Predictive Analytics im Bereich Human Resources. Chancen und Hürden für die Personalarbeit


Bachelorarbeit, 2015
89 Seiten, Note: 1,0

Leseprobe

Abstract

Das digitale Zeitalter eröffnet den Einsatz noch nie dagewesener Potenziale in der automatisierten Datenauswertung. Durch analytische Verfahren und den Einsatz von Predictive Analytics können Unternehmen mittlerweile prädiktive Modelle simulieren und geschäftsrelevante strategische Entscheidungen datengestützt treffen. Durch datengestützte Entscheidungen lässt sich die Objektivität erhöhen und die Gefahr von Fehleinschätzungen durch Wahrnehmungsverzerrungen minimieren. Was in vielen Branchen bereits seit Jahren erfolgreich eingesetzt wird, scheint im Bereich Human Resources (HR) noch nicht angekommen zu sein. Es stellt sich daher die entscheidende Frage, was die ausschlaggebenden Hürden sind und welche Hebel umgelegt werden müssen, um Predictive Analytics auch hier zu etablieren. Basierend auf Experteninterviews mit Datenanalytikern werden in der vorliegenden Arbeit die Chancen und Risiken untersucht, die Predictive Analytics zugeschrieben werden können. Die empirische Erhebung betrachtet außerdem die Perspektive der Unternehmen und untersucht die aktuellen Fragestellungen, die Akzeptanz und den Reifegrad des Bereichs Human Resources. Ziel der Arbeit ist es, durch die qualitative Erhebung explorative Einblicke und ein allgemeines Verständnis von Predictive Analytics für die Personalarbeit zu gewinnen. Zusätzlich werden aus den Auswertungen praktische Implikationen abgeleitet, die den analytischen Fortschritt im Bereich Human Resources beschleunigen können. Als Ergebnis lässt sich festhalten, dass sich Predictive Analytics auf diesem Gebiet noch in den Anfängen befindet und das Misstrauen gegenüber dem analytischen Ansatz überwiegt. Letztendlich werden die Bereitstellung von technologischen Grundlagen und die Investition in Kapazitäten essenzielle Voraussetzungen für einen erfolgreichen Einsatz von Predictive Analysis im Bereich Human Resources sein.

„Wir können immer erklären, warum etwas gewesen ist.
Das können wir alle par excellence. Aber aus den Daten dann
die richtigen Schlüsse für die Zukunft abzuleiten – das ist die Herausforderung.
Und dieser spannenden Fragestellung nehmen sich immer mehr an.“

Unternehmer H – Unternehmen M

Vorwort

Innovation ist nicht grundsätzlich das Entdecken von neuen, sondern vielmehr die Paarung und Mutation von bereits vorhandenen Ideen. Auch in dieser Arbeit wird das Rad nicht neu erfunden. Im Vordergrund steht vielmehr die Zusammenführung von zwei bekannten Disziplinen, die erst im Zusammenspiel etwas zum Fortschritt beitragen können.

Vorgaben und Richtlinien bestimmen zu einem großen Teil unser Leben und beschränken unser Denken und Handeln. Um in unserer Umwelt akzeptiert zu werden, beugen wir uns oftmals diesen Regeln. Ich möchte jedoch ausdrücklich betonen, dass Regeln nicht durchweg schlecht sind. Regeln ordnen das Chaos und tragen zu einem gewissen Grad auch zur Gerechtigkeit bei.

Vor diesem Hintergrund habe ich mich entschieden, diese Arbeit nicht noch stärker zu kürzen, da sie in meinen Augen durch die Meinungen der befragten Experten wertvolle Einblicke gibt. Eine Reduzierung des Inhalts könnte dazu führen, dass hilfreiche Zusammenhänge womöglich unentdeckt bleiben. Mein persönliches Ziel mit dieser Arbeit besteht darin, Menschen zu inspirieren und das Maximale an gewonnenem Wissen freizusetzen. Ich sehe keinen Mehrwert darin, Erkenntnisse zurückzuhalten, wenn sie mit einem hohen Nutzen sowohl für die wissenschaftliche Theorie als auch für die Anwendung in der Praxis verbunden sind.

