HR - oder auch People Analytics - bezeichnet die Analyse der personalwirtschaftlichen Daten der eigenen Organisation – und zwar in Verbindung mit anderen, relevanten Unternehmensdaten. Somit kann der vorhandene „Datenschatz“ mit statistischen Verfahren und zunehmend mit Hilfe von KI genutzt werden.
Das Ziel hierbei ist, strategische Erkenntnisse zu erlangen und fundierte Entscheidungen treffen zu können. Im besten Falle ergänzen also Daten und Fakten die vorhandenen Erfahrungswerte und die Intuition der Entscheidungsträger im HR.
Wie das gelingen kann, dass diskutieren projekt0708 Geschäftsführer Michael Scheffler und Paulina Kersting, Consultant bei projekt0708.
Ergänzende Informationen zu dieser Episode:
Das p78 Whitepaper "Get ready for People Analytics - Ihr Einstieg in datenbasierte Personalarbeit" ist ebenfalls ab jetzt online bit.ly/p78peopleanalytics
Das Interview zum Nachlesen
People Analytics - was verstehen wir darunter?
Michael Scheffler:
Zu Beginn unseres Gespräches würde mich mal interessieren, was versteht man im Allgemeinen unter dem Begriff People Analytics? Gefühlt nehme ich den immer mehr wahr und insofern die Frage an dich, ob du uns das einmal einordnen könntest, bitte.
Paulina Kerstings:
Natürlich, sehr gerne. Der Bereich People Analytics fällt unter den Bereich Data Analytics, d. h. es geht darum „wie können wir Daten, die zur Verfügung stehen, nutzen und diese analysieren und diese als Entscheidungsgrundlage nutzen?“.
Meistens wird hier mit KPIs (Key Performance Indicators) gearbeitet und es wird geschaut „welche Daten habe ich im Unternehmen zur Verfügung und welche Indikatoren können mir helfen, Entscheidungen besser zu treffen?“. Der Bereich People Analytics ist ein großer Teilbereich davon und bezieht sich auf die HR-bezogenen Daten. Davon sind natürlich super viele auch im Unternehmen vorhanden, die auch teilweise manuell natürlich eingepflegt werden in Systeme. Es geht einfach darum, dass diese Daten genutzt werden, um dem Unternehmen oder auf organisatorischer Seite die Produktivität und Rentabilität zu steigern. Im HR zahlt das meistens auf den Candidate oder bspw. Employee Experience ein, d. h. es geht im Großen und Ganzen darum, die Mitarbeiterzufriedenheit zu steigern und ihre Leistungsfähigkeit zu steigern und dadurch als gesamtes Unternehmen einen Wettbewerbsvorteil zu erzielen.
Michael Scheffler:
Klingt toll, aber ist mir ein bisschen zu wenig griffig. Kannst du das mit einem ganz konkreten Praxisbeispiel vielleicht nochmal unseren HörerInnen erklären? Ich denke das wäre hilfreich an der Stelle, weil das einfach so ein breites Feld ist und vielleicht hast du da ein konkretes Beispiel für uns?
Ein Use Case aus der Praxis
Paulina Kerstings:
Ja, total gerne. Eins meiner Lieblingsbeispiele kann ich gerne einmal erläutern. Das kommt tatsächlich auch aus dem praktischen Bereich. Das habe ich mal gelesen von einem Unternehmen, die festgestellt haben, dass eine Vielzahl der Mitarbeiter deutlich längere Krankheitsphasen hatten im Jahr und dann geschaut haben „woran kann das denn liegen?“. Die haben dann gewisse Use Cases erarbeitet, also Szenarien, die eingetreten sein könnten, wo sie geschaut haben, ob das vielleicht der Fall ist und dann andere Kennzahlen mit reingenommen und diese verglichen. Die haben dann im Endeffekt herausgefunden, dass die Mitarbeiter, die kürzere Urlaubsphasen auf das Jahr bezogen hatten oder vielleicht mehrere Urlaubsphasen, aber diese kürzer waren, in der Regel länger krank waren auf das Jahr verteilt, d. h. sie haben daraus den Schluss gezogen, dass wenn Mitarbeiter lange Urlaube nehmen oder zumindest einen langen Urlaub im Jahr haben, sie auch weniger krank sind. Das konnten sie verifizieren basierend auf den Daten, die sie im Unternehmen hatten. Daraufhin konnten sie auch Empfehlungen an das Management geben, wenn es um die Urlaubsgenehmigung ging, dass sie auch darauf geachtet haben, dass Mitarbeiter mindestens eine lange Urlaubsphase im Jahr haben. Das spiegelt sich natürlich auch auf die Leistung des gesamten Unternehmens wider.
