Aktuelle Erfahrungen und Studien zu Workforce Analytics führen uns die ganze Breite und Tiefe dieses Themas vor Augen. Diese reichen von „Fortschritt oder Rückschritt“ (Teil 1, Teil 2, Teil 3) bis hin zu „vielversprechend und notwendig„. Ich sehe aktuell die Gefahr, dass Mythen und Vorwände die Chancen und Potenziale überlagern.

Seit vielen Jahren, in denen ich mich aus unterschiedlichen Perspektiven mit Workforce Analytics und Künstlicher Intelligenz beschäftigt habe – 1991 habe ich meine Diplomarbeit über KI im Bankenumfeld geschrieben -, gewann ich die Überzeugung, dass ein faktenbasiertes Vorgehen in HR der Schlüssel für Erfolg und Akzeptanz – v.a. im strategischen Kontext – darstellt.

Die Foren der STRIMacademy zu diesem Thema [mehr Infos zur 2018er Tagung] dienen dazu, diese Überzeugung mit dem C-Level, Analysten und Investoren, Führungskräften, Planungsverantwortlichen, sowie Personal- und Finanzcontrollern zu teilen und Erfahrungen auszutauschen.

Einige Mythen halten sich bisher (leider) hartnäckig, so z.B.:

  • Wir (HR) sind nicht reif dafür, um uns mit Prognosen zu beschäftigen.
  • Wir (HR) haben nicht genug Daten, um uns mit Analytics zu befassen.
  • Wir können uns die Fähigkeit zum „predictive-modeling“ einfach dadurch einkaufen, dass wir in moderne HR-Business-Intelligence-Lösungen investieren.
  • Wir müssen eine Gruppe von Statistikern einstellen, bevor wir Analytics einführen können.
  • Analytics produziert „perfekte“ Vorhersagen und immer die beste Analysetechnik.
  • Sog. „predictive-models“ sind narrensicher, d.h. gute Software-Tools implizieren gute Modelle.
  • Sog. „predictive-models“ liefern immer Geschäftsergebnisse.

Gehen Sie Workforce Analytics vielmehr mit Leidenschaft und Agilität an – hier einige Anregungen:

Der Beginn einer WFA-Initiative ist einfacher als Sie denken

Unternehmen benötigen eine Balance zwischen den richtigen Fähigkeiten, Technologien und Prozessen.

  • Bevor Sie loslegen: Beschäftigen Sie sich mit den Grundlagen.
  • Mit Analytics verfügen Unternehmen über einen systematischen, evidenzbasierten Ansatz (siehe auch: Have a Think: The Practical Guide to Evidence-Based HR).
  • Wenn Sie sich für den Aufbau einer WFA-Funktion entscheiden, dann benötigen Sie diese Fähigkeiten [mehr Infos]; der dafür notwendige Mitarbeiterpool wird sich aus internen und externen Mitarbeitern zusammensetzen (vgl. Partneroptionen, Agilität in Verbindung mit „buy, build, borrow“):
    • Statistik, Datentechnik, Mathematik und Quantifizierung für die Modellierung.
    • Technologie-Know-how, Datenarchitektur und Datenmanagement zum Erstellen von Dashboards.
    • Geschäftssinn, um ein Problem anzusprechen, fragen Sie, warum, sprechen Sie mit Führungskräften, und beraten Sie sich mit Kunden.
    • Fachexperten für Industrie- und Organisationspsychologie, Rekrutierung und Storytelling.
  • Rollen innerhalb der WFA-Arena umfassen: Schreiben von Angeboten, Sammeln von Daten, Storytelling und Erstellen, Ausführen und Interpretieren der Modelle.
  • Verinnerlichen Sie zuerst Descriptive Analytics (Personalberichtswesen, etc.) [Reifegrade und Senioritätsstufen]; beginnen Sie danach mit Predictive Analytics mit Fokus auf Mitarbeiterbindung, weil dies einen (leicht rechenbaren) ROI bietet.
  • Wenden Sie ein zielführendes Vorgehensmodell, wie z.B. das HCA Eco System oder das Eight Step Model, an.
  • Bevor Sie einen Datenwissenschaftler (data scientist) einstellen, müssen Sie wissen, was Sie mit den Analysen machen möchten. Beginnen Sie damit, eine Geschäftsfrage zu stellen und Hypothesen zu formulieren; denken Sie darüber nach, was Sie ändern möchten. dann brechen Sie die Fragen in Unterfragen auf.
  • Beachten Sie, dass Daten nicht die Frage beantworten, ob ein Befund gut oder schlecht ist. Das ist kontextabhängig. Zum Beispiel könnten fünf Prozent Fluktuation für Unternehmen, die grundlegende Veränderungen wünschen, zu niedrig sein, weil sie neue Ideen brauchen, aber für Unternehmen, die viel Weiterbildung und qualifizierte Arbeitskräfte benötigen (unternehmensspezifisches Humankapital!), könnte es zu hoch sein.
  • Reporting und Analytics erfüllen unterschiedliche Anforderungen; halten Sie deshalb separate Analytics- und Reporting-Teams vor. Bei der Berichterstattung handelt es sich um einzelne Datenpunkte und es werden Vergangenheit und Gegenwart angegeben. Analytics verbindet mehrere Datenpunkte miteinander, um Muster und Trends zu visualisieren und die Zukunft vorherzusagen sowie die Vergangenheit und Gegenwart darzustellen.
  • Verwenden Sie Storytelling, um Ihre Einsichten zu teilen und den Storytelling-Ansatz auf das jeweilige Publikum abzustimmen. Zum Beispiel sollten Sie wissen, ob Ihre Zielgruppe eher auf Zahlen steht oder sich mehr für den Kontext interessiert.
  • Seien Sie sensibel mit Blick auf die Privatsphäre (Datenvertraulichkeit, EU-DSGVO). Fühlt sich Ihre Datensammlung wie „Big Brother“ an? Wenn Sie beispielsweise überlegen, wo Mitarbeiter in Bezug auf die Pendelzeiten wohnen, können Sie verfolgen, wo sich die Mitarbeiter befinden, indem Sie nachsehen, ob sich deren Mobiltelefone in der Nacht am selben Ort befinden. Dies würde jedoch eine Linie überschreiten!
  • Gehen Sie nicht davon aus, dass HR alles über die rechtliche Seite der Dinge weiss. Arbeiten Sie daher eng mit der Rechtsabteilung zusammen (vgl. „The Long Arm of the Law“), insbesondere wenn es um die Privatsphäre geht.

