Führungskräfte, HR-Profis, und Investoren erkennen zunehmend die zentrale Rolle, die Belegschaften spielen, damit Unternehmen strategischen Erfolg haben. Diese stehen vor beispielloser Veränderung und Unberechenbarkeit, die neue Organisationsformen und Prozesse erfordern, die auch dann funktionieren, wenn man die Zukunft nicht voraussagen kann.

Volatilität, Unvorhersehbarkeit, Komplexität und Mehrdeutigkeit (VUCA world) führen zu einer Welt grösserer strategischer Chancen, aber auch grösserer Bedrohungen und Stolperfallen.

Gleichzeitig stehen Unternehmungen immer noch dem ewigen Paradoxon von Workforce Analytics gegenüber: die erheblichen Chancen, die es bietet, gegenüber den hartnäckigen Herausforderungen (auch lesenswert: Essential Challenges in Workforce Analytics), einen wirklichen Einfluss auf Entscheidungen, Aktionen, Strategien und organisatorische Ergebnisse zu haben. Dieses Versprechen und Paradoxon von Workforce Analytics (kurz: WA) erklärt, warum so viele führende Organisationen WA-Funktionen aufgebaut haben bzw. derzeit neu aufbauen.

Wichtig ist zunächst einmal, die Grundlagen von Workforce Analytics zu verstehen und eine WA-Initiative richtig aufzusetzen. Dies vertiefe ich im Folgenden anhand einiger Leitfragen.

Warum Workforce Analytics?

Ob öffentlich, freiwillig oder privat, alle Organisationen müssen einen (Mehr-)Wert liefern. Dies erfordert die Verwendung von Finanzkennzahlen und Key Performance Indicators (KPIs) – siehe auch: Die 3 Treiber der Mitarbeiterproduktivität, Ansatzpunkte zur Steigerung der Arbeitsproduktivität – zur Überwachung und Verbesserung der betrieblichen Aktivitäten. Die Bedeutung von Workforce Analytics mit Blick auf Rentabilität – eine wichtige Finanzkennzahl – wird durch zahlreiche Belege gestützt.

Für viele Unternehmen hat die analytische Transformation bereits in Bereichen begonnen, die Personalern vertraut sind, wie z. B. Analytics bzgl. Kündigung und Bindung Mitarbeitender, Analytics im Recruiting, Analytics im Rahmen der Strategischen Personalplanung, Analytics im Rahmen der Vergütung, sowie Analytics im Thema Employee Engagement (siehe auch: The 7 Pillars of People Analytics at Monster).

Häufig werden derzeit folgende Fragen gestellt:

  • Welche Leute werden demnächst das Unternehmen verlassen?
  • Wie erfolgreich wird ein Kandidat im Unternehmen agieren, nachdem er eingestellt wurde?

Die Strategische Personalplanung ist ein essentiell wichtiger Bereich, der mit Hilfe von Analytics strategischer und anspruchsvoller ausgerichtet werden kann und sollte. Ich verfolge hierbei einen zweigleisigen Ansatz: Erstens, verstehen Sie die Geschäftsanforderungen und übersetzen Sie diese in zukunfts-gerichtete Kompetenz- und Qualifikationsbedarfe; zweitens, lernen Sie die Belegschaft in der Tiefe kennen.

Schlussendlich muss es im Thema Workforce Analytics darum gehen, den Wertbeitrag von Interventionen resp. Massnahmen des Personalbereiches für Geschäftsergebnisse transparent zu machen (vgl. auch: leading und lagging indicators). Es geht nicht um eine „Nabelschau innerhalb von HR“ oder um blosse Berichterstattung, sondern um geschäftsrelevante Einblicke. Hierfür sind u.a. Prognosemodelle (Predictive Analytics, vorausschauende Analytik) notwendig.

Was zeichnet den Leiter einer WA-Initiative aus?

Der Leiter einer WA-Initiative oder -Organisationseinheit benötigt eine starke Vernetzung innerhalb der HR-Organisation sowie den direkten Zugang zu anderen Abteilungen und/oder Funktionsbereichen. Er sollte ständiges Mitglied des HR Board sein. Seine primäre Aufgabe ist es, analytisch gesteuerte Empfehlungen zu liefern, die bei der Umsetzung die Geschäftsleistung verbessern. Folgende Fähigkeiten stehen m.E. im Vordergrund:

  • Leiter einer WA-Initative oder -Organisationseinheit müssen nicht nur ihr „normales“ Arbeitspensum bewältigen, sondern auch die damit verbundenen Beziehungen pflegen; insbesondere zu BU-Leitern, Führungskräften, dem CHRO und anderen Personalverantwortlichen.
  • Leiter einer WA-Initative oder -Organisationseinheit müssen die Spezialisten in ihrem Team fachlich herausfordern, um sicherzustellen, dass ihre Arbeit korrekt und umfassend durchdacht ist. Beispielsweise sollten Data Scientists mögliche Erklärungen für Geschäftsergebnisse parat haben, die Führungskräfte nicht selbst bereits erkannt haben. Effektiv arbeitende Leiter fragen immer nach dem Warum.
  • WA-Teams bestehen aus Menschen unterschiedlichster Herkunft. Dazu gehören Experten aus technischen Disziplinen wie Statistik und Informatik, Experten in Personalpolitik und -praktiken, sowie Menschen, die in der Psychologie des menschlichen Verhaltens vertraut sind. Starke Führungsqualitäten sind der Schlüssel dazu, dieses vielfältige Team auf Basis einer gemeinsamen Vision und Mission zu begeistern. Die Rolle des Leitenden besteht u.a. darin, die Fähigkeitslücke, welche die Disziplinen trennt, zu überbrücken, damit sie voneinander lernen und effektiv zusammenarbeiten.
  • Der Leiter muss in der Lage sein, die Position der technischen Spezialisten im WA-Team gegenüber Stakeholdern zu vertreten. Um dies zu tun, sollte er in der Lage sein, glaubwürdig über das Geschäft zu sprechen und wie und warum Analytics dazu beiträgt, Geschäftsergebnisse zu verbessern. Gleichzeitig muss er eloquent über die Details der Analytics-Projekte im Kreis der Geschäftsführer sprechen. Schliesslich zeichnet sich der Leiter auch durch exzellente Erzähl- und Visualisierungstechniken aus.