Michael Scheffler:
Das finde ich spannend. Also ihr konntet wirklich einen kausalen Zusammenhang feststellen zwischen kurzen Urlaubszeiten und weniger Erholung und dann wiederum entsprechender Krankheitsquote, wenn ich dich richtig verstanden habe?
Paulina Kerstings:
Ja.
Michael Scheffler:
Dann, sollten wir daraus mal Rückschlüsse für unser Unternehmen ziehen. Genau das ist die Herausforderung, diese Zusammenhänge herauszuarbeiten und dann auch ja mit Zahlenmaterial zu unterfüttern, habe ich verstanden. Warum sollten HR-Abteilungen denn deines Erachtens auf People Analytics und somit auf datenbasierte Entscheidungen im Personalwesen setzen? Wir haben jetzt dieses plastische Beispiel von dir bekommen, habe ich auch verstanden. Welchen Mehrwert siehst du denn darüber hinaus noch und was können die Organisationen daraus für sich mitnehmen? Effektivität hattest du gerade erwähnt, Rentabilität. Was siehst du noch für Treiber?
Paulina Kerstings:
Man sagt ja immer so schön „die Daten lügen nicht“, d. h. es ist wirklich einfach ein riesiges Potential, was man da hat innerhalb der Daten und wie du schon sagst, ich habe eben schon ein paar Punkte genannt, die auf jeden Fall wichtig sind. Grundsätzlich soll es ja auch nicht unbedingt die Entscheidungen der HR-Mitarbeiter wegnehmen, sondern die einfach unterstützen und die Mitarbeiter können schauen, dass sie mithilfe dieser Daten einfach die allgemeine Mitarbeiterzufriedenheit steigern. Ich hatte eben schon auf die Kernbereiche von Candidate und Employee Experience abgezielt, das ist natürlich super wichtig, dass die Mitarbeiter einfach zufrieden sind und das spielt sich auf die Leistung ab und dadurch kann ein Unternehmen einfach wettbewerbsfähiger und leistungsfähiger sein. Es ist sehr wichtig, dass Unternehmen darauf zurückgreifen, gerade weil dieses Potential da ist und weil die Daten zur Verfügung stehen.
Umsetzung von Big Data im Unterehmen
Michael Scheffler:
Ein Begriff, den ich in diesem Zusammenhang immer wieder höre und lese, ist der Begriff „Big Data“. Was dürfen sich denn unsere HörerInnen darunter vorstellen und wo kommt das Thema „große Datenmengen“ im Kontext HR deiner Erfahrung nach in der Praxis wirklich vor? Also welche Unternehmen setzen wie auf dieses Thema Big Data? Hast du da Erfahrungswerte für uns?
Paulina Kerstings
Big Data ist natürlich so ein klassisches Wort, was man immer überall hört. Ich würde sagen, es ist fast ein bisschen ein Buzzword. Es zielt ja eigentlich nur auf die gesamte Datenmenge, die im Unternehmensumfeld ist, ab, d. h. es bezieht sich auf interne Daten sowie externe Daten, auf die ein Unternehmen zugreifen kann im Rahmen von Data Analytics bspw. und die enormen Potentiale, die diese Daten mitbringen. Es wird natürlich noch ein bisschen komplexer, weil man bei Daten natürlich noch unterscheiden kann. Bspw. zwischen strukturierten Daten und unstrukturierten Daten. Strukturierte Daten sind in der Regel die Daten, die direkt in einem Datenmodell erfasst werden können bzw. erfasst werden. Ein klassisches Beispiel im HR sind die HR Stammdaten. Die werden sogar manuell von einem HR Mitarbeiter in eine Software, ein Datenmodell, eingetragen. Da gibt es Felder wie z. B. Name oder Vorname und da werden dann Begriffe eingetragen. Das sind klassische strukturierte Daten. Die kann man natürlich auswerten. Die bieten aber nicht so viel Potential wie bspw. unstrukturierte Daten. Das sind komplexere Daten, die schätzungsweise so 80-90 Prozent der Daten in Organisationen ausmachen. Die werden nicht direkt in einem Datenmodell erfasst, d. h. es ist auch ein bisschen schwieriger die auszuwerten, die bringen aber in der Regel deutlich mehr Potential mit für die Auswertung. Daraus können deutlich spannendere Rückschlüsse auch gezogen werden. Beispiele dafür sind auch ein bisschen komplexer, bspw. E-Mail-Inhalte oder Social Media Posts. Wenn man das Ganze im HR-Kontext betrachtet, können das Inhalte aus Vorstellungsgesprächen, Präsentationen sein oder auch Schulungsinhalte.
