Big Data im Recruiting

Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

1 Einleitung in die Thematik
1.1 Themenfindung
1.2 Vorstellung der Forschungsfrage

2 Vorgehensweise
2.1 Gliederung der Arbeit
2.2 Methodik

3 Was ist Big Data?
3.1 Allgemeine Definition
3.2 Begriffserläuterung

4 Nutzen von Big Data im Personalmanagement
4.1 Einsatzfelder von Big Data im Personalbereich
4.2 Nutzungsmöglichkeiten von Big Data speziell im Recruiting
4.2.1 Definition Recruiting
4.2.2 Status Quo und Forschungsstand
4.2.3 Verschiedene Anwendungsgebiete
4.2.4 Predictive Analytics

5 Nutzen von Big Data im Active Sourcing
5.1 Definition von Active Sourcing
5.2 Funktion und Status Quo des Active Sourcings
5.3 Ergebnisse verschiedener Studien
5.4 Nützliche Programme des datenbasierten Active Sourcings

6 Praxisbeispiel Talentwunder

7 Gesamtbeurteilung und Fazit
7.1 Chancen und Nutzen
7.2 Herausforderungen und Risiken
7.3 Schlussbetrachtung

8 Ausblick

Literaturverzeichnis

Anhangsverzeichnis

Anhang

Kurzfassung

Die vorliegende Bachelorarbeit gibt einen Überblick über die Anwendungsmöglichkeiten und Chancen sowie Risiken von Big Data Analysen (im Folgenden: Big Data) in dem Personalbeschaffungsprozess des Active Sourcings. Nach einer Einleitung in die Thematik und einer Begriffserläuterung von Big Data wurde zunächst die allgemeine Anwendbarkeit dieser Analysen im Personalbereich eines Unternehmens wissenschaftlich untersucht. Darauf folgend wurden die Einsatzfelder und Nutzungsmöglichkeiten in dem Personalbeschaffungsprozess und dem Recruiting betrachtet. Diese Erkenntnisse wurden dann auf die spezielle Methode der aktiven Ansprache übertragen und durch weitere Anwendungsmöglichkeiten ergänzt. Nützliche Programme sowie das Praxisbeispiel des Unternehmens Talentwunder veranschaulichen die Funktionsweise der datenbasierten Kandidatenauswahl. In einem folgenden Vergleich wurden dann Chancen und Nutzen den sich ergebenden Risiken und Herausforderungen von Big Data im Active Sourcing gegenübergestellt. Zusammenfassend konnte festgestellt werden, dass die Anwendung von Big Data im Active Sourcing eine Chance und große Unterstützung bei der Suche nach qualifizierten Fachkräften in der zukünftigen Personalarbeit darstellt, die von Unternehmen wahrgenommen werden sollte. Die Trendstudie Big Data in HR des spring Messe Managements, das Edenred-Barometer 2015 sowie der Active Sourcing Report von Wolfgang Brickwedde bildeten neben der Auswertung der relevanten Fachliteratur die Basis dieser Bachelorarbeit.

Abstract

The present bachelor thesis gives an overview of the possible applications and opportunities as well as the risks and challenges of big data analyses (hereafter: big data) in the personnel procurement process of active sourcing. After a brief introduction to the subject and a definition of Big Data, the general applicability of such analyses in the human resource department was examined. Subsequently, the fields of application and possible uses in the recruiting process were analysed. Those insights were then transferred to the special method of the active sourcing and complemented by further application possibilities. Useful programs as well as the practical example of the company Talentwunder illustrate the function of the data-based candidate selection process. In a following comparison, the opportunities and benefits were balanced against the resulting risks and challenges of the use of big data in the active sourcing process. In summary it could be stated that the use of big data in the active sourcing process represents an opportunity and great support in the future search for qualified personnel and should be seized by companies. The study Big Data in HR of the s pring Messe Management, the Edenred-Barometer 2015 as well as the Active Sourcing Report of Wolfgang Brickwedde formed the basis for this bachelor thesis in addition to the relevant subject literature.

Abbildungsverzeichnis

Abbildung 1 Anteile des 2012 existierenden Datenvolums

Abbildung 2 Bedeutung von Velocity, Variety und Volume in 2014 und 2015

Abbildung 3 Eigene Kenntnisse der Personaler im Umgang mit Big Data

Abbildung 4 Big Data Investitionen im Abteilungsvergleich

Abbildung 5 Talent Analytics Maturity Modell nach Josh Bersin

Tabellenverzeichnis

Tabelle 1 Terminologie zur Verwendung und Analyse von Daten

Abkürzungsverzeichnis

Abbildung in dieer Leseprobe nicht enthalten

1 Einleitung in die Thematik

„In der Wissenschaft und Praxis wird in den letzten Jahren postuliert, dass sich angesichts neuer Datenquellen und des geänderten medialen Nutzungsverhaltens für Unternehmen neue Potenziale der Datenanalyse erschließen, um letztendlich strategische Entscheidungen schneller, besser und genauer treffen zu können.“^[1]

