Los inversionistas institucionales suelen ser críticos de la influencia de los CEO sobre los integrantes de la junta de directores y han hecho esfuerzos para ayudar a las compañías a mejorar su gobernabilidad. Sucede que la alta influencia de los CEO en los proceso de selección de los miembros de la junta de directores termina en las contrataciones de aquellos que no se opondrán y tampoco proveerán perspectivas diversas necesarias para maximizar el valor de la firma.
¿Cómo podría ayudar la tecnología? El presente estudio de la Harvard Business Review profundiza en como el machine learning puede ser empleado para mejorar la selección de directores, y como los directores seleccionados pueden ser distintos de los fichados por la administración.
La intención de la investigación es demostrar como un modelo de machine-learning puede ayudar potencialmente a los inversionistas al facilitar a las compañías a seleccionar mejores directores.
Para determinar que hace a un director “mejor” o “peor” el estudio utilizó la información pública y accesible de la fracción de votos que un director recibe de parte de los accionistas en las reelecciones anuales. Así esta medición es fundamentalmente como cualquier otra para contratar, pues es predecir el desempeño futuro de un individuo.
Además de los directores que ya participaban de algún directorio, se elaboró una bolsa de candidatos potenciales. Así el algoritmo del machine learning fue entrenado con la información pública de corporaciones estadounidenses entre el 2000 y 2011, también recibió una base de datos de los directores que integraron firmas entre el 2012 y 2014 que no figuraban en el periodo anterior. El algoritmo pudo identificar qué directores serían los menos aprobados por sus accionistas.
Los directores contratados que el algoritmo predijo que serían impopulares entre sus accionistas terminaron por tener desempeños más pobres de los estimados en comparación de otros candidatos. En contraste, los directores contratados que el algoritmo predijo que les iría bien lo hicieron mejor que los otros posibles candidatos.
Las comparaciones entre los directores sugeridos por el algoritmo y los que fueron seleccionados por las firmas permitió establecer una serie de características que están sobrevaloradas en la selección.
Así el estudio reveló que las firmas suelen escoger directores hombres, quienes tienen una gran red de contactos por su experiencia en otros directorios.
Una de las conclusiones del empleo del machine learning es exactamente lo que vienen diciendo los accionistas institucionales: que los directores que no son viejos amigos con la administración y vienen de otras experiencias suelen hacer un mejor trabajo en monitorear la administración y suelen ser pasados por alto.
 
26-04-2018 / GS1 Perú