Workforce Analytics kann scheitern, wenn das Team in einem analytischen Elfenbeinturm sitzt, isoliert von einem Verständnis davon, wie seine Empfehlungen tatsächlich Auswirkungen auf das Geschäft und die Belegschaft haben.

Entschlossenes Vorgehen – wie?

Viele Menschen kämpfen darum, die notwendigen Wirkungen aus ihren WA-Aktivitäten zu erreichen, weil sie das Projekt nicht auf eine Weise aufsetzen, die zum Erfolg führt. Es bedarf also einer Methodik, eines Vorgehensmodells. Mehrfach habe ich bereits in Blogbeiträgen über das LAMP Framework, das Strategy Mapping u.a. berichtet. Daneben gibt es zwei Modelle, die sowohl praxisrelevant sind als auch im Kern sehr ähnlich:

Human Capital Analytics Eco System, The Conference Board

The Eight Step Model, Josh Bersin

Wenn es um Workforce Analytics geht, beginnen die Verantwortlichen häufig mit Daten. Vom Ende her zu beginnen, die Wertschöpfungskette zuerst logisch zu durchdenken und externe Evidenz mit einzubinden ist jedoch der weitaus bessere Ansatz. Mit anderen Worten: zuerst definieren, was erreicht und verändert werden soll und warum.

Beim Business Breakfast in Zürich am 24. Oktober 2017 und während der Fachtagung in Edesheim am 16. November 2017 werde ich auf diese Modelle eingehen und Praxisbeispiele zeigen, die entlang dieser Modelle realisiert wurden.

Was sind die Basics der Datenanalyse?

Das Forschungsdesign, das Sie anwenden, bestimmt, wie genau Sie Schlussfolgerungen über Ursachen und Wirkungen entlang Ihrer Analyse erreichen können. Die Identifizierung von Ursache- und Wirkungs-Zusammenhängen ist nicht das einzige Ziel von Workforce Analytics, aber ein wichtiges. Entwürfe, die mehr Vertrauen in die Kausalität erlauben, erhöhen die Wahrscheinlichkeit, erfolgreiche Interventionen resp. Massnahmen umzusetzen.

Forschungsdesigns können durch eine Wirksamkeitshierarchie kategorisiert werden. Die stärksten Forschungsdesigns sind randomisierte Experimente, gefolgt von quasi-experimentellen Entwürfen, Beobachtungs- oder Korrelationsentwürfen und schliesslich qualitativen Designs. Randomisierte Experimente erfüllen drei Kriterien für eine kausale Wirkung:

  • Die Ursache geschieht vor der Wirkung bzw. dem Effekt.
  • Die Experimente zeigen eine Beziehung zwischen der Ursache und der Wirkung bzw. dem Effekt (wenn eine Veränderung auftritt).
  • Andere mögliche Ursachen sind aufgrund der Randomisierung ausgeschlossen.
Alle in der Forschungshierarchie diskutierten Entwürfe können gestärkt werden, wenn die zu untersuchenden Variablen wiederholt zu mehreren Zeitpunkten gemessen werden. Dies wird als Längsschnittstudie bezeichnet.

Der Überblick über die Analyseziele (quantitativ und qualitativ) stellt die Detaillierungsstufe dar, die das WA-Team bei der Analyse beherrschen sollte. In Workforce Analytics zielen die meisten quantitativen Analysen (d.h. statistische Analysen der numerischen Daten) auf eine der folgenden Tätigkeiten ab:

  • Das Erforschen (Varianz),
  • Assoziieren (Pearson´s Korrelationskoeffizient),
  • Prognostizieren (lineare und multiple Regression, Regressionsbäume, neuronale Netze, Unterstützungsvektormaschinen und Zeitreihenanalyse),
  • Klassifizieren (Chi-Quadrat-Test, logistische Regression),
  • Reduzieren (Hauptkomponentenanalyse und Faktorenanalyse), oder
  • Segmentieren (Clusteranalyse) von Informationen über Mitarbeitende und Organisationen.

Die Ziele der qualitativen Forschung sind, organisatorische Phänomene zu verstehen, ohne quantitative Daten zu verwenden. Techniken umfassen Ethnographie, Fokusgruppen und detaillierte Fallstudien. Ziele der qualitativen Forschung in Workforce Analytics beinhalten Hypothesenformulierung, Interpretation und Kontextualisierung.

Fazit

In diesem ersten von vier zusammenhängenden Beiträgen zum Thema Workforce Analytics ging es mir v.a. um die Grundlagen. Bevor man mit einer WA-Initiative startet (Beitrag 2 von 4) sollte man sich diese bewusst machen, gründlich durchdenken und erst dann entscheiden, ob man eine Initiative startet, oder nicht.

Unsere Foren – siehe auch: Blogbeitrag zum Forum 2016, Praxisbeispiele zu Workforce Analytics – folgen den skizzierten Vorgehensmodellen, insbesondere dem Eight Step Model.

Der dritte Beitrag handelt von notwendigen Daten, Technologien und Fähigkeiten. Im vierten und letzten Beitrag gehe ich auf den Aufbau einer Analytics-Kultur ein.