Für die Geduld mit mir und meinen komplizierten Gedankengängen möchte ich mich zugleich entschuldigen und bedanken. Besonders betonen möchte ich die engagierte Unterstützung durch die betreuenden Professoren und meine Kommilitonen, die mein Studium zu einem unvergesslichen Lebensabschnitt haben werden lassen. Ich werde mich gerne daran zurückerinnern. Mein Dank gilt auch allen Interviewpartnern für die Bereitschaft, ihr Wissen und ihre Erfahrungen mit mir zu teilen.

Inhaltsverzeichnis

Abbildungsverzeichnis ... III

Tabellenverzeichnis ... IV

Anhangsverzeichnis ... V

Abkürzungsverzeichnis ... VI

1 Einleitung ... 1

1.1 Blick in die Zukunft ... 1
1.2 Zielsetzung der Arbeit ... 2
1.3 Vorgehensweise und Aufbau der Arbeit ... 3

2 Theoretische und empirische Grundlagen ... 4

2.1 Relevanz von Predictive Analytics für die Personalarbeit ... 4
2.1.1 Entscheidungsfindung, Heuristik und Bias ... 6
2.1.2 Folgen von Fehlentscheidungen im HR ... 8

2.2 Human Resources: Point-of-View ... 9
2.2.1 Aufgaben und Ziele der Personalarbeit ... 9
2.2.2 Personalcontrolling ... 10
2.2.3 Vorteile einer analytischen Arbeitsweise im HR ... 11

2.3 Predictive Analytics: State-of-the-Art ... 12
2.3.1 Begriffsbestimmung von Predictive Analytics ... 13
2.3.2 Abgrenzung von anderen analytischen Verfahren ... 13
2.3.3 Exkurs: Big Data ... 15
2.3.4 Hype-Cycle für Advanced Analytics von Gartner Inc. ... 16
2.3.5 Das Ziel von Predictive Analytics ... 17

2.4 Die Methodik hinter Predictive Analytics ... 18
2.4.1 Fragen, die Predictive Analytics beantworten kann ... 18
2.4.2 Der Prozess einer Predictive Analytics-Lösung ... 18
2.4.3 Gesuchte Muster bei Predictive Analytics ... 22
2.4.4 Mustererkennende Analysemethoden ... 22

2.5 Predictive HR Analytics: Verzahnung von HR und PA ... 27
2.5.1 Praktizierende Branchen ... 27
2.5.2 Anwendungsbereiche von PA im HR ... 28
2.5.3 Hebel und Barrieren für Predictive Analytics im HR ... 29

3 Empirisch-qualitative Untersuchung ... 30

3.1 Beschreibung der qualitativen Forschungsmethode ... 30
3.1.1 Das halbstandardisierte, problemzentrierte Experteninterview ... 30
3.1.2 Funktion des Interviewleitfadens ... 31
3.1.3 Datenaufzeichnung ... 31
3.1.4 Auswertung ... 31

3.2 Methodische Vorgehensweise der Untersuchung ... 32
3.2.1 Operationalisierung ... 32
3.2.2 Befragungsort, -dauer und -aufzeichnung ... 33
3.2.3 Aufbau und Struktur des Interviewleitfadens ... 34
3.2.4 Auswahlkriterien und Beschreibung der Stichprobe ... 34
3.2.5 Vorbereitung und Durchführung der Interviews ... 34
3.2.6 Vorgehen bei der Auswertung ... 35

4 Ergebnisse ... 37

4.1 Auswertung der Ergebnisse aus der Perspektive der Datenanalytiker ... 37
4.1.1 Dimension: Arbeitserfahrung mit analytischen Verfahren ... 37
4.1.2 Dimension: Aktuelle Einschätzung der Situation ... 38
4.1.3 Dimension: Erfolgsfaktoren und Hürden ... 38
4.1.4 Dimension: Chancen und Risiken ... 41
4.1.5 Dimension: Sonstige Themen ... 44

4.2 Auswertung der Ergebnisse aus der Perspektive der Unternehmen ... 45
4.2.1 Dimension: Arbeitserfahrung im HR ... 45
4.2.2 Dimension: Aktuelle Einschätzung der Situation ... 46
4.2.3 Dimension: Barrieren und Hebel ... 48
4.2.4 Dimension: Reife der Unternehmen ... 50
4.2.5 Dimension: Erwartungen und Bedarf der Unternehmen ... 51
4.2.6 Dimension: Sonstige Themen ... 52

