Stellenanzeigen und Bewerber, Zeitarbeit, Job Multiposting, Mobile Recruiting, der HR Blog | Big Data bei Personalgewinnung und Personalbindung
22254
single,single-post,postid-22254,single-format-standard,ajax_updown_fade,page_not_loaded,,vertical_menu_enabled,select-theme-ver-2.2,wpb-js-composer js-comp-ver-4.12,vc_responsive
Big-Data-bei-Personalgewinnung-und- bindung

Big Data bei Personalgewinnung und Personalbindung

Das Thema Big Data ist in aller Munde. Das Versprechen lautet dabei, mit starker Rechnerleistung in großen und vor allem unstrukturierten Datenmengen – aus verschiedenen Quellen – Zusammenhänge zu erkennen, deren Kenntnis zu Wettbewerbsvorteilen führen kann.
 

Windeln neben Dosenbier?
Ich kann mich selber noch an ein Beispiel erinnern, über das wir 1996 in der Vorlesung diskutierten, als ich an der UC Berkeley Marketing studiert habe: Wal-Mart, so lernten wir, platziert gern an Samstagen die Familienpackungen Windeln direkt neben den Sonderangeboten für Dosenbier. Die Begründung: Man hatte die Erfahrung gemacht, dass beides überproportional häufig auf einem Kassenzettel auftaucht, und zwar immer samstags. Um diesen Effekt also noch zu verstärken und somit letztlich von beidem mehr zu verkaufen, platzierte man beide Artikel, die ja vordergründig nicht unbedingt „zusammen gehören“ also nebeneinander. Die eigentliche Ursache für diesen Zusammenhang, so stellte man anschließend fest, lag darin, dass samstags überzufällig oft Familienväter den Haushaltseinkauf erledigten und dabei eben nicht nur an den Nachwuchs und „dessen“ Bedürfnis dachten, sondern auch an das Begleitprogramm für das eigene Wochenend-Barbecue oder wahlweise Football- oder Baseballspiel im Fernsehen.

Wenn man so will also ein frühes Beispiel für Big Data. In einem zunächst diffusen Datenbestand wird ein Zusammenhang entdeckt, woraus dann geschäftliche Entscheidungen abgeleitet werden, die letztlich – so die Hoffnung – zu einem Wettbewerbsvorteil werden.
 


Big Data für Big Business

Heute sprechen wir gegenüber 1996 natürlich über ein x-faches an verfügbaren Daten. Nicht nur sind erheblich mehr Geschäftsprozesse als früher digital abgebildet (und produzieren so laufend Daten), sondern es entstehen auch Daten an Stellen, die früher gar keine produzierten: Sensoren in allen möglichen Geräten zeichnen auf, was mit diesem Gerät gemacht wird und in rapide zunehmendem Maße sind ehemals „autonome“ Dinge mit dem Internet verbunden und liefern jene Daten irgendwo ab. Diese von vielen als vierte industrielle Revolution gesehene Entwicklung begegnet einem inzwischen häufig unter den Schlagworten Internet of Things oder auch Industrie 4.0.
 

Hieran ist auch zu erkennen, dass diese Entwicklung dabei sowohl Auswirkungen auf den Endverbraucher als auch Unternehmen hat. Die Beispiele sind dabei mannigfaltig und in fast allen Lebenslagen und Industrien zu finden: Fahrstühle liefern Daten darüber, wann diese zumeist benutzt werden, welche Stockwerke angefahren werden, wie viele Personen jeweils in der Kabine stehen usw. Diese Daten dienen Herstellern dazu, Wartungsintervalle zu optimieren, Ausfallzeiten zu reduzieren, Betriebszeiten zu erhöhen und so letztlich „das Produkt“ zu verbessern. Verkehrsströme auf Autobahnen oder in Häfen, aber auch der private Stromverbrauch werden optimiert – den Daten aus sog. Smart Metering sei Dank. Facebook entscheidet darüber, welche Inhalte wir in unserem Nachrichtenstream zu sehen bekommen auf Basis von Algorithmen, die sich wiederum aus dem gezeigten Verhalten, aus sog. „Social Signals“, von Millionen von Facebook-Nutzern speisen. Spezialisierte Anbieter berechnen in Echtzeit und kundenindividuell die persönliche Kreditwürdigkeit (und den etwaigen Kreditzins) von Privatpersonen und beziehen dabei mehrere hundert Datenpunkte in die Berechnung mit ein, darunter auch so „exotische“ wie den Browser, mit dem die Website des Unternehmens aufgerufen wird oder die im Browser installierten Schriftarten…
 

