Ekonomisk nytta vid rekryteringsurval. Morgan Ström gästbloggar om ”utility” vid urval

morgan3Alla som använder psykologiska test vid rekryteringsurval bör känna till begreppet prediktiv validitet. Det ingår ofta som en del utbildningen för att använda sådana verktyg. De flesta vet även att bedömningsmetoder med högre validitet är bättre än metoder med låg validitet. Det finns dock en fråga som ständigt återkommer – hur kan man räkna hem vinsterna som man får av att använda metoder med högre validitet? Detta är ett eget forskningsfält som samlas under termen ”utility analysis”. Jag tänker nu presentera en modell som har funnits i forskningen sedan länge, ge två praktiska exempel på hur den kan användas för strategiska beslut inom HR och dessutom introducera en web-app som gör denna modell tillgänglig för alla [länk till https://morgan.shinyapps.io/utility].

Modellen, som ofta kallas Brogden-Cronbach-Glesers modell (BCG) har fått sitt namn efter de som bidragit till att utveckla den. Den utgår från att validitetskoefficienten beskriver ett linjärt samband mellan resultat i en bedömningsmetod och arbetsprestation, och att arbetsprestationen kan omsättas i ekonomiska termer. För att läsa mer om denna modell och hur den fungerar, se en nyligen publicerad avhandling av Sofia Sjöberg (2014).

Exempel 1: Chefsrekrytering

Ledare på hög nivå inom organisationen har en stor inverkan på lönsamheten. Detta är ett faktum som många känner till och som gör att företag gärna lägger pengar och tid på att hitta rätt person. De allra flesta stora organisationer som jag känner till har en strukturerad process som ofta innebär att man väljer ut kandidater internt eller tar hjälp av ett searchbolag, att man sedan träffar dessa kandidater för intervju och att de får genomföra en rad psykologiska test.

Det finns dock risker med detta. Att sakna kunskap om hur man ska väga samman all denna information kan göra att man fattar beslut på felaktiga grunder. Då blir validiteten inte nödvändigtvis högre av att använda psykologiska test till exempel. Läs mer om detta i andra blogginlägg, se till exempel: https://psychometrics.se/?p=2157

Säg nu att vi har ett företag ”BraGrejer AB” som har identifierat 9 möjliga kandidater till positionen som CFO, med en förväntad årslön på 840 000 kr (www.lonestatistik.se). Vi förväntar oss att personen ska stanna i företaget i åtminstone 3 år.

Genom att skriva in detta i web-appen på https://morgan.shinyapps.io/utility kan vi jämföra hur väl olika metoder identifierar den bästa kandidaten. Om man bara utgår från kandidaternas erfarenhet, hur länge de har jobbat inom ett relevant område, kan vi vänta oss en svag positiv prediktiv validitet. Detta syns i grafen nedan som ett svagt uppåtlutande streck:

Bild 1

Denna metod är bättre än slumpen och skulle troligtvis innebära att vi identifierar en person som genererar 309 000 kr mer än genomsnittet i urvalsgruppen under 3 år. Det finns dock en ganska stor osäkerhet i denna uppskattning – med 95 % sannolikhet ligger den verkliga nyttan mellan -1 634 000 och 2 253 000 kr. Alltså finns det ändå en överhängande risk att personen inte kommer att prestera bättre än någon av de andra kandidaterna och att tiden och pengarna vi lade på rekryteringsprocessen kommer att vara bortslösade.

Om vi däremot använder oss av ett Assessment Center där resultaten från intelligenstest, personlighetstest och skattningar från intervjuer, rollspel etc. har kombinerats på ett optimalt sätt blir bilden ljusare. I detta scenario kan vi förvänta oss att personen vi anställer tillför närmare 1 220 000 kr under 3 år (med 95 % sannolikhet mellan -171 000 och 2 611 000). Om vi investerar 225 000 kr på Assessment Center för alla 9 kandidater, blir den ekonomiska nyttan med 95 % sannolikhet mellan -396 000 kr och 2 386 000 kr.

bild2

Sannolikheten att våra ansträngningar betalar sig blir alltså betydligt högre, men ändå inte riktigt 100 %. Även med de bästa bedömningsmetoderna kan ju andra faktorer göra att det inte går som vi tänkt oss – som till exempel marknadens fluktuationer, oförutsedda situationer i privatlivet med mera.

