Data Mining Im Personalmanagement

0

Data Mining im Personalmanagement dient der systematischen, statistischen Auswertung großer Datenbestände, mit dem Ziel der Optimierung personalwirtschaftlicher Managementaufgaben.

Data Mining: Identifikation von Kausalitäten aus großen Datenbeständen

Data Mining ist die computergestützte statistische Auswertung sehr großer Datenmengen. Mit Hilfe geeigneter Anwendungen können Querverbindungen, Muster und Trends erkannt werden. Im Fokus stehen Massendaten, die im Zusammenhang mit Big Data von den Unternehmen erhoben werden. Das Datenvolumen kann aufgrund seiner Größe nur durch die Nutzung computergestützter Methoden bewältigt werden. Datenauswertungen werden für alle Bereiche der Unternehmensführung genutzt. Auch der Personalbereich kann mit geeigneten Verfahren effektiv unterstützt werden.

Data Mining: Transformation von Daten zu Wissen

Informationen aus verschiedensten Quellen strömen auf Unternehmen ein und werden mehr und mehr zum Erfolgsfaktor. Die Entwicklung hin zur Informationsgesellschaft ist bereits im Gang und wird sich, besonders auf Unternehmensebene, aller Wahrscheinlichkeit nach weiter beschleunigen. Innovative Business Intelligence Tools und das Internet of Things erfordern den professionellen Umgang mit der Datenflut. Deshalb stellt sich die Frage: Wie können Unternehmen die exponentiell wachsende Datenmenge bewältigen? Eine der Antworten ist zweifellos: durch Data Mining.

Diese Art der Datenanalyse ist eine Möglichkeit, aus Datenbeständen handlungsrelevante Informationen zu gewinnen. Die Größe des Datenbestands erfordert die Anwendung computergestützter Verfahren. Um das in den Datensätzen enthaltene Wissen zu ermitteln, wird ein Algorithmus angewendet, der auf statistischen Methoden basiert. Auf diese Weise ist es möglich, auch größte Datenbestände im Hinblick auf Muster, Trends und Zusammenhänge zu analysieren. Für die Unternehmen ergeben sich daraus große Chancen, Wettbewerbsvorteile zu erreichen. Die Kenntnis von Kausalitäten ermöglicht eine informationsgestützte Unternehmensführung und stellt die Entscheidungen somit auf eine sichere Basis.

Transformation von Daten zu Wissen (#02)

Transformation von Daten zu Wissen (#02)

Was ist unter dem Begriff Data Mining zu verstehen?

Es handelt sich um ein interdisziplinäres Vorgehen der Datenanalyse, das Methoden aus der Informatik, Statistik und Mathematik nutzt, um computergestützt große Datenbestände auszuwerten. Diese umfassende Methode der Datenanalyse bedient sich beispielsweise innovativer Verfahren der künstlichen Intelligenz, um die Muster, Gesetzmäßigkeiten, Trends und Verbindungen, die in der Datenflut verborgen sind, zu identifizieren. Ein Synonym ist der Begriff „Knowledge Discovery in Databases“. Eigentlich umschreibt dieser die Vorgehensweise wesentlich besser, denn es geht nicht um das Generieren der Daten, wie es der Begriff Mining vermuten ließe, sondern vielmehr um die Analyse großer Datenmengen.

Ziel ist das Extrahieren von Wissen, das unter statistischen Gesichtspunkten gültig ist, noch nicht bekannt war und darüber hinaus für die Entscheidungen im Unternehmen nützlich ist. Dafür werden Datenanalyse- und Entdeckungsalgorithmen eingesetzt, die computergestützt ablaufen.

Auf diese Weise wird es möglich, Zusammenhänge automatisch zu identifizieren. Dieses Wissen wird dann für vorher definierte Fragestellungen zur Verfügung gestellt. Entscheidungen sollen somit wissensbasiert abgesichert werden und das Management soll die nötigen Informationen erhalten, mit denen es die Unternehmensführung datenbasiert optimieren kann. Alle Managementprozesse können von den Erkenntnissen, die mit einer professionellen Analyse von Massendaten gewonnen werden, profitieren. Auch das Personalmanagement wendet diese Verfahren bereits erfolgreich an.

