14.10.2016 | HR-Software

Möglichkeiten und Grenzen von HR Analytics

Prof. Dr. Stefan Strohmeier ist Inhaber des Lehrstuhls Management-Infor­mationssysteme an der Universität Saarbrücken.
Bild: Haufe Online Redaktion

Immer mehr Anbieter von HR-Software bieten auch Tools für HR Analytics an. Diese Tools wollen auf Basis bestehender Daten Vorhersagen für künftige Entwicklungen ermöglichen. Professor Stefan Strohmeier erläutert im Interview die Anwendbarkeit in der Praxis.

Haufe Online Redaktion: Neue HCM-Systeme versprechen neuen Nutzen durch Module für HR Analytics. Diese sollen die Vorhersage bestimmter Ereignisse ermöglichen (so genannte "Predictive Analytics"). Beispielsweise sollen Unternehmen auf der Grundlage des Kommunikationsverhaltens der Mitarbeiter erkennen können, wer demnächst kündigt. Ist das realistisch?

Stefan Strohmeier: Tatsächlich bieten einige Softwareanbieter – häufig US-amerikanischer Herkunft – erste HR-Analytics-Funktionen an und transportieren das Thema so in die Personalabteilungen. Güte und Nutzen von Predictive Analytics im HR-Bereich lassen sich aber nicht generell bewerten. Vielmehr sind Einzelfallbetrachtungen notwendig.

Click to tweet

Insofern bedürfte auch der von Ihnen angesprochene Fall, Kündigungsprognosen auf der Basis von Kommunikationsdaten zu erstellen, einer detaillierten Analyse. Vorab kann aber gesagt werden, dass Kommunikationsdaten, beispielsweise der Mail- und Telefonverkehr sowie Social-Media-Aktivitäten von Mitarbeitern, hierzulande datenschutzrechtlich fragwürdig sind. Predictive Analytics im HR-Bereich ist damit zunächst einmal eine sehr interessante Option, der man – wie wir schon seit einiger Zeit fordern – nachgehen sollte.

Haufe Online Redaktion: Welche Entscheidungen im personalwirtschaftlichen Bereich könnten aus Ihrer Sicht mit HR Analytics sinnvollerweise unterstützt werden?

Strohmeier: In der Tat stellt genau das die zentrale Fragestellung dar. Von einer zufriedenstellenden Beantwortung sind wir allerdings noch ein Stück weit entfernt. Grundsätzlich existieren in der Literatur und neuerdings auch in den Angeboten von HR-Softwareherstellern und HR-Dienstleistern einige erste Anwendungsszenarien. Mit der Kündiger­analyse haben Sie bereits eines angesprochen, weitere verbreitete Szenarien beziehen sich etwa auf die Vorhersage von Absentismus oder des künftigen Erfolgs von Bewerbern. Allerdings sind damit die Potenziale noch lange nicht ausgelotet. Ich kann mich an dieser Stelle nur wiederholen, dass eine systematische und konkrete Ausarbeitung möglicher Anwendungsszenarien eine sinnvolle und notwendige Vorgehensweise ist. Dabei ist zu evaluieren, für welche konkreten HR-Fragestellungen welche konkrete Predictive-Analytics-Methode auf Basis welcher konkreter Daten sinnvolle und nützliche Vorhersagen erlaubt.

Haufe Online Redaktion: Könnten Personalmanager solche Auswertungen für ihr Unternehmen mit entsprechenden Tools nicht auch selbst durchführen?

Strohmeier: Personalwirtschaftlichen Endanwendern lediglich größere Datenmengen und leistungsfähige Predictive-Analytics-Werkzeuge bereitzustellen, wird unserer Erfahrung nach kaum funktionieren. Da die Ausarbeitung von Anwendungsszenarien aufwendig und technisch-methodisch anspruchsvoll ist, wird diese von den Personalabteilungen kaum angegangen.

Click to tweet

Insofern begrüßen wir das Angebot von HR-Analytics-Funktionalitäten in HCM-Systemen, denn so können der Praxis mögliche Anwendungen vorgeschlagen und über einfaches Ausprobieren evaluiert werden.

Haufe Online Redaktion: Wie funktioniert eine Vorhersage mit "Predictive Analytics" im Detail?

Strohmeier: Predictive Analytics zielt auf das Erkennen von Datenmustern in Vergangenheitsdaten und die Verwendung dieser Datenmuster für die Vorhersage künftiger Ereignisse. Um beispielsweise die Kündigungswahrscheinlichkeit eines Mitarbeiters vorherzusagen, benötigt man einen aussagefähigen Datenbestand, der neben Daten zum Kündigungsverhalten auch mögliche Prädiktoren enthält, also etwa Daten zu Gehalt, Alter, Leistung oder Hierarchiestufe. Datenmustererkennende Methoden können dann die aussagekräftigsten Prädiktoren identifizieren und zur Prognose künftiger Fälle heranziehen.

