Predictive Analytics

Prädiktive Analysen sind durch hohe Komplexität geprägt und fundieren auf historischen sowie aktuellen Datensätzen. Die Analysen geben Auskunft darüber, wie sich ein Faktor X innerhalb eines Szenarios in Zukunft verändern wird.

HR-Teams setzen heute daher vermehrt auf Predictive Analytics. Anhand der zur Verfügung stehenden Daten können Trends sowie mögliche Szenarien bzw. Verhaltensweisen identifiziert werden. Mit prädiktiver Analytik lässt sich somit die Wahrscheinlichkeit eines zukünftig eintretenden Ereignisses errechnen. Für Personalabteilungen garantiert dies eine bessere Planungssicherheit sowie das Treffen von Entscheidungen auf Basis fundierter evidenzbasierter Daten.

Basis der prädiktiven Analytik sind Klassifizierungs- und Regressionsalgorithmen. Klassifizierungsalgorithmen ermöglichen eine Sortierung, Kategorisierung und Priorisierung von Daten. Dem gegenüber stehen Regressionsalgorithmen. Sie gewährleisten eine Analyse und Einordnung zahlenbasierter Ergebnisse. Seltener werden für die Analyse auch Cluster-Algorithmen programmiert. Sie ermöglichen eine genaue Zielgruppenbetrachtung und –steuerung. Für eine noch effizientere Analyse werden Algorithmen mit Machine Learning, also Elementen der künstlichen Intelligenz, verknüpft. Dank des Einsatzes von Machine Learning entsteht eine Lernkurve der Algorithmen. Sie können sich also eigenständig weiterentwickeln.

Als Basis der Analysen dienen unter anderem interne als auch externe Faktoren im Unternehmensumfeld. Doch auch Megatrends wie der demografische Wandel oder wirtschaftliche und industrielle Veränderungen können Prognoseobjekte darstellen. Generell gilt: Je mehr Daten und je qualitativer die Daten vorliegen, desto höher ist der aus den Analysen zu ziehende Wert des Ergebnisses. Anders ausgedrückt: Die Genauigkeit des berechneten Szenarios steigt mit Qualität und Quantität der Daten.

Prädiktive Analysen sind nur ein Teil innerhalb statistischer Analysemethoden, die einem Zeitrahmen folgen. Zuvor erfolgen deskriptive sowie diagnostische Analysen. Um Prozesse und Daten ganzheitlich betrachten zu können, empfiehlt es sich, den Gesamtrahmen zu durchlaufen.

Dieser besteht aus:

• Deskriptiven Analysen
• Diagnostischen Analysen
• Prädiktiven Analysen
• Präskriptiven Analysen

Um Daten für Predictive Analytics aufzubereiten, benötigt es strukturierte Datenquellen sowie Klassifizierungs- und Regressionsmodelle. Data Scientists bereiten diese auf. So sind sie für verschiedene Disziplinen wie etwa HR einsatzbereit.

Techniken unterscheiden sich hinsichtlich der Form der Auswertung. Ziel eines jeden Modells ist es, basierend auf statistischen Daten, Korrelationen und Zusammenhänge zu finden. Im Zuge der Datenmodellierung validieren Data Scientists die Zusammenhänge und Ergebnisse der relevanten Datensätze. Die Rede ist in diesem Zuge von Predictive Modeling bzw. prädiktiver Modellierung. Die Datenmodellierung besteht aus mehreren Schritten. Zunächst greifen Methoden, um Daten zu sammeln. Dies erfolgt entweder durch Machine-Learning-Prozesse oder Data Mining.

Data Mining ist somit nicht mit Predictive Analytics gleichzusetzen. Vielmehr ist es ein Wegbereiter für prädiktive Analysen. Auf Basis statistischer und mathematischer Verfahren untersucht und sammelt Data Mining Big Data Mengen. Fortfolgend werden beim Data Mining vorliegende Daten klassifiziert, in Cluster eingeteilt, in Regressionsanalysen betrachtet oder einer Assoziations-Analyse unterzogen.