Nach einer Untersuchung von International Business Machines Corporation (IBM) entstanden die 2012 existierenden und veröffentlichten Daten zu 90% in den vergangenen zwei Jahren (s. Abbildung 1) und wurden besonders durch die sozialen Medien, digitale Bilder und Videos, Kauftransaktionen, aber auch durch Global Positioning Systeme (GPS) oder Klimadaten erzeugt. Dieser Umfang an Daten wird in den nächsten Jahren weiterhin exponentiell ansteigen.^[2] Im Mittelpunkt dieser digitalen Entwicklung und Transformation stehen dabei die intelligente Nutzung und Auswertung von Daten, um gezielt Vorteile zu generieren und Innovationen sowie das Unternehmenswachstum zu fördern. Nach Angaben des amerikanischen Marktforschungsinstituts International Data Corporation werden bisher allerdings lediglich 1% dieser Daten zielgerichtet verarbeitet oder wissenschaftlich untersucht.^[3]

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1 Anteile des 2012 existierenden Datenvolums^[4]

Die Analyse der Daten soll als Grundlage für eine fundierte Entscheidungsfindung in sämtlichen Unternehmensbereichen dienen sowie die Geschäftsprozesse verbessern und die Effektivität erhöhen.^[5] Verwendung finden die datenbasierten Vorhersagen bisher besonders in den Abteilungen Marketing und Logistik, aber auch für Führungskräfte in der Personalabteilung wird dies ein immer wichtigeres Thema.^[6] Momentan liegen die Human Resource Abteilungen bei der Verwendung von Datenanalysen und deren Bewertung im Vergleich zu anderen Unternehmensfunktionen jedoch noch auf dem letzten Platz.^[7] Die Erkenntnisse durch die neuen technologischen Möglichkeiten könnten den Personalverantwortlichen helfen, Talente gezielter und passender auszuwählen und infolgedessen länger im Unternehmen zu halten sowie die Mitarbeiterfluktuation zu verringern.^[8] Doch obwohl das Humankapital für 71% der in einer IBM Erhebung befragten Geschäftsführer^[9] der wichtigste Faktor in Bezug auf einen Wettbewerbsvorteil gegenüber der Konkurrenz ist, besteht derzeit eine hohe Zurückhaltung bei der Erhebung und Auswertung von Recruiting-Kennzahlen.^[10] „Nur knapp mehr als ein Drittel der 1.000 größten deutschen Unternehmen ergreift überhaupt Maßnahmen für die Erhebung von Prozesskennzahlen für die Personalbeschaffung“^[11], um die Abläufe, Maßnahmen und Strategien zu verbessern.

1.1 Themenfindung

Durch die durch die Autorin belegten Studienschwerpunkte Controlling und Personalpsychologie ist eine Verknüpfung der strategischen Vorgehensweise des Controllings mit der operativen Arbeit in dem Personalmanagement von großem Interesse gewesen. Um die Möglichkeiten der daten- und zahlenbasierten Vorgehensweise in verschiedenen Tätigkeitsbereichen der Human Resource Abteilung näher zu betrachten, fiel die Wahl der Fragestellung der Bachelorarbeit auf das aktuelle Thema „Big Data“. Dabei wird sich besonders auf den Bereich Recruiting mit dem Schwerpunkt Active Sourcing konzentriert, da die Personalbeschaffung wegen des erwarteten Fachkräftemangels in Zukunft eines der wichtigsten Themen für viele Personaler sein wird.^[12]

1.2 Vorstellung der Forschungsfrage

In der vorliegenden Arbeit sollen nun die Chancen und Risiken der datenbasierten Unterstützung durch Big Data in der Personalauswahl betrachtet werden. Besonders werden dabei die Nutzungsmöglichkeiten im Active Sourcing, also der aktiven Suche nach potenziellen Mitarbeitern, in den Blick genommen. Ziel ist es, zu beurteilen, ob Big Data im Human Resource Bereich eine realistische Anwendungschance hat oder ob der bisher geringe Einsatz der Analysen begründet ist. Dabei wird vermutet, dass die Nutzung von Big Data das Recruiting erleichtern und verbessern kann. Durch die organisierte Analyse verschiedener Bewerberdaten und weiterer für das Recruiting relevanter Kennzahlen könnten geeignete Kandidaten identifiziert und gezielter angesprochen werden. Infolge dieser Passung könnten Einsparungen für das Gesamtunternehmen erzielt und der Active Sourcing Prozess verbessert werden.

2 Vorgehensweise

Für die Bearbeitung der vorliegenden Bachelorarbeit „Big Data im Recruiting – Welche Chancen und Risiken ergeben sich durch den Einsatz von Big Data im Active Sourcing?“ wurden zunächst grundlegende Definitionen geklärt und das Thema Big Data in den Gesamtzusammenhang eingeordnet. Zudem wird die angewandte Methodik erläutert und auf die Literatursuche sowie die Vorgehensweise näher eingegangen.^[13] Die Arbeit ist insgesamt in acht Kapitel untergliedert.

