encuentren con que tienen contratados, pero no datos de los solicitantes. En algunos casos, los datos de los solicitantes no se recopilaron, pero en la mayoría de los casos, el número de solicitantes era bajo y nadie identificó voluntariamente su información demográfica. En tales casos, los contratistas solo pueden «recuperar» los registros de datos de los solicitantes. En la práctica, esto significa que solo pueden recuperar los datos demográficos de las personas que fueron contratadas. He aquí un buen ejemplo:

Nota: Como buena práctica, es posible identificar los datos demográficos de casi todos los solicitantes desconocidos que son contratados.

En este ejemplo, hubo dos contrataciones de hombres y ninguna de mujeres. Si falta el 100 % de los datos de los solicitantes, es posible «recuperar» dos (2) solicitantes masculinos, simplemente porque fueron contratados y todos sus datos demográficos están disponibles en el archivo de datos de los empleados. En el caso de las cinco (5) candidatas, no es posible recuperarlas porque no fueron contratadas y no figuran en el archivo de datos de los empleados. Por consiguiente, los análisis de candidatos contratados se denominan contrataciones «uno a uno»: todas las personas que se presentaron fueron contratadas.

En la práctica, la OFCCP es bastante comprensiva con las dificultades de los contratistas para recopilar datos de calidad sobre los candidatos. Sin embargo, si hay un número excesivo de contrataciones individuales, esto llamará fácilmente la atención y será objeto de escrutinio por parte de la OFCCP.

Sección 3: Mejores prácticas

Es de esperar que falte información en los datos de los solicitantes, ya que la divulgación voluntaria de datos sobre raza, género y otros datos demográficos es opcional. Por lo tanto, los contratistas solo pueden esforzarse por garantizar que los datos de los solicitantes sean lo más completos posible. A continuación se presentan dos prácticas recomendadas para los contratistas:

1. Exigir a los solicitantes que seleccionen «Prefiero no revelarlo» si no desean identificarse.
2. «Recuperar» los datos demográficos de los archivos de los empleados entre las personas contratadas.

Exigir a los solicitantes que elijan

Aunque no es posible obligar a los solicitantes a revelar su raza y género, sí es posible registrar adecuadamente su negativa a identificarse. Una buena práctica consiste en pedir a los solicitantes que elijan una categoría de raza o género, o «Prefiero no revelarlo». Esta configuración del sistema de seguimiento de candidatos (ATS) tiene dos ventajas importantes:

1. 1. Si el solicitante se niega a seleccionar cualquiera de las opciones disponibles (incluida «Prefiero no revelarlo»), no podrá continuar y, técnicamente, no podrá completar la solicitud, por lo que quedará excluido del proceso de selección. De este modo, se eliminan eficazmente los datos que faltan y se registran adecuadamente las personas que se niegan a identificarse como «Prefiero no revelarlo».

1. Este método documenta los esfuerzos del contratista para recopilar datos demográficos de los solicitantes. Con la documentación adecuada, se reduce significativamente el riesgo de incumplimiento normativo relacionado con la falta de datos en una situación de auditoría. Lamentablemente, muchos contratistas aceptan acuerdos de conciliación porque carecen de la documentación necesaria para explicar adecuadamente el número extraordinariamente elevado de solicitantes con información demográfica incompleta.

Recuperar información del solicitante

En algunos casos, la información que falta sobre el solicitante puede recuperarse. Un solicitante puede optar por no identificar su información demográfica durante la fase de solicitud, pero una vez que se convierte en empleado, se le exige (en la mayoría de los casos) que revele sus datos demográficos (por ejemplo, raza y género). Si un solicitante se niega a identificarse durante el proceso de solicitud, pero es contratado, es aceptable actualizar los datos del solicitante con la información de su expediente de empleado (por ejemplo, raza y género). Esto puede tener un impacto significativo en los resultados generales, especialmente si hay un gran número de solicitantes desconocidos que son contratados.

Resumen y conclusión

Para la mayoría de los contratistas, los datos faltantes no son nada inocuos. Esperamos que este artículo ayude a aumentar la conciencia y la comprensión de los contratistas sobre los datos faltantes. Para empezar, no todos los datos faltantes son iguales. Algunos se consideran datos faltantes al azar (MAR) y otros se consideran datos faltantes no al azar (nMAR). En la práctica, los datos faltantes suelen ser nMAR, lo que puede sesgar los datos y dar lugar a resultados analíticos poco fiables. Cuando hay una cantidad significativa de datos faltantes, es inevitable que se produzca el fenómeno de las contrataciones uno a uno, lo que puede atraer el escrutinio de la OFCCP sobre la falta de fiabilidad de los datos. En última instancia, la información demográfica de los solicitantes no es obligatoria y la OFCCP lo entiende. Los contratistas solo tienen que documentar su proceso, de modo que quede claro que se han realizado los esfuerzos adecuados para que los solicitantes puedan identificarse por sí mismos. Los investigadores llevan muchos años luchando con los datos que faltan. No hay respuestas fáciles. Esperamos que este artículo ayude a arrojar luz sobre un problema a menudo pasado por alto, pero grave, del que muchos contratistas no son conscientes.

Para obtener más información sobre los datos que faltan y asistencia general sobre AAP/EEO, no dude en ponerse en contacto con Biddle Consulting Group, Inc. enviando un correo electrónico a [email protected] o llamando al 800-999-0438.

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.