Denn, und das ist ein besonderes Merkmal von Big Data, es werden ganz bewusst auch Daten zur Analyse herangezogen, die keinen vordergründigen Zusammenhang mit dem Untersuchungsgegenstand haben müssen. Man geht also nicht „theoriegeleitet“ vor und versucht dann Belege für die vermuteten Zusammenhänge zu finden, sondern man setzt im Prinzip alles irgendwie miteinander in Bezug und schaut dann, ob man Muster erkennt. Der Sachzusammenhang, also wenn man so will die Erklärung, warum es den gefundenen Zusammenhang wohl geben mag, wird dann maximal nachträglich hineingelegt, in vielen Fällen aber auch selbst das nicht mehr. In dem eingangs geschilderten Beispiel wäre also nicht mehr von Interesse, warum Windeln und Bier sich samstags so gut gemeinsam verkaufen lassen, sondern nur noch dass sie es tun…
 

Big Data in der Personalarbeit – Noch keine besten Freunde …
Vor diesem Hintergrund ist es nicht verwunderlich, dass Big Data auch vor dem Einsatz im Personalwesen nicht halt macht. Wenngleich man an dieser Stelle einschieben muss, dass HR insg. (wie bei anderen technologischen Entwicklungen auch) beim Thema Big Data sicherlich nicht unbedingt die Speerspitze der Entwicklung darstellt. Der BARC-Studie „Big Data Use Cases 2015“ zufolge bildet HR hier – sowohl hinsichtlich des tatsächlichen als auch des geplanten Einsatzes – das Schlusslicht aller typischen Leistungsbereiche eines Unternehmens…
 

BARC-Studie -Big Data Use Cases 2015“ width=
Quelle: BARC
 

Das liegt aber meiner Ansicht eher an einer wie auch immer begründeten „Technologie-Zurückhaltung“ des Personalwesens („HR ist was mit Menschen, nicht mit Maschinen…“) und weniger daran, dass man hier keine für den Einsatz von Big Data sprechenden Fragestellungen zu beantworten hätte oder dass es prinzipiell am Vorhandensein von Daten scheitern muss.
 

In Verwaltung und Management des Personalwesens sammeln sich alle möglichen Daten: Demografische Daten, arbeitsplatz- und leistungsbezogene Daten, Informationen über Qualifikationen, Fähigkeiten und Fertigkeiten, Gehälter, Personalentwicklung, Stammdaten, Arbeitszeiten und natürlich Informationen aus dem Recruiting (über Bewerber genauso wie über Recruitingmaßnahmen). Aber der Natur von Big Data entsprechend kommen auch jede Menge mögliche externe Daten hinzu, etwa Informationen aus externer Kommunikation (Social Media, E-Mails, Messenger) oder auch Daten, die auf den ersten Blick keinen HR-Bezug haben wie bspw. Fahr- und Verbindungpläne öffentlicher Transportmittel oder Wetterdaten… Wer weiß: Vielleicht stellt man ja fest, dass Mitarbeiter häufiger kündigen oder krank sind, wenn sie aus einer gewissen Gegend kommen, die schlechter mit dem Bus erreichbar sind oder die Busfahrzeiten nicht gut mit den Bürozeiten harmonieren…
 

Besonders spannend sind aus meiner Sicht hierbei Fragestellungen, die sich rund um die Personalgewinnung und die Personalbindung (also das „Retention-Management“ und die Fluktuation) drehen.

 
Werfen wir mal einen Blick auf Erkenntnisse zu und den Einsatz von Big Data bei der Personalgewinnung:
Hier ist natürlich besonders die Frage interessant, ob und wie Big Data Ansätze in der Lage sein können, aus verschiedenen Daten – vorhandenen, genauso wie mehr oder weniger öffentlich-zugänglichen (etwa öffentlichen Informationen aus Business- oder Sozialen Netzwerken) – Prognosen in Bezug auf die Passung und Eignung von Personen abzuleiten.
 

