Whitepaper Big Data in HR

Transkript

1 Whitepaper Big Data in HR Die ansteigende Technisierung der Welt in allen Bereichen führt zu einer zunehmenden Vernetzung aller Akteure und zu einer aktiveren Interaktion zwischen ihnen. Und damit zu einer Springflut-artigen Vermehrung von Daten und Informationen, die anfallen und ausgetauscht werden. Alleine 2009 wurden von Menschen mehr Daten generiert als in der gesamten Menschheitsgeschichte bis zum Jahr 2008 (Harvard Business Review, The Social Data Revolutions). Gepaart mit der Dynamik der Entwicklungen, die durch die Globalisierung erheblich an Moment gewinnt, ergibt sich eine Fließgeschwindigkeit in allen Lebensbereichen, die mit herkömmlichen Formen der Informationsverarbeitung und Adaption an Veränderung nicht mehr zu bewältigen ist. Einführung, Zahlen und Technik Datengebirge wachsen ins Unermessliche Wer weiß wirklich wie viele Daten sich hinter einem Exa-, Peta- oder Zettabyte verbergen? Folgendes Beispiel soll etwas zum besseren Verständnis beitragen: Würden alle zurzeit gespeicherten Daten als Buchstaben und Zeichen zur Verfügung stehen und würde man Schreibmaschinenseiten einseitig damit füllen und aneinanderlegen, dann könnte man nahezu die gesamte Fläche Russlands, der Mongolei und Kasachstans bedecken es geht um circa 21 Milliarden Quadratkilometer. Das ist mehr als ein Achtel der gesamten Landfläche der Erde fast die Hälfte des asiatischen Kontinents. Etwa drei Billionen Tonnen einseitig bedrucktes Papier. Und alle paar Jahre verdoppelt sich diese Datenmenge, aber sie steigt exponentiell. Alleine 2009 wurden, so Ex Google CEO Eric Schmid, mehr Daten generiert als alles was seit Anbeginn der Menschheit bis 2008 erzeugt wurde. Täglich werden laut IBM 2,5 Quintillionen (1 mit 30 Nullen) Bytes an Daten produziert (1 Trillion GByte, 1 mit 18 Nullen). Das bedeutet, dass 90 % der auf der Welt heute existierenden Daten allein in den letzten zwei Jahren erzeugt wurden. Und bis 2020 soll sich diese Menge nahezu verzwanzigfacht haben. Aber nur ein Prozent der Daten weltweit werden nach Ansicht der Marktforscher von IDC heute erst analysiert. Aber die Ausgaben in Big Data Technologien werden laut IDC in diesem Jahr weltweit bereits bei knapp 10 Milliarden US- Dollar (ca. 7,7 Mrd. Euro) liegen und sollen sich bereits drei Jahre später mehr als verdoppeln. Im Rahmen einer Studie, die von Coleman Parks Research im Auftrag des Speicherspezialisten Iron Mountain bei knapp 800 Informations-Manager unterschiedlicher Branchen in UK, Frankreich, Deutschland, Ungarn, den Niederlanden und Spanien durchgeführt wurde, kam heraus, dass 52% der europäischen Unternehmen nicht wissen wie sie Big Data am besten nutzen könnten - und 21 Prozent planen nicht einmal, etwas mit diesem Thema anzufangen. Knapp Dreiviertel der vor allem mittelständischen Unternehmen glauben jedoch, dass das Thema in den nächsten drei Jahren für sie wichtiger werden. Was ist eigentlich Big Data? Wer heute von Big Data in Unternehmen spricht meint in der Regel die Daten in ERP- Systemen (dazu zählen traditionell auch alle HR-Daten), also alle Daten, die sich durch das Management und die Verwaltung eines Unternehmens anhäufen, sowie die Daten, die durch Aktivitäten in Sozialen Netzwerken anfallen, durch Web 2.0 Aktivitäten, , in der Regel auch alle Daten auf den mobilen Endgeräten der Mitarbeiter. Hinzu kommen Daten aus PPS-Systemen, aus Konstruktions- und Entwicklungsumgebungen, Produktforschungs-, Bewegungs-, Mobilfunk-, Maschinen- und Wetter- und Satellitendaten, Zugriffsstatistiken auf Webseiten, Daten aus Geosystemen, Verbindungsdaten aus der Telekommunikation, aus der Logistik- (u.a. RFID), Verbrauchs- (Energie und Wasserwirtschaft), Überweisungs- (Banken), Verschreibungs- Seite 1 von 9