Data Mining bedient sich dabei teilweise neuronaler Netze und Funktionalitäten des maschinellen Lernens. Neuronale Netze sind besonders spannend. Sie nutzen die Macht der Psychologie und ahmen Algorithmen gesteuert nach, wie wir Menschen uns in einer Situation X unter den Umständen Y verhalten würden. Deep Learning unterscheidet sich dabei von klassischen Varianten der künstlichen Intelligenz. Denn hier ist kein Entscheidungsbaum vorgegeben.

Stattdessen gelingt es auf Basis von Machine Learning. Dabei bedient sich Machine Learning Möglichkeiten der künstlichen Intelligenz bzw. artifical intelligence, um unstrukturierte Daten in strukturierte Datensätze umzuwandeln. Der Erfolgsfaktor: Mit Zunahme der Daten werden auch Analysen präziser, da der Algorithmus kontinuierlich eine Lernkurve durchläuft.

Die daraus resultierenden Ergebnisse lassen sich wiederum durch prädiktive Analysen automatisieren und in Softwaresystemen ausspielen.  Im nächsten Schritt sind so dank Modellierung und Kontrollen Analysen und Interpretationen möglich. Aufschlüsse auf zukünftige Eintrittswahrscheinlichkeiten von Ereignissen lassen sich jetzt ableiten.

Strategische Entscheidungen im Personalwesen basieren unter anderem auf äußeren Rahmenbedingungen. Die VUCA-Welt, also eine Welt, die von Volatilität (V), Unsicherheit (U), Komplexität (C) und Mehrdeutigkeit (A)  geprägt ist, wird durch eine BANI-Welt abgelöst. BANI steht für brüchig (B), ängstlich (A), nicht-linear (N) und unverständlich (I). Fachkräftemangel, Kriege und nicht zuletzt die Pandemie bringen das Gleichgewicht der letzten 40 Jahre VUCA-Welt ins Schwanken. Mit BANI nehmen wir die Umwelt bewusst chaotisch wahr. Unternehmen und Personalabteilungen stehen der Herausforderung gegenüber, den Schwankungen mit Stabilität, Agilität und Resilienz zu begegnen.

Voraussetzung hierfür sind Analysen, die bei der zukünftigen Ausrichtung unterstützen und das auf Basis von Maßnahmen, die heute getroffen werden. Prädiktive Analysen steigen somit in der Relevanz. Doch in Hinblick auf die digitale Transformation gibt es noch viel Aufholbedarf. Aus einer Springer Studie aus dem Jahr 2020 ging hervor, dass erst 58 Prozent der befragten Unternehmen Personalprozesse digitalisiert haben. Mit Fortlauf der Pandemie und Einzug von New Work ist davon auszugehen, dass der Wert in den letzten Monaten leicht angestiegen ist.

Predictive Analytics als Data Science Anwendungsgebiet ist mittlerweile obligatorisch, um Vorhersagen in einer komplexen, sich ständig veränderten Welt treffen zu können. Nur so lässt sich resilient in die Zukunft blicken. Mit Wettbewerbsvorteilen. Zielgerichteten Investitionen. Und Fachkräften.

Für mehrere HR-Disziplinen lassen sich fundierte Auswertungen durch prädiktive Analysen nutzen. Grundvoraussetzung sind jedoch aussagekräftige und valide Datensätze. Die Datenschutzgrundverordnung schützt personenbezogene Daten, erschwert jedoch gleichzeitig die Datensammlung.

Um datenbasierte Prognosen treffen zu können, kann sich Human Resources folgender Quellen bedienen:

• Mitarbeiterbefragungen
• Umfragen
• Trendforschung
• Benchmarks
• Studien
• HR-Software-Auswertungen
• Social Media
• Stellenbörsen

Ziel von Predictive Analytics ist es, Vorhersagen über zukünftige Ereignisse zu treffen. Anhand der prognostizierten Szenarien lassen sich Steuerungshebel bedienen, die eine Risikoreduktion gewährleisten. Zum einen durch das Erkennen potenzieller Bedrohungen. Zum anderen durch steuernde präventive Gegenmaßnahmen. Gleichzeitig bietet prädiktive Analytik einen effizienteren Umgang mit vorhandenen Ressourcen wie Zeit, Kosten und Personal.

