Big Data in HR. Einführung, Zahlen und Technik. Datengebirge wachsen ins Unermessliche

Transkript

1

2 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. 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. Big Data findet zunehmend in Unternehmen Eingang und kann dort, richtig angewendet, zu erheblichen Erfolgen führen. Auch im Personalbereich finden sich immer mehr Szenarien, die mit Hilfe von Big Data, insbesondere für den gesamten Bereich des Talent Managements, sowohl den Personalern als auch der Unternehmensführung weitreichende, strategische Unterstützung geben. Einführung, Zahlen und Technik Datengebirge wachsen ins Unermessliche Wer weiß eigentlich, wie viele Daten sich hinter einem Exa-, Peta- oder Zettabyte verbergen? Folgendes Beispiel soll 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 in etwa 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. Und etwa drei Billionen Tonnen einseitig bedrucktes Papier. 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 (eine 1 mit 30 Nullen) Bytes an Daten produziert (1 Trillion GByte, eine 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. Aber was macht man mit diesen Mengen an Daten? Das scheinen viele Unternehmen noch nicht so richtig zu wissen: Im Rahmen einer Studie, die von Coleman Parks Research im Auftrag des Speicherspezialisten Iron Mountain bei knapp 800 Informations-Managern unterschiedlicher Branchen in Deutschland, Frankreich, den Niederlanden, UK, Spanien und Ungarn 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 befragten - vor allem mittelständischen - Unternehmen glauben jedoch, dass das Thema in den nächsten drei Jahren für sie wichtiger wird. Die größte Herausforderung bei Big Data liegt in der unübersichtlichen Vielfalt der Aufgaben und Möglichkeiten, mit denen die Unternehmen konfrontiert werden. 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.

3 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, Daten aus Konstruktions- und Entwicklungsumgebungen, Produktforschungs-, Bewegungs-, Mobilfunk-, Maschinenund 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-, Diagnose (Gesundheitswirtschaft) und Simulationsdaten (Ingenieurwesen) 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. Gleichzeitig 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, gegebenenfalls 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 sehr viel weniger, aber immer noch so viel, dass es immer schwieriger wird, diesen mit herkömmlichen Methoden und Werkzeugen beizukommen. Das vor allem auf Business Intelligence spezialisierte Forscherteam von BARC hat zu Big Data eine leicht eingängige, gut verständliche Definition entwickelt. Danach bezeichnet Big Data Methoden und Technologien für die hochskalierbare Erfassung, Speicherung und Analyse polystrukturierter Daten. Business Intelligence = Big Data? In Datenbanken abgelegte Daten sind strukturierte Daten (das sind laut Informationweek etwa 58% der 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 beispielsweise auch für Klickstream-Daten oder Bewegungen und Abverkäufen aus Webshops. Aber es sind vornehmlich die unstrukturierten Daten (das betrifft zurzeit 42% der Daten), beispielsweise aus Sozialen Netzwerken und anderen Quellen, die auf Rechnern außerhalb des Unternehmens abgelegt sind und auf die man nicht so ohne Weiteres zugreifen kann. Hinzu kommen die Daten aus der mobilen Kommunikation von Mitarbeitern. Es ist die Kombinierbarkeit der einzelnen strukturierten Daten untereinander und gleichzeitig mit den zuvor erwähnten unstrukturierten Daten und die klug so miteinander zu verknüpfen, dass sich daraus Muster erkennen und Analysen erstellen und schließlich Entscheidungen treffen lassen.