2 (Gesundheitswirtschaft) und Simulationsdaten (Engineering) sowie auch wissenschaftliche Daten (Klima-, Wirkstoffforschung, geologische Explorationsdaten, Kernphysik u.v.m.). Allerdings sind nicht alle diese Daten auch verwertbare Informationen: Bilder, Grafiken, Fotos, Videos oder Podcasts stellen einen beträchtlichen Teil dieser Daten. Verwertbare Informationen lassen sich aus diesen nur sehr bedingt herauskitzeln und sind für Big Data Analysen nur in Fragmenten verwertbar. Zwar erhöht sich die absolute Datenmenge jede Sekunde, aber auch die Redundanzen: Was auf einem Speicher eines Smartphones oder Tablets liegt, liegt sehr häufig auch auf den Festplatten von Notebooks, gegebenenfallsauf parallel auf mehreren Desktop PCs und auf Servern. Und selbstverständlich ist das nicht die Datenmenge, über die gesprochen wird, wenn es um Big Data in Unternehmen und speziell in HR geht. Das ist zwar viel weniger, aber immer noch so viel, dass es immer schwieriger wird, diesen mit herkömmmlichen Methoden und Werkzeugen beizukommen. Insgesamt kommen bei Big Data in HR laut Bersin by Deloitte vier Bereiche zusammen: Mathematik und Statistik Unternehmensführung und betriebswirtschaftliches Verständnis Wirtschafts- und Organisationspsychologie, Organisationsdesign, Talent Management und IT, Datenbanken, Programmierkenntnisse Mittels Prognostizierender Analytik lassen sich Daten in bewertende und in in die Praxis umsetzbare Informationen generieren. Die drei Pfeiler der Prognostizierenden Analytik sind: Prognostizierendes Modellieren Entscheidungsanalyse und Optimierung Transaktionales Profiling (Transaction Profiling) Prognostizierende Analytik im HR-Umfeld erlaubt die Entwicklung vorausschauender Analysen, die beispielsweise bei Talent Modellen, HR Analytik, unternehmensgetriebener/gesteuerter Talent-Analyse/Analytik, integriertem Talent Management, im der Belegschaftsplanung (Workforce Planning), im Recruiting, im Lernen und in der Leistungsmessung eingesetzt werden. Komplexität als Herausforderung und Lösung Die größte Herausforderung bei Big Data liegt in der Vielfalt der Herausforderungen, die das Thema an die Unternehmen stellt. Immerhin meint Gartner, dass bis % der Top 500 Unternehmen weltweit nicht einmal in der Lage sein werden, einen wirtschaftlichen Vorteil aus ihren vorhandenen Daten zu ziehen. Das bietet gleichzeitig unendliche Chancen für die Abermillionen anderer Firmen, die dazu bisher noch weniger in der Lage sind. Business Intelligence = Big Data? In Datenbanken abgelegte Daten sind strukturierte Daten. Die zu heben, zu durchforsten, zu analysieren und Prognosen daraus zu erstellen sind Aufgaben, die bisher auch mit guten Business Intelligence Lösungen umsetzbar sind. Das gilt auch für Klickstream-Daten oder Bewegungen und Abverkäufen auf Webshops. Aber es sind vornehmlich die unstrukturierten Daten, beispielsweise aus Sozialen Netzwerken und anderen Quellen, die auf anderen Rechnern ausserhalb des Unternehmens abgelegt sind und auf deren Datenbanken man nicht so ohne Weiteres zugreifen kann. Auch Daten aus der mobilen Kommunikation von Mitarbeitern und die in Kombination mit den zuvor erwähnten und je nach Fragestellung und Lösungsansatz benötigten weiteren Daten, die klug so miteinander zu verknüpfen, dass sich daraus gewünschte Muster erkennen und extrapolieren lassen. Darum dreht sich die zentrale Anforderung um Big Data. Das vor allem auf Business Intelligence spezialisierte Forscherteam bei BARC hat eine leicht eingängige, gut verständliche Definition zu Big Data entwickelt, die dessen Bedeutung deutlich herausstellt. Danach bezeichnet Big Data Seite 2 von 9

3 Methoden und Technologien für die hochskalierbare Erfassung, Speicherung und Analyse polystrukturierter Daten. Eine weitere Herausforderung bei Big Data ist dessen unersättlicher Appetit nach immer leistungsfähigerer Hardware, mit der die Daten verarbeitet werden. Überhaupt ist die Welt des Big Data eine neue Welt, die massiv von Software und Technik getrieben wird. Dabei geht es nicht nur um Hardware, mit der heute mittels Massive Parallel Processing und In- Memory-Computing riesige Mengen von Daten verarbeitet werden. Es geht auch um eine Vielzahl von Werkzeugen, Software, Datenbank- und andere Technologien, um komplett neue Programmierumgebungen und Sprachen, ohne die selbst die besten Datenwissenschaftler mit ihren Modellen und Fragestellungen gar nichts machen können. Laut Gartner wird der Anteil der Ausgaben für Big Data an den Gesamtinvestitionen in IT