Nicht nur für die strategische Ausrichtung von Unternehmen oder für die Maßnahmensteuerung im Marketing bieten prädiktive Analysen wertvolle Insights.

Auch Personalabteilungen bedienen sich insbesondere in den Disziplinen Personalbeschaffung, -entwicklung und –erhaltung prädiktiver Analytik. Anwendung findet Predictive Analytics im Personalwesen, um auf vorhandene Fragestellungen Antworten zu finden. Die softwarebasierte Beantwortung der Fragen erfolgt mittels Data-, Text- und Web-Mining-Methoden. Als Software kommen unter anderem Analysetools wie Google People Analytics infrage. Auch Bewerbermanagementsysteme bieten eine gute Datengrundlage. In den meisten Unternehmen ist jedoch Excel das Tool der Wahl.

Im Folgenden stellen wir Use-Cases vor, in welchen prädiktive Analysen vorwiegend im Personalwesen zum Einsatz kommen.

Prädiktive Analysen unterstützen Personalabteilungen bereits im Recruiting. Um Top Talente auf dem Arbeitsmarkt auf das eigene Unternehmen aufmerksam zu machen, genügt eine Stellenanzeige auf der Karriereseite des eigenen Unternehmens nicht mehr aus. Talente müssen zum Unternehmen passen, doch sie müssen ebenfalls erreicht werden. Hierbei unterstützen statistische Analysen. Wie erfolgreich waren die letzten Recruiting-Kampagnen? Wo befindet sich meine Zielgruppe? Wie spreche ich die Zielgruppe am besten an?

Genau solche Fragen beantworten prädiktive Analysen, indem Erfolgsmessung datenbasiert erfolgen, relevante Recruiting-Kanäle identifiziert und Stellenausschreibungen optimiert werden. Zudem lassen sich Kampagnen so zielgerichteter erstellen. Ein positiver Nebeneffekt: Der Unconscious Bias im Recruiting reduziert sich automatisch mit. Denn Entscheidungen sind so fundierter und freier von Vorurteilen, Glaubenssätzen und Ideologien.

Für bessere Einstellungsentscheidungen lässt sich der Ressourceneinsatz nicht zuletzt durch prädiktive Analysen optimieren.

Die Mitarbeitererfahrung steuern Personalabteilungen ebenfalls über HR-Analysen. Prädiktive Analysen ermöglichen optimierte Personalprozesse, eine Steigerung der Employee Experience und reduziert Fluktuationen. Innerhalb der Employee Experience nimmt das Onboarding einen hohen Stellenwert ein. Ob sich neue Mitarbeitenden mit dem Unternehmen identifizieren, hängt häufig vom Zugehörigkeitsgefühl ab. Personaler:innen bauen dieses mit kompetenten Onboardings von Sekunde eins auf.

Prädiktive Analysen bieten noch mehr das Potenzial, das die HR als Wertschöpfungspartner gegenüber dem Management auftritt. Innerhalb des data-driven-managements treten Personalabteilungen als Wachstumsbeschleuniger auf. Daten zeigen HR-Professionals Fähigkeiten von Mitarbeitenden auf, die sich positiv für das Unternehmen nutzen lassen. Eine Förderung des Ausbaus dieser Fähigkeiten wirkt sich ganzheitlich auf den Unternehmenserfolg aus. Gleichzeitig lassen sich Wissensilos identifizieren. Nur wer weiß, wo sich diese Silos befinden, kann sie auch aufbrechen.

Algorithmen und Machine Learning gewährleisten zudem die Offenlegung der Lernkurven von Mitarbeitenden. Weiterbildungsangebote können an passender Stelle ausgespielt werden. So lassen sich notwendige Entwicklungsbudget auch gegenüber Vorständen, Geschäftsführer:innen und Führungskräften rechtfertigen. Die evidenzbasierte Datenbasis zeigt die Chancen.

Unzufriedenheiten im Unternehmen vorzeitig zu erkennen, schützt vor Ausfällen, Fluktuation und Wissensverlusten.