5 Diskussion der Ergebnisse ... 54
5.1 Zusammenfassung und Zusammenführung der Ergebnisse ... 54
5.2 Interpretation der Ergebnisse vor dem theoretischen Hintergrund ... 57
5.3 Praktische Implikationen ... 58
5.4 Kritische Reflexion der Vorgehensweise und Methodik ... 60

6 Fazit und Ausblick ... 62
6.1 Fazit ... 62
6.2 Ausblick ... 62

Anhang ... 63

Literaturverzeichnis ... 73

Abbildungsverzeichnis

Abbildung 1: Die wichtigsten HR-Themen bzw. Handlungsfelder ... 5
Abbildung 2: Beispielrechnung Fehlbesetzungskosten ... 8
Abbildung 3: Folgen von ungewollter Fluktuation ... 9
Abbildung 4: Übersicht analytischer Verfahren ... 14
Abbildung 5: Die vier Dimensionen von Big Data ... 16
Abbildung 6: Gartner Hype Cycle ... 17
Abbildung 7: Data Science und weitere Technologien im Gartner Hype Cycle. ... 17
Abbildung 8: Konzeptionelle Architektur einer Predictive Analytics-Lösung ... 19
Abbildung 9: Verlaufsmuster von Zeitreihen ... 23
Abbildung 10: Beispiel einer Zeitreihenanalyse ... 24
Abbildung 11: Beispiel einer Klassifikationsbaumanalyse ... 25
Abbildung 12: Beispiel einer Clusteranalyse ... 26

Tabellenverzeichnis

Tabelle 1: Übersicht der Interviewpartner: Datenanalytiker ... 64
Tabelle 2: Übersicht der Interviewpartner: Unternehmen ... 64

Anhangsverzeichnis

Anhang 1: Übersicht der Interviewpartner ... 63
Anhang 2: Interviewleitfaden Datenanalytiker ... 67
Anhang 3: Interviewleitfaden Unternehmen ... 70

Abkürzungsverzeichnis

AA Advanced Analytics
BD Big Data
BI Business Intelligence
CV Curriculum Vitae
HR Human Resources
HRM Human Resources Management
KDD Knowledge Discovery in Databases
KPI Key Performance Indicator
PA Predictive Analytics
PHRA Predictive HR Analytics
ROI Return on Investment
USP Unique Selling Proposition

1 Einleitung

Die Anreicherung und Auswertung von gigantischen Datensätzen mithilfe fortgeschrittener Analyseverfahren befähigt den Menschen seit geraumer Zeit immer mehr dazu, in unübersichtlichen Prozessen und bei komplexen Problemstellungen den Überblick zu behalten und beeindruckende Vorhersagen zu treffen. Predictive Analytics entwickelt sich in verschiedenen Branchen immer stärker zu einer Standardanwendung für strategische Entscheidungshilfen. Welche Chancen und Hürden sich dabei für die Personalarbeit ergeben können, wird in der vorliegenden Arbeit umfassend behandelt.

1.1 Blick in die Zukunft

Die aktuelle Entwicklung und die Stimmung am Arbeitsmarkt, die ein sinkendes Angebot an Fachkräften erwarten lässt1, sollte Unternehmen dazu veranlassen, nach den Ursachen und Indikatoren ungewollter Fluktuation zu suchen.

Folgendes Szenario könnte schon bald zum Alltag in der Personalarbeit gehören: Ein solider und freundlicher Mitarbeiter, der durchschnittlich gut arbeitet und seit sieben Jahren dem Unternehmen angehört, befindet sich in einem Freisetzungsgespräch und möchte das Unternehmen freiwillig verlassen. Der Mitarbeiter im Beispiel zeigte in den ersten fünf Jahren seiner Tätigkeit für das Unternehmen eine überragende Performanz, die zu einem rasanten Aufstieg führte. Aufgrund seiner Leistung wurde er befördert und erhielt eine erhebliche Gehaltserhöhung. In den letzten zwei Jahren war seine Leistung allerdings nur noch durchschnittlich bis sogar unterdurchschnittlich. In der Historie seiner Fehltage zeigen sich mittlerweile klar wiederholende Muster, und seine Quote an neuen Kundenterminen stagniert. Als der Mitarbeiter sich an einem Montag einen Tag freinahm, stieg seine Kündigungswahrscheinlichkeit von 75 % auf 95 %. Hätte er sich an einem Dienstag, Mittwoch oder Donnerstag freigenommen, wäre es weniger alarmierend gewesen, da Montage und Freitage überwiegend für Vorstellungsgespräche genutzt werden. Ein Frühwarnsystem dieser Art würde das Retention-Management definitiv verbessern.