2.1 Gliederung der Arbeit

Im ersten Kapitel wird zunächst an das Thema der wissenschaftlichen Arbeit herangeführt und die Themenfindung sowie die Forschungsfrage näher erläutert. Im zweiten Kapitel folgt eine kurze Darstellung, wie die Arbeit aufgebaut ist und wie während der Erarbeitung vorgegangen wurde. Das dritte Kapitel beinhaltet die Erklärung des Begriffs Big Data und es wird eine für diese Arbeit geltende Definition festgelegt. Im vierten Kapitel folgt dann die Analyse des Nutzens von Big Data in dem Personalbereich. Es wird geklärt, wo Big Data allgemein eingesetzt werden kann, welchen Nutzen es im Recruiting erbringt, wie der aktuelle Status Quo in diesem Gebiet ist und welche Nutzungsmöglichkeiten sich speziell im Recruiting ergeben. Besonders wird hier auf die Beschreibung der Predictive Analytics eingegangen. Im fünften Kapitel folgt eine Definition des Active Sourcings, bevor die Funktion und der Status Quo von Big Data in diesem speziellen Bereich betrachtet werden. Zusätzlich werden zwei für diese Anwendungen nützliche Programme näher erläutert und deren Funktionsweise erklärt. Das Kapitel sechs stellt daraufhin ein Praxisbeispiel des Unternehmens Talentwunder vor, das ein Big Data basiertes Programm zur optimalen Kandidatenauswahl für Unternehmen entwickelt hat. Auf Grundlage der Algorithmen können Daten verschiedenster Datenquellen analysiert und daraufhin der passendste Kandidat für eine Vakanz ermittelt werden. Das siebte Kapitel beinhaltet die Gesamtbeurteilung der Chancen und Risiken der Nutzung von Big Data im Active Sourcing und wird durch ein Fazit der Autorin abgeschlossen. Darauf folgend bildet das achte Kapitel den inhaltlichen Abschluss der Arbeit und enthält einen auf dem Thema der Arbeit basierenden Ausblick in die Zukunft. Es folgen ein Literatur- und Anhangsverzeichnis.

2.2 Methodik

Die vorliegende Bachelorarbeit ist eine nicht empirische und literaturbasierte Erarbeitung, die den aktuellen Forschungsstand des Themas Big Data im Personalbereich darlegt. Ziel ist die qualitative Analyse und generalisierende Darstellung der existierenden Literatur sowie eine anschließende Aussage zur Einschätzung des Nutzens in dem Teilbereich des Active Sourcings.^[14] Während der Recherche wurden vorrangig die Bibliotheksarchive der Staats- und Universitätsbibliothek Hamburg sowie der Deutschen Zentralbibliothek für Wirtschaftswissenschaften verwendet. Zudem wurden aktuelle Fachartikel über die Plattform des Magazins Human Resources Manager als Informationsquelle genutzt. Aufgrund der Aktualität des Themas Big Data, besonders in Bezug auf den Personalbereich, konnten neben einigen Büchern im Wesentlichen qualitative Fachartikel gefunden werden. Die verwendeten Quellen sind vorwiegend Primärquellen und stammen größtenteils aus den Jahren 2012 bis 2016.

3 Was ist Big Data?

Die Nutzung von Big Data im Personalmanagement, im Englischen manchmal auch People Analytics genannt, basiert auf der Grundidee, dass nahezu jede Handlung von Mitarbeitern digitale Spuren hinterlässt, welche von Unternehmen verwendet und ausgewertet werden können, um daraus einen Nutzen zu generieren. Der Nutzen wird dabei nicht durch die reine Menge an Daten, sondern vor allem durch die angewendeten Prozesse der Weiterverarbeitung bestimmt.^[15] Ziel von Big Data ist, alle relevanten internen und externen Daten im Unternehmen einzusetzen, um daraus besser fundierte Entscheidungen treffen zu können. Dies erfordert eine kontinuierlich hohe Datenqualität aller Bezugsquellen, die anhand verschiedener Kriterien wie beispielsweise (bspw.) der Aktualität, Genauigkeit, Relevanz, Vollständigkeit und Zuverlässigkeit ermittelt werden kann. Die jeweilige Datenqualität ist maßgebend für die Aussagekraft der Ergebnisse der Prognosen.^[16] Besonders hervorzuheben bei der Verwendung von Big Data ist die bewusste Analyse von Daten, die keinen vordergründigen Zusammenhang mit dem Untersuchungsgegenstand haben. Es werden sämtliche Ereignisse und Kenntnisse miteinander in Bezug gesetzt und anschließend sich ergebende Muster identifiziert.^[17]