Welche Aufgaben hat das Data Mining im Unternehmen?

Folgende Aufgaben fallen in diesen Bereich der Datenverarbeitung:

  • Identifikation von Ausreißern
  • Clusteranalyse
  • Klassifikation
  • Assoziationsanalyse
  • Regressionsanalyse
  • Reduktion des Datenbestands

Identifikation von Ausreißern und Clusteranalyse

Die obigen Aufgaben lassen sich zu den Bereichen Beobachtung und Prognose zusammenfassen. Zum Bereich der Beobachtung zählen die beiden ersten Punkte. Bei der Erkennung von Ausreißern geht es darum, die Datenobjekte zu suchen, die zum Rest der Daten inkonsistent sind. Meist werden die identifizierten Ausreißer manuell verifiziert und ausgeblendet, weil sie die Ergebnisse verfälschen würden. Bei der Aufdeckung von Betrugsfällen sind jedoch genau diese Ausreißer interessant und werden deshalb näher beleuchtet. Bei der Clusteranalyse werden Objekte zu Gruppen zusammengefasst. Objekte, die keinem Cluster zugeordnet werden können, werden als Ausreißer interpretiert.

Klassifikation, Assoziations- und Regressionsanalyse

Bei der Klassifikation werden ähnlich wie bei der Clusteranalyse Gruppen gebildet, die aber bereits vordefiniert sind (beispielsweise Auszubildende, Produktionsmitarbeiter und Verwaltungsmitarbeiter). Die Assoziationsanalyse sucht nach häufigen Zusammenhängen und formuliert Regeln. Bei der Regressionsanalyse wird ein statistischer Zusammenhang zwischen unterschiedlichen Attributen modelliert. Damit können fehlende Attributwerte prognostiziert und Abweichungen zur Erkennung von Ausreißern genutzt werden.

Reduktion des Datensatzes

Beim dieser Vorgehensweise werden meist extrem große Datenvolumen betrachtet. Es ist deshalb wichtig, diese Datenbestände auf eine handhabbare Datenmenge zu reduzieren. Dafür wird die Ausreißer-Identifikation genutzt, die ein Entfernen der entsprechenden Datensätze zur Folge hat. Mit der Clusteranalyse werden Gruppen identifiziert, bei denen eine Stichprobe ausreicht. Mit der Regressionsanalyse werden schließlich redundante Datensätze entfernt. Außerdem erzeugen diese Methoden abstraktere Datenmodelle, mit denen einfacher gearbeitet werden kann, weil die Komplexität reduziert wurde.

Infografik: Stufen der Datenverarbeitung

Infografik: Stufen der Datenverarbeitung

Zusammenhang von Data Mining und Big Data

Data Mining ist nicht auf Big Data beschränkt. Es ist vielmehr der eigentliche Analysevorgang mit dem Ziel, relevante Zusammenhänge zu erkennen und kann auch bei weniger umfangreichen Datenbeständen angewendet werden. Big Data liefert also die großen Datenmengen und stellt außerdem eine technische Plattform auf dem Server für die adäquate Datenverarbeitung zur Verfügung. Mining ist der Vorgang des Erkenntnisgewinns aus diesen Informationen. Es ist der Weiterentwicklung der Business Intelligence Technologien und dem Vorhandensein leistungsfähiger Hardware und Server zu verdanken, dass die Ergebnisse der Datenanalysen immer besser und relevanter werden.

Personalmanagement als innovativer Anwendungsbereich des Data Mining

Die Methoden werden generell vor allem von Unternehmen verwendet, die sich durch eine starke Kundenorientierung auszeichnen. Die Analyse großer Datenmengen ermöglicht aber auch im Bereich des Personalmanagements einen Erkenntnissgewinn. Auf diese Weise können die Datenbestände für personalwirtschaftliche Entscheidungen operationalisiert werden. Das führt wiederum auch im Personalmanagement zu einer Erhöhung der Entscheidungsqualität und damit zu einer Professionalisierung.