Zukünftig könnte Predictive Analytics auch im Recruiting-Prozess eine tragende Rolle spielen. Folgendes Szenario wäre bei der Nachfolgesuche durchaus vorstellbar: Es gibt aktuell 100 potenzielle Bewerber mit einem passenden Matching auf das Stellenprofil. Davon wohnen 75 % in unmittelbarer Nähe zum Unternehmen, was die Wahrscheinlichkeit, die Probezeit zu überstehen, signifikant erhöht. 25 % der infrage kommenden Bewerber haben weniger Berufserfahrung als der bisherige Mitarbeiter, und 30 % konnten bereits mehr Praxiserfahrung sammeln. Unter den Bewerbern in der engeren Auswahl sind 15 Männer und 5 Frauen. Interne Umfragen haben ergeben, dass die Mitarbeiter eine weibliche Führungskraft bevorzugen. Dem Unternehmen würde dies auch entgegenkommen, da dadurch die Diversity erhöht werden könnte. Laut den vorhandenen Daten arbeiten neu angestellte Mitarbeiter härter, um sich zu beweisen. Deshalb wird eine erhöhte Produktivität von ca. 21 % erwartet bei einem reduzierten Gehalt von 19 % im Vergleich zum Vorgänger. Die Kandidatin mit dem höchsten Matching-Score wohnt leider nicht in unmittelbarer Nähe zum Unternehmen, was die Chance einer erfolgreichen Rekrutierung auf 80 % reduziert. Mit diesen Informationen kann das Recruiting die Auswahl und das Angebot strategisch optimal anpassen. Man könnte sich zum Beispiel dafür entscheiden, der Kandidatin flexible Arbeitstage anzubieten. Die Erfolgswahrscheinlichkeit wird durch diese Maßnahme auf 87 % verbessert. Bei der zusätzlichen Möglichkeit, im Home-Office zu arbeiten, erhöht sich der Score sogar auf 99 %.2

In der Regel werden weit mehr Variablen in ein prädiktives Modell einbezogen und beobachtet. Je mehr signifikante Variablen identifiziert werden und je größer der genutzte Datenpool an historischen Daten ist, desto präziser können Vorhersagen getroffen werden. Die große Vision ist es, Unternehmen ein strategisches Werkzeug an die Hand zu geben, um Personalentscheidungen datengestützt zu verbessern.

1.2 Zielsetzung der Arbeit

Die vorliegende Bachelor-Thesis befasst sich schwerpunktmäßig mit Predictive Analytics und dessen Einsatzmöglichkeiten in der Personalarbeit. Ziel ist es, ein klares Bild dieser noch recht jungen Disziplin zu vermitteln. Dabei sollen vor allem Chancen, Risiken und Hürden von Predictive Analytics für den Fachbereich Human Resources (HR) identifiziert werden. Es soll untersucht werden, wie sich Prozesse im HR durch diesen analytischen Ansatz effektiver und effizienter gestalten lassen. Auch soll die Frage behandelt werden, ob statistische Verfahren signifikant zu einer Verbesserung von Entscheidungen unter hoher Unsicherheit führen können. Die Arbeit richtet sich in erster Linie an Personalverantwortliche, die ein Interesse an prädiktiven statistischen Verfahren haben. Außerdem soll sie das Interesse von Unternehmen wecken, prädiktive Verfahren in ihrer Personalarbeit einzusetzen.

Anhand der folgenden Forschungsfragen soll ein klarer thematischer Rahmen abgesteckt werden:

1. Welche Chancen und Risiken birgt Predictive Analytics für die Personalarbeit?

2. Welche Hürden müssen Unternehmen überwinden, um Predictive Analytics im HR erfolgreich zu implementieren?

3. Welchen Reifegrad haben die Unternehmen hinsichtlich des Einsatzes von Predictive Analytics im HR?

Es kann folgende Hypothese aufgestellt werden, die durch die empirische Untersuchung akzeptiert oder verworfen werden soll: Der Grund, warum HR bisher kaum Anwendungsfelder mit Predictive Analytics etablieren konnte, liegt möglicherweise in der Komplexität von PA und in einer grundsätzlichen analytischen Schwäche von HR.