Strukturierte, also in Datenbanken angelegte Daten wie zum Beispiel (z.B.) der Name oder das Alter, werden nun durch bisher kaum verwendete unstrukturierte Daten ergänzt.^[18] Unstrukturierte Daten, die meist außerhalb der Unternehmensrechner gespeichert und gesammelt werden, sind zu umfangreich für übliche Datenverarbeitungsprogramme und Server und können wegen ihrer fehlenden Struktur nicht wie gewohnt in klassischen Datenbanken angelegt werden.^[19] Die Datenquellen der unstrukturierten Daten lassen sich in fünf Gruppierungen einordnen. Zunächst sind die Veröffentlichungen in sozialen Netzwerken und Medien wie z.B. Facebook und You-Tube oder auch LinkedIn zu nennen. Hier können neben Texten und Kommentaren von anderen Nutzern auch Fotos oder Videomaterialien publiziert werden. Auch Einträge in Suchmaschinen oder die Nachverfolgung von Nutzungspfaden im Internet gehören dieser Kategorie an.^[20] Hinzu kommen die „machine-to-machine“-Daten, die die Kommunikation von Geräten über kabellose Übertragungsverfahren aufzeichnen. Die dritte Kategorie „big transaction data“ beinhaltet zum Beipsiel Detailaufzeichnungen von Callcenter-Telefonaten. Biometrische Daten enthalten sowohl physiologische Charakteristika wie den Fingerabdruck oder das Gesicht, aber auch verhaltensbedingte Merkmale wie Sprachmuster oder den Klang der Stimme. Die letzte Gruppe bezeichnet alle menschlich erzeugten Daten wie Email-Konversationen, Umfragen oder weitere eigens erstellte Dokumente.^[21] Konkrete Daten, die für die Nutzung von Big Data in der Personalabteilung erfasst werden, sind vor allem Internetseiten, persönliche Profile, die von möglichen Kandidaten oder Mitarbeitern in sozialen Netzwerken erstellt wurden, Qualifikationen, Entgeltdaten, Emailverläufe, eigene Notizen der Mitarbeiter, Zeiterfassungen, Videokameraaufzeichnungen sowie andere technologische Parameter, die das Verhalten der Mitarbeiter in konkreten Situationen darlegen können.^[22]

Eine aussagekräftige Infografik über die Menge an Daten, die jede Minute produziert werden, hat die Domo Inc. zusammengestellt. Demnach werden innerhalb von 60 Sekunden 48 Stunden neues Videomaterial auf YouTube hochgeladen, 204 Millionen Emails versandt, 571 neue Internetseiten erstellt und über 200 Millionen Suchanfragen auf Google generiert.^[23] Verdeutlicht werden kann das Ausmaß der sozialen Netzwerke in einem Vergleich mit der amerikanischen Tageszeitung New York Times. Diese veröffentlichte seit dem Jahr 1959 etwa 2,9 Billionen Wörter. Auf Twitter hingegen werden pro Tag etwa 8 Billionen Wörter publiziert, auf Facebook sogar 10 Billionen.^[24] Der Vergleich zeigt den enormen Umfang und die Schnelligkeit der heutigen Datenproduktion und somit auch das Potenzial, das mit der Datenauswertung einhergeht.

3.1 Allgemeine Definition

Die Begrifflichkeit der Verwendung und Entwicklung von Daten zur fundierten Entscheidungsfindung besteht, wie in Tabelle 1 zu sehen ist, bereits seit den 1970er Jahren. Über die Jahre hat sich die Terminologie dabei stets weiterentwickelt. Big Data beschreibt nun seit 2010 den besonderen Fokus auf sehr große, unstrukturierte und vor allem schnelllebige Daten. Die Bezeichnung „Data“ steht dabei für die Darstellung roher Fakten, die in weiteren Schritten konkretisiert werden und als Entscheidungsunterstützung nutzbar sind.^[25]

Abbildung in dieer Leseprobe nicht enthalten

Tabelle 1 Terminologie zur Verwendung und Analyse von Daten^[26]

Eine eindeutige Definition des Begriffs Big Data hat der Informations- und Telekommunikationstechnik-Branchenverband BITKOM formuliert. Demnach bezeichnet Big Data „die wirtschaftlich sinnvolle Gewinnung und Nutzung entscheidungsrelevanter Erkenntnisse aus qualitativ vielfältigen und unterschiedlich strukturierten Informationen, die einem schnellen Wandel unterliegen und in bisher ungekanntem Umfang anfallen.“^[27]

Diese Definition soll die Grundlage der vorliegenden Arbeit darstellen und eine klare Abgrenzung zu anderweitigen Verwendungen dieses Begriffs ermöglichen. Der Begriff wird in der einschlägigen Literatur über die sogenannten 3V, Volume (Datenmenge), Velocity (Geschwindigkeit) und Variety (Datenvielfalt), charakterisiert.

3.2 Begriffserläuterung

Volume beschreibt den großen Umfang der Datenmengen, der elementar für Big Data ist.^[28] Als groß wird dabei ein Volumen von mehr als einem Terabyte bezeichnet.^[29] Velocity charakterisiert die Entstehungs-, Rechen- und Verarbeitungsgeschwindigkeit, mit der die Daten mittels statistischer Verfahren und Algorithmen übertragen werden.^[30] Die kontinuierlich und mit hoher Geschwindigkeit anfallenden Daten sollen im Idealfall innerhalb kürzester Zeit ausgewertet werden und somit Echtzeitergebnisse liefern. Nur so wird sichergestellt, dass der optimale Nutzen erreicht wird, da viele Big-Data-Vorhersagen wie z.B. Verkehrsprognosen nur sinnvoll sind, wenn sie auf Echtzeitdaten basieren.^[31] Das dritte „V“, die Variety, verdeutlicht die breite Vielfalt und Heterogenität der Datensätze. Bei Big Data liegen keine konstanten Strukturen vor, weshalb sie in kein vordefiniertes Datenmodell einsortiert werden können. So existieren Dateien aus einer Vielzahl an Quellen mit unterschiedlichen Datentypen, -formaten und -strukturen, die nun zusammen ausgewertet werden, um mögliche Korrelationen festzustellen.^[32] Dabei ist das analytische, datenbasierte Ergebnis jedoch stets zu überprüfen. Beispielsweise korrelieren der Verkauf von Eiscreme und die Anzahl an Badeunfällen, da ihre gemeinsame Basis die ansteigenden, warmen Temperaturen sind. Jedoch würde ein reduzierter Verkauf von Eiscreme keinerlei Einfluss auf die Anzahl der Unfälle bewirken.