Welche Datensätze sind im Bereich Personalmanagement relevant?

Zunächst sind alle Personaldaten einzubeziehen. Darüber hinaus sollten externe Datenquellen berücksichtigt werden, die auf den ersten Blick in keinem erkennbaren Zusammenhang mit dem Personalmanagement stehen.

Im einzelnen sind folgende Informationen im Bezug auf das Personalmanagement interessant:

  • Personaldaten aus der Personalabteilung
  • Datensätze aus den Sozialen Netzwerken
  • nicht-personenbezogene Datensätze

Zu den Informationen aus der Personalabteilung gehören Arbeitsplatzdaten, Leistungsdaten, Entgeltdaten und Datensätze über die Fertigkeiten und Fähigkeiten sowie aus Befragungen. Die Daten aus den Sozialen Netzwerken dienen der Beschreibung des persönlichen Verhaltens der Mitarbeiter. Viele Unternehmen ermuntern ihre Mitarbeiter unter dem Motto „Bring your own Device“, die eigenen mobilen Endgeräte am Arbeitsplatz zu nutzen und in das Netzwerk des Unternehmens zu integrieren. Nicht personenbezogene Informationen sind alle externen Datensätze aus dem Unternehmensumfeld, die dennoch zur Identifikation statistischer Zusammenhänge genutzt werden können. Dabei kann es sich beispielsweise um Straßenzustandsberichte, demografische Daten oder Wetterdaten handeln.

Talent Analytics System: Entwicklung eines Datenanalyse Ansatzes im Bereich Personalmanagement

Ziel der Datenanalyse Anstrengungen im Personalbereich ist die Etablierung eines Talent Analytics System im Unternehmen, mit dem es gelingt, die Fähigkeiten der Mitarbeiter zu erkennen und zu fördern. Motivierte Mitarbeiter sind ein entscheidender Erfolgsfaktor für jedes Unternehmen. Deshalb ist es sinnvoll und lohnend, die analytischen und kreativen Potentiale mit Hilfe geeigneter computergestützter Verfahren zu identifizieren. Die Entwicklung des Talent Analytics System erfolgt dabei in mehreren Stufen und impliziert eine stetige Erweiterung der IT-Kompetenzen im Personalbereich.

1. Stufe: Operatives Reporting

Das operative Reporting ist reaktiv und beinhaltet die Fähigkeit, Datensätze zunächst zu identifizieren, dann zu definieren und schließlich zu integrieren. In dieser Phase setzt sich die Personalabteilung mit der allgemeinen Geschäftsstrategie auseinander und identifiziert die Datenquellen. Danach müssen die Datenverwaltung optimiert und Indikatoren definiert werden. Schließlich werden die Effizienz und Compliance betrachtet.

2. Stufe: Erweitertes Reporting

Jetzt werden die Erkenntnisse des operativen Reporting für einen Vergleich und die Entscheidungsfindung verwendet und somit zeichnet sich diese Stufe durch eine proaktive Vorgehensweise aus. Es werden Ergebnisse historisiert, damit Trends identifiziert werden können. Im Rahmen eines Benchmarking werden Ergebnisse verglichen. Die Ergebnisse werden dann visualisiert und es findet eine Zusammenstellung von Dashboards und Berichten für verschiedene Anwendungen und Benutzer statt.

3. Stufe: Strategische Analytik

In dieser Stufe werden zum ersten Mal statistische Modelle angewendet und es erfolgt der Schritt vom Reporting zu den Analytics. Während in den ersten beiden Stufen konventionelle Personalmanagementsysteme oder Standard Business Intelligence Lösungen zur Anwendung kamen, erhöhen sich die Anforderungen nun erheblich. Personal Analytiker sollten sowohl statistische Methoden beherrschen als auch im Umgang innovativer BI-Tools und SQL geschult sein. Es müssen beispielsweise Dimensionen im Hinblick auf Ursache und Wirkung analysiert und darauf aufbauend praktisch umsetzbare Lösungen erarbeitet werden.