1.3 Vorgehensweise und Aufbau der Arbeit

Die Bachelor-Thesis ist in vier Abschnitte gegliedert. Nach der Einführung in die Thematik in Kapitel 1 setzt sich Kapitel 2 mit den Handlungsfeldern und Trends im Bereich Human Resources auseinander. Auch werden die Grundlagen von Predictive Analytics behandelt. Im Mittelpunkt steht dabei die Einordnung und Verzahnung von Predictive Analytics in die Personalarbeit.

Das darauffolgende Kapitel 3 befasst sich mit der empirischen Erhebung in Form qualitativer Experteninterviews. Dabei wird zuerst die methodische Vorgehensweise beschrieben, anschließend werden die Ergebnisse vorgestellt. Der Fokus der Gespräche liegt auf der Untersuchung der aktuellen Marktsituation und der zukünftigen Entwicklungen aus der Perspektive von Unternehmen und Datenanalytikern.

Kapitel 4 rundet die Arbeit mit einer Zusammenfassung der Erkenntnisse ab. Es folgen eine kritische Diskussion und ein Abgleich der momentanen Marktsituation mit den in Kapitel 2 erarbeiteten theoretischen Grundlagen. Ein Fazit und Ausblick schließen die Arbeit ab.

2 Theoretische und empirische Grundlagen

Im nachfolgenden Kapitel werden die für die Themenstellung relevanten theoretischen und empirischen Grundlagen erarbeitet. Der erste Abschnitt beschäftigt sich mit der Frage, warum Predictive Analytics für die Personalarbeit von Bedeutung ist und sich in der Zukunft zu einem außerordentlich wertvollen Vorhersageinstrument entwickeln kann. Darüber hinaus werden Trends und zukünftige Herausforderungen behandelt. Um den Nutzen von Predictive Analytics für den Bereich Human Resources besser verstehen zu können, ist ein fundiertes Grundlagenwissen von Vorteil. Dazu wird im mittleren Abschnitt ein Überblick über die Fragestellungen von HR gegeben und eine Definition von Predictive Analytics entwickelt. Der letzte Abschnitt des Kapitels verknüpft beide Themenbereiche und veranschaulicht die Synthese dieser neuen bzw. jungen Disziplin.

2.1 Relevanz von Predictive Analytics für die Personalarbeit

Der Bereich HR sieht sich generell einem großen Druck ausgesetzt. Personalkosten bilden in der Regel die größte oder zweitgrößte Kostenstelle in einem Unternehmen.3 Hinzu kommt, dass der Faktor Mensch erfolgskritisch ist und in hohem Maße zum Unternehmenserfolg beiträgt.4 Während der Jahreskonferenz 2013 der KPMG AG für das HR Management gaben die befragten Unternehmen an, in den nächsten zehn Jahren verstärkt in die Gewinnung und Bindung von Talenten investieren zu wollen. Auch Kienbaum kam bereits im Jahr 2012 bei einer Befragung von 200 Personalverantwortlichen zu dem Ergebnis, dass in der Zukunft die Rekrutierung und Bindung von Top- Performern zu den größten Herausforderungen für Unternehmen gehören wird. Bei der erneuten Durchführung der HR-Trendstudie von Kienbaum im Jahr 2013 wurde außerdem der bereits von vielen Quellen prognostizierte Fachkräftemangel als Herausforderung genannt.5

Die Globalisierung, der demografische Wandel, die Kostenoptimierung, der „War for Talents“ und die Datenflut sind Entwicklungen, die den Bereich HR zum sofortigen Handeln zwingen. Abbildung 1 zeigt die wichtigsten Handlungsfelder aus dem aktuellen HR-Report 2014/2015 von HAYS. Alle Handlungsfelder setzen stets eine zuverlässige Identifizierung von Ursache und Zusammenhang oder das Erkennen von Potenzia len und Kompetenzen voraus. Idealerweise sollte eine Vorhersage von Verhaltensmustern möglich sein, um Maßnahmen präzise steuern zu können.