Hardware, Software und Dienstleistungen auf Jahre hinaus etwa 45 Prozent betragen. Auch für den Mittelstand geeignet Es kommt auf den Geschäftszweck des Unternehmens an - nicht auf dessen Größe. Auch in mittelständischen Unternehmen können große Datenmengen anfallen. Beispielsweise in forschenden Unternehmen, für Trendanalysen oder in der Logistik, im Flottenmanagement oder im Elektronikteile-Handel. Wenn mittels der Bearbeitung und Analyse riesiger Datenmengen das Unternehmen nach vorne gebracht werden kann, dann macht es Sinn, sich mit Big Data auseinanderzusetzen. Und: In Zeiten der Cloud wird es zunehmend Dienstleister geben, die Big Data Projekte im Auftrag durchführen. Damit würden zumindest die im Big Data Umfeld extrem hohen Initialinvestitionen in IT wegfallen. Abgesehen von qualifiziertem Personal, das mit Big Data umgehen kann. Big Data im Personalumfeld Wer man von Big Data im Personalumfeld spricht, sollte man zunächst klären, welche Bereiche das betrifft. Weil sich heute ein großer Teil der Aufgaben in der Personalarbeit um die Beschaffung und die Qualifizierung der benötigten Mitarbeiter dreht, sind Recruiting und Talentmangement die beiden Domänen, die von Big Data am meisten profitieren können. Darüber hinaus findet Big Data Analytik in der Personalplanung, im Lernbereich und in der Leistungsmessung vielversprechende Einsatzperspektiven. Josh Bersin, Geschäftsführer und Gründer des auf die Erforschung innovativer HR Themen spezialisierten Unternehmens Bersin by Deloitte, bezeichnet den Schwerpunkt des Umgangs mit Big Data in HR deshalb treffend als Talent Analytics. Folgend eine Übersicht der Daten, die speziell in Personalabteilungen anfallen, ausgewertet und in unterschiedlichsten Variationen miteinander in Relation gebracht werden können: Arbeitsplatzdaten Betriebszugehörigkeit, vorherige Anstellungen, Beförderungen, Gehaltsentwicklung, Arbeitskenntnisse/Praxiserfahrung, frühere Arbeitgeber Leistungsdaten Leistungsbeurteilungen, Verkaufs-/Vertriebsumsatz, fertiggestellte Projekte, erhaltene Auszeichnungen, erhaltene Beförderungen, persönliche Leistungen Fertigkeiten und Fähigkeiten Zertifikate, beendete Trainings-/Weiterbildungsprogramme, Prüfungsergebnisse (bspw. im psychologisch Bereich, Intelligenz, beruflich), Eigenbewertungen, erhaltene externe Weiterbildung, teilgenommene Führungskräfteprogramme Entgelt-Daten Gehalts-/Entgelt-Historie, Bonusse, erhaltene Auszeichnungen, erhaltene Belobigungen, Verwendungs-Präferenzen (Bausparen, Altersvorsorge, Aktienumwandlung, Dienstwagen, etc.) Seite 3 von 9

4 Mitarbeiterengagement Befragungsergebnisse zum individuellen Mitarbeiterengagement Daten aus individuellen Aktivitäten (Social) interne Blog Postings Dokumente, die in Wikis und in anderen internen Systemen eingestellt wurden abgegebene Anregungen und Kommentare Bewertungen über und von Anderen und viele weitere Arten interner sozialer Profile", die häufig als Footprints", als Fußabdrücke, bezeichnet werden Weiterbildung/Mitarbeiterentwicklung Daten aus diesem Bereich: besuchte Kurse, Zieldefinitionen, Noten, Kosten der Kurse, Termine bzw. Zeiträume an denen diese stattfanden weitere Personen-bezogene Daten Stammdaten, Daten aus der Zeiterfassung, BDE-Daten, Daten aus dem Recruiting (die nicht in Datenbanken im ERP-/HR-System einflossen, weil es sich nicht um spätere Mitarbeiter handelt). Noch im Anfangsstadium Der Weg zum effizienten Einsatz von Big Data in den allermeisten Unternehmen noch weit, denn das eigentliche Problem ist, dass man in den Abteilungen auch in den Personalabteilungen - oft nicht weiss, wie und wofür die Daten gesammelt werden sollen, welche Business Cases man daraus generieren kann und welche Ersparnisse möglich sind, wenn man an das Thema professionell herangeht. Die Meisten sind es gewohnt, die vorhandenen Daten strukturiert zu organisieren, was aber angesichts der Unstrukturiertheit von Daten aus Sozialen Netzwerken und grundsätzlich bei Web-Daten so nicht mehr funktioniert. Und selbst wenn das gelöst ist, geht es bei Big Data auch in den Personalabteilungen nicht nur einfach um Statistik, sondern grundsätzlich um ein