In einer 2015 veröffentlichten Umfrage der NewVantage Partners benannten 40% der befragten Geschäftsführer die Datenvielfalt als den wichtigsten Faktor für Big Data. Darauf folgten der Datenumfang mit 14,5% sowie die Entstehungs- und Verarbeitungsgeschwindigkeit mit 3,6%. Die Entwicklung zum Jahr 2014 ist der Abbildung 2 zu entnehmen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2 Bedeutung von Velocity, Variety und Volume in 2014 und 2015^[33]

Die Manager äußerten zudem, dass es wichtiger sei, das Problem der fehlenden Strukturen der Daten als das ihrer Größe anzugehen. 30% von ihnen beschäftigen sich priorisiert wegen der Analyse unterschiedlicher Quellen und nicht der Masse an Daten mit dem Thema Big Data.^[34] Mitunter wird auch ein viertes „V“ hinzugezogen, welches den Value (Wert) der Datensätze beschreibt. Hierbei geht es um die Steigerung der Profitabilität sowie den zusätzlichen Unternehmenswert, der durch die gewonnenen Erkenntnisse der Datenanalysen entsteht. Unterschiede zu den traditionellen Analytics-Lösungen ergeben sich also zum einen aus den Datentypen – unstrukturierte oder strukturierte Daten – als auch über den Datenfluss. Hier steht der konstante hohe Datenfluss einem traditionellen statischen Datenbestand gegenüber.^[35]

Das Potenzial dieser Analysen in den verschiedenen Abteilungen ist ebenfalls an dem Anstieg des dafür investierten Kapitals in den Unternehmen zu erkennen. Die Anzahl an Firmen, die mehr als 50 Millionen Dollar für Big Data Aktivitäten ausgeben, soll sich bis 2017 von 5,4% im Jahr 2014 auf 26,8% erhöhen und somit fast verfünffachen.^[36]

4 Nutzen von Big Data im Personalmanagement

Je höher die analytischen Fähigkeiten im Bereich Big Data innerhalb eines Unternehmens sind, desto größer ist die Marge, mit der das jeweilige Unternehmen die Konkurrenz übertrifft. Das ist das Ergebnis einer 2013 durchgeführten Umfrage von Bain & Company unter 400 Großunternehmen.^[37] Die Anzahl der Personalabteilungen, die glauben, dass sie das Potenzial von Big Data bereits vollkommen ausschöpfen, ist aber sehr gering. Nur 6% der befragten Personaler glauben, dass sie in ihrem Unternehmen das Leistungsoptimum der Analysen erreicht haben. Mehr als 60% hingegen bezeichnen ihre Nutzung von Big Data als mangelhaft und bleiben hinter der aktuellen Entwicklung und der Konkurrenz zurück.^[38] Die Kosten der Big Data Maßnahmen sind dafür kein ausschlaggebender Grund, denn die Preise für Daten, Rechenleistungen und vor allem Personalmanagement-Systeme sind in den letzten Jahren gesunken und nun für Unternehmen jeder Größe erschwinglich.^[39] Viele der Daten sind bereits vorhanden und müssten nur effektiv genutzt werden, um die Prozesse und Abläufe zu optimieren.^[40] Zudem kann ein höheres Investment in die Datenermittlung und Analyse im Human Resource Bereich Rekrutierungsprozesse und Entwicklungspotenziale verbessern sowie den Aktienkurs um mehrere Prozentpunkte erhöhen.

Obwohl der Personalbereich keine typisch analytische Abteilung ist und eher auf Beziehungen und Empathie basiert, stellt Big Data hier eine Verbindung zwischen der Personal- und Mitarbeiterstrategie und der Unternehmensleistung dar und beeinflusst diese nicht unerheblich.^[41] 43% der Geschäftsführer gaben in einer Umfrage des Harvard Business Review Analytics Services an, dass Investitionen in den Personalbereich eine sehr hohe Priorität haben. Weitere 71% sehen das Human Capital als wichtigsten Faktor, um den Unternehmenswert nachhaltig zu sichern.^[42] Die Belegschaft ist das wertvollste Gut jedes Unternehmens und für die Leistungssteigerung und Innovationsfähigkeit verantwortlich. Unzufriedene und nicht geeignete Mitarbeiter in falschen Positionen können die Gesamtproduktivität verringern und eine schlechte Arbeitsatmosphäre schaffen, die den Unternehmenserfolg negativ beeinflusst.^[43]