4. Stufe: Prognostizierende Analytik

Jetzt erst werden Simulationen und Prognosemodelle angewendet und die Personalabteilung kann eine gezielte Talent Analytik betreiben. Es werden innovative Predictive Analytics genutzt, um zu neuen Erkenntnissen zu gelangen. Ziel ist die Verbesserung der Rekrutierung, des Fluktuationsmanagements und der Personalentwicklung.

Welche Potentiale bietet Data Mining im Personalbereich?

Die meisten Unternehmen sehen in der Anwendung dieser umfassenden Art der Datenanalyse im Personalmanagement keinen hohen Nutzen, da dieser Bereich vermeintlich wenig wertschöpfend ist. Das Personalwesen ist sogar das Einsatzfeld, das laut einer BARC-Studie die wenigsten Unternehmen für derartige Anwendungen als geeignet betrachten. Andere Studien belegen jedoch, dass sich langsam ein Bewusstseinswandel vollzieht.

In Zeiten des demografischen Wandels werden Fachkräfte in vielen Branchen zum Engpass für die Unternehmensentwicklung. Was jahrzehntelang undenkbar war, wird immer mehr Realität. Unternehmen sehen sich auf einmal im Wettbewerb um geeignete Mitarbeiter und müssen teilweise erhebliche Anstrengungen für die Rekrutierung motivierter Nachwuchskräfte in Kauf nehmen.

Im Folgenden wird dargestellt, welche Bereiche im Personalwesen besonders von einer umfassenden Analyse der Massendaten profitieren können.

Data Mining im Bereich der Personaleinsatzplanung

Ziel ist die perfekte Zuordnung der Mitarbeiter auf die Stellen, damit die Potentiale der Mitarbeiter optimal eingesetzt werden. Dazu werden Informationen bezüglich der Fähigkeiten und Interessen ausgewertet und mit externen Datenquellen in Beziehung gesetzt. Über- aber auch Unterforderungen sollen vermieden werden und die Unternehmensziele sollen möglichst mit den persönlichen Zielen des Mitarbeiters in Einklang gebracht werden. Wird es beispielsweise mit dieser statistischen Datenanalyse möglich, Retouren zu minimieren, hat dies eine direkte Wirkung auf die Personaleinsatzplanung.

Data Mining im Bereich des Personalcontrolling

Neben den üblichen Anwendungen im Personalwesen kann eine erweiterte Perspektive, die auch unternehmensexterne Datenquellen einbezieht, genutzt werden, um sogenannte Personal-Risiko-Cockpits zu erstellen. Aus diesen Auswertungen wird ersichtlich, welche Motivations-, Austritts- und Anpassungsrisiken bei den einzelnen Mitarbeitern vorhanden ist. Es sind außerdem Aussagen darüber möglich, welche Mitarbeiter zu Engpässen werden könnten. Eine Vertretungs- und Nachfolgeplanung kann negative Auswirkungen auf das Unternehmen beim Eintritt der Risiken verhindern.

Data Mining im Bereich der strategischen Personalplanung

Zuverlässige Kennzahlen und Prognosen zum Personalstand sind die wichtigste Voraussetzung für eine gezielte Personalplanung und -strategie. Vorhersagen über Entwicklungen ermöglichen wiederum proaktives Handeln. Wenn es darum geht, hohe Fluktuationsraten zu senken, ist es sinnvoll zu betrachten, über welche Eigenschaften Mitarbeiter verfügen, die längerfristig im Unternehmen verbleiben. Stellt sich heraus, dass weniger die Branchenerfahrung als persönliche Merkmale dafür verantwortlich sind, kann bei der Bewerberauswahl gezielt auf diese relevanten Merkmale geachtet werden.

Data Mining im Bereich der Personalbeschaffung

Der demografische Wandel führt dazu, dass künftig Unternehmen in einen Wettbewerb um die besten Kandidaten treten werden. Besonders wenn hochqualifizierte Fachkräfte gesucht werden, kann sich dieser Prozess langwierig und kostenintensiv gestalten. Es ist daher sinnvoll, vorhandene Personalbeschaffungsdaten zu betrachten und beispielsweise mit der Datenquelle Social Media zu verbinden, um die Zielgruppe optimal kennenzulernen. Auf diese Weise gelingt es, über innovative Rekrutierungskanäle die besten Talente anzuwerben und Rekrutierungsstrategien zu entwickeln.

