PERSONAL quarterly 2/2020

44 PERSONALquarterly 02/20 NEUE FORSCHUNG _ANALYTICS PROF. DR. ANDREAS ENGELEN Lehrstuhl für BWL, insb. Management Heinrich-Heine-Universität Düsseldorf E-Mail: andreas.engelen@hhu.de www.management.hhu.de SUMMARY Research question: To what extent can the use of external data sources in machine learning algorithms help predict individual emplo- yee turnover? Methodology: We leverage public data on firms and individuals to build predictive machine learning models. Based on a sample of bio- tech startups, we predict individual churn likelihoods of employees. Practical implications: We show how external data and machine learning models can help improve HR decision makers’ work: 1.) in retention management and 2.) in active recruiting. MARIAN BODENSTEDT Heinrich-Heine-Universität Düsseldorf E-Mail: marian.bodenstedt@hhu.de LITERATURVERZEICHNIS Angrave, D./Charlwood, A./Kirkpatrick, I./Lawrence, M./Stuart, M. (2016): HR and analytics: Why HR is set to fail the big data challenge. Human Resource Management Journal, 26, 1, 1–11. Blum, B./Kainer, F. (2019): Rechtliche Aspekte beim Einsatz von KI in HR: Wenn Algorithmen entscheiden. PERSONALquarterly, 03/19, 22–27. Breiman, L. (2001): Random Forests. Machine Learning, 45, 5–32. Bult, J. R./Wansbeek, T. (1995): Optimal Selection for Direct Mail. Marketing Science, 14, 4, 378–394. Campbell, B. A./Ganco, M./Franco, A. M./Agarwal, R. (2012): Who leaves, where to, and why worry? employee mobility, entrepreneurship and effects on source firm performance. Strategic Management Journal, 33, 1, 65–87. Giudici, P./Figini, S. (2009): Applied data mining for business and industry, 2. Aufl., Chichester, United Kingdom. Hancock, J. I./Allen, D. G./Bosco, F. A./McDaniel, K. R./Pierce, C. A. (2013): Meta-Analytic Review of Employee Turnover as a Predictor of Firm Performance. Journal of Management, 39, 3, 573–603. Liaw, A./Wiener, M. (2002): Classification and Regression by randomForest. R News, 2, 3. Louppe, G./Wehenkel, L./Sutera, A./Geurts, P. (2013): Understanding variable importances in Forests of randomized trees. Advances in neural information processing systems, 2013. Marler, J. H./Boudreau, J. W. (2017): An evidence-based review of HR Ana- lytics. The International Journal of Human Resource Management, 28, 1, 3–26. Minbaeva, D. (2017): Human capital analytics: Why aren‘t we there? Intro- duction to the special issue. Journal of Organizational Effectiveness: People and Performance, 4, 2, 110–118. Porter, L. W./Steers, R. M. (1973): Organizational, Work, and Personal Factors in Employee Turnover and Absenteeism. Psychological Bulletin, 80, 2, 151–176. Shalev-Shwartz, S./Ben-David, S. (2014): Understanding Machine Learning: From Theory to Algorithms, New York, USA. Tonidandel, S./King, E. B./Cortina, J. M. (2016): Big Data Methods. Organi- zational Research Methods, 21, 3, 525–547. Es gibt einige Limitationen der Anwendung. Solche Data- Analytics-Methoden funktionieren nur, wenn eine historisch große Datenbasis vorliegt wie im vorliegenden Fall. Nur wenn die angewendeten Algorithmen auf einer ausreichenden Zahl historischer Fälle angelernt werden können, um Muster zu identifizieren, und die äußeren Faktoren als stabil angenom- men werden können, ist eine Prognose für Folgejahre mög- lich. Wir sehen keine Gründe, warum sich ähnliche Modelle nicht auch für andere Branchen entwickeln lassen sollten. Das derzeitige Modell ist jedoch für den Biotechkontext angelernt und getestet, wodurch es sich nicht ohne Weiteres auf kom- plett andere Kontexte anwenden lässt. Eine weitere Limitati- on ist zudem die Fokussierung auf extern verfügbare Daten, was als Restriktion, aber auch als Vorteil angesehen werden kann. Während intern möglicherweise weitere Daten verfüg- bar sind, so sind diese je nach interner Datenbanklandschaft und Verfügungsrechten schwieriger zugänglich als öffentlich zugängliche externe Daten. Zudem verfügen interne Daten zu ehemaligen Mitarbeitern zumeist nicht über den nächsten Ar- beitgeber im Lebenslauf. Dies sind jedoch Datenpunkte, die über die genannten Datenquellen gewonnen werden können. Des Weiteren ist es in der externen Analyse von Mitarbeiter- fluktuation nicht möglich zu differenzieren, ob ein Mitarbeiter ein Unternehmen freiwillig verlässt oder das Arbeitsverhältnis seitens des Unternehmens aufgelöst wird (oder der Arbeits- vertrag endet). Wie eingangs erwähnt, ist es zudem nicht Ziel unseres Artikels, eine juristische Bewertung der möglichen Datenanwendungen vorzunehmen. Es obliegt jedem Unterneh- men, hier eine eigene Evaluation vorzunehmen. Neben der datenschutzrechtlichen Herausforderung sehen Unternehmen und Personalverantwortliche, die in diesem Bereich tätig werden wollen, große Herausforderungen hin- sichtlich der Konzeption, technischen Implementierung und (daten-)rechtlichen Konsequenzen (Minbaeva, 2017). Wir emp- fehlen daher grundsätzlich eine Zusammenarbeit zwischen Wissenschaft und Praxis in Form von gemeinsamen Work- shops, aktiven Forschungskooperationen und Erfahrungsaus- tausch, um Data Analytics im HR weiter in die Zukunft zu entwickeln.