Abbildung 1: Die wichtigsten HR-Themen bzw. Handlungsfelder
Quelle: Eilers, S., Möckel, K., Rump, J. und Schnabel, F., (2014), S. 7

[Abb. in dieser Leseprobe nicht enthalten]

Die vorhersagende Statistik gehört bereits seit mehreren Jahrzehnten zum Standardinstrumentarium der Finanz- und Versicherungsbranche. Die kalifornische Firma FICO beschäftigt sich seit 1956 mit analytikbasierter Software zur Betrugserkennung und besitzt in diesem Bereich den größten Marktanteil.6 War Predictive Analytics in den 1990er und den frühen 2000er Jahren nur den stark vorausschauenden Organisationen mit besonders hohen Budgets und somit einer Nischenzielgruppe vorbehalten, hat es sich mittlerweile zu einem Standardinstrument für mittelständische und große Unternehmen entwickelt.7 Die technischen Möglichkeiten haben sich in den letzten Jahren stetig und entscheidend weiterentwickelt, was die steigende Anwendung von Predictive Analytics im breiten wirtschaftlichen Kontext erst ermöglichte. Der Einsatz von prädiktiver Statistik ist zu einer Frage der Wettbewerbsfähigkeit geworden. Sogar Behörden haben mittlerweile den Nutzen erkannt und setzen analytische Verfahren erfolgreich zur Verbesserung des öffentlichen Verkehrs8 und in der Kriminalitätsbekämpfung ein.9 Predictive Analytics geriet durch die rasche Entwicklung von neuen Marketing- und Vertriebskanälen in den Fokus, weil die Methodik, die Ergebnisse und vor allem der wirtschaftliche Mehrwert für die Unternehmen greifbarer wurden. 10

Für (Change-)Prozesse im HR ist es durchaus hilfreich, mit harten Kennzahlen arbeiten zu können und ein Vorhersagetool zur Verfügung zu haben. Bislang wurden HREntscheidungen noch überwiegend aus der Intuition heraus getroffen, was sie fehleranfällig und in der Regel schlecht quantifizierbar macht. Wie von Kahnemann mit Thayler und Sunstein´s System 1 und System 2 beschrieben, unterliegen schnelle Entscheidungen unter hoher Unsicherheit durch die Heuristik einer Vielzahl gravierender Wahrnehmungsverzerrungen. 11

2.1.1 Entscheidungsfindung, Heuristik und Bias

Laut dem Münchner Hirnforscher Ernst Pöppel trifft der Mensch rund 20.000 Entscheidungen am Tag, die meisten davon in kürzester Zeit und von geringer Bedeutung. Im wirtschaftlichen Kontext hingegen können suboptimale, auf Intuition basierende Entscheidungen mit gravierenden Nachteilen und hohen Kosten verbunden sein. Die Entscheidungsfindung bedient sich rationaler Entscheidungsregeln und Heuristiken.

Grundsätzlich geht man davon aus, dass der Mensch rationalen Entscheidungsregeln folgt und immer im Hinblick auf eine Nutzenmaximierung entscheidet. Allerdings sind die Bedingungen im beruflichen Umfeld nicht immer optimal. Entscheidungen unter Zeitdruck gepaart mit einer hohen Komplexität und unzureichenden Informationen gehören zum Arbeitsalltag und erschweren eine fehlerfreie Beurteilung. Die Heuristik bzw. Intuition hilft, in einer relativ kurzen Zeit eine situativ angemessene Entscheidung zu treffen. Der große Vorteil dieser psychologisch kognitiven Abkürzung ist die Effizienz der Urteilsbildung, die es erlaubt, mit den gegebenen Informationen ökonomisch zu einer Lösung zu gelangen. Kritische Entscheidungen unter solchen Bedingungen gehen jedoch regelmäßig mit einer erhöhten Anfälligkeit für logische Denkfehler einher.12

Es gibt verschiedene logische Fehler bzw. Biases, die im HR häufiger auftreten:13

Confirmation Bias: Diese Verzerrung führt dadurch zu einer Fehlentscheidung, dass klare Hinweise übersehen bzw. ignoriert werden. Ein Recruiter kann zum Beispiel davon überzeugt sein, dass ein Kandidat geeignet ist, obwohl die objektive Sachlage klar das Gegenteil belegt. Oft wird dieser Bias durch Sympathie ausgelöst.

Anchoring: Der Mensch tendiert dazu, den Fokus auf Fakten zu legen, die bereits vorliegen und die er persönlich für relevant hält. Zur Beurteilung werden oft Schulnoten herangezogen, da diese Daten verständlich und gut interpretierbar sind. In der Realität gibt es jedoch keine gesicherten Hinweise dafür, dass die Schulnoten einen zuverlässigen Prädiktor für die Job-Performance darstellen.