Maschinen und Roboter sind einsatzbereit. Benutzen Sie diese

Eine Reihe von Unternehmen nutzt künstliche Intelligenz und maschinelles Lernen, um die Erfahrung der Mitarbeiter und ihre Ergebnisse zu verbessern. Aber seien Sie nicht überrascht, wenn Sie Probleme haben mitzuhalten – die Technologie, die mit KI und maschinellem Lernen verbunden ist, verändert sich schneller, als die meisten Unternehmen mithalten können.

  • Künstliche Intelligenz (kurz: KI) kann dabei helfen, Leistung und Kündigung vorherzusagen, personalisierte Erfahrungen bereitzustellen und automatisierte Empfehlungen zu erstellen. Eine Grossbank verwendet KI, um eine interne Daten-Engine zu erstellen, die Mitarbeiter darüber informiert, welche internen Rollen gut zu ihnen passen würden. Ein Finanzdienstleister verwendet KI, um Daten mehrerer Jahre hinsichtlich der Fähigkeiten erfolgreicher Mitarbeiter zu überprüfen, und welche Rekrutierungsquellen zu erfolgreichen Verkäufern führten, um diese Informationen in Lebensläufen dahingehend zu verwenden, Bewerbungen mit ähnlichen Profilen zu finden.
  • Um KI und maschinelles Lernen zu nutzen, ist ein einziges Datenerfassungs- und -speichersystem mit Daten des gesamten Beschäftigungslebenszyklus´ von Vorteil. Es ist deutlich aufwändiger, wenn Daten an verschiedenen Orten abgelegt werden. Die Konsolidierung aller HR-Informationen, einschliesslich Talent-, Sourcing-, Performance-Management-, Lern- und Entwicklungsdaten und Rekrutierungsdaten, in einer einzigen, einheitlichen Datenbank / einem BW ist daher anzuraten.
  • Cloud-basierte Datensysteme ermöglichen jedem dazu Berechtigten Zugriff auf Analysen von mobilen Geräten und Desktops aus. Ein Pharmaunternehmen wechselte für seine Mitarbeiterbefragung zu einer Cloud-basierten Plattform, so dass die Manager verschiedene für sie relevante Datenschnitte und Berichte einsehen konnten.
  • Seien Sie sich der Vorbehalte bewusst, die mit maschinellem Lernen einhergehen. Zum Beispiel kann KI Korrelationen finden, aber Menschen müssen immer noch Kausalität streben.

“Garbage in means garbage out“. Stellen Sie sicher, dass Ihre Daten „sauber“ sind

„Saubere“ Daten bedeuten genaue Daten und eine statistisch signifikante Stichprobengrösse.