Bereits das Optimieren von Schichtplänen kann sowohl auf Managementseite ressourcenbasiert auf Datenbasis, als auch individueller für Mitarbeitende gestaltet werden.

Eine mitarbeiterbezogene Datenanalyse ermöglicht das Eingehen auf einzelne Mitarbeitende, aber auch das Anpassen von strategischen Entscheidungen an bestimmten Punkten des Mitarbeiterlebenszyklus. Machine-Learning-Algorithmen können jetzt schon die Mitarbeiterzufriedenheit messen und so Stimmungslagen und Spannungsfelder abbilden.

Der Einsatz von Predictive Analytics wirkt sich somit positiv auf Personalentscheidungen aus und unterstützt diese. Anhand der Analysen können HR-Teams beispielsweise Employer-Branding-Kampagnen verbessern, Stellenausschreibungen optimieren, Talente bewerten oder die Fluktuationsrate gezielter steuern. Führende Unternehmen setzen bereits seit Jahren auf prädiktive Analytik. Best Practice Beispiele zeigen, was möglich ist:

• Fehlzeiten reduzieren: Der Energiekonzern E.ON untersuchte mittels Predictive Analytics, warum sich die Fehlzeiten des Personals häuften. Anhand der Daten konnten Hypothesen aufgestellt und validiert werden. Die Erkenntnis, dass die Fehlzeiten auf das Fehlen eines langen Urlaubs im Jahr zurückzuführen waren, konnte zu einer verbesserten Mitarbeiterzufriedenheit beitragen.
• Werbemaßnahmen steuern: Sowohl geschaltete Werbung auf sozialen Medien als auch Fernsehprogramme können als Plattformen für Employer-Branding Kampagnen dienen. Facebook, sowie Nielsen, setzen auf Predictive Analytics, um den Erfolg von Kampagnen vorhersagen zu können.
• Fluktuationsraten senken: SAP setzt auf Predictive Analytics, um Fluktuationsraten zu senken. Überdurchschnittliche Zugriffe auf Dokumente oder die im Lebenslauf sichtbare durchschnittliche Verweildauer eines Mitarbeitenden in Unternehmen können Hinweise geben, dass ein Mitarbeitender das Unternehmen verlassen möchte.

Zusammenfassend kann die prädiktive Analyse sowohl operative als auch strategische Prozesse des Personalmanagements effizienter gestalten.

Prädiktive Analysen im HR-Bereich basieren auf People Analytics. Im Business-Kontext bezeichnet der Begriff die personenbezogene Datenerhebung mit dem Ziel, den Unternehmenserfolg zu steigern.

Im Rahmen von People-Analytic-Auswertungen nimmt das Personalwesen die Funktion als strategischer Sparring-Partner eines Unternehmens ein. Operative Maßnahmen erfolgen in gemeinsamer Absprache auf strategischer Basis. Dabei stehen die individuellen Bedürfnisse von Mitarbeitenden neben dem Ressourceneinsatz im Fokus. Aus diesem Grund ist People Analytics auch unter dem Namen Workforce-Analytics bekannt. Denn Organisationen und HR-Professionals bilden gemeinsam eine Workforce, um Fragen zu beantworten, die eine Organisation in der Existenz beeinflussen.

People Analytics unterstützt ganzheitlich das Personalwesen und das in allen Schritten. Von der Talentsuche bis hin zum Talent Performance Management und der Positionierung als attraktive Arbeitgebermarke: Daten liefern evidenzbasierte Informationen, die strategisch in Entscheidungen unterstützen.

Strategisch führen datenbasierte Entscheidungen zu einem optimierten und ggf. reduzierten Ressourceneinsatz. Das spart Kosten, ermöglicht eine fundierte Budgetplanung und reduziert zeitlichen Aufwand. Strategische Steuerungshebel führen zudem zu einer Risikominimierung. Da Risiken dank der prädiktiven Analyse bereits im Vorfeld sichtbar sind. Gegensteuern ist somit bereits im Vorfeld möglich.

Doch auch auf operativer Ebene bietet People Analytics Potenzial.