Umsetzungsproblem. Unter anderem müssen Algorithmen entwickelt werden, die zu definierende Fragestellungen überhaupt erst einmal bedienen können. Annäherungsverfahren, Heuristik und Methoden der Künstlichen Intelligenz werden dabei stark in den Vordergrund rücken. Angesichts der beschriebenen Herausforderungen wurde die wichtigste bisher noch nicht thematisiert, denn: Selbst wenn man das geeignete Personal finden sollte verfügen die allermeisten Personalabteilungen kaum über die finanziellen Mittel, um die Expertinnen und Experten einkaufen zu können. Das bedeutet gleichzeitig, dass die Unternehmen selbst gefordert sind, im eigenen Haus das benötigte Fachwissen zu trainieren. Welche HR Daten wie analysieren? Welche HR-Daten sind den überhaupt für die Analyse in Big Data von Bedeutung? Kurzum: alle personalbezogenen Daten. Neben den demografischen Daten sind es alle Arbeitsplatzbezogenen und Leistungsaten, Daten über Qualifikationen und Fertigkeiten, Entgeltdaten, Daten über die Mitarbeiterentwicklung, Stammdaten, Daten aus der Zeiterfassung, aus Recruiting-Aktivitäten und vor allem Daten aus Sozialen Medien. Zu Daten aus Sozialen Medien hält Josh Bersin, anders als die allermeisten Experten, die der Ansicht sind, dass die Analyse von Big Data inbesondere aufgrund des wachsenden Anteils von unstrukturierten Daten unter anderem aus Sozialen Medien, interessant und wichtig seien, entgegen: Daten aus Sozialen Netzwerken werden erst mit der Zeit wichtig werden, denn um das Wesen ihrer Mitarbeiter und Talente zu verstehen, haben die Unternehmen gegenwärtig genügend interne Daten für ihr Daten-Mining. Laut Bersin kann Predictive Analytics, Prognostizierende Analytik, die eine Reihe statistischer Techniken beinhaltet, mit denen Modelle entwickelbar sind, die in der Zukunft liegende Ereignisse oder Verhalten prognostizieren können, den größten Nutzen aus riesigen Datengebirgen herausziehen. Seite 4 von 9

5 Wichtig hier auch, dass die Daten idealerweise in Echtzeit die gewünschten Fragen beantworten (Expertensysteme) Vorteile für Deutsche Unternehmen Auch wenn in allen HR Organisationen, in denen Big Data ein Thema ist oder werden soll, Datenwissenschaftler (Data Scientists) händeringend benötigt werden, sieht Thomas Otter einen leichten Vorteil deutscher Unternehmen gegenüber ihren ausländischen Wettbewerbern: In vielen deutschen Unternehmen gibt es schon lange die Position des Personalcontrollers, der beispielsweise schon immer Modelle über alternde Belegschaften und andere Personal-relevante Analysen durchführt." Das heißt nicht, dass sie gut sind", so der international renommierte Analyst, aber sie sind den Anderen voraus, denn eine derartige Position gibt es in den HR-Abteilungen ausländischer Unternehmen meines Wissens nicht." Vor allem bei der Einbeziehung von Social Media Daten in Analysen sieht er in deutschen Unternehmen noch erheblichen Nachholbedarf. Josh Bersin räumt im Personalbereich vor allen Dingen den Wirtschafts- und Organisationspsychologen aufgrund ihrer Statistikkenntnisse und Kenntnisse in Datenanalyse gute Chancen ein, diesen Bereich zu besetzen und weiter auszubauen. Insbesondere Psychologen mit großer Erfahrung in der Talent Segmentierung und der Kopplungsanalyse (Bestimmung welche Faktoren das Auftreten anderer Faktoren verursachen) könnten besonders gut punkten. Jetzt beginnen Für Josh Bersin ist der Umgang mit Big Data wie eine Reise, die erst am Ziel zu den gewünschten Ergebnissen führt. Es ist kein Projekt, sagt er bestimmt, sondern ein Prozess, der ein interdisziplinäres Team, enge Kontakte zu anderen Analyse-Teams im Unternehmen, sowie eine starke Bindung zwischen Linienmanagement und oberster Führungsebene im Unternehmen erfordert. Deshalb mahnt er Unternehmen, umgehend in die Reise in die Welt von Big Data und Talent Analytics zu investieren. Eigene Untersuchungen zeigten, dass es drei bis fünf Jahre dauere um das HR-Team in eine gut funktionierende, strategisch wertschöpfende Funktion als Analytiker umzubauen. Unternehmen, die sich hier engagierten, so Bersin, entwickelten ihr eigenes Fachwissen und Verständnis für ihr Unternehmen, was zwar