Effekten av sådant som vi inte kan mäta eller förutse kan betraktas som en slumpmässig extern variabel, som finns med i simulationerna ovan – krysset visar den förväntade prestationen hos personen vi anställer (utifrån BCG-modellen), medan den gröna punkten visar var den personen faktiskt hamnar i vår simulering. Skillnaden mellan punkten och krysset beror på slumpen. Slumpens effekt på rekryteringsprocessen blir dock mindre ju större processer vi har, vilket vi kan se i nästa exempel!

Exempel 2: Traineerekrytering

Jag har samarbetat med flera stora svenska och internationella företag med deras traineeprocesser. Ofta har de tusentals sökande till ett fåtal platser och utmaningen blir att på ett effektivt sätt identifiera de som är bäst lämpade.

I detta exempel har vårt företag ”BraGrejer AB” 10 traineeplatser varje år och 1000 sökande totalt. Som trainee hos oss har man en årslön på 300 000 kr.

Om vi använder oss av CV-granskning, som inte har någon dokumenterad validitet, riskerar vi att ha en process som inte är så mycket bättre än slumpen. I detta fall tillför metoden inget värde för organisationen eftersom de som anställs inte kommer att prestera bättre än genomsnittet i urvalsgruppen. Snarare innebär metoden enbart kostnader då det tar tid och kraft från den personal som hanterar granskningen.

Grafen nedan visar ett slumpmässigt urval. De individer som blir anställda (gröna prickar) presterar inte högre än de som valts bort (röda prickar) och det svarta strecket är helt horisontellt:

Bild 3

 

Att istället använda sig av intelligenstest med en prediktiv validitet på 0.51 skulle tillföra ett värde på uppskattningsvis 1 631 000 kr mer per år totalt sett. Varje individ skulle förväntas generera ca 163 000 kr mer än genomsnittet (avrundat till hela tusental). Givet en kostnad på 750 kr/kandidat blir vinsten från investeringen 881 000 (med 95 % sannolikhet mellan 769 000 och 1 083 000) kr/år. Grafen nedan visar ett sådant scenario, där det är tydligt att individerna som har anställts presterar betydligt bättre än de flesta andra:

Bild4b

Slutsats

Valet av bedömningsmetod har en betydande effekt på företagets lönsamhet, både för junior rekrytering och vid mer seniora positioner. Utformningen av rekryteringsprocessen spelar dock också en viktig roll. Till exempel spelar det ingen roll vilken metod man använder om man redan har bestämt sig för en av kandidaterna innan bedömningen påbörjats.

Prova gärna web-appen på https://morgan.shinyapps.io/utility och använd den i de processer som du jobbar med. Den kan hjälpa dig att utforma en säker och valid process som maximerar den ekonomiska nyttan för företaget. Några generella råd är:

  1. Använd urvalsmetoder med hög dokumenterad prediktiv validitet.
  2. Tillämpa metoderna i stor skala för att maximera nyttan av dem. Försök att samla flera rekryteringar i samma process, som vid traineeurvalet ovan.
  3. Skapa processer som är standardiserade, där kandidaterna bedöms på samma kriterier varje gång. På så sätt ackumuleras nyttan över tid.
  4. Undvik att dra slutsatser om hur väl bedömningsmetoden fungerar från enskilda fall. Du kommer troligtvis att missa ”the big picture”. Genomför istället utvärderingar löpande och gör statistiska sammanställningar av data. Ju fler processer du tar med i beräkningen, desto tydligare kommer du att se nyttan av valida metoder.

Referens

Sjöberg, S. (2014). Utilizing research in the practice of personnel selection: General mental ability, personality, and job performance. (Doctoral dissertation). Stockholm: Department of Psychology, Stockholm University.

Kontakta gärna Morgan på morgan.strom@cubiks.com

Publicerat av Anders Sjöberg

Anders Sjöberg är docent i psykologi och har lång erfarenhet av bedömningsmetoder in arbetslivet. Anders har utvecklat psykologiska bedömningssystem som används av både privata och offentliga organisationer. Anders har publicerat böcker och vetenskapliga artiklar inom organisationspsykologi och psykologisk metodutveckling.

Delta i diskussionen

1 kommentar

Lämna en kommentar

Din e-postadress kommer inte publiceras. Obligatoriska fält är märkta *

Denna webbplats använder Akismet för att minska skräppost. Lär dig hur din kommentardata bearbetas.