  • Statistische Signifikanz zu finden kann hart sein, ist aber sehr wichtig. Wenn die Stichprobengrösse zu klein ist, könnte etwas wie ein Problem erscheinen, obwohl es keines ist. Zum Beispiel untersucht ein Rückversicherungsunternehmen Exit-Interviews und die verschiedenen Gründe, warum Mitarbeitende das Unternehmen verlassen. Es sieht viele Trends in Daten, aber in den meisten Fällen sind sie nicht statistisch signifikant, weil die Stichprobengrösse zu klein ist. Wenn dies erkannt wird, zieht das Unternehmen keine voreiligen Schlüsse.
  • Schauen Sie immer auf das grössere, ganze Bild. Wenn eine Person von Tausenden falsch codiert ist, müssen Sie sicherlich nicht alle Daten wegwerfen.
  • Automatisieren Sie wiederholbare Prozesse, z. B. das Hinzufügen von Excel-Feldern und deren Konvertierung in Pivot-Tabellen. Automatisierung reduziert Fehler.
  • Hüten Sie sich vor bewusster und unbewusster Voreingenommenheit beim Schreiben von Algorithmen, da solche Verzerrungen automatisch im Algorithmus kodiert werden können.
  • Achten Sie auf Bestätigungsfehler – Mitarbeiter und Führungskräfte werden Sie oft bitten, etwas zu recherchieren, das sie bestätigt haben möchten.

Das können Sie untersuchen, wenn Sie Ihre Daten zusammenfassen

Wenn Sie Ihre Daten konsolidieren, gibt es eine Reihe von Dingen, die Sie recherchieren können, z. B. Prognosen darüber, wer am ehesten kündigen wird, die Korrelation zwischen Lernen und Entwicklung oder anderen speziellen Programmen und Aktionen sowie Möglichkeiten zur Verbesserung der Mitarbeitererfahrung. Hier sehen Sie, was Unternehmen gerade entdecken:

Predictive Analytics nutzen, um Treiber einer mitarbeiterseitigen Kündigung zu finden

Wenn es schwieriger wird, Positionen zu besetzen, wollen Unternehmen so viele Mitarbeiter wie möglich halten. Wenn Sie feststellen können, welche Faktoren dazu führen können, dass Mitarbeiter am ehesten kündigen, können Sie Massnahmen ergreifen, um bei denen zu intervenieren, die ein Kündigungsrisiko darstellen könnten.

  • Tragen lange Fahrtwege zur Kündigung bei? Achten Sie auf Adressen / Postleitzahlen bei denjenigen, die aufhören (stellen Sie sicher, dass sie nicht Telearbeit geleistet haben). Wenn sie weit weg wohnten und nicht Telearbeiter waren, dann war die Entfernung vielleicht der Grund für die Kündigung.
  • Erkunden Sie die Outlook-Daten. Wenn zum Beispiel bestimmte Mitarbeiter gewöhnlich um 9:00 Uhr die Arbeit aufnehmen (weil sie z.B. davor ihre Kinder noch zum Kindergarten oder zur Schule bringen) und ihre Führungskraft sie wiederholt um 8:00 Uhr bereits „einberuft“, werden sie dann eher gehen? Hat dieses Team höhere Kündigungsquoten als andere? Mitarbeiter, die dies nicht mögen, werden ggf. kündigen.
  • Führen lange Wartezeiten auf eine Beförderung zur Kündigung? Ein Pharmaunternehmen stellte fest, dass Mitarbeiter, die innerhalb von drei Jahren nicht befördert wurden, das Unternehmen verlassen haben.
  • Ein Bekleidungsunternehmen erstellte Kündigungsmodelle, um zu bestimmen, welche Faktoren dazu führen, dass ein Mitarbeiter freiwillig austritt (z.B. Arbeitszeiten, Gehalt). Anschliessend erstellte das Unternehmen Risikoprofile, um herauszufinden, welche Mitarbeiter mit hoher Wahrscheinlichkeit das Unternehmen verlassen werden.

Verwendung von Analysen, um die Leistung nachzuhalten und Lern- und Entwicklungsprogramme zu rechtfertigen

Mitarbeiter mit bestimmten Eigenschaften oder die an einem bestimmten Kurs teilgenommen haben, können mit höherer Wahrscheinlichkeit eine gute Leistung erbringen. Sobald Unternehmen nachweisen konnten, dass bestimmte Schulungsprogramme zu Beförderungen oder Leistungsverbesserungen geführt haben, konnten sie zusätzliche Mittel erhalten, um sie fortzuführen.