Wer es versteht, eine Candidate Persona zielgerichtet zu erstellen, individuelle Bedürfnisse von Talenten zu erkennen und Zufriedenheit im Unternehmen aufrecht zu erhalten, senkt Fluktuationsraten langfristig. Operativ reduziert People Analytics auch die Komplexität der Kommunikation. Sie zeigen, auf welchen Kanälen News zu streuen sind, wo Support benötigt wird und welche Recruiting-Kanäle hilfreich sind.

Das Employer Branding verbessert sich unterdessen mit einem Zielgruppen-Fit. Jede operative Maßnahme auf Basis von People Analytics zahlt sich wiederum auf die strategische Ausrichtung aus.

Die Kernvorteile nochmal im Überblick:

• People Analytics erlaubt Prognosen über zukünftige Entwicklungen
• Chancen und Risiken lassen sich einordnen
• Analysen identifizieren Optimierungsbedarfe und ermöglichen Rückschlüsse
• HR-Analytics zeigt Lernkurven, ermöglicht Vergleiche und ist elementar für Erfolgsmessungen

HR-Kennzahlen, die eine Erfolgsmessung ermöglichen, sind unter anderem die Retention-Rate, die Offer-Rate, Cost-per-Hire, Time-to-Interview, Time-to-Fill und Bewerbungen je Quelle. Jede HR-Abteilung muss für sich individuell bestimmen, welche KPIs (Key-Performance-Indikatoren) am relevantesten sind und auf dessen Basis Analysen und Maßnahmen erfolgen.

Die Arbeitswelt verändert sich und so auch die Qualifikationen, die Personaler:innen zukünftig mitbringen müssen. Auf Analysen basierte Personalarbeit erfordert ein neues Skillset.

Andersen hat 2016 ein Sechs-Kompetenzen-Modell entwickelt, das erahnen lässt, wie die zukünftige Personalarbeit aussehen soll:

• Fähigkeiten im Datenmanagement
• Storytelling
• Geschäftssinn
• Visualisierungsfähigkeiten
• Psychologische Fähigkeiten
• Statistische Fähigkeiten

Diese Informationen entstammen dem IW-Report 28/2022 des Instituts der deutschen Wirtschaft.

Ferner wird Data Literacy als neue Kernkompetenz im Personalwesen gehandelt.  Auf Deutsch bedeutet dies so viel wie Daten-Literatur. Die Bedeutung: Personaler:innen sind zukünftig nicht nur in der Lage, Daten empirisch auszuwerten. Sie können diese auch erklären und mit Fach- sowie Unternehmenswissen verknüpfen.

Medienkompetenz ist eine weitere Fähigkeit, die HR-Professionals zukünftig beherrschen müssen. Sie gewährleisten eine offene Diskussion, eine gesellschaftsorienterte Herangehensweise an Entscheidungen sowie eine Lebensweltorientierung. Die Employer Brand baut sich öffentlichkeitswirksam auf. In Bezug auf Predictive Analytics bedeutet dies, dass Analysen offen kommuniziert und gesellschaftsorientiert interpretiert werden. Und das im Sinne von New-Work-Standards innerhalb der BANI-Welt.

Soft Skills sind schon immer Teil der Personalarbeit. Die Arbeit am Menschen erfordert in Kombination mit Daten eine neue Ausrichtung der notwendigen Fähigkeiten. Im Zuge von Digital Literacy werden acht C‘s voneinander abgegrenzt:

• Cultural (Kulturell)
• Creative (Kreativ)
• Constructive (Konstruktiv)
• Communicative (Kommunikativ)
• Confident (Selbstbewusst)
• Cognitive (Kognitiv)
• Critical (Kritisch)
• Civic (Bürgerlich, politisch)

Was daraus resultiert: Ein Verschwimmen der Grenzen zwischen Fachbereichen. Das Personalwesen arbeitet zukünftig stärker mit IT, Vertrieb, Geschäftsführung und Marketing zusammen und übernimmt teilweise sogar Aufgabengebiete.