Das kann dabei sowohl im Kontext der Einschätzung von Personen, die sich für eine Stelle beworben haben (Recruiting) als auch zur Identifikation von Personen, die sich noch nicht beworben haben, aber die für das Unternehmen von Interesse sind (Active Sourcing, Executive Search) interessant sein.

Hierzu gibt es beispielsweise unter dem Schlagwort Big Data Diagnostik sehr spannende Forschungsprojekte, die etwa der Frage nachgehen, ob und in welcher Qualität aus verhaltensbasierten Daten aus Facebook (also z.B. was geliket wird etc.) valide Prognosen in Bezug auf berufsbezogene Persönlichkeitsmerkmale getroffen werden können. Auch wenn durchaus noch eine ganze Reihe methodischer Fragen oder auch Aspekte des Datenschutzes unbeantwortet sind, werden hier zuweilen schon verheißungsvolle Ergebnisse vermeldet, etwa dass ein statistisches Rechenmodell auf der Basis von Facebook-Likes zu besseren Einschätzungen der Persönlichkeit kommen kann, als wenn man Kollegen, Freunde oder gar Ehepartner diese Einschätzung treffen lässt. Bereits unter Berücksichtigung von 10 Likes konnte das Rechenmodell eine bessere Persönlichkeitseinschätzung treffen als die Kollegen der Person; bei Ehepartnern war hierzu immerhin die Berücksichtigung von 250 Likes nötig.
 

Andere Projekte füttern den Rechner mit Sprachkostproben tausender Versuchspersonen und suchen nach Zusammenhängen zwischen Sprachmodulationen sowie der Verwendung gewisser Wörter und Begrifflichkeiten und auswahlrelevanten Fähigkeiten und Merkmalen. Und wieder andere forschen an Verfahren, bei denen Maschinen mittels der Analyse der Gesichtsmimik auf den Charakter oder die aktuelle Gemütsverfassung einer Person schließen wollen.
 

Gesichtserkennung_Affectiva
 

In allen Fällen geht es dabei um die (möglichst automatisierte und standardisierte) Generierung von Daten in großer Menge, die dann (ggf. angereichert um bereits gewonnene Erkenntnisse, z.B. aus dem Einsatz von Eignungstests) mit weiteren Daten zusammengeführt, eine belastbare Grundlage für spätere Entscheidungen – beispielsweise Auswahlentscheidungen – liefern.
 

Xerox etwa fand über die Analyse vordergründig nicht in Bezug zueinander stehender Daten heraus, dass bei der Rekrutierung von Mitarbeitern im Call-Center-Bereich vorhandene Erfahrung in ähnlichen Berufen keinen Zusammenhang mit der später gezeigten Leistung ergab oder auch, dass Mitarbeiter, die in vier oder mehr sozialen Netzwerken aktiv sind, schneller das Unternehmen wieder verlassen als andere…
 

Womit wir beim Thema Mitarbeiterbindung bzw. dem Retention Management wären…
Auch in diesem Bereich gibt es sehr spannende Entwicklungen, die – so zumindest oft die ersten Reaktionen – zuweilen schon etwas nach Magie oder sagen wir mal „Alchemie“ klingen. So berechnen beispielsweise spezialisierte Dienstleister aus einem Mix an mehr oder weniger frei verfügbaren Daten – allen voran Aktivitäten in Sozialen Netzwerken aber auch anderen Parametern wie dem Aufrufen bestimmter Websites – Scorewerte, die die aktuelle Wechselbereitschaft einer Person abbilden. Vereinfacht ausgedrückt: Liket jemand bei Facebook auf einmal mehrere Karriereseiten von Unternehmen, vernetzt sich mit Personalern / Recruitern bei LinkedIn oder ruft vermehrt Jobbörsen auf, so fließen diese Aktivitäten direkt in den Scorewert ein und werden als „steigende Wechselbereitschaft“ interpretierbar.
 

