TÉCNICAS DE SELECCIÓN DE PERSONAL BASADAS EN MODELOS DE EFICIENCIA

Transcripción

1 Técncas de seleccón de personal basadas en modelos de efcenca. TÉCNICAS DE SEECCIÓN DE PESONA BASADAS EN MODEOS DE EFICIENCIA Canós Darós,. y ern Carrón, V. 2 Unversdad Poltécnca de Valenca 2 Unversdad de Valenca ESUMEN Por seleccón de personal se entende el proceso medante el cual se elge a la persona que mejor se ajusta a las característcas de un puesto de trabajo. Es convenente que en este proceso partcpe, al menos, un experto, que ntutvamente pondera las valoracones de las competencas o característcas requerdas para el puesto. En este trabajo proponemos un modelo flexble para obtener ntervalos en los que pueden osclar los valores de las competencas de cada canddato. Este modelo ncorpora la efcenca al proceso de optmzacón y srve para replcar, de manera formal, el método con el que los expertos otorgan pesos a cada una de las competencas de los canddatos. Un punto de partda para obtener esta solucón es la aplcacón de operadores OWA con los que se obtenen las ponderacones ncales a las que se aplcan los ntervalos de toleranca; el uso de ntervalos permte una mayor flexbldad a la hora de valorar a los canddatos. Una de las ventajas que presenta este modelo es que se puede mplementar en programas nformátcos muy extenddos, por ejemplo, el MS Excel y GAMS. Palabras clave: Seleccón de personal, Operadores OWA, Optmzacón flexble.

2 . Canós, V. ern. INTODUCCIÓN A menudo los drectvos deben tomar decsones que afectan a los recursos humanos de la empresa, por ejemplo, las referdas a la seleccón de personal. Estas decsones son relevantes, ya que permten la consecucón de los objetvos organzaconales, a la vez que condconan el nventaro de competencas de la empresa, tanto actuales como potencales. En consecuenca, muchos drectvos utlzan herramentas de apoyo a la toma de decsones, como las presentadas en este trabajo. Spencer y Spencer (993) defnen competenca como una característca subyacente de un ndvduo, que está causalmente relaconada con un rendmento efectvo o superor en una stuacón o trabajo, defndo en térmnos de crtero. Por otra parte, Boyatzs cree que son un conjunto de patrones de conducta que la persona debe llevar a un cargo para rendr efcentemente en sus tareas y funcones (Boyatzs, 982). Tenendo en cuenta las deas prncpales de estas afrmacones podemos defnr competenca como el conjunto de característcas que permten al ndvduo alcanzar un rendmento efectvo o superor en una actvdad o trabajo (Canós et al., 2003). Evdentemente, las competencas pueden ser defndas según el contexto en que se stúen: competencas en funcón de tareas, de logros y resultados, de rasgos dstntvos (trabajadores sobresalentes), de conocmentos, habldades y acttudes o como un conjunto de atrbutos. Sn duda, las más nteresantes de medr son las que se referen a los conocmentos, habldades, experencas, acttudes, apttudes, etc., que permten alcanzar unos resultados en térmnos de excelenca. Nuestro nterés se centra en la seleccón de personal, entendda como el proceso medante el cual se elge de entre un conjunto de solctantes a la persona que se ajusta mejor a las característcas de un puesto de trabajo, tenendo en cuenta las condcones de la empresa (Valle Cabrera, 995). Una seleccón correcta no sólo consgue una asgnacón óptma del puesto de trabajo, sno que dsmnuye los costes (Alles, 2000). Como ocurre en gran número de problemas de decsón, resulta complcado formalzar el proceso. Una posble solucón consste en centrarse en aspectos como la valdez, fabldad y determnacón de un crtero. 2