meist sehr unternehmensspezifisch, hoch proprietär aber gleichzeitig sehr leistungsfähig sei. Es könne nie früh genug sein, damit zu beginnen, so Bersin. Denn die Mitarbeiter, die Reporte erstellen und Dashboards betreiben seien meistens keine Analysten, sondern eher IT- oder Datenbank-Experten. Die Analytik Funktion erfordere viele zusätzliche Fähigkeiten und Werkzeuge, die zur den Kenntnissen der HR-Analytiker hinzugefügt werden müssten. Und sie müssen diese Qualifikationen vorweisen können, damit sie mit Datenwissenschaftlern (Data Scientists) und Big Data Entwicklern eng zusammenarbeiten können weil sie es müssen. Datenwissenschaftler und Big Data Entwickler sind Experten, die organisatorisch der IT Abteilung zugeordnet sind, die indessen weitere oder andere Aufgaben im weiten Spektrum von Big Data beherrschen müssen. Qualifikationen, die es (noch) nicht gibt McKinsey vermutet, dass in den nächsten Jahren alleine in den USA 180tsd derartiger Analysten-Tätigkeiten neu entstehen werden. In Europa kann man mit einem noch größeren Bedarf rechnen. Ende 2011 veröffentlichte der US IT Konzern EMC eine Studie zum Thema Data Science, die einige interessante Ergebnisse offenlegte. Die Studie wurde unter circa 500 Datenwissenschaftlern, Datenanalytikern, Datenspezialisten, Business Intelligence Analytikern, Informations-Analytikern und weltweit tätigen Daten-Ingenieuren, die alle auf Entscheider-Ebene tätig sind, durchgeführt. Danach liegen die größten Barrieren für die Anwendung von Datenwissenschaften sowohl im Fehlen entsprechender Fertigkeiten (32%) als auch in Budget- bzw. Ressourcen-Problemen (32%), in der falschen Organisationsstruktur (14%) und im Fehlen von Werkzeugen und entsprechender Seite 5 von 9

6 Technologie (10%). Darüber hinaus fand die Studie heraus, dass Datenwissenschaftler, eher als Business Intelligence Experten, Scripting Sprachen wie Python, Perl, BASH und AWK einsetzen, wobei auch bei ihnen wie auch bei ihren Business Intelligence Kollegen sowohl Excel als auch SQL weiterhin erst einmal die bevorzugten Werkzeuge bleiben werden. Die Qualifikationen, die für die neuen Datenberufe gefordert werden, wird auf absehbare Zeit kaum jemand umfassend mitbringen. Bislang gibt es keine Ausbildungen, die das breite, von Experton geforderte Fachwissen für den Datenwissenschaftler liefern kann, damit dieser auch im Personalbereich die entsprechen Analysen durchführen kann. Experton fordert für den Datenwissenschaftler eine Querschnittsausbildung mit Kenntnissen über Mathematik, IT, Datenbanken, Grundlagen der Informationstechnik, Unternehmensstrukturen und Unternehmensführung, Psychologie, Technik und Medien. Auch der sogenannte Data-Artist (Daten-Künstler) sollte demnach über eine Zusatzausbildung in Grafikdesign, Psychologie, Mathematik, IT und Kommunkation verfügen. Der Data Scientist, der Datenwissenschaftler, wird bei Big Data Projekten mit einem anderen neuen Kollegen in der IT-Abteilung zusammenarbeiten müssen, dem Big Data Developer, dem Big Data Entwickler, der aber noch ebenso rar auf dem Arbeitsmarkt zu finden sein wird, wie der Datenwissenschaftler. Der Big Data Entwickler muss über einen wissenschaftlichen Hintergrund verfügen, weil er sich unter anderem mit der Analyse, der Verarbeitung und der Speicherung großer Datenmengen beschäftigen muss, um die bereits heute verfügbaren Werkzeuge, die er auch in der Tiefe bedienen können muss, nutzen zu können. Er muss Kenntnisse über analytische Verfahren, Statistik und Machine Learning haben und er muss zum Beispiel wissen wie man Algorithmen trainiert, um nützliche Informationen aus vielen Daten extrahieren zu können. Daran lässt sich unschwer erkennen, welche Aufgaben im Rahmen von Personalentwicklungsmaßnahmen auf die Unternehmen zukommen. Solange man die Experten mit dem Mikroskop auf dem Arbeitsmarkt suchen muss, rät das US Magazin Informationweek sogar dazu, um diese Mitarbeiter zu betteln, sie sich auszuleihen oder mit satten Gehältern abzuwerben. Allerdings: Die meisten der gesuchten Datenexperten, so Informationweek in ihrem Report Filling the Talent Gap in Big Data Analytics, wüßten um die