Die Datenquellen für den Personalbereich können in vier Datentypen und Kategorien eingeteilt werden. Den Stammdaten werden Informationen wie das Geschlecht, Alter, Lohn, Abteilung, Anstellungsdauer im Unternehmen sowie die Anzahl an Krankheits- und Abwesenheitstagen und besuchte Weiterbildungen zugeordnet. Der zweite Datentyp betrifft das Verhalten der Mitarbeiter. Hierzu werden Aktivitäten in den sozialen Medien, Email-Empfänger, Anzahl an Netzwerkkontakten, Sucheinträge auf Google aber auch verwendete Dokumente sowie geäußerte Gefühle in digitalen Konversationen gezählt. Zu der Kategorie der Human-Resource-Instrumente gehören zum einen Mitarbeiterbefragungen und 360°-Feedbacks, aber auch die Analyse der Austrittsgründe, Ermittlung der Zielerreichung, Work-Life-Balance sowie eine Auswertung der Rekrutierungskanäle. Externe Daten bilden den letzten Datentyp und beinhalten z.B. Arbeitsmarktdaten, aktuelle Börsenkurse, aber auch Wetter- und Verkehrsbedingungen sowie Branchenerträge und -umsätze.^[44]

Die Nutzung von Big Data im Personalmanagement und die anschließende Interpretation der Daten kann in verschiedenen Teilbereichen erfolgen. Diese werden in Kapitel 4.1 näher erläutert. Im Allgemeinen nutzt ein Unternehmen Big Data um detailreichere Informationen über seine eigenen Mitarbeiter zu erlangen.^[45] Das Hinzuziehen von datenbasierten Erkenntnissen wirkt auch dem Vorwurf entgegen, dass die Entscheidungen in der Personalabteilung meist nur auf einem Bauchgefühl und der menschlichen Intuition beruhen und ohne sichtbare Grundlagen getroffen werden.^[46] Derzeit nutzen vor allem größere Unternehmen die Vorteile der Datenanalysen, da hier der Kenntnisstand der Personaler bezüglich Big Data im Personalmanagement höher ist als in kleineren Unternehmen (s. Abbildung 3).

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3 Eigene Kenntnisse der Personaler im Umgang mit Big Data^[47]

4.1 Einsatzfelder von Big Data im Personalbereich

Bei dem Einsatz von Big Data im Personalbereich können vier verschiedene Vorgehensweisen und Auswertungstypen betrachtet werden. Die erste Möglichkeit basiert auf den Stammdaten, durch die die Mitarbeiter in Gruppen eingeteilt werden. Dabei wird die Präzision durch die Details der Stammdaten des Unternehmens bestimmt. Diese Gruppen wie z.B. Männer und Frauen oder auch ältere und jüngere Arbeitnehmer können nun im Hinblick auf bestimmte Kriterien verglichen werden. Unterschiede der Gruppen können so etwa in dem Erfolg und der Nutzung bestimmter Recruitingkanäle oder der Auswirkung erfolgter Bildungsabschlüsse festgestellt werden.^[48] Eine weitere Möglichkeit ist es, Zusammenhänge verschiedener Variablen zu erkennen. Dabei wird eine Korrelationsanalyse vorgenommen, die Aufschluss über den Zusammenhang und die gegenseitige Beeinflussung zweier Komponenten gibt. Ein Beispiel dafür wäre die Berechnung, wie stark die Verkaufszahlen und der Erfolg eines Verkäufers von dem Recruitingprozess, über den er rekrutiert wurde, abhängen. So können erfolgsversprechende Kanäle gezielt ermittelt werden. Die dritte Vorgehensweise besteht darin, aus den vorliegenden Datensätzen der Vergangenheit neue Personengruppen zu bilden. Die Typologien sollen helfen, Muster und Ähnlichkeiten aktueller Mitarbeiter zu erkennen, um somit gezielte Maßnahmen für den jeweiligen Mitarbeiter ableiten zu können. Die vierte Möglichkeit der Analysen beobachtet die Veränderungen über einen gewissen Zeitablauf. Variablen werden dabei zu unterschiedlichen Zeitpunkten gemessen. Der Vergleich der Vergangenheit mit der Gegenwart bietet den Personalern die Möglichkeit, die Zukunft vieler Ereignisse zu prognostizieren.^[49]