3 Técncas de seleccón de personal basadas en modelos de efcenca En este trabajo, presentamos un modelo flexble de seleccón de personal basado en el análss de efcenca medante ntervalos. Segudamente, mostraremos cómo utlzar los operadores OWA (Ordered Weghted Average) (Yager, 988) para obtener una solucón de partda en el modelo anteror. El uso de estos operadores permte una asgnacón de pesos que smula la opnón de los expertos, pero con un menor coste económco. 2. OPEADOES OWA Supongamos que tenemos que cubrr vacantes y tenemos n canddatos, ndependentemente de que el reclutamento sea nterno o externo a la empresa. El crtero de eleccón consste en asgnar una valoracón numérca para las competencas exgdas, después de haber realzado una sere de pruebas (test, entrevstas, etc.). En este caso, para realzar la seleccón, la empresa dspone de un experto que opna sobre p canddatos, con ndependenca de las valoracones objetvas realzadas prevamente. Para el j-ésmo canddato el experto proporcona una valoracón de cada competenca basándose en su ntucón y experenca. Sn embargo, es claro (Yager, 988) que en estas valoracones ha asgnado pesos aunque sea de forma nconscente. Normalmente no ha ponderado las competencas sno que hay una espece de ntercambo entre los aspectos postvos y negatvos del canddato. En este sentdo, serán útles los operadores OWA en los que, como se verá, más que las competencas, lo que nteresa es el orden en el que éstas han sdo calfcadas para cada canddato. A la empresa le nteresa replcar este sstema de valoracón porque en un proceso de seleccón con muchos canddatos, s el experto se encargara de valorar a todos resultaría muy caro. Además, el experto es el que mejor conoce su trabajo y sabe cómo valorar a los canddatos con un alto porcentaje de acertos en su decsón para que ocupen un puesto adecuado. De este modo, sólo sería necesaro que el experto evaluara a p canddatos; el resto de valoracones globales podrían ser replcadas. Un operador OWA de dmensón n es una aplcacón F : n, que tene un vector de ponderacones asocado W=[w, w 2,, w n ] T tal que XII Jornada de ASEPUMA 3

4 . Canós, V. ern ) w [0,], n, ) w =, n = donde F(x, x 2,..., x n ) = n = w x j sendo coleccón x, x 2,,x n (Yager, 988). x j el -ésmo elemento más grande de la Un aspecto fundamental de los operadores OWA es el paso de la reordenacón. Un agregado x no está asocado con un peso partcular w j, sno que un peso está asocado con una poscón ordenada j partcular de los argumentos. Por ejemplo, Flev y Yager (998) proponen una famla de operadores exponencales y descrben un proceso smple para generar los pesos dado un grado requerdo de optmsmo. Nuestra propuesta es calcular estas ponderacones utlzando la hoja de cálculo MS Excel según el esquema sguente:. El grupo de expertos da su opnón de cada canddato. Desde luego, la ordenacón de las competencas no es mportante para esta valoracón, puesto que su opnón es global para el canddato. 2. Ordenamos de mayor a menor las competencas de los canddatos según la puntuacón obtenda en la valoracón de cada competenca. Esto generará flas ordenadas. 3. Se defnen las varables del modelo, en concreto, una por cada crtero o competenca. 4. Construmos el programa (OW) Mn (c *w -b ) 2 + (c 2 *w 2 -b 2 ) (c n *w n -b n ) 2 s.a w + w w n = w 0, =,..., n donde c son las competencas de cada canddato, w son las ponderacones y b refleja la opnón global del experto sobre un canddato. 4

5 Técncas de seleccón de personal basadas en modelos de efcenca Ejemplo. En una empresa se han creado dos puestos de drectores de equpos de trabajo porque ha puesto en marcha un plan de mejora de la caldad de los productos. Para ocupar estas vacantes tenemos cnco canddatos que van a ser evaluados en las sguentes competencas: lderazgo, trabajo en equpo, resolucón de conflctos y flexbldad. Después de realzar las pruebas oportunas, los canddatos han obtendo las sguentes puntuacones, comprenddas entre 0 y : Comp Comp 2 Comp 3 Comp 4 Cand Cand Cand Cand Cand a opnón global del experto para los tres prmeros canddatos es: Experto Cand 0.7 Cand Cand Ordenamos de mayor a menor las puntuacones obtendas por los canddatos en las competencas y calculamos las varables w utlzando el comando Solver de MS Excel. w w w 3 0 w 4 0 Funcón objetvo Con estos valores podemos volver a aplcar el modelo (OW) para calcular cuál hubera sdo la valoracón global del experto para los dos canddatos que faltan. Experto Cand Cand XII Jornada de ASEPUMA 5

