PERSONAL quarterly 2/2020

39 02/20 PERSONALquarterly die eigene Arbeit. Im Rahmen der Datengenerierung stehen unternehmensinterne Daten und unternehmensexterne Da- ten zur Auswahl. In unserem konkreten Forschungsprojekt haben wir uns auf unternehmensexterne Daten konzentriert, da diese deutlich einfacher zugänglich sind und unterneh- mensübergreifende Analysen erlauben. Hierbei ist es wichtig, sich trotz der grundsätzlichen Datenverfügbarkeit zuvor zu überlegen, welche Datenpunkte konkret eine Auswirkung auf die Fragestellung haben könnten. In unserem Fall geht es um die Abwanderungswahrscheinlichkeit eines Mitarbeiters. Dies haben wir operationalisiert als das Risiko, dass eine Person in den nächsten sechs Monaten das Unternehmen verlassen wird. Faktoren hierfür können auf unterschiedlichen Ebenen liegen: im privaten Bereich (z. B. durch eine Veränderung der Lebenssituation), im individuellen beruflichen Bereich (z. B. durch den Wunsch nach einer neuen Herausforderung), im direkten beruflichen Umfeld (z. B. durch ein schlechtes Arbeits- klima) oder imUnternehmensbereich (z. B. durch eine schlech- te finanzielle Situation) (Porter/Steers, 1973). In unserem Fall stützen wir uns auf Informationen auf der Firmen- und auf der Individualebene. Werden die Faktoren durch Daten angenähert und für ein Modell als Variablen operationalisiert, so spricht man von „Features“. Eine Übersicht über die möglichen Daten- quellen und Features ist in Abbildung 1 dargestellt. Sind die grundsätzlich denkbaren Features identifiziert, gilt es zugängliche Datenquellen auszumachen, die diese Infor- mationen enthalten. In unserem Fall haben wir uns auf jun- ge Start-up-Unternehmen der Biotech-Branche fokussiert, um ABSTRACT Forschungsfrage: Inwiefern können extern verfügbare Datenquellen über Mitarbeiter genutzt werden, um Abwanderung mittels Machine-Learning-Verfahren vorherzusagen? Methodik: Wir nutzen öffentliche Daten über Firmen und Individuen, um durch Machine- Learning-Verfahren Prognosen abzuleiten. Am Beispiel von Biotech-Start-ups untersuchen wir die individuelle Wahrscheinlichkeit der Abwanderung von Mitarbeitern. Praktische Implikationen: Die Nutzung externer Daten und Machine-Learning-Verfahren kann die Arbeit von Personalverantwortlichen verbessern: 1.) im Retention Management, 2.) im aktiven Recruiting. Quelle: Eigene Darstellung Abb. 1: Datenquellen mit exemplarisch abgeleiteten Features für Machine-Learning-Modelle Social Media (z. B. Linkedin, Xing …) Unternehmens­ informationen (z. B. Handelsregister, Crunch­ base, Geschäftsbericht …) Bewertung als Arbeitgeber (z. B. Glassdoor, Kununu …) Patente (z. B. Patent-Datenbank, Google Patent Search …) Weitere ergänzende Informationen (z. B. Unternehmens-Top- listen, Auszeichnungen ...) Firmen- ebene • Mitarbeiter-Churn-Raten Mitarbeiterwachstum • Mitarbeiter in Funktionen und Hierarchieebenen • … • Alter der Firma • Anzahl Mitarbeiter • Standort • Profitabilität • Branche • … • Gesamtbewertung • Teilbewertung entlang Subdimensionen (z.B. Work-Life-Balance) • Schlagworte in Bewer- tungen • … • Innovationseffizienz • Forschungskooperationen • Wissenschaftlicher Durchbruch • … • Distanz zu POI, Wohnge- bieten, attraktiven Städten • Auszeichnung als Top­ arbeitgeber • Markenbekanntheit • … Individual- ebene • Arbeitserfahrung • Zeit in aktueller Position • Bisherige Positionen • Bildungsabschluss • Vernetzung mit Kollegen • … n/a n/a • Forschungs-Track-Record • Beteiligung an Durchbruch- Innovation • Forschungs-Schwerpunkte • … n/a