Le « problème inconnu » est en réalité très familier à tous ceux qui analysent les données relatives aux candidats. Il n'est donc pas vraiment « inconnu ». Mais le problème est beaucoup plus vaste qu'on pourrait le croire et a des répercussions sur plusieurs analyses de votre plan d'action positive.
Race et/ou sexe inconnus dans les données du candidat
Je n'ai jamais vu un ensemble de données sur les candidats qui ne comportait pas plusieurs champs laissés vides ou marqués comme « inconnus » pour la race et/ou le sexe. La question est la suivante : comment les intégrer dans l'analyse, si tant est qu'ils puissent l'être ? Il peut sembler évident d'exclure tous les candidats dont la race et le sexe sont inconnus. Mais qu'en est-il des candidats qui s'identifient eux-mêmes pour l'un, mais pas pour l'autre ?
Et au cas où vous auriez manqué mon dernier article, « Getting it Right the First Time » (Bien faire les choses dès le départ), je tiens à rappeler ici que vous devez vous assurer que les candidats embauchés voient leur origine ethnique et leur sexe mis à jour dans la liste des candidats s'ils s'identifient eux-mêmes au moment de l'embauche. La plupart des sous-traitants fédéraux disposent d'une base de données distincte du système HRIS pour les informations relatives aux candidats. Cela signifie qu'une embauche dans le système HRIS (avec une origine ethnique et un sexe connus) peut être répertoriée dans le registre des candidats comme une origine ethnique et/ou un sexe inconnus. Il va sans dire que ces anomalies dans les données doivent être corrigées avant de commencer votre analyse du taux d'impact de la sélection (IRA).
Supposons maintenant que nous ayons 1 000 candidats pour un poste, dont 900 ont déclaré leur identité de genre, mais seulement 500 ont déclaré leur identité raciale et leur identité de genre. Supposons également que 300 des 400 personnes qui ont déclaré leur identité de genre, mais pas leur identité raciale, étaient des hommes. Parmi les candidats ayant fourni des informations sur leur race et leur sexe, 250 étaient des femmes et 250 étaient des hommes. S'il y avait 150 sélections, dont 100 hommes et 50 femmes, l'IRA serait de 0,5, avec un écart type de 4,88. Si l'on ajoute ensuite les candidats dont le sexe est connu mais dont l'origine ethnique est inconnue, le taux de sélection des femmes serait de 50/350 et celui des hommes de 100/550. Cela donne un IRA de 0,79, sans signification statistique.
Comme nous le savons, une composition différente du genre chez les candidats « race inconnue/genre connu » produira un résultat différent. Il est important de comprendre que la manière dont vous décidez de traiter les inconnues aura une incidence sur les résultats de vos données. De plus, pour garantir l'intégrité des données dans le processus, vous devez appliquer votre méthode de manière cohérente.
Handicap inconnu et/ou statut d'ancien combattant dans les données du candidat
Maintenant que nous devons tenir compte du handicap et du statut d'ancien combattant dans notre collecte et notre analyse de données, devons-nous exclure les candidats qui ne se sont pas identifiés comme personnes handicapées ou anciens combattants ?
Pourquoi est-ce important ? Eh bien, supposons que vous ayez 1 000 candidats pour un poste, dont 600 s'identifient comme tels pour tout, et 300 sont des personnes handicapées (oui, je sais que c'est peu probable, mais suivez-moi). Si vous sélectionnez 300 candidats, dont 100 sont des personnes handicapées, le taux de sélection des personnes handicapées est alors de 0,33 et celui des personnes non handicapées de 0,67, avec un IRA de 0,5 et un écart type de 8,16. Cela pose problème.
Lors de la conférence SWARM de l'année dernière, Melissa Speer, directrice régionale de l'OFCCP, a confirmé que lorsque nous analysons notre main-d'œuvre dans le but de fixer un objectif d'utilisation, nous comptons les inconnus dans notre main-d'œuvre comme des personnes sans handicap. Nous devrions pouvoir faire de même pour les données relatives à nos candidats.
Ainsi, si nous incluons désormais les 400 candidats dans notre analyse en tant que personnes sans handicap, le taux de sélection des personnes handicapées reste de 0,33, mais celui des personnes sans handicap chute à 0,29, avec un IRA de 1,17. Nous n'avons désormais plus d'impact négatif sur les personnes handicapées.