Was in Bezug auf Daten auch noch wichtig ist und oft hergenommen wird, gerade in Bezug auf Analytics, sind so die „Four Vs“, die vier Vs von Doug Laney, das ist Volume, Velocity, Variety und Veracity. Bei Volume geht es um die Menge an Daten, die zur Verfügung stehen. Velocity ist die Geschwindigkeit bzw. auch die Echtzeit der Daten. Das finde ich auch ganz spannend gerade für den Analytics Bereich, weil man natürlich schauen muss „wie oft stehen mir Datenpunkte auch zur Verfügung?“ und möchte ich mit Echtzeitdaten arbeiten oder vielleicht mit einer Snapshot-Aufnahme. Dann die Variety, also die Vielfalt der Daten, was gibt es für unterschiedliche Formen von Daten, die zur Verfügung stehen und als letztes Veracity, also die Wahrhaftigkeit der Daten. Die Datenqualität ist sowieso ein riesiges Thema und auch die Verfügbarkeit. Da kann ich gerne später noch ein bisschen detaillierter drauf eingehen, weil es auch eine der größten Herausforderungen ist, wenn es um Analytics geht.
Die 4 Ebenen des Reifegradmodells
Michael Scheffler:
Das kann ich mir absolut vorstellen. Die Themen, die du jetzt so stichpunktartig genannt hast, da kann ich mir vorstellen, dass das für die Unternehmen in der Praxis große Hürden darstellt, das überhaupt irgendwie zu erheben und dann auch in irgendwelche analytischen Betrachtungen mit einzubeziehen. Ich habe in dem zuvor erwähnten White Paper, was ich mir im Vorfeld zu unserem heutigen Gespräch im Detail mal zu Gemüte geführt habe, ganz unterschiedliche Ansätze der Datenanalyse in einem Unternehmen herausgelesen. Ich habe auch verstanden, dass es da ein schönes Reifegradmodell gibt, was wir einsetzen, um das dann auch zu klassifizieren. Kannst du uns diese erwähnten vier Kategorien einmal kurz beschreiben? Wie gehen wir da vor ganz konkret?
Paulina Kerstings:
Sehr gerne. Grundsätzlich differenziert man bei der Analyse von Daten basierend auf der Komplexität der Datenanalyse, also die Ausprägung, wie komplex die Analyse wirklich ist und das ist dieses Reifegradmodell, von dem du sprichst.
Da gibt es vier Ebenen, das fängt an mit der deskriptiven Ebene, die beschreibt eigentlich nur „was ist passiert? Wie oft ist es passiert?“, also rein zahlennumerisch, dass man da Auswertungen in Bezug auf die Stammdaten macht, da kann man auswerten „wie viele Mitarbeiter kommen aus Deutschland?“, das wäre so eine klassische deskriptive Analyse. Das ist sehr, sehr simpel und bringt noch nicht so viel Mehrwert für das Gesamtunternehmen.
Dann ist die nächsthöhere Komplexität der Datenanalyse die predictive oder die prädiktive Datenanalyse. Das beantwortet die Frage „warum ist das passiert? Was passiert als nächstes?“, d. h. man setzt das irgendwie in den Vergleich.
Darauffolgend eine Ebene höher wäre das präskriptive, das beantwortet die Frage „was passiert denn, wenn wir das und das versuchen?“ oder „was wäre vielleicht das Beste, was passieren könnte?“, also wirklich ein bisschen in die Zukunft schauend.
