9
03/17 PERSONALquarterly
ABSTRACT
Forschungsfrage:
Wie lassen sich Personaldaten in der Praxis sinnvoll einsetzen, um Zusam
menhänge aufzudecken und die (kausale) Wirkung von Personalmaßnahmen zu ermitteln?
Methodik:
Die Autoren skizzieren Grundideen für einen erfolgreichen Einsatz von People
Analytics und verknüpfen sie mit dem aktuellen Stand der Personalarbeit in Unternehmen.
Praktische Implikationen:
Im Beitrag werden Möglichkeiten und Probleme von People
Analytics in der Praxis diskutiert und in Handlungsempfehlungen zusammengefasst.
Was kann ich lernen?
Es gibt im Kern zwei wesentliche Ziele von People-Analytics-
Projekten: 1. Prognose, 2. Wirkung. Es ist von zentraler Be-
deutung, diese beiden Ziele präzise zu fassen und zu trennen.
Beim Ziel der Prognose geht es darum, Zusammenhänge auf-
zudecken, um z.B. herauszufinden, ob eine bestimmte Frage
aus einem Mitarbeitersurvey ein guter Frühindikator für Fluk-
tuation ist. Beim Ziel der Ermittlung der Wirkung (Kausalität,
Impact Evaluation) geht es um eine tiefer gehende Frage: Ziel
ist es hier aufzudecken, ob die aktive Veränderung einer Größe
(z.B. der Einsatz eines neuen Personalinstruments) auf eine
andere Größe kausal wirkt.
Ein People-Analytics-Prozess fängt häufig mit der Analy-
se einer Korrelation an. Im einfachsten Fall steht am Beginn
eine Tabelle, in der bestimmte Kennzahlen für verschiedene
Organisationseinheiten aufgeführt sind. Möchte ein Unter-
nehmen etwa den Zusammenhang zwischen Führungskultur
und Fehltagen analysieren, so könnte man Survey-Daten zur
Führungskultur (etwa ein Rating der wahrgenommenen Qua-
lität der Führung aus einem Mitarbeiter-Survey aggregiert zu
einem Durchschnittswert pro Organisationseinheit) in einem
Jahr mit den Fehltagen derselben Organisationseinheiten im
Jahr darauf zusammenbringen. Ein erster Schritt ist dann die
Untersuchung, ob zwischen diesen Kennzahlen eine statistisch
signifikante Korrelation besteht. Ist dies der Fall, so kann man
schließen, dass der Survey einen Frühindikator zur Prognose
von Fluktuation liefert. Mithilfe multivariater Regressionen
können oft noch deutlich präzisere Prognosemodelle geschätzt
werden. Solche Prognosen sind sehr nützlich, denn sie liefern
Information darüber, welche Indikatoren als Warnsignale ge-
nutzt werden können. Im oben genannten Beispiel sollte ein
Unternehmen gezielt auf Bereiche mit fallender Bewertung
der Führungskultur achten, wenn es frühzeitig Fluktuations-
risiken managen möchte.
Empfehlung:
Analysieren Sie Korrelationen und nutzen Sie
die Ergebnisse, um Warnsignale und Frühindikatoren zu iden-
tifizieren.
Typischerweise ist Ziel 1 (Nachweis der Vorhersagekraft)
jedoch sehr viel leichter zu erreichen als Ziel 2 (Nachweis der
Wirkung). Für Ziel 1 ist es oft ausreichend, Korrelationen zu
Bereich, Profit Center) identifizierbar und zuordenbar sind.
Bspw. können Gründe für Fluktuation (eine Zielgröße auf der
Mitarbeiterebene) robuster identifiziert werden, wenn gleich-
zeitig individuelle Vergütungs- und Mobilitätsdaten (z.B. Be-
triebszugehörigkeitsdauer, zurückliegende Beförderungen,
Leistungsbeurteilungen) und Aussagen über die Führungsqua-
lität bekannt sind und in die Betrachtung einbezogen werden
können. Informationen zur Führungsqualität können bspw.
mit standardisierten Instrumenten über eine Mitarbeiterbefra-
gung gewonnen, auf die Ebene der Arbeitsgruppe (und damit
der relevanten Führungskraft) aggregiert und letztlich zuge-
spielt werden. Das Beispiel zeigt, dass die Nutzung vielfältiger
Informationen zur Prognose und Wirkungsanalyse vorteilhaft
ist und dass verschiedene Datenquellen (ERP-Systeme und
Survey-Daten) und Analyseebenen (Mitarbeiter und Arbeits-
gruppe) oftmals gewinnbringend kombiniert werden können.
Typische Datenprobleme (neben Sicherheitsbedenken) treten
u.a. auf, wenn Datenintegration als Wert verkannt wird, wenn
in multinationalen Konzernen länderspezifische HR-Prozesse
zu unterschiedlichen Datenbeständen führen oder wenn die
Qualität (Frequenz der Datenerhebung, Qualität der Daten-
pflege und Prozesse an sich etc.) über Unternehmensbereiche
hinweg variiert.
In letzter Zeit haben sich Dienstleister etabliert, die beste-
hende und ggfs. nicht trivial zu verknüpfende Datenmengen
über Softwarelösungen zugänglich und gemeinsam auswertbar
machen. Solche Lösungen bieten große Potenziale. Zum einen
werden einheitliche (und zeitnahe) Reports ermöglicht, zum
anderen werden komplexere Vorhersagen und Wirkungsana-
lysen entscheidend unterstützt, da Daten mit verschiedenem
Informationsgehalt in Kombination ausgewertet werden kön-
nen. So ist bspw. der Erfolg von Mitarbeiterempfehlungen
ökonomisch deutlich besser quantifizierbar, wenn neben dem
Empfehlungsverhalten der aktuellen Mitarbeiter auch die da-
raus folgenden Rekrutierungs- und Einstellungsprozesse, Per-
formance-Informationen und Betriebszugehörigkeitsdauern
zugeordnet und systematisch evaluiert werden können.
Empfehlung:
Bauen Sie eine Infrastruktur auf, in der Sie
leicht Personaldaten aus verschiedenen Quellen verknüpfen
und Zusammenhänge auswerten können.