La réglementation n'exige actuellement pas d'analyse d'impact négatif sur le handicap, mais si les données sont disponibles, l'analyse peut être effectuée. C'est un domaine dans lequel vous aurez intérêt à rester à l'avant-garde.
Race et/ou sexe inconnus dans la base de données des employés
L'OFCCP a publié une FAQ sur son site Web qui stipule ce qui suit :
- Quelle est la procédure à suivre pour qu'un entrepreneur obtienne les informations ethniques de ses employés et candidats ?
Les réglementations OFCCP 41 CFR 60-1.12(c) indiquent que pour tout dossier personnel ou dossier d'emploi conservé par un sous-traitant, celui-ci doit être en mesure d'identifier le sexe, la race et l'origine ethnique de chaque employé et, dans la mesure du possible, le sexe, la race et l'origine ethnique de chaque candidat.
L'OFCCP n'a pas imposé de méthode particulière de collecte des informations. L'auto-identification est la méthode la plus fiable et la méthode préférée pour compiler des informations sur le sexe, la race et l'origine ethnique d'une personne. Les entrepreneurs sont fortement encouragés à se fier à l'auto-identification des employés pour obtenir ces informations. L'observation visuelle est une méthode acceptable pour identifier les données démographiques, bien qu'elle ne soit pas toujours fiable. Si l'auto-identification n'est pas possible, les dossiers post-emploi ou l'observation visuelle peuvent être utilisés pour obtenir ces informations. Les contractants ne doivent pas deviner ou supposer le sexe, la race ou l'origine ethnique d'un candidat ou d'un employé. [souligné par l'auteur].
Bien que la réglementation prévoie une politique de tolérance zéro, les directives publiées sur le site Web de l'OFCCP prévoient qu'il peut y avoir des employés dont la race et/ou le sexe sont inconnus. Avec les nouvelles réglementations concernant l'identité de genre, ces directives sont encore plus importantes. Pourquoi ? Parce que deviner le sexe d'un employé pourrait constituer un motif de discrimination, en particulier si vous vous trompez. Il vaut donc mieux laisser les inconnues telles quelles.
Ensuite, vous devez décider comment vous allez analyser les données comportant des inconnues dans votre effectif. Votre logiciel AAP ne prend peut-être pas en compte les inconnues, mais l'OFCCP exigera que tous les employés soient pris en compte dans l'AAP, même si vous ne disposez pas de certaines données pour certains employés. Afin de fournir une image la plus précise possible de votre effectif, les inconnues doivent être incluses dans autant d'analyses que possible. La plupart des analyses ne reposent pas sur des calculs mathématiques, il est donc relativement facile d'inclure les inconnues dans l'analyse de la main-d'œuvre, l'analyse des groupes d'emplois et les résumés transactionnels. Les inconnues peuvent alors être exclues de la disponibilité interne, de la disponibilité externe, de l'analyse à deux facteurs, de l'analyse d'utilisation et de toutes les analyses du ratio d'impact, car les calculs reposent sur les données relatives à l'origine ethnique et au sexe de tous les employés inclus dans l'analyse.
Conclusion
Il est pratiquement impossible d'éliminer toutes les « inconnues » dans vos analyses de données. Même en déployant tous nos efforts pour collecter ces informations, il est rare d'obtenir une réponse à 100 % sur l'auto-identification en matière d'origine ethnique, de sexe, de handicap et de statut d'ancien combattant. Le mieux que nous puissions faire est de nous adapter à cette réalité et d'élaborer une stratégie cohérente et fiable pour y faire face. Ensuite, soyez prêt à défendre votre approche lorsque l'OFCCP frappera à votre porte.
Pour plus d'informations sur la manière d'analyser des données comportant des facteurs inconnus, veuillez contacter Marilynn Schuyler à l'adresse [email protected].
Remarque : aucun élément de cet article ne constitue un avis juridique ni ne remplace un avis professionnel sur la situation particulière de votre organisation. Tous les documents originaux sont protégés par le droit d'auteur © Schuyler Affirmative Action Practice.
Note de l'éditeur : Cet article a été publié à l'origine sur Circaworks.com. En avril 2023, Mitratech a acquis Circa, un fournisseur de premier plan de logiciels de recrutement inclusif et de conformité OFCCP. Le contenu a depuis été mis à jour pour refléter l'élargissement de nos offres de produits, l'évolution des réglementations de conformité en matière d'acquisition de talents et les meilleures pratiques en matière de gestion des ressources humaines.