Ganz oben auf der Pyramide steht die autonome Analytik. Das bezieht sich auf Machine Learning. Da schaut man sich die Daten an und geht mit keiner konkreten Fragestellung ran, sondern vielmehr mit „was können wir aus den vorhandenen Daten lernen?“. Das ist immer ganz spannend, weil natürlich gesagt wird „je komplexer die Datenanalyse ist, desto mehr Mehrwert oder desto höher ist der Wettbewerbsvorteil durch die Analyse“. Das ist allerdings nicht immer der Fall, weil man immer ein bisschen den Kosten-Nutzen mit evaluieren muss. Man wird nicht immer die komplexeste Lösung haben müssen, weil das nicht unbedingt immer das Beste ist. Das ist vielleicht auch ganz spannend vorweg zu wissen, weil viele glaube ich denken „wenn ich in das Thema einsteige, muss ich direkt mit autonomer Analytik, mit Machine Learning rangehen?“, aber das ist tatsächlich nicht immer die Lösung, sondern oft reicht auch Reporting bzw. das ist auch was, was in Zukunft weiterhin relevant sein wird, auch um dann die Machine Learning Analysen nochmal zu verifizieren oder zu überprüfen.
Michael Scheffler:
Ich sage auch immer „den Elefanten in verdaubare Häppchen zerteilen“, ich glaube das trifft auch auf dieses Themengebiet zu, d. h. man muss sich einfach Schritt für Schritt diesem Thema nähern. Was ist denn deiner Erfahrung nach bei den Kunden am häufigsten für ein Reifegrad vorzufinden? Hast du da eine Aussage für uns?
Paulina Kerstings:
Also aktuell ist es tatsächlich so, gerade im Bereich HR Data oder People Analytics, dass es eher so die ersten zwei Stufen sind, d. h. man schaut sich eher an „was ist passiert?“, also rückblickend als Reporting oder „wie viele Mitarbeiter haben wir? Was ist der Headcount? Wie viele FTEs?“ und man kann auch oder viele schauen noch auf das predictive, also „was passiert als nächstes bzw. warum passiert das?“. Das sind aber auch schon die wenigsten. Es ist hauptsächlich im deskriptiven Bereich.
Der richtige Einstieg mit People Analytics
Michael Scheffler:
Super, super spannend. Paulina, ich habe verstanden, dass People Analytics ein enormes Potential besitzt, die Personalarbeit auf ein ganz neues Level zu bringen, voranzubringen. Gleichzeitig ist das Thema super komplex, zumindest für mich als Außenstehenden. Ich denke vor allem für den Mittelstand dürfte das eine große Herausforderung sein, denn da ist in der Regel eine dünnere Personaldecke gegeben und vielleicht auch die finanziellen Rahmenbedingungen sind nicht vergleichbar mit den großen Konzernen. Wie kann ich also als Entscheidungsträger im HR, wenn ich mich mal in diese Rolle hineinversetzen darf, einen Einstieg finden und das Thema People Analytics für mich nutzbar machen? Was wäre da deine Empfehlung an unsere HörerInnen?
Paulina Kerstings:
Du hast auf jeden Fall Recht, das ist eine große Herausforderung für den Mittelstand. Deswegen war es Ziel unseres White Papers da wirklich schrittweise ranzugehen und eine Art Guideline zu geben, wie man das Thema angehen kann. Wir haben das Ganze basierend auch auf Erfahrungswerten in vier unterschiedliche Schritte aufgearbeitet, die würde ich gerne einmal mit dir durchgehen.
Der erste Schritt wäre sich einen Use Case zu überlegen, d. h. „wo ist das Problem? Was ist das Problem, das erkannt wurde?“ und da ist es auch sehr wichtig, dass man mit den Mitarbeitern aus den HR-Bereichen zusammenarbeitet und die erzählen lässt oder auch abfragt aktiv „was sind Probleme, die aufgefallen sind?“. Ich hatte eben das Beispiel mit den erhöhten Krankentagen gebracht, das wäre dann so ein klassisches Beispiel, was aufkommen könnte und da kann man sich dann unterschiedliche Szenarien auch überlegen. „Was könnten Gründe dafür sein, die wir überprüfen wollen im Rahmen von People Analytics?“, wie z. B. die Anzahl der Urlaubstage. Es kann natürlich noch eine Vielzahl an anderen Sachen sein, die da irgendwie mit reinspielen. Aber das wäre so ein Beispiel, um sich einen Use Case zu identifizieren.