4 Eine weitere Herausforderung bei Big Data ist dessen unersättlicher Appetit nach immer leistungsfähigerer Hardware, mit der die Daten verarbeitet werden. Überhaupt ist Big Data eine 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 können. 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 anfangen 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 jährlich betragen. 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 Talent Mangement die beiden Bereiche, die von Big Data am meisten profitieren können. Darüber hinaus findet Big Data Analytik aber auch in der Personalplanung, im Lernbereich und in der Leistungsmessung viele 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 innerhalb von HR deshalb treffend als Talent Analytics. HR Daten analysieren Grundsätzlich sind alle personalbezogenen Daten und eine Vielzahl externer Daten, die zunächst scheinbar nicht mit dem Personalwesen in Verbindung stehen, für die Arbeit mit Big Data geeignet. Neben den demografischen Daten sind es alle Arbeitsplatz-bezogenen und Leistungsarten, 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. Das können aber auch zum Beispiel Wetterdaten, Straßenzustandsberichte oder Rohstoffdaten und andere Daten sein. Je nachdem, wie die Aufgabe, die mithilfe von Big Data im Personalumfeld gelöst werden soll, aussieht. Es kann wichtig sein, Daten in Echtzeit auszuwerten beispielsweise Straßenzustandsberichte für die Routen- und damit für die Personaleinsatzplanung, oder vorhandene Daten aus einer Vielzahl externer Quellen mit Belegschaftsdaten zu vergleichen und für die Optimierung von Rekrutierungsmaßnahmen auszuwerten. Die Vielfalt der Kombinationen ist faktisch unbegrenzt. Für Josh Bersin ist Predictive Analytics, Prognostizierende Analytik, der Schlüssel im Umgang mit Big Data im Personalumfeld. Laut Bersin lässt sich mit Prognostizierender Analytik, die eine Reihe statistischer Techniken beinhaltet, mit denen Modelle entwickelbar sind, die in der Zukunft liegende Ereignisse oder Verhalten prognostizieren können, der größte Nutzen aus den riesigen Datengebirgen herausziehen.

5 Insgesamt kommen bei Big Data in HR laut Bersin by Deloitte vier unterschiedliche Bereiche zusammen, die eine Rolle in der Analyse der Daten spielen. Es sind: Mathematik und Statistik Unternehmensführung und betriebswirtschaftliches Verständnis Wirtschafts- und Organisationspsychologie, Organisationsdesign, Talent Management und IT, Datenbanken und Programmierkenntnisse. Mittels Prognostizierender Analytik lassen sich die im Personalumfeld anfallenden Daten in Kombination mit weiteren in wertschöpfende und in der Praxis umsetzbare Aktivitäten transformieren. Diese Form der Analytik ermöglicht im HR-Umfeld die Entwicklung vorausschauender Analysen, die beispielsweise bei Talent Modellen, in der HR und Talent Analytik, im integrierten Talent Management, in der Belegschaftsplanung (Workforce Planning), in der Rekrutierung, im Lernen und der Weiterbildung und in der Leistungsmessung eingesetzt werden. Verschiedenste Personaldaten Folgend eine Übersicht der Daten, die alleine in Personalabteilungen anfallen, im Rahmen von Big Data Projekten 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.) 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).

6 Alles noch im Anfangsstadium Der Weg zum effizienten Einsatz von Big Data in den allermeisten Unternehmen ist 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 Herausforderung bisher allerdings noch nicht thematisiert, denn: Selbst wenn man das geeignete Personal finden sollte, verfügen die allermeisten Personalabteilungen bisher noch kaum über die finanziellen Mittel, um die Expertinnen und Experten einkaufen zu können. Das bedeutet, dass die Unternehmen gefordert sind, zunächst und für eine Übergangsperiode, bis der Arbeitsmarkt entsprechende Expertinnen und Experten zur Verfügung stellt, im eigenen Haus das benötigte Fachwissen zu trainieren. Personalcontrolling als Vorstufe Auch wenn in allen HR Organisationen, in denen Big Data ein Thema ist oder werden soll, Datenwissenschaftler (Data Scientists) händeringend benötigt werden, haben zumindest deutsche Unternehmen offensichtlich bisher einen leichten Vorteil gegenüber ihren ausländischen Wettbewerbern. Der Grund: In vielen deutschen Unternehmen gibt es die Position des Personalcontrollers, für den das Erstellen von Modellen, beispielsweise über alternde Belegschaften und andere Personal-relevante Analysen, zu seinen Routineaufgaben zählt. Das reicht zwar nicht um sich damit als Big Data Analytiker oder Datenwissenschaftler zu qualifizieren zumal diese Experten noch keinerlei Erfahrungen mit unstrukturierten Daten haben. Weil es diese Position in Unternehmen in anderen Ländern aber quasi nicht gibt, ist man in deutschen Unternehmen mit Personalcontrolling eine Nasenlänge in der Big Data Analytik voraus. Vor allem Mitarbeiter mit Kenntnissen in Statistik und Datenanalyse, beispielsweise Wirtschafts- und Organisationspsychologen, eignen sich im Personalumfeld ideal, um in Richtung Big Data weiter zu qualifizieren.