Loss Aversion: Dieser Bias beschreibt die Tendenz, einen möglichen Nachteil bzw. Verlust stärker zu gewichten als die Möglichkeit einer Chance bzw. eines Gewinns. Eine Loss Aversion liegt beispielsweise vor, wenn das Risiko, einem geeigneten Mitarbeiter eine komplexe Fähigkeit anzueignen, eher verworfen wird und stattdessen eine teure externe Fachkraft angeworben wird.

Status Quo: Dieser Bias beschreibt das Akzeptieren und Nachfolgen des Mainstreams.14 Man wählt die Standardoption, weil es schon immer so war und gesellschaftlich akzeptiert ist. Ein klassisches Beispiel ist der Standpunkt, dass eine leitende Position immer von einem Mann zu besetzen ist, obwohl eine geeignetere weibliche Alternative vorhanden wäre.

Framing: Durch die „Einrahmung“ in Form von unterschiedlichen Formulierungen derselben Botschaft kommt es trotz identischem Informationsgehalt zu voneinander abweichenden Entscheidungen. Beispielsweise wird ein Bewerber wegen seines Anschreibens bevorzugt, obwohl andere Mitbewerber von ihren Fähigkeiten mindestens gleichwertig sind.

Entscheidungen, die durch Predictive Analytics gestützt werden, können helfen, logische Fehler (Biases) zu eliminieren.15 Dies soll jedoch die Einschätzung durch Experten nicht ersetzen, sondern lediglich die Wahrscheinlichkeit einer Fehlentscheidung senken. Da die Entscheidungen im HR häufig langfristiger Natur sind, können ihre Auswirkungen erst relativ spät festgestellt werden. Zusammenhänge werden nicht immer sauber erfasst, da der Faktor Mensch ein komplexes Konstrukt mit unzähligen instabilen Variablen ist. Welche Folgen fehlerhafte Entscheidungen haben können, wird im nächsten Abschnitt behandelt.

2.1.2 Folgen von Fehlentscheidungen im HR

In einer gemeinsamen Studie von PAC und HAYS wurden insgesamt 303 Unternehmen befragt mit einem ernüchternden Ergebnis: 62 % der Personaler tun sich schwer, den richtigen Kandidaten für eine vakante Stelle zu finden und diese zu besetzen.16 Aus diesem Grund werden 37 % der ausgeschriebenen Stellen mit ungeeigneten Bewerbern besetzt. In der betrieblichen Realität dürfte die tatsächliche Quote noch höher liegen.

2.1.2.1 Kosten von Fehlbesetzungen

Die Kosten einer Fehlbesetzung lassen sich wie in Abbildung 2 beziffern. Neben den Einstellungskosten fallen vor allem Ausfallkosten ins Gewicht, die zum Beispiel durch verlorene Kunden, entgangenen Umsatz, nicht erbrachte Leistungen und verminderte Produktivität entstehen.17

Abbildung 2: Beispielrechnung Fehlbesetzungskosten
Quelle: eigene Darstellung in Anlehnung an Rau Consultants GmbH

[Abb. in dieser Leseprobe nicht enthalten]

2.1.2.2 Folgen ungewollter Fluktuation

Die ungewollte Fluktuation und die Wechselbereitschaft der Mitarbeiter in Zeiten des wachsenden Fachkräftemangels stellt eine große Herausforderung für Unternehmen dar. Der Arbeitsmarkt verändert sich zunehmend zugunsten der Bewerber. Die Fluktuation ist nicht grundsätzlich als negativ zu bewerten. Bis zu einem gewissen Grad kann sie auch eine positive Wirkung haben, da sie Raum für neue Talente schafft. Die Problematik liegt vielmehr in der ungewollten Fluktuation der guten Mitarbeiter. Die Folgen sind nicht nur direkt monetärer, sondern auch immaterieller Art mit einem indirekten finanziellen Schaden. 18

Abbildung 3: Folgen von ungewollter Fluktuation
Quelle: eigene Darstellung in Anlehnung an Gallup Inc.