JScore_Joberate
Quelle: Joberate
 

Bei den Daten, die in die Analyse einfließen, handelt es sich dabei in aller Regel nicht um Rohdaten, sondern um von spezialisierten Dienstleistern – sogenannten Aggregatoren wie Datasift, Gnip oder Hootsuite – für diesen Zweck hin aufbereitete und vermarktete Daten.
 

Das Besondere an diesem Einsatz von Big Data ist, dass hier die Daten nicht nur vergangenheitsbezogen ausgewertet werden, um daraus möglicherweise etwas für die Zukunft zu lernen, sondern der Zweck ist im Prinzip „echtzeitorientiert“. Statt also beispielsweise die Erkenntnis zu gewinnen, dass Personen, die Facebook-Karriereseiten anderer Unternehmen liken, tendenziell eine höhere Wechselneigung haben, geht es hier darum, diese Wechselneigung „live“ wie bei einem Börsenkurs verfolgen zu können.
 

Der Nutzen für Unternehmen genauso wie etwa für Headhunter ist naheliegend:
Unternehmen erhalten tagesaktuell ein Bild davon, ob Person XY ggf. das Unternehmen verlassen möchte oder „empfänglicher“ für etwaige Abwerbeangebote wäre und kann daraus entsprechende Handlungen ableiten (etwa der Person proaktiv eine Beförderung, Gehaltserhöhung, kürzere Arbeitszeit usw.) anbieten. Auch aggregiert ist diese Information spannend, kann doch ein allgemeines Ansteigen der Wechselbereitschaft etwa auf eine Verschlechterung der Stimmung im Unternehmen oder einzelnen Abteilungen hindeuten. Und umgekehrt. Bei einem amerikanischen Einzelhandelsunternehmen beispielsweise konnte die Wirkung der Einführung eines unternehmensweiten Mindestlohns quasi zeitgleich in einem flächendeckenden Absinken der Wechselbereitschaft (gemessen an besagtem aggregierten Score- bzw. Indexwert) abgelesen werden.
 

Headhunter oder Active Sourcer können die Erfolgswahrscheinlichkeit einer Vermittlung deutlich erhöhen, indem sie etwa gezielt Personen adressieren, die nicht nur „prinzipiell“ passen, sondern, wenn man so will, aktuell auch „zu haben“ sind.
 

Die „Alchemie“ daran? Nun, es kann durchaus sein, dass der Wechselneigungsscore sich verändert, bevor die betreffende Person selbst die eigene Wechselbereitschaft benennen könnte. Nämlich dann wenn die latente Jobsuche sich auf das alltäglich im Web gezeigte Verhalten auszuwirken beginnt, was durchaus vor dem bewussten Eingeständnis, einen neuen Job zu suchen, der Fall sein kann.
Korrelation statt Kausalität?
 

Das Thema Big Data ist – auch im HR-Kontext – ganz sicher eines, das nicht abschließend auf ein paar Seiten abgehandelt werden kann. Eines erscheint nur mehr oder weniger als gesicherte Erkenntnis: Das Thema kommt und es ist nicht aufzuhalten.
 

Jedoch: Wie oben dargestellt schaut Big Data immer nur auf den Zusammenhang – die Korrelation – nicht auf etwaige Ursache-Wirkungsbeziehungen – die Kausalität. Das kann zu kuriosen und zuweilen sogar vollkommen unsinnigen „Erkenntnissen“ führen (immerhin korreliert der Pro-Kopf-Konsum von Käse in den USA zu 94,71% mit der Zahl an Personen, die starben, weil sie sich in ihrer Bettwäsche verhedderten…). 😉
 

Scheinkorrelationen_Tylervigen

Quelle: Tylervigen.com
 

Von daher bedarf es, und das ist wahrscheinlich speziell für Personaler eine tröstende Aussage, letztlich immer des Menschen, der als letzte Instanz bewertet, was die Maschine denn da nun vermeintlich herausgefunden hat…
 

Joachim Diercks, Geschäftsführender Gesellschafter, CYQUEST GmbH.
Diercks ist Gastdozent für webgestützte Eignungsdiagnostik an der Hochschule Fresenius in Hamburg. Er ist Autor verschiedener Fachartikel sowie regelmäßig Referent bei Fachkongressen zu Personalmanagement-Themen.

2 Kommentare

Wir freuen uns über Ihren Kommentar