7 So früh wie möglich beginnen Wer sich auf Big Data einlässt, dem sollte klar sein, dass dafür ein interdisziplinäres Team, enge Kontakte zu anderen Analytik-Teams vor allem in der IT-Abteilung, sowie eine starke Bindung zwischen Linienmanagement und oberster Führungsebene im Unternehmen unbedingt erforderlich ist. Weil der Kompetenzaufbau ein langwieriger Prozess ist, der verschiedene Reifegrade durchläuft, sollten Unternehmen möglichst umgehend ihre Reise in die Welt von Big Data und damit in Talent Analytik und all die anderen für dieses Thema relevanten Personalbereiche beginnen. Nach Angaben von Bersin dauert es drei bis fünf Jahre um das bestehende Wissen im Personalbereich in eine gut funktionierende, strategisch wertschöpfende Funktion zur HR Analytik umzubauen. Personaler müssen über diese Qualifikationen verfügen, damit sie sich mit Datenwissenschaftlern (Data Scientists) und Big Data Entwicklern verständigen und mit diesen eng zusammenarbeiten können. 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. Auch das ist eine neue Herausforderung im Rahmen der Personalentwicklung der Unternehmen, der sie sich stellen müssen. 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. 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 (für Big Data in HR) im Unternehmen beschreibt. Das System ist das Ergebnis langjähriger Forschung. Es soll Unternehmen dazu verhelfen, Informationen über jeden Reifegrad der Aktivitäten, die zu einem Talent Analytics System führen, zu erhalten und sie damit in die Lage versetzen, sowohl ihren gegenwärtigen Status zu verstehen, als auch das nächste Set von Fertigkeiten, Werkzeugen und Systemen zu identifizieren, 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

8 Stolpersteine In diesem Zusammenhang veröffentlichte der US IT Konzern EMC Ende 2011 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 Technologie (10%). Darüber hinaus fand die Studie heraus, dass Datenwissenschaftler, eher noch 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 Qualifikationsmerkmale, die für die neuen Datenberufe gefordert werden, wird auf absehbare Zeit kaum jemand umfassend mitbringen. Bislang gibt es keine Ausbildungen, die das breite, von einigen Experten geforderte Fachwissen für den Datenwissenschaftler liefern können, damit dieser auch im Personalbereich die entsprechen Analysen durchführen kann. Experten fordern 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 Kommunikation verfügen. Der Data Scientist, der Datenwissenschaftler, wird, wie kurz zuvor bereits erwähnt, bei Big Data Projekten jeglicher Art 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 ist 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. Und er muss die bereits heute verfügbaren Werkzeuge, die er auch in der Tiefe bedienen können muss, beherrschen. Darüber hinaus verfügt er über Kenntnisse in analytischen Verfahren, in Statistik und Machine Learning und er muss wissen wie man Algorithmen trainiert, um nützliche Informationen aus vielen Daten extrahieren zu können.

9 Daran lässt sich unschwer erkennen, welche Aufgaben im Rahmen von Personalentwicklungsmaßnahmen auf die Unternehmen zukommen. Und solange man Big Data noch nicht im Recruiting einsetzen kann, müssen die Qualifikationen im eigenen Haus entstehen. Mittlerweile gibt es vereinzelt Ansätze, dass aus Mangel an interner Expertise externe Dienstleister Teile der Big Data Analytik übernehmen könnten. Insbesondere aufgrund der Zunahme der Speicherung von Daten Cloud-Topologien bietet es sich an, dass beispielsweise die Anbieter von Rechenzentren oder auch die Anbieter von Softwarelösungen diese Dienste anbieten. Im Umfeld von Personaldaten müssen dann natürlich die nationalen Vorschriften und Gesetze zum Schutz von Personaldaten strikte Anwendung finden. Ansonsten wird zunächst, wie das Magazin Informationweek in ihrem Report Filling the Talent Gap in Big Data Analytics meinte, nichts anderes übrigbleiben als um diese Mitarbeiter zu betteln, sie sich auszuleihen oder sie mit satten Gehältern abzuwerben. Allerdings: Die meisten der gesuchten Datenexperten, so Informationweek, wüssten um ihre Chancen und wollten deshalb lieber ihre eigene Firma gründen, anstatt für ein Unternehmen zu arbeiten. 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 beziehungsweise einen Doktortitel. Externe Big Data Spezialisten Um der immensen Nachfrage langfristig nachkommen zu können, bieten aber auch 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.