Verschiedene Bereiche der Personalarbeit können durch diese Vorgehensweise einen Nutzen generieren. Zunächst kann die allgemeine Unternehmenskultur gemessen und verbessert sowie bspw. durch Sensoren an den Arbeitsplätzen die Arbeitsplatzausgestaltung optimiert werden.^[50] Auch die Work-Life-Balance kann besser überwacht und einem Burnout oder Depressionen frühzeitig vorgebeugt werden. So gibt es Programme, die durch die Analyse von Stimmhöhe und der Motorik der Anwender die psychische und physische Verfassung ermitteln und unter Einbeziehung weiterer Parameter die Wahrscheinlichkeit eines Burnouts vorhersagen können.^[51] In der Personalentwicklung unterstützt Big Data zudem die Identifizierung von potenziellen Führungskräften und Leistungsträgern, die mit guten Ideen bedeutend zum Unternehmenserfolg beitragen. Ziel der Analysen ist es, wichtige Charaktereigenschaften und Wesensmerkmale dieser Leistungstreiber oder Mitarbeiter mit Führungsqualitäten zu erforschen. Die ermittelten Gemeinsamkeiten können dann bei der künftigen Personalentwicklung sowie -beschaffung berücksichtigt werden.^[52] Des Weiteren kann durch die Auswertung sämtlicher relevanter Daten festgestellt werden, welcher Mitarbeiter Fachwissen in welchen Themenbereichen aufweisen kann und somit Experte für dieses Gebiet im Unternehmen ist. So wird sichergestellt, dass alle vorhandenen Potenziale der Belegschaft ausgeschöpft werden.^[53] Zusätzlich werden Leistungsdefizite schneller erkannt und können gezielt aufgearbeitet werden. Big Data hilft dabei, die Entwicklungsmaßnahmen sowie das Trainingsprogramm an die durch Softwareanalysen untersuchte Persönlichkeit eines jeden Mitarbeiters anzupassen, um so den größtmöglichen Nutzen zu erwirtschaften.^[54]

In dem Bereich der Vergütung und des Leistungsmanagements können durch Big Data Provisionen und Anreizpläne gezielt eingesetzt werden, um Mitarbeiter entsprechend ihrer Arbeitsleistung zu entlohnen oder zu motivieren. Dies kann zu einer besseren Gesamtleistung und Zufriedenheit beitragen und dafür sorgen, dass wichtiges Fachpersonal langfristig im Unternehmen verbleibt. Des Weiteren können Löhne automatisiert und gemäß der wirklich absolvierten Arbeitsleistung ermittelt werden, was dem Unternehmen sowohl Zeit als auch einen Teil der Investitionen in die Belegschaft einspart. Zudem kann durch die Analyse von Emails und der Aktivitäten in den sozialen Netzwerken überprüft werden, ob die Mitarbeiter motiviert und zufrieden sind, und anhand des Mitarbeiterengagements der Grad der gefühlten Wertschätzung identifiziert werden. Das ermöglicht das frühzeitige Erkennen von Unmut, dem durch Gespräche oder weitere methodische Maßnahmen entgegengewirkt werden kann.^[55] Anhand erforschter Korrelationen der Auffälligkeiten in den digitalen Plattformen und im Mailverhalten mit dem Risiko eines Burnouts kann dies zukünftig ebenfalls frühzeitig entdeckt und der betroffene Mitarbeiter durch ärztlich betreute Maßnahmen rechtzeitig vor dem Burnout bewahrt werden.^[56]

In dem Prozess der Personalbeschaffung kann der Einsatz von Big Data helfen, Charakteristiken festzustellen, die ein Mitarbeiter aufweisen muss, um sich in die vorhandene Unternehmenskultur zu integrieren. Diese sind unabhängig von den nötigen fachlichen Qualifikationen eines Bewerbers. Das Bewusstsein über notwendige Wesensmerkmale kann den Einstellungs- und Einarbeitungsprozess einer zu besetzenden Vakanz beschleunigen und zudem dazu beitragen, dass sich der neue Mitarbeiter in seiner Arbeitsumgebung wohlfühlt und somit langfristig im Unternehmen verbleibt.^[57] Die Systeme ermitteln dabei für mögliche Kandidaten in allen notwendigen Kriterien des Arbeitgebers einen Wert, der den Grad der Erfüllung dieser Charakterzüge widerspiegelt.

Auch die fachlichen Qualifikationen können auf gleiche Weise durch die Anwendung von Big Data überprüft und der Recruitingprozess wie die Talentsuche oder die Bewerberauswahl optimiert werden.^[58] Im Personalmanagement können die Bereiche des Recruitings und Talentmanagements nach den Erfahrungen der meisten Unternehmen am stärksten von Big Data profitieren und dazu beitragen, Talente und geeignete Kandidaten vor der Konkurrenz zu entdecken und anzusprechen.^[59] Auf konkretere Anwendungsmöglichkeiten im Recruiting wird daher in Kapitel 4.2 näher eingegangen.

Außerdem kann die Wechselfreudigkeit der Mitarbeiter festgestellt werden. Durch die Untersuchung der besuchten Internetseiten wie z.B. Stellenportale oder soziale Netzwerke zur Verwaltung beruflicher Kontakte kann ein erhöhtes Kündigungsrisiko ermittelt werden. Häufige Besuche der genannten Seiten, bestimmte Suchbegriffe, die auf eine berufliche Neuorientierung hindeuten können, oder auch die Aktualisierung der eigenen Profile auf Plattformen wie Xing oder LinkedIn sind Anzeichen eines zeitnahen Austritts. Der Arbeitgeber muss sich dann überlegen, ob er diesen wechselfreudigen Mitarbeiter langfristig im Unternehmen halten will. Ist dies der Fall, sollte schnellstmöglich in die Bindung investiert werden.^[60] Auch hier kann Big Data helfen, die geeignetste Möglichkeit der Mitarbeiterbindung für den jeweiligen Betroffenen auszuwählen. Verschiedene Umstände erfordern hier unterschiedliche Reaktionen seitens des Arbeitsgebers. Übliche Zusatzleistungen wie weitere Urlaubstage oder flexible Arbeitszeiten können dazu beitragen. Aber auch bisher nicht bearbeitete Aufgabenbereiche und zusätzliche Verantwortlichkeiten oder eine Neuaufteilung der Arbeitsteams kann zu einer Steigerung der Zufriedenheit und somit zum Verbleib des Mitarbeiters im Unternehmen führen.^[61]

[...]

