Однако если люди в школе Святого Георгия просто выбрасывали в мусор резюме, пестрящие грамматическими и орфографическими ошибками, то компьютер, который и сам не владел грамотой, вряд ли мог последовать их примеру. Однако он мог связать отвергнутые резюме прошлых лет с местами рождения и, в меньшей степени, с фамилиями. Поэтому люди из определенных регионов, таких как Африка, Пакистан или населенные иммигрантами районы в городах Соединенного Королевства, получали меньше баллов при оценивании и, соответственно, не приглашались на интервью. Подавляющее большинство этих людей не были белыми. Кроме того, кадровики-люди чаще отвергали женщин в связи с повсеместно распространенным в то время убеждением, что их карьеры, скорее всего, будут прерваны из-за обязанностей, связанных с материнством. Компьютер, естественно, стал делать то же самое.
В 1988 году Комиссия по расовому равенству при британском правительстве признала школу Святого Георгия виновной в расовой и гендерной дискриминации при приеме на работу. Шестидесяти из двух тысяч претендентов каждый год, по данным комиссии, могло быть отказано в собеседовании исключительно на основании их расы, этнического происхождения или пола.
Решением для специалистов по статистике в школе Святого Георгия а также в других местах стало бы создание цифровой версии слепого прослушивания, при котором бы отбрасывались такие прокси-факторы, как место рождения, пол, раса или имя, и имела бы значение только информация о профессиональной медицинской компетенции. Ключ здесь в анализе навыков, которые каждый кандидат может принести в школу, а не в сравнении его с другими людьми, которые кажутся похожими. Более того, часть усилий школа Святого Георгия могла бы посвятить сложностям, с которыми сталкиваются женщины и иностранцы. В отчете Британского медицинского журнала (The BMJ), которым сопровождалось решение комиссии, говорилось именно об этом. Если у подходящих во всех остальных отношениях кандидатов имелись проблемы с языком или сложности, связанные с уходом за ребенком, решение могло бы заключаться не в том, чтобы отвергнуть этих кандидатов, а в том, чтобы принять на работу, предоставив при этом помощь, будь то курсы английского языка или детский сад.
Именно к этому вопросу я буду возвращаться в следующих главах: мы снова и снова видим, что математические модели могут перерабатывать информацию, находя людей, которые могут сталкиваться со сложностями, будь то из-за преступности, бедности или образования. От общества зависит, что делать с полученной информацией: отвергать и наказывать этих людей или предоставлять им нужные ресурсы. Мы можем использовать масштаб и эффективность, которые делают ОМП таким вредоносным, для того чтобы помогать людям. Все зависит от выбранной нами цели.
До сих пор мы в этой главе рассматривали модели, которые фильтруют претендентов на рабочие места. Для большинства компаний этот вид ОМП разрабатывается, чтобы сократить административные расходы и уменьшить риск найма на работу неудачных сотрудников (тех, кто потребует более интенсивного обучения). Если коротко, то цель этих фильтров сэкономить деньги.
Отделы кадров, конечно же, стремятся сэкономить деньги через выбор сотрудников, который они делают. Одна из самых больших статей расходов любой компании это ротация сотрудников, или, в просторечии, текучка. По данным Центра за американский прогресс, замена сотрудника, который зарабатывает 50 тысяч долларов в год, стоит компании около 10 тысяч то есть это 20 % годовой компенсации этого сотрудника. Замена сотрудника высокого уровня может обойтись гораздо дороже сумма доходит до его двухгодичной зарплаты.
Конечно, из-за этого многие модели по найму сотрудников пытаются подсчитать вероятность, с который претендент на рабочее место задержится на нем подольше. Компания Evolv, Inc., которая теперь является частью Cornerstone OnDemand, помогла Xerox подыскать претендентов на работу в колл-центр, в котором работают более 40 тысяч человек. Модель текучки принимала во внимание некоторые из ожидаемых показателей, включая среднее количество времени, которое люди проводили на предыдущих местах работы. Но также они обнаружили некоторые необычные корреляции. Люди, которых система классифицировала как «представителей креативного типа», имели тенденцию дольше оставаться на одном месте, в то время как те, кто получал много баллов за «любознательность», с большей вероятностью направляли свои пытливые умы на поиски других возможностей.
Но самой проблематичной оказалась корреляция с географией. Претенденты, жившие дальше от места работы, с большей вероятностью могли ее сменить. Это и понятно: длительные поездки каждый день это неудобно. Но менеджеры Xerox заметили и другую корреляцию: люди, которым приходилось далеко ездить на работу, жили в бедных районах. Поэтому в Xerox, надо отдать им должное, убрали эти данные, имеющие непосредственное отношение к текучке, из своей модели. Компания пожертвовала частью эффективности ради справедливости.
В то время как анализ текучки сосредоточен на кандидатах, которые, скорее всего, окажутся неудачным выбором, более важная стратегия для отделов кадров находить будущих звезд: людей, чьи интеллект, изобретательность и энергия смогут изменить курс всего предприятия. В более высоких эшелонах экономики компании постоянно разыскивают сотрудников, обладающих творческим мышлением и способностью работать в команде. Поэтому задача создателей моделей отследить в огромном мире Больших данных крупицы информации, которые коррелировали бы с оригинальностью и социальными навыками.