Der Stellenwert von Personalentscheidungen steigt in Unternehmen. Doch aus Datensicht lässt sich dies nicht in jedem Unternehmen spiegeln. Aus dem Oxford Economics Workforce 2020 Report geht hervor, dass noch zu wenige Unternehmen Personaler:innen als strategische Entscheider:innen innerhalb der eigenen Workforce schätzen.

26 Prozent der Befragten geben an, dass HR über die Geschäftsplanung nicht informiert ist. 28 Prozent beraten die Geschäftsführungsebene zwar, wirken jedoch in Entscheidungsfindungen nicht mit.

Um zukünftig eine Workforce aus Geschäftsführung und Personalwesen zu bilden, gilt es laut Report folgende Mangelerscheinungen zu überwinden

• Verfügbare Mitarbeitende
• Engagierte Mitarbeitende
• Interne Ressourcen
• Fähigkeiten und Talente
• Technologien
• Loyalität von Mitarbeitenden
• Adäquate Führung

Weitere Quellen weisen darauf hin, das Unternehmen sich mit der Implementierung von People Analytics wirtschaftlich schwertun. Sowohl das Fachwissen ist nicht vorhanden als auch der Mut, Budget in prädiktive Analysesoftware zu investieren.

Prädiktive Analysen haben viele Facetten. Im Personalwesen basieren prädiktive Analysen insbesondere auf Daten aus People Analytics. Und People Analytics bietet wiederum mehrere Facetten der Datensammlung und -betrachtung. Laut Kienbaum nutzen jedoch nur elf Prozent der Unternehmen People Analytics im vollen Umfang. Fehlende Kompetenzen, Reaktanz in der Belegschaft sowie mangelnde Datenqualität sind Hürden, die es laut Kienbaum Studie „Winning with People Analytics“ aus dem Jahr 2020 zu überwinden gilt.

Nutzen Unternehmen jedoch People Analytics unterstützen die Daten das HR-Reporting und

• geben strategische Planungssicherheit
• optimieren Recruiting-Abläufe und -entscheidungen
• zeigen Potenziale hinsichtlich der Personalentwicklung auf
• unterstützen das Talent Performance Management

Anwendungsfelder sind jedoch zahlreich und gehen über mehrere Phasen hinweg. Das Institut der deutschen Wirtschaft erklärt folgende Handlungsfelder als relevant für HR-Analytics-Projekte:

• Recruiting: Personalmarketing, Personalauswahl, Einarbeitung
• Retention: Qualifizierung und Trading, Wissensmanagement, Vergütungsmanagement, Diversitätsmanagement, Karriere- und Laufbahnplanung, Leistungsmanagement, Arbeitsorganisation, Gesundheitsmanagement
• Retirement: Austrittsmanagement
• Ganzheitlich: Personalplanung, Personalführung, Personalstrategie, Verwaltung und Service.

Zusammenfassend lässt sich deuten, das prädiktive Analysen das Personalwesen zukünftig umstellen und Entscheidungen ganzheitlich ergänzen und fundierter ermöglichen.

1. "HR-Studie 2020": https://www.springerprofessional.de/transformation/personalmanagement/hr-abteilungen-noch-nicht-4-0/18255654
2. "Top 3 Examples of Predictive Analytics in HR": https://www.techfunnel.com/hr-tech/top-3-examples-of-predictive-analytics-in-hr/
3. "IW-Report 28/2022 des Instituts der deutschen Wirtschaft": https://www.iwkoeln.de/fileadmin/user_upload/Studien/Report/PDF/2022/IW-Report_2022-HR_Analytics.pdf
4. "Oxford Economics Workforce 2020 Report": https://www.oxfordeconomics.com/resource/workforce-2020-the-looming-talent-crisis/
5. "Kienbaum Marktstudie zu People Analytics": https://www.kienbaum.com/de/presse/erste-grosse-marktstudie-zu-people-analytics/
6. "HR Analytics: Anwendungsfelder und Erfolgsfaktoren": https://www.iwkoeln.de/studien/andrea-hammermann-judith-lehr-alexander-burstedde-anwendungsfelder-und-erfolgsfaktoren.html
7. HR KI Blog