---

^[1] Reker/Andersen [2014], S. 6.

^[2] Vgl. Cornerstone OnDemand [2013], S. 2.

^[3] Vgl. Grosskopf [2015], S. 22.

^[4] Eigene Darstellung in Anlehnung an Rasid [2012], o.S.

^[5] Vgl. Marr [2015], S. 12.

^[6] Vgl. Davenport [2014], S. 5.

^[7] Vgl. Reker/Andersen [2014], S. 19.

^[8] Vgl. Taylor [2015], S. 8.

^[9] Zur besseren Lesbarkeit werden in dieser Arbeit personenbezogene Bezeichnungen, die sich zugleich auf Frauen und Männer beziehen, generell nur in der in der deutschen Sprache üblichen männlichen Form angeführt. Dies soll jedoch keinesfalls eine Geschlechterdiskriminierung oder eine Verletzung des Gleichheitsgrundsatzes zum Ausdruck bringen.

^[10] Vgl. Sorensen [2012], S. 41.

^[11] Matheisen [2016], o.S.

^[12] Vgl. Brickwedde [2013], S. 3 sowie Isson/Harriott [2016], S. 179.

^[13] Vgl. Saunders/Lewis/Thornhill [2016], S. 633 f.

^[14] Vgl. Saunders/Lewis/Thornhill [2016], S. 165 ff.

^[15] Vgl. Marr [2015], S. 9.

^[16] Vgl. Veltjens [2015], S. 34 f.

^[17] Vgl. Diercks [2016], o.S.

^[18] Vgl. Isson/Harriott [2016], S. 335.

^[19] Vgl. Davenport [2014], S. 1 sowie Harvard Business Review [2015], S. 1.

^[20] Vgl. Marr [2015], S. 10 sowie Isson/Harriott [2016], S. 334.

^[21] Vgl. Morabito [2015], S. 85.

^[22] Vgl. Mammadova/Jabrayilova [2016], S. 34.

^[23] Vgl. James [2012], o.S.

^[24] Vgl. Holley [2013], S. 2.

^[25] Vgl. Reker/Andersen [2014], S. 7.

^[26] Eigene Darstellung in Anlehnung an Davenport [2014], S. 10.

^[27] BITKOM e.V. [2012], o.S.

^[28] Vgl. Isson/Harriott [2016], S. 334.

^[29] Vgl. Strohmeier/Piazza [2015], S. 362.

^[30] Vgl. Kraus [2010], S. 4.

^[31] Vgl. Cornerstone OnDemand [2013], S. 11.

^[32] Vgl. Isson/Harriott [2016], S. 334 sowie Pease [2016], S. 26.

^[33] NewVantage Partners [2016], S. 12.

^[34] Vgl. NewVantage Partners [2016], S. 12.

^[35] Vgl. Davenport [2014], S. 4 f.

^[36] Vgl. NewVantage Partners [2016], S. 6.

^[37] Vgl. Wegener/Sinha [2013], o.S., zitiert nach Pease [2016], S. 21.

^[38] Vgl. Bersin [2012], o.S.

^[39] Vgl. Kapoor/Kabra [2014], S. 56.

^[40] Vgl. Pease [2016], S. 22 ff.

^[41] Vgl. Kapoor/Kabra [2014], S. 52.

^[42] Vgl. Harvard Business Review [2015], S. 1.

^[43] Vgl. Isson/Harriott [2016], S. 132 ff.

^[44] Vgl. Cachelin [2013], S. 4 f.

^[45] Vgl. Marr [2015], S. 214 f.

^[46] Vgl Cachelin [2013], S. 12.

^[47] BITKOM Research GmbH [2015], S. 12.

^[48] Hinweis: Definition Recruiting siehe Kapitel 4.2.1

^[49] Vgl. Cachelin [2013], S. 10 f.

^[50] Vgl. Harvard Business Review [2015], S. 3.

^[51] Vgl. Strobel [2015], o.S.

^[52] Vgl. Segal et al. [2014], S. 3 f.

^[53] Vgl. Cachelin [2013], S. 11.

^[54] Vgl. Marr [2015], S. 214 f. sowie Mammadova/Jabrayilova [2016], S. 36.

^[55] Vgl. Segal et al. [2014], S. 3 f.

^[56] Vgl. Strobel [2015], o.S.

^[57] Vgl. Segal et al. [2014], S. 5.

^[58] Vgl. Marr [2015], S. 214 f.

^[59] Vgl. Mammadova/Jabrayilova [2016], S. 35 sowie Strobel [2015], o.S.

^[60] Vgl. Cachelin [2013], S. 7.

^[61] Vgl. Sorensen [2012], S. 41.