6 . Canós, V. ern En este caso los dos canddatos elegdos para ser los nuevos drectores de equpo serían el 4 y el 5. Como veremos en la seccón sguente, otro enfoque consste en ncorporar la efcenca en el crtero de seleccón. 3. MODEO FEXIBE DE SEECCIÓN DE PESONA En este trabajo proponemos un modelo flexble, basado en la efcenca, que permte calcular los ntervalos en los que pueden osclar las ponderacones de cada competenca de cada canddato para poder realzar una ordenacón. Para ello nos basamos en un modelo de Kao y u (200) con el que se obtenen efcencas en funcón de un parámetro α. a propuesta orgnal de estos autores está hecha con números borrosos donde el uso del parámetro α está perfectamente justfcado como el análss de efcenca por α-cortes. Sn embargo, nosotros hemos preferdo no hacer referenca explícta a esta teoría por no sobrecargar la notacón y porque, en defntva, lo que nos nteresa es analzar los ntervalos que se obtenen con las funcones objetvo de los programas que se muestran a contnuacón. Para el canddato j-ésmo dspondremos de los modelos sguentes: Mn s.a. Y = j 0 α EXTEMO INFEIO ( α) = = [ 0,] = =, c j ( α ) =,, Max s.a. Y = j 0 α EXTEMO SUPEIO ( α) = = [ 0,] = =, c j ( α ) =,, donde y sgnfcan zquerda y derecha, respectvamente. 6

7 Técncas de seleccón de personal basadas en modelos de efcenca Como ocurre en la mayoría de problemas fracconales, se prefere trabajar con los modelos lneales equvalentes. Para ello hacemos el cambo de varable Entonces, el modelo queda y =. = Mn s.a. Y = j 0 t EXTEMO INFEIO ( α) = α = 0 [ 0,] = c ( α ) t t, j y =,, Max s.a. Y = j = 0 t α 0 [ 0,] EXTEMO SUPEIO ( α) = = c ( α ) t t, j y =,, Fnalmente, los canddatos se ordenan según el valor medo de la funcón objetvo. Ejemplo. Vamos a segur con el ejemplo anteror. En este caso, consderamos que la valoracón de las competencas depende de un parámetro α. En algunos casos está expresada como un ntervalo para dar mayor flexbldad al modelo. Nótese que los ntervalos [a(α), b(α)] no son más que α-cortes de números borrosos trangulares (Gl Aluja, 987). Comp Comp 2 Comp 3 Comp 4 Cand 0.4 [ (-α), [ (-α), [0.4-0.(-α), (-α)] (-α)] (-α)] Cand 2 [0.2-0.(-α), [ (-α), [ (-α), (-α)] (-α)] (-α)] Cand 3 [0.-0.(-α), [0.-0.(-α), [ (-α), 0.+0.(-α)] (-α)] (-α)] 0.35 Cand 4 [0.6-0.(-α), [ (-α), [0.5-0.(-α), (-α)] (-α)] (-α)] Cand 5 [0.-0.2(-α), [0.-0.(-α), [ (-α), (-α)] (-α)] (-α)] Y los ntervalos de toleranca asgnados a los pesos calculados con los operadores OWA son: XII Jornada de ASEPUMA 7