Chancen, die dieses Thema bietet und wollten deshalb lieber ihre eigene Firma gründen, anstatt für ein Unternehmen zu arbeiten. Neue Studiengänge Um der immensen Nachfrage langfristig nachkommen zu können, bieten immer mehr Universitäten spezifische Zusatzqualifikationen und Studiengänge an. Die McCormick School of Engineering an der Chicagoer Northwestern University hat kürzlich einen 15-monatigen Master Science Studiengang in Analytik (Master of Science in Predictive Analytics) vorgestellt, der im September letzten Jahres startete und von 170 Studenten besucht wird. Sogar IBM spendete der Schule Dollar und überließ ihnen ihre SPSS Software zu freien Nutzung. Auch andere Sponsoren wie das SAS Institute und Teradata beteiligen sich. Die State University of North Carolina bietet einen derartigen Studiengang seit einigen Jahren an. Auch andere Universitäten wie Stanford, Berkeley und weitere, aber auch in Europa in Sankt Gallen, an der Uni Lüneburg und an der Uni Münster und weiteren Universitäten überall in Europa richtet man sich mit entsprechenden Studiengängen auf die neuen beruflichen Anforderungen ein. Auch Unternehmensuniversitäten und institute wie beispielsweise die Intel und die IBM Universität oder das Hasso Plattner Institut (HPI) an der Uni Potsdam und viele andere bieten mittlerweile Qualifikationen im Umfeld von Big Data an. Laut einer Studie des US-amerikanischen Cloud Computing Anbieters EMC verfügen Datenwissenschaftler mit einer dreimal so hohen Wahrscheinlichkeit wie ihre Kollegen im Business Intelligence Umfeld über einen Universitätsabschluss bzw. einen Doktortitel. Big Data in der Praxis Folgend einige Beispiele, wie Big Data in Unternehmen im Personalbereich umgesetzt wird: Seite 6 von 9

7 Talent-Ströme erkennen Die Leitung eines Großhandelsunternehmens entschied sich dafür, das interne HR Analytics Team immer dann zu konsultieren, wenn Veränderungen in der Organisationsstruktur anstanden. Das Team verfügte unter anderem bereits über Daten und Modelle über Stärken und Schwächen im Management und warum die Leistung der Mitarbeiter in den unterschiedlichen Niederlassungen unterschiedlich ist. Der Leiter des Analytik Teams übernahm die neu geschaffene Funktion Organisationsdesign, die unter anderem einen Überblick über die Kontrollreichweite der einzelnen Managementeinheiten und Muster von Talentbewegungen hat und die unterschiedlichen Vergütungsvarianten von allen Abteilungen und Teams im Unternehmen kennt. Mit Hilfe von Grafikwerkzeugen lässt sich darstellen, wo die Kontrollreichweite der einzelnen Managementeinheiten und Funktion zu stark oder zu schwach ist. Man kann genau sehen, wo im Unternehmen sich Talente bewegen, ob sie das Unternehmen verlassen oder wo die Mobilität der Talente in höhere Positionen gut oder weniger gut ausgeprägt ist. Das gibt der Unternehmensführung Erkenntnisse darüber, wann sie Organisationsprozesse konsolidieren oder erweitern und wann sie neue Führungskräfte fördern oder dort Strukturen reorganisieren sollen. Mitarbeiterfluktuation verringern Xerox konnte die eigene Mitarbeiterfluktuationsrate in allen seinen Callcentern um etwa 50% reduzieren, nachdem es Big Data im Rahmen der Überprüfung der Bewerbungen einsetzte. Das Unternehmen hatte bisher Personen basierend auf deren Praxiserfahrungen eingestellt. Doch die Daten zeigten, dass die Persönlichkeit eine größere Rolle spielt als die Praxiserfahrung. Während kreative Menschen meist für mindestens sechs Monate im Unternehmen bleiben, so dass das Unternehmen wenigstens die Investitionen in deren Ausbildung erwirtschaften kann, verlassen wissbegierige Menschen das Unternehmen. Rekrutierung steuern In einem anderen Unternehmen war das Team der HR Analytiker aus ihrer ursprünglichen Aufgabe, der Personalplanung, herausgewachsen. Nach mehr als drei Jahren Analysen hatte das Team Rekrutierungs-Modelle entwickelt, die in der Lage waren, Arbeitsmarktdaten, Gehaltsdaten und Informationen über Fähigkeiten externer Personen miteinander zu korrelieren, um auf diese Weise lokale Rekrutierungsstrategien in der ganzen Welt zu entwickeln. Mittlerweile ist das Team so versiert, dass