10 Big Data in der Praxis Folgend nun einige Praxisbeispiele, wie Big Data in Unternehmen im Personalbereich umgesetzt wird: Talent-Ströme erkennen Die Leitung eines Großhandelsunternehmens entschied sich dafür, das interne HR Analytik 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 über einen Überblick über die Kontrollreichweite der einzelnen Managementeinheiten und über Muster von Talentbewegungen verfügt und der 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 denselben Methoden, mit denen sie externe Arbeitsmärkte analysieren, erforschen kann.

11 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 in diesen auch viel gestohlen wurde. 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 einige der 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 nun nutzt um sicherzustellen, dass die kleinen Filialen regelmäßig besucht werden, dass regelmäßig Mitarbeitergespräche stattfinden um die Zufriedenheit der Mitarbeiter und die Arbeitsbedingungen zu überprüfen. Das Ergebnis: Alleine die Einsparungen durch die Beseitigung der Diebstähle ging in die Millionen, ganz abgesehen von den Verbesserungen der Kontakte und der Zufriedenheit der Mitarbeiter 1. Definition Big Data Das Marktforschungsunternehmen Gartner hat eine Definition von Big Data als eine Erweiterung der Möglichkeiten entwickelt, die herkömmliche Datenanalysemethoden bieten kann und die Gartner durch drei Vs charakterisiert: Volume (Volumen, Datenmenge), Velocity (Geschwindigkeit) und Variety (Vielfalt). Volume: Wie der Name schon impliziert geht es um sehr große Datenmengen. Allein 2010 speicherten die Unternehmen nach Schätzungen von Marktforschern sieben Exabyte (7018 Byte, 8 Bit = 1 Byte) neuer Daten weltweit. Bis 2020 sollen weltweit ca. 40 Zettabyte (4022 Byte) Daten anfallen. Velocity: Die Daten müssen möglichst schnell, im Idealfall in Echtzeit verarbeitet werden, um sie optimal nutzen zu können. Viele Big-Data-Prognosen nur dann sinnvoll, wenn sie auf Echtzeit-Daten beruhen etwa Verkehrs-, Wetterprognosen. Vielfalt: Die Herausforderung besteht darin, eine Vielzahl von Quellen mit ganz unterschiedlichen (strukturierte und unstrukturierte) Datenformaten und -strukturen zusammen auszuwerten und miteinander zu korrelieren. Datenquellen können etwa sein: ERP-Systeme, s, Soziale Netzwerke, Diskussionsforen, Mobilfunkdaten und mehr. Oder, zusammengefasst: Grundsätzlich wird Big Data als umfassende, schnelllebige und variantenreiche Ansammlung von Informationen bezeichnet, die Kosteneffiziente, innovative Formen der Informationsverarbeitung zum Erreichen erweiterter Erkenntnisse und zur Entscheidungsfindung benötigt. 1. Quellen: Bersin by Deloitte, Wall Street Journal, YouTube

12 Innerhalb von nur sechs Jahren werden sich laut Gartner die Investitionen in IT Systeme zur Verarbeitung von Big Data Anwendungen nahezu verdoppeln. Die Einsparungen durch den Einsatz von Big Data können nach Schätzung von Experten bei bis zu 60% liegen. Der Umgang mit Big Data in HR erfordert vier Schlüsselfertigkeiten, die eng einander verzahnt sein müssen, damit die gewünschten Ergebnisse erzielt werden können. Mitarbeiter sind die wichtigsten Ressource im Unternehmen. Deshalb wird Big Data im Personalmangement und hier vor allem das Talent Management strategische Bedeutung für das Management des Unternehmens erhalten. Hier ist insbesondere die eng ineinandergreifende Zusammenarbeit zwischen Business und IT Management ausschlaggebend.

13 Über Cornerstone OnDemand Cornerstone OnDemand ist ein weltweit führender Anbieter einer umfassenden cloudbasierten Talent- Management Software. Cornerstones Lösungen helfen den Unternehmen beim Recruiting, Bindung, Schulung, Management und Stärkung ihrer Mitarbeiter und somit der Erhöhung der Produktivität. Mit Sitz in Santa Monica, Kalifornien, werden die Lösungen des Unternehmens von über Unternehmen weltweit eingesetzt und umfassen über 11 Millionen Anwender in 190 Ländern mit 41 Sprachen. cornerstoneondemand.de twitter.com/csodemea xing.com/companies/cornerstoneondemand youtube.com/user/csodsocial 2013 Cornerstone OnDemand, Inc. Alle Rechte vorbehalten. Tel: +49 (0)