Interpretación de resultados
Los algoritmos no solo permiten determinar el sentido de pertenencia de una persona a un grupo (empresa o puesto), sino también analizar al grupo en sí; se puede analizar la estructura de los datos psicométricos que definen al grupo, es decir, sus características psicológicas más representativos.
La gráfica a continuación corresponde a la de un algoritmo con un nivel alto de fiabilidad, ya que muestra un buen nivel de predicción y área asociada bajo la curva ROC (AUC).
El área bajo la curva ROC representa la habilidad de nuestro algoritmo para distinguir entre personas que pertenecen o no a un grupo específico. Un área de 50 significa que el algoritmo no se diferencia de cualquier método aleatorio. Sin embargo, un area de 100 significa que la predicción es perfecta: no existen falsos positivos (que parece positivo, pero en realidad es negativo) y no existen falsos negativos (que parece negativo, pero en realidad es positivo). El área bajo la curva ROC nunca puede ser inferior a 50.
Aquí, una precisión del 95 % significa que el algoritmo puede detectar a partir de datos nuevos a las personas que pertenecen a un grupo de referencia (por ejemplo, una empresa) en el 95 % de los casos .
La gráfica a continuación corresponde a la de un algoritmo poco fiable, ya que resulta difícil identificar las constantes de comportamiento. Un candidato aleatorio no se diferencia en gran medida de un candidato que pertenece a un grupo de referencia.