Als nächstes wäre es dann wichtig, dass man überlegt „welche Daten habe ich zur Verfügung? Welche Daten brauche ich überhaupt, um das zu verifizieren bzw. falsifizieren? Wo kommen diese Daten her? Sind die vielleicht auch in einem anderen Bereich vorhanden?“.
Es kann ja auch z. B. sein, dass eine hohe Krankenanzahl damit zusammenhängt, dass ein großer Druck in der Abteilung ist. Das könnte z. B. mit Umsatzzahlen in Verbindung stehen. Das wären bereichsübergreifende Daten, auf die zugegriffen werden müsste. Dann muss sich natürlich überlegt werden, welche Komplexität der Datenauswertung genutzt werden sollte. Wenn man jetzt sehr konkrete Use Cases hat, kann man vielleicht auch auf weniger komplexe Datenanalysen zurückgreifen. Da ist wieder diese Kosten-Nutzen-Frage und auch die Komplexität der Fragestellung oder des Use Cases.
Im dritten Schritt ist es wichtig zu definieren oder zu schauen „wo ist meine Manpower? Wo ist mein Skillset?“, um diese Datenanalysen auch durchzuführen. Ein spannender Ansatz, der da oft auch aufkommt, ist so eine Art Business Partnerkonzept, dass man wirklich eine Schnittstelle aufbaut zwischen dem HR-Bereich und dem IT-Bereich, der für den Analytics Bereich zuständig ist, um einen höheren Mehrwert aus den Daten zu erzielen, d. h. die Mitarbeiter im HR werden ja wissen, was sie für KPIs bspw. brauchen und dieser Business Partner dazwischen kann dann sehr, sehr gut übersetzen zwischen den Needs des Businesses und den Anforderungen, die die IT daraus schließen kann. Das ist auch ganz spannend, weil nämlich z. B. auch in meiner Masterarbeit damals herauskam, dass dieses Skillset, was aktuell in der IT-Abteilung vorhanden ist, dieses Analytics Skillset in Zukunft wahrscheinlich eher auch im HR-Bereich bspw. vorhanden sein wird, sodass so Sprachen wie bspw. Python, die auch zur Auswertung genutzt werden können, dann nicht nur im IT-Bereich, sondern auch im HR-Bereich vorhanden sind.
Dadurch ist natürlich auch der Mehrwert, der generiert werden kann, viel höher, weil die viel besser wissen, was sie für Bedürfnisse haben und was sie aus der Auswertung gerne mitnehmen wollen.
Als letzter Schritt, auch sehr wichtig, ist das Thema Visualisierung. Gerade jetzt, wo die Analyse meistens noch in den IT-Bereichen getätigt wird, ist es natürlich super wichtig, weil die Mitarbeiter, die am Ende mit den Daten oder den KPIs arbeiten, sind die HR Mitarbeiter, die die Analyse nicht selbst gemacht hatten, d. h. um die Daten zu verstehen, ist es super für diese so eine Art Dashboard auch zu haben und auch ein Dashboard, was wirklich runtergebrochen ist auf die wichtigsten KPIs bzw. die wichtigsten Kennzahlen, die angegeben sind, mit denen sie dann auch am besten arbeiten können.
Das sind so die vier Schritte, die eigentlich sehr, sehr wichtig sind, um die ersten Schritte in Richtung People Analytics zu machen.
Wichtige Voraussetzungen für den Einsatz von People Analytics
Michael Scheffler:
Klingt sehr einfach, wenn du das jetzt so runter deklinierst. Da steckt natürlich der Teufel im Detail. Was sind denn die wichtigsten Voraussetzungen, die bei Unternehmen gegeben sein müssen, damit People Analytics funktionieren kann? Ich hatte jetzt die Aufgabenverteilung, die Involvierung der IT-Abteilung herausgehört.
Was ist deiner Meinung nach am wichtigsten, damit das Ganze funktionieren kann?
Paulina Kerstings:
Da kommt nämlich jetzt das, was du gerade gesagt hast, der Teufel liegt im Detail.