es die internen Mitarbeiterbewegungen mit den selben Methoden, mit denen sie externe Arbeitsmärkte analysieren, erforschen kann. Der Bäcker und das Wetter Ein gutes Beispiel für Big Data Analytics im Mittelstand ist eine Bäckereifilialkette in Norddeutschland, die jeden Tag mit hohen Retouren der Backwaren aus den einzelnen Filialen zurechtkommen musste. Ein Dienstleister wertete unter für sie umfassend Wetterdaten aus, die Rückschlüsse auf das Kaufverhalten der Kunden in den einzelnen Filialen zuließen. Gleichzeitig konnte aufgezeigt werden wie Flohmärkte, Sommerfeste oder Baustellen in der Nähe der jeweiligen Filialen den Absatz veränderten. Auf diese Weise konnte man nicht nur die Retouren verringern, sondern war darüber hinaus in der Lage, die Einsatzplanung des Personals erheblich treffsicherer durchzuführen. Motivation steuern und Verluste reduzieren In einer Bank, die über größere und kleinere Niederlassungen verfügt, fand man heraus, dass das Mitarbeiterengagement in den kleineren Niederlassungen sehr niedrig war. In der Personalabteilung analysierte man die Daten und fand heraus, dass dort auch viel gestohlen wurde. Man erkannte, dass das ein Managementproblem war, dass mit hohen finanziellen Risiken verbunden war. Man fand heraus, dass es eine Relation zwischen geringer Aufmerksamkeit der Unternehmensführung, schlechten Arbeitsbedingungen und den Diebstählen gab. In den größeren Filialen zeigte sich die Unternehmensleitung häufiger. Man verglich Erkenntnisse über das Mitarbeiterengagement mit den Diebstählen und dem Feedback der Führungskräfte und deren Dienstreisen und fand heraus, dass einiger der Seite 7 von 9

8 Führungskräfte aus der Firmenzentrale sich nicht genügend Zeit nahmen, die kleinen Filialen zu besuchen und keine Ahnung im Umgang mit einfachen Angestellten hatten. Die Personalabteilung erstellte ein Dashboard, dass der Vertrieb nutzt um sicherzustellen, dass die kleinen Filialen nun regelmäßig besucht werden, dass regelmäßig Mitarbeitergespräche, sowie die Zufriedenheit und die Arbeitsbedingungen überprüft werden. Das Ergebnis: Alleine die Einsparungen durch die Beseitigung der Diebstähle ging in die Millionen, ganz abgesehen von den Verbesserungen der Abeitsbeziehungen zu den Mitarbeitern. ROI bei Analytics In einer Studie von Nucleaus Research vom Oktober 2011 wurde festgestellt, dass Datenanalyse im Unternehmen sich lohnt. Die Studie basiert auf 60 Anwenderberichten und bezieht sich auf Investitionen in Business Intelligence, Performance Management und prognostizierende Analytik. Danach zahlt sich jeder Dollar, der in Datenanalyse investiert wird, mit 10,66 Dollar zurück. Klar ist indessen ebenso, dass Big Data etwas ganz Anderes als BI ist. Die Befürworter von Big Data sprechen zwar auch von ROIs, aber da jedes Projekt anders ist, jedes Unternehmen in einer völlig anderen Ausgangslage sein kann und eine Vielzahl unterschiedlichster Parameter berücksichtigt werden müssen, lassen sich seriöse ROI- Prognosen in diesem Umfeld nicht ernsthaft durchführen. Definition Predictive Analytics (Bersin) Für den auf die Erforschung innovativer HR Themen spezialisierten Geschäftsführer und Gründer von Bersin by Deloitte, Josh Bersin, gehört das, was Big Data letztlich zur Verfügung stellen soll, in den Bereich der Predictive Analytics, also der prognostizierenden Analytik. Für ihn besteht diese Form der Analytik aus einer Reihe statistischer Techniken mit denen Modelle entwickelt werden, die in der Zukunft liegende Ereignisse oder Verhalten prognostizieren. Für ihn besteht Data Science und Prognostizierende Analytik aus einer Mischung aus Statistik, Datenbankdesign, Mathematik und Technologie. Prognostizierende Analytik beinhaltet eine Vielzahl statistischer Techniken mit denen Modelle, die künftige Vorgänge und Verhalten vorhersagen können. Data Mining ist eine Komponente von Prognostizierender Analytik, bei der Daten zur Identifizierung von Mustern, Trends oder Beziehungen zwischen diesen Daten analysiert werden. Prognostizierende Analytik baut auf zunehmend ausgeklügelten statistischen Methoden (multivariate Analysetechniken, fortgeschrittene