Mit Data Mining zur digitalen Personalstrategie

Die Digitalisierung wird die Arbeitswelt grundlegend verändern. Einfache Tätigkeiten werden durch Maschinen ersetzt, sodass Arbeitsplätze in großem Umfang wegfallen werden. Gleichzeitig entstehen neue Berufsfelder, für die jedoch tendenziell eine höhere Qualifikation erforderlich sein wird. Wissensarbeiter profitieren davon, dass sie ihre Tätigkeit mit mobilen Geräten ortsunabhängig ausführen können. Daraus folgt, dass in immer mehr Unternehmen auf die Präsenzpflicht verzichtet wird.

Nur sehr wenige Unternehmen nutzen bisher Datenanalysen, um Stellenbesetzungen vorzunehmen. Es ist jedoch damit zu rechnen, dass sich dies schon in naher Zukunft ändern wird. Kritiker wenden ein, dass es nicht erstrebenswert ist, wenn ein Algorithmus über die Personalauswahl bestimmt. Diese Datenanalysen erlauben bereits Rückschlüsse darüber, wie hoch die Wahrscheinlichkeit ist, dass ein bestimmter Mitarbeiter kündigen wird. Auch Aussagen über die Bereitschaft, an Projekten mitzuarbeiten, sind möglich. Die intensive Datenanalyse wird zumindest einen Anteil an Entscheidungen über die Einstellung von Mitarbeitern, die Zusammenstellung von Teams aber auch über Beförderungen oder Kündigungen haben.

Data Mining im Personalbereich (#03)

Data Mining im Personalbereich (#03)

Grenzen und Gefahren des Data Mining im Personalmanagement

Es gibt Kompetenzen, die nicht in Datensätzen abgebildet werden können und die dennoch für die Personalwirtschaft relevant sind. Dazu zählen Dimensionen der emotionalen Intelligenz und Erfahrungen. Außerdem besteht die Gefahr der Datenmanipulation, sodass in diesem Fall die Muster und Interdependenzen, die ermittelt wurden, nicht aussagefähig sind.

Aus diesem Grund besteht die Schlüsselqualifikation für die verantwortungsvolle Personalplanung in der Interpretation der Analyse Ergebnisse. Dazu sind vertiefte IT-Kenntisse (beispielsweise in SQL) und Intuition erforderlich. Das Management wird vor die Aufgabe gestellt werden, sich eventuell gegen die Ergebnisse der Algorithmen zu entscheiden. Im Rahmen der Workforce Analytics können die Analyse Erkenntnisse jedoch dafür genutzt werden, Entscheidungen datenbasiert abzusichern. Es ist sinnvoll, zu diesem Zweck die Stammdaten der Mitarbeiter um Mitarbeiterprofile in den sozialen Medien, Kompetenzen, Expertenthemen einzelner Mitarbeiter sowie deren Kommunikationspräferenzen zu ergänzen.

Besonders im Bereich der Personalbeschaffung wird Data Mining zunehmend an Bedeutung gewinnen, denn motivierte Fachkräfte sind begehrt. Mit einer umfassenden Datenanalyse können das Fluktuationsmanagement, die Personalentwicklung und -bindung verbessert werden. Eine gezielte Direktansprache und ein Wunschkandidaten-Monitoring sorgen für den entscheidenden Vorsprung des Unternehmens beim Kampf um die besten Mitarbeiter.


Bildnachweis: © Shutterstock Titelbild: Elnur, #02: Jirsak, #03: ESB Professional

Über 

Marius Beilhammer, Jahrgang 1969, studierte Journalismus in Bamberg. Er schreibt bereits viele Jahre für technische Fachmagazine, außerdem als freier Autor zu verschiedensten Markt- und Businessthemen. Als fränkische Frohnatur findet er bei seiner Arbeit stets die Balance zwischen Leichtigkeit und umfassendem Know-how durch seine ausgeprägte Affinität zur Technik.

Share.

Leave A Reply