  • Bestimmen Sie die Eigenschaften, die viele leistungsstarke Mitarbeiter gemein haben. Dann suchen Sie nach potenziellen Kandidaten mit ähnlichen Hochleistungsattributen und stellen Sie diese ein.
  • Verfolgen Sie Social Capital Analytics, das informelle Führungskräfte identifizieren kann, Menschen, die Quellen positiver Energie sind, stille Helden, die das Unternehmen voranbringen, kleine Gruppen von Menschen, die überproportional stark wirken, Potenzialträger und Kandidaten für Coaching.
  • Finden Sie die Korrelation zwischen bestimmten Erfahrungen / Merkmalen und Beförderungen. Ein Pharmaunternehmen stellte fest, dass Mitarbeiter, die multisektorale und länderübergreifende Erfahrungen hatten (und die auch ähnliche Rollen, Gehälter und Bildung hatten), eine um 45 Prozent höhere Wahrscheinlichkeit hatten, befördert zu werden.
  • Ein anderes Unternehmen untersuchte die Auswirkungen seines Energiemanagementprogramms auf Leistung, Bindung und Förderung. Es stellte sich heraus, dass die Mitarbeiter, die an dem Trainingsprogramm für Energiemanagement teilnahmen, mit 25 Prozent höherer Wahrscheinlichkeit innerhalb eines Jahres nach Abschluss des Programms befördert wurden. Dies rechtfertigte die Fortsetzung des Programms über den Piloten hinaus.

Verwendung von Daten zur Verbesserung der Mitarbeitererfahrung

  • Während des Onboardings messen Sie beispielsweise, wie lange es dauert, bis neue Mitarbeiter einen Laptop und einen Betriebsausweis erhalten. Wie viele Mitarbeiter sind am ersten Arbeitstag arbeitsfähig? Am fünften Arbeitstag? Sie möchten nicht, dass neue Mitarbeiter am ersten Tag nach Hause gehen und sich fragen, ob sie die richtige Entscheidung getroffen haben.
  • Im Alltagsleben erwarten die Menschen personalisierte digitale Erfahrungen, Empfehlungen, Medien und Communities. Sie erwarten diese Art von Erfahrungen auch am Arbeitsplatz. Sie benötigen entsprechende Datenmengen über jede Person und deren Aktivitäten, um diese Dinge bereitzustellen.

Ein Landwirtschafts- und Bauunternehmen verfolgt seine Mitarbeiter-Netzwerke

Dieses Unternehmen wollte herausfinden, was es bedeutet, innerhalb der Organisation „besser vernetzt“ zu sein und warum es wichtig ist. Es führte ein Programm zur Erfassung des Sozialkapitals durch (die Informationen, Ideen und Unterstützung, die Mitarbeiter durch ihre Beziehungen zu anderen erwerben), um herauszufinden, warum manche Menschen und Unternehmen besser abschneiden als andere.
Im Rahmen einer Umfrage wurden drei Netzwerke im Traktorengeschäft untersucht, mit Fragen wie: „Mit wem interagieren Sie regelmässig?“.
Das Unternehmen untersuchte die Netzwerke, um zu erfahren, wer im Unternehmen als informelle Führungsperson (Führung für eine strategische Initiative), als Sinnbildner (die Menschen, zu denen Mitarbeiter kommen, wenn sie sich eine Meinung über Veränderungen oder andere Ereignisse am Arbeitsplatz bilden wollen) oder als Aktivierer (Mitarbeiter, die andere nach einer Interaktion für die Möglichkeiten begeistern) wahrgenommen wurde. Es stellte sich heraus, dass keine der Personen, die mit diesen Labels bewertet wurden, formelle Führungskräfte waren – vielmehr Angestellte ohne Führungsverantwortung. Dies zeigt, dass nicht nur Führende einen Wert haben – das Unternehmen muss auch auf den Wert achten, den Wissensführer besitzen.
Es wurde auch die Zusammenarbeit innerhalb und zwischen Arbeitsgruppen untersucht, um festzustellen, wer über, unter oder auf dem erwarteten Niveau zusammengearbeitet hat. Es stellte sich heraus, dass zwei Gruppen nicht zusammenarbeiteten, die eng hätten zusammenarbeiten sollen.
Das Unternehmen sammelt immer noch Daten und überlegt, welche Geschichten diese erzählen. Es wird wahrscheinlich die Informationen für die Entwicklung nutzen und für die Zukunft planen.

Abschliessende Anmerkungen

Um Transparenz über den aktuellen Stand im Thema Workforce Analytics zu gewinnen, empfehle ich Ihnen, an unseren Befragungen teilzunehmen. Sie können entweder im Rahmen der jährlichen Foren, oder nach Bedarf einsteigen. Unser Diagnosetool mit sechs Kernelementen und jeweils vier Phasen ist darin eingearbeitet.

Ausserdem sollte dieser Beitrag Sie dazu motivieren, agil und leidenschaftlich für Ihr Unternehmen sinnvolle Hypothesen zu identifizieren und statistisch zu falsifizieren. Einige der o.g. Beispiele liefern Ihnen sicherlich Ansatzpunkte, um mit Workforce Analytics zu beginnen und Erfahrungen zu sammeln.

Über Ihren Kommentar zu diesem Blogbeitrag würde ich mich sehr freuen![/fusion_builder_column][/fusion_builder_row][/fusion_builder_container]