Regression und Zeitserienmodelle) auf um Unternehmen in die Lage zu versetzen Trends und Beziehungen zu bestimmen, die zunächst nicht auffallen, die aber das Unternehmen in die Lage versetzen, künftige Ereignisse und Verhalten zu bestimmen. Bersin spricht von I/O Psychologen Josh Bersin sagt, dass die Analysten in den Personalabteilungen häufig die Arbeits-, Wirtschafts- und Organisationspsychologen (I/O Psychologists => Industrial and Organizational Psychology) seien und dass diese sich in der Anwendung von Statistik und Datenanalyse auskennen Wirtschafts- und Organisationspsychologen - das sind nach seiner Ansicht die Leute, die künftig in den HR-Abteilungen die Analysen durchführen werden (S. 8 unten) ((Textkasten)) Das Reifegrad-Modell Bersin Associates, seit 3. Januar 2013 Bersin by Deloitte, haben im vergangenen Jahr ein Reifegrad-Modell (Maturity Model) entworfen, das in Stufen die Entwicklung eines Talent Analytics Systems (Big Data in HR) im Unternehmen beschreibt. Das System ist das Ergebnis langjähriger Forschung. Es soll Unternehmen dazu verhelfen, Informationen über jeden Reifegrad zu erhalten und sie damit in die Lage versetzen, sowohl ihren gegenwärtigen Status zu verstehen, als auch das nächste Set von Fertigkeiten, Fähigkeiten, Seite 8 von 9

9 Werkzeugen und Systemen zu erkennen, die sie zur Erreichung des nächsthöheren Reifegrades benötigen. Insgesamt, so Bersin, dauert dieser Reifeprozess von Stufe 1 bis zur Erreichung von Stufe 4 circa fünf bis sieben Jahre. Stufe 1: Reaktiv Operatives Reporting Operatives Reporting über das Messen von Effizienz und der Einhaltung von Vorgaben, Datenexploration und Integration, Entwicklung eines Daten-Dictionaries Stufe 2: Proaktiv Erweitertes Reporting Operatives Reporting für Benchmarking und Entscheidungsfindung, multidimensionale Analyse und Dashboards (Cockpits) Stufe 3: Strategische Analytik Segmentierung, Statistische Analytik, Entwicklung von Menschen-Modellen, Analyse von Dimensionen zur Ursache und Wirkung praktisch umsetzbarer Lösungen Stufe 4: Prognostizierende Analytik Entwicklung von Vorhersagemodellen, Szenario Planung, Risikoanalyse und Schadensminderung, Integration in strategische Planung Schlussfolgerungen Einführung und Betrieb von Big-Data-Systemen setzen neben technischem Wissen weitere Kompetenzen voraus. Hierzu gehören Management-Know-how, Kommunikationsfähigkeit, Nutzenorientierung, organisatorische Fähigkeiten sowie eine wissenschaftliche Herangehensweise. Die enge Zusammenarbeit zwischen Fachabteilungen und Big-Data- Verantwortlichen ist ausschlaggebend: Sie sollen gemeinsam Big-Data-Anwendungen finden, Ziele festlegen und den Nutzen ermitteln. Dieses Vorgehen kann sicherstellen, dass Big-Data-Vorhaben einen nachhaltigen Beitrag leisten, um Wettbewerbsvorteile zu schaffen und die Unternehmensstrategie zu stärken. (ph) ((Textkasten)) Definition Big Data Laut Gartner beschreibt der Begriff Big Data eine Erweiterung der Möglichkeiten, die herkömmliche Datenanalysemethoden bieten und die durch drei Vs charakterisiert werden kann: Volume (Volumen), Velocity (Geschwindigkeit) und Variety (Vielfalt): Volume: Wie der Name schon implementiert, geht es um sehr große Datenmengen. Allein 2010 speicherten die Unternehmen nach Schätzungen von Marktforschern sieben Extrabyte neuer Daten weltweit. Velocity: Die Daten müssen möglichst schnell, im Idealfall in Echtzeit verarbeitet werden, da sie nur dann optimal genutzt werden können. Außerdem sind viele Big-Data-Vorhersagen nur dann sinnvoll, wenn sie auf topaktuellen Zahlen beruhen etwa bei Verkehrsprognosen. Vielfalt: Die Herausforderung besteht darin, eine Vielzahl von Quellen mit ganz unterschiedlichen Datenformaten und -strukturen auszuwerten. Datenquellen können etwa sein: ERP-Datenbanken, -Verzeichnisse, soziale Netzwerke, Diskussionsforen, Call- Center-Aufzeichnungen et cetera. Bemerkenswert ist, dass Big Data-Analysen sowohl strukturierte als auch unstrukturierte Daten (wie s) einbezieht. BARC Big Data bezeichnet laut BARC Methoden und Technologien für die hochskalierbare Erfassung, Speicherung und Analyse polystrukturierter Daten. Seite 9 von 9