8 . Canós, V. ern w = [ (-α), (-α)] w 2 = [ (-α), (-α)] w 3 = [0-0.2(-α), (-α)] w 4 = [0-0.2(-α), (-α)] os ntervalos que defnen la funcón objetvo para los valores del parámetro desde 0 hasta son: Cand Cand 2 Cand 3 Cand 4 Cand 5 α =0 [0.2,.35] [0.,.35] [0, 0.65] [0.45,.25] [-0.,.3] α =0. [0.22, ] [0., 0.709] [0.0, 0.599] [0.45, 0.697] [-0.08, ] α =0.2 [0.24, ] [0.2, ] [0.02, ] [0.45, ] [-0.06, ] α =0.3 [0.26, ] [0.3, 0.70] [0.03, ] [0.45, ] [-0.04, 0.560] α =0.4 [0.28, 0.728] [0.4, 0.698] [0.04, ] [0.45, ] [-0.02, ] α =0.5 [0.3, 0.697] [0.5, ] [0.05, ] [0.45, ] [0, ] α =0.6 [0.32, 0.672] [0.6, 0.694] [0.06, ] [0.45, 0.646] [0.02, 0.508] α =0.7 [0.34, ] [0.7, ] [0.07, ] [0.45, ] [0.04, 0.488] α =0.8 [0.4, 0.4] [0.8, 0.32] [0.08, 0.2] [0.58, 0.74] [0.06, 0.6] α =0.9 [0.4, 0.4] [0.9, 0.3] [0.09, 0.] [0.59, 0.72] [0.08, 0.3] α = [0.4, 0.4] [0.2, 0.3] [0., 0.] [0.6, 0.7] [0., 0.] Para un nvel de toleranca α = 0.5, los canddatos elegdos serían el número 4 y el porque son los que obtenen un mayor valor en la meda artmétca del ntervalo de la funcón objetvo. Para un nvel de toleranca α =, los selecconados serían los msmos. Aunque en este caso concda el resultado, éste puede cambar en funcón del nvel de toleranca. Además, podemos observar que con este modelo el resultado dfere del obtendo con los operadores OWA en la seccón anteror. 4. CONCUSIONES Cuando se utlzan modelos matemátcos para ayudar en el proceso de toma de decsones exsten una sere de ventajas como la rapdez y la clardad de las solucones, 8

9 Técncas de seleccón de personal basadas en modelos de efcenca que resultan más fácles de entender. Por otra parte, las dfcultades aparecen porque, de una forma general, los modelos matemátcos son demasado objetvos y cuantfcan magntudes que dfíclmente pueden corresponderse con estas práctcas. En la seleccón de personal, un tratamento nflexble de las valoracones de los canddatos pueden obstrur el proceso de ordenacón porque no se consderan todos los requstos necesaros, porque las valoracones postvas y las negatvas se neutralzan, porque representa un sstema njusto, etc. Fnalmente, cabe resaltar que los modelos descrtos pueden resolverse fáclmente usando MS Excel. Esto es una ventaja añadda porque esta hoja de cálculo tene un uso muy extenddo en las empresas. 5. EFEENCIAS BIBIOGÁFICAS AES, M.A. (2000): Dreccón estratégca de recursos humanos. Gestón por competencas. Edcones Granca. Buenos Ares. BOYATZIS,.E. (982): The competent manager. A model for effectve performance. John Wley & Sons. New Yor. CANÓS,. Y IEN, V. (2004): Un model efcent de gestó de personal. Setena trobada de matemàtques. Barcelona. CANÓS,.; VADÉS, J. Y ZAAGOZA, P.C. (2003): a gestón por competencas como peza fundamental para la gestón del conocmento. Boletín de Estudos Económcos, 80, pp FIEV Y YAGE,.. (998): On the ssue of obtanng OWA operator weghts. Fuzzy Sets and Systems, 94 (2), pp KAO, C. Y IU, S.T. (200): Fracconal programmng approach to fuzzy weghted average. Fuzzy Sets and Systems, 20, pp XII Jornada de ASEPUMA 9

10 . Canós, V. ern KAUFMANN, A. Y GI AUJA, J. (987): Técncas operatvas de gestón para el tratamento de la ncertdumbre. Hspano-Europea. Barcelona. SMOÍKOVÁ,. Y WACHOWIAK, M.P. (2002): Aggregaton operators for selecton problems. Fuzzy Sets and Systems, 3, pp SPENCE,.M. Y SPENCE, S.M. (993): Competente at wor. Models for superor performance. John Wley & Sons. New Yor. VAE CABEA,. (995): a gestón estratégca de los recursos humanos. Addson- Wesley Iberoamercana, Wlmngton, Delaware. YAGE,.. (988): On ordered weghted averagng aggregaton operators n multcrtera decsón mang. IEEE Trans. Systems, Man Cybernet, 8, pp YAGE,.. (994): On weghted medan aggregaton. Internatonal Journal of Uncertanty, Fuzzness Knowledge-based Systems, 2, pp