Click to tweet

Manche Methoden legen die gefundenen Muster offen. So generieren Klassifikationsbaumverfahren Regeln zum Kündigungsverhalten, etwa: Wenn die Dauer der bisherigen Tätigkeit viereinhalb Jahre ist und wenn der Mitarbeiter unter 38 Jahre alt ist und wenn er männlich ist und wenn er die Gehaltsstufe E13 oder E14 hat und et cetera, dann erfolgt die Kündigung. Solche Regeln können dann manuell oder automatisiert zur Prognose des künftigen Kündigungsverhaltens anderer Mitarbeiter herangezogen werden. Andere Methoden legen die gefundenen und verwendeten Muster nicht offen, wie etwa für neuronale Netze. Diese können beispielsweise angeben, um wie viel Prozent die Kündigungswahrscheinlichkeit nach einer gewissen Personalmaßnahme – etwa der Nichtgewährung einer Gehaltserhöhung – ansteigt, ohne das die zugrunde liegenden mathematischen Zusammenhänge aufgedeckt werden. Für alle Methoden der Predictive Analytics gilt allerdings, dass diese immer nur Wahrscheinlichkeiten eines gewissen Ereignisses prognostizieren können – eine enttäuschungsfrei zutreffende Vorhersage der Zukunft ist damit nicht möglich.

Haufe Online Redaktion: Sind in den Unternehmen überhaupt genügend Daten vorhanden, um Muster zu identifizieren, Prognosen abzuleiten und potenzielle Handlungsmöglichkeiten zu bewerten?

Strohmeier: In der Tat stellt die Verfügbarkeit geeigneter Daten, insbesondere in Deutschland, eine klare Limitation von HR Analytics dar. Um nochmals auf das Beispiel der Prognose des Kündigungsverhaltens zurückzukommen: Liegen zentrale Ursachen mitarbeiterseitiger Kündigungen in spezifischen Verhaltensweisen von Führungskräften wie etwa mangelnde inhaltliche Unterstützung, mangelnde Anerkennung von Arbeitsleistungen und werden solche Verhaltensweisen, wie in deutschen Unternehmen üblich, nicht erfasst und als Daten abgebildet, dann haben mustererkennende Verfahren auch keine Chance, solche Zusammenhänge aufzudecken und zur Prognose zu verwenden.

Click to tweet

Haufe Online Redaktion: Können Sie ein weiteres Beispiel nennen?

Strohmeier: Auch mit Blick auf die Identifikation innovativer Handlungsmöglichkeiten bilden verfügbare Daten eine Limitation. Stellt ein Unternehmen beispielsweise für kaufmännische Ausbildungsberufe stets nur Abiturienten ein, obwohl Nicht-Abiturienten mit Blick auf Retention und Langzeitleistung eigentlich geeigneter wären, dann existieren für Nicht-Abiturienten notwendigerweise keinerlei Daten in diesem Unternehmen. Genau diese wären aber notwendig, damit eine mustererkennende Methode aufzeigen könnte, dass die bisherige Einstellungspraxis verbesserungsfähig ist. Die Datenverfügbarkeit ist damit ein klar limitierender Faktor.

Click to tweet

Auch das weithin diskutierte permanente Anwachsen personalwirtschaftlicher Datenbestände bringt hier nur eingeschränkt Abhilfe, denn brauchbare Prognosen benötigen eben eher "Right Data" als "Big Data". Eine Abhilfe bestünde schlicht darin, benötigte, aber nicht verfügbare Daten eigens zu erheben. Der damit ohne Frage einhergehende hohe Aufwand lässt dies aber wohl nur in Ausnahmefällen zu.

Haufe Online Redaktion: Inwiefern kann der strenge deutsche Datenschutz Vorhersagen, die sich auf einzelne Mitarbeiter beziehen, verhindern? Eignen sich Predictive Analytics hierzulande möglicherweise nur für Teams und nicht für Einzelpersonen?

Strohmeier: Wie jede andere Verarbeitung von Daten unterliegt natürlich auch Predictive Analytics dem Datenschutz, wenn und insoweit personenbezogene Daten verarbeitet werden. Dies ist häufig der Fall, aber nicht immer notwendig. Beispielsweise könnten die eben angesprochenen Regeln zum Kündigungsverhalten auf Basis vollständig anonymisierter Daten erstellt werden. Aber Predictive Analytics beschränkt sich keineswegs auf die Vorhersage individuellen Mitarbeiterverhaltens. Vielmehr existieren auch sinnvolle aggregierte Prognosen, beispielsweise künftiger Absentismus in einer Organisationseinheit oder künftiges Kündigungsverhalten einer Job-Kategorie. Auch dies gestaltet sich rein datenschutzrechtlich eher unproblematisch.

Click to tweet

Noch restriktiver als die reinen Datenschutzregelungen dürften meiner Meinung nach aber die Mitbestimmung durch Arbeitnehmervertretungen und der Akzeptanzmangel einer in Datenanalysefragestellungen häufig hochsensiblen Arbeitnehmerschaft wirken. Nicht nur in den Personalabteilungen, sondern gerade auch an diesen Stellen ist daher noch viel Aufklärungs- und Akzeptanzarbeit zu leisten.


Alle Informationen zu HR-Software finden Sie auf dieser Themenseite.


Prof. Dr. Stefan Strohmeier ist Inhaber des Lehrstuhls Management-Infor­mationssysteme an der Universität Saarbrücken. Er beschäftigt sich unter anderem mit den Potenzialen und Risiken von Big Data für HR, Management und Mitarbeiter. Lesen Sie dazu auch das Interview "Personalmanagement mit smarten Daten."


Das Interview führte Daniela Furkel.

Schlagworte zum Thema:  Big Data, HR-Software, HR-Controlling, Analytics

Aktuell

Meistgelesen