Eins der größten Grundvoraussetzungen ist das Thema Data Governance, also die Sicherung der Daten, das Speichern, die Bereitstellung, aber auch die Datenqualität. Das ist nämlich oft leider ein riesiges Problem. Die Datenqualität muss natürlich auch stimmen, damit man richtige Schlüsse aus den Daten ziehen kann. Um das zu machen, muss man wissen, wo die Daten herkommen, wo ist der Ursprung der Daten und kann ich diese überhaupt verfügbar machen. Ich hatte eben schon gesagt, dass es auch um bereichsübergreifende Daten geht, d. h. da muss man auch schauen „wo kommen diese Daten her? Kann ich auf diese überhaupt zugreifen?“.
Was außerdem eine riesige Herausforderung im Bereich Data Governance ist, ist das Thema, dass Prozesse richtig gepflegt werden müssen. Ich kenne das aus dem operativen HR noch ganz gut, dass man natürlich vorgegeben hat, wie der Prozess zu führen ist und man sich doch so ein paar Shortcuts überlegt, wie man das für sich selber ein bisschen effizienter gestalten kann und das kann in so einem Data Analytics Thema dann leider total zum Problem werden. Deswegen sind so Firmen wie Celonis, die Process Mining machen, also sich wirklich Prozesse anschauen, wie sie sind und nicht wie sie sein sollten, von großer Bedeutung auch für das Thema People Analytics. Da muss man wirklich nochmal rangehen und sich die Prozesse anschauen. Und vor allem auch gucken, wer für die Prozesspflege und die Qualität der Daten verantwortlich ist und da bestimmte Verantwortlichkeiten auch entscheiden und festlegen und da auch nachhalten, dass diese Qualität dann wirklich generiert ist. Außerdem ist natürlich wichtig, dass gerade am Anfang, wenn das Thema neu aufgenommen wird, dass ein kontinuierliches und aktives Change Management betrieben wird.
Das ist natürlich immer wichtig, wenn es etwas Neues gibt im Unternehmen, dass man da die Akzeptanz einfach erhöht und was sich wohl bewährt bei diesem Thema, dass man mit Use Cases startet, die einen großen allgemeinen Mehrwert bieten für die Organisation oder für das HR und dass man hier so ein bisschen den Bedarf weckt und natürlich so eine positive Stimmung gegenüber dem Ganzen aufbereitet.
Als letztes, was auch sehr wichtig ist, ich hatte es eben schon gesagt in Bezug auf das Thema Skillset und Menpower, man muss natürlich ein lernendes Unternehmen werden, weil gerade was Data Analytics angeht, es gibt so viele unterschiedliche Tools, die zum Einsatz kommen und auch diese Sprachen, wie bspw. Python, die einfach super relevant sind und gerade im Bereich People Analytics oder Data Analytics bekannt sein müssen, d. h. Unternehmen müssen wirklich den Fokus darauf legen, dass sie ihre Mitarbeiter gezielt weiterbilden und ansonsten ist es noch wichtig, dass man diese kollaborativen Gedanken auch aufbaut. Daten können bereichsübergreifend vorhanden sein, es kann zu Problemstellungen kommen bei der Datenanalyse, wo man sich vielleicht auch gegenseitig unterstützen kann bereichsübergreifend, also nicht nur aus dem HR Bereich, sondern auch für andere Bereiche und das ist natürlich auch sehr wichtig, dass Mitarbeiter da bewusst sind und vielleicht aufeinander zugehen und zusammen diese Themen angehen.
Michael Scheffler:
Paulina, vielen, vielen Dank für diese umfassenden Impulse. Ich habe heute viel für mich mitgenommen. Ich will an der Stelle nochmal kurz auf das White Paper hinweisen, liebe HörerInnen, Sie hatten es ja schon eingangs von mir genannt bekommen, Sie finden das zum Download auf der projekt0708 Homepage und an der Stelle, Paulina, bleibt mir nichts mehr anderes als „Danke“ zu sagen und ich hoffe, wir werden noch oftmals zu dem Thema bei Kunden beratend aktiv werden dürfen und bin schon gespannt, wie das Thema weitergeht.
Paulina Kerstings:
Danke dir.