[Abb. in dieser Leseprobe nicht enthalten]

2.1.2.3 Fehlende Akzeptanz der Personalabteilungen

Laut einer Kienbaum-Studie zur Attraktivität und zum Wertbeitrag von Personalbereichen leiden Personalabteilungen unter einem Imageproblem. Für mehr als die Hälfte der befragten Unternehmen ist die Bedeutung der HR-Funktion deutlich geringer als beispielsweise die der Unternehmensstrategie. Diese Meinung wird sogar von 45 % der Führungskräfte und Mitarbeiter aus den HR-Abteilungen selbst vertreten. Für HR ist es zudem schwierig, harte Zahlen zu liefern, die nachweislich den Wertbeitrag und die erbrachte Leistung beziffern, geschweige denn vorhersagen. Hinzu kommt, dass Personaler meistens keine guten Verkäufer sind und deshalb ihre eigenen Erfolge schlecht oder gar nicht kommunizieren können.19 Es mangelt grundsätzlich an der strategischen Akzeptanz der Personalarbeit durch die Führungsebene.

Um diesen Problemfeldern entgegenzuwirken, bietet sich der Einsatz von PA an. Er kann dazu beitragen, die Personalarbeit datengesteuerter und strategischer auszurichten und die Folgen von Fehlbesetzungen und Fluktuation zu minimieren.

2.2 Human Resources: Point-of-View

2.2.1 Aufgaben und Ziele der Personalarbeit

Um geeignete Einsatzfelder für PA im HR zu finden, ist es notwendig, die Ziele und Aufgaben der Personalarbeit zu verstehen. Im Grunde verfolgen Unternehmen zwei Arten von Zielen: zum einen die wirtschaftlichen Ziele, die die Bereitstellung und den optimalen Einsatz der Ressource Personal, den Aspekt der Steigerung der Arbeitsleistung und die Optimierung des Leistungsbeitrages der Mitarbeiter umfassen. Dabei geht es um die Bereitstellung von qualifizierten Mitarbeitern zur richtigen Zeit in der optimalen Anzahl. Daneben gibt es noch die sozialen Ziele wie die Interessen, Erwartungen und Wünsche der einzelnen Mitarbeiter und Mitarbeitergruppierungen (z. B. der Gewerkschaften). Die sozialen Ziele beziehen sich auch auf die Verbesserung materieller und immaterieller Verhältnisse.20

[...]


1 Vgl. Busold, (2013), S. 67
2 in Anlehnung an: Fitz-Enz und Mattox, (2014), S. 126f
3 Vgl. Fritz-Enz, J., (2009), S. 182
4 Vgl. Oechsler, W., (2006), S. 25
5 Vgl. Bethkenhagen, E., (2013)
6 Vgl. FICO
7 Vgl. Abbott, D., (2014), S. 13
8 Vgl. Mullich, J., (2013)
9 Vgl. IBM, (2010)
10 Vgl. Barkin, E., (2011), S. 22
11 Vgl. Kahneman, D., (2012)
12 Vgl. Frey, D., von Rosenstiel, L., und Graf Hoyos, C., (2005), S. 364
13 Vgl. Sesil, J., (2014), S. 7f
14 Vgl. Thaler, R. und Sunstein, C., (2010)
15 Vgl. Sesil, J., (2014), S. 5
16 Vgl. Stiehler, A., Schabel, F., und Möckel, K., (2014)
17 Vgl. Jordan, U., Külpp, B., und Bruckschen, I., (2013), S. 17f
18 Vgl. Nink, (2014), S. 33
19 Vgl. Bethkenhagen, E., (2013)
20 Vgl. Nicolai, C., (2009), S. 3f

Ende der Leseprobe aus 89 Seiten

Details

Titel
Predictive Analytics im Bereich Human Resources. Chancen und Hürden für die Personalarbeit
Hochschule
Hochschule für Technik Stuttgart
Note
1,0
Autor
Jahr
2015
Seiten
89
Katalognummer
V307984
ISBN (eBook)
9783668064461
ISBN (Buch)
9783668064478
Dateigröße
3926 KB
Sprache
Deutsch
Schlagworte
Big Data, Predictive Analytics, Statistik, Personalmanagement, HR, Human Ressources, Analytics, Psychologie, Business Intelligence, Talentmanagement, Talent, Leistungsbeurteilung, Recruiting, Personalbeschaffung
Arbeit zitieren
Viktor Andrin (Autor), 2015, Predictive Analytics im Bereich Human Resources. Chancen und Hürden für die Personalarbeit, München, GRIN Verlag, https://www.grin.com/document/307984

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Predictive Analytics im Bereich Human Resources. Chancen und Hürden für die Personalarbeit


Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden