Big Data im Vergütungsmanagement: Wie lassen sich Daten für strategische Ziele nutzen? Prof. Dr. Torsten Biemann Praxisforum Vergütungsstrategie, 22.11.2016 in Frankfurt
Wie kann Big Data im HR für die Vergütung genutzt werden? Mein Unternehmen Andere Unternehmen und Plattformen 0110111 0001101 0000000 0100000 1011101 0011011 1101001 1000011 1011111 0101101 0000010 0010011 1000111 0100110 1101110 0101001 1010111 0110010 1011000 1010111 1000000 0100111 0011111 0111100 0101011 0000110 1010111 0011101 0100010 1010010 1101101 1100001 1101001 HR 0100110 0100111 0011001 1101101 1100001 1101001 0100110 0100111 0011001 1101101 2
Wie kann Big Data im HR für die Vergütung genutzt werden? Mein Unternehmen Andere Unternehmen und Plattformen 0110111 0001101 0000000 0100000 1. 1011101 0011011 1101001 1000011 1011111 0101101 0000010 0010011 3. 1000111 0100110 1101110 0101001 1010111 2. 0110010 1011000 1010111 1000000 0100111 0011111 0111100 0101011 0000110 1010111 0011101 0100010 1010010 1101101 1100001 1101001 HR 0100110 0100111 0011001 1101101 1100001 1101001 0100110 0100111 0011001 1101101 1. Wie können Daten aus dem eigenen Unternehmen genutzt werden? 2. Wie können Daten von anderen Unternehmen und Plattformen genutzt werden? 3. Wie werden Mitarbeiter reagieren? 3
Daten aus dem eigenen Unternehmen Datenvolumen im HR geringer und Daten stärker strukturiert Geringerer Einfluss einer VUCA -Umgebung auf die verwendbaren Daten Verfahren anderer Unternehmensbereiche im HR kaum anwendbar Z.B. Predictive Maintenance, Data Mining Über Industrie 4.0 und Digitalisierung: Mögliche Verwendung von Daten zur besseren Leistungsmessung Starke Limitationen der Verwendung von (Big) Data durch Datenschutz und Mitbestimmung Bild: LinkedIn 4
Beförderungsentscheidungen bei Google Vorher: Mittleres / Topmanagement trifft sich zweimal pro Jahr Diskussionen über Beförderungen in Kleingruppen People-Analytics-Team: Können wir diesen Prozess effizienter machen? Datenbasiertes Modell für die Beförderungsentscheidungen: Odds = e 22.216+ 5.227 AvrgPerf + 2.732 MgrRecom +(0.971 SelfRecom) Probability % = Odds 1 + Odds Modell hatte eine hohe Genauigkeit, aber Manager argumentierten: People should make people decisions 5
Meta-Analyse: Algorithmus versus Experte N (Stichprobengröße) K (Anzahl Studien) For predicting job performance, mechanical approaches substantially outperform clinical combination methods. (S. 1064) Ähnliche Ergebnisse für andere diagnostische Entscheidungen r Algorithmus (kaum Evidenz zu Fairnesswahrnehmungen der Mitarbeiter bei Verwendung von Algorithmen) r Experten Leistung ca. 1200 9 0.40 0.28 Beförderungen 683 5 0.36 0.36 Training 188 2 0.31 0.16 Kuncel, N. R., Klieger, D. M., Connelly, B. S., & Ones, D. S. (2013). Mechanical versus clinical data combination in selection and admissions decisions: A meta-analysis. Journal of Applied Psychology, 98(6), 1060. 6
Evidenzbasiertes Personalmanagement (EBPM) Wurzeln in der evidenzbasierten Medizin Grundsätze: Unternehmen ist ein unfertiger Prototyp Methoden und Ergebnisse aus der Wissenschaft Daten aus dem eigenen Unternehmen analysieren Erfahrung und interne Evidenz EBPM Beste externe Evidenz Vorgehen: Schritt 1: Definition der Fragestellung und Logik Schritt 2: Erfassung bestehender (wissenschaftlicher) Evidenz Schritt 3: Eigene Datenanalysen Erwartungen (potentieller) Mitarbeiter 7
Kennen Personaler Ergebnisse aus der Wissenschaft? Projekt in Kooperation mit der DGFP und Prof. Heiko Weckmüller (FOM) Befragung unter DGFP-Mitgliedern in 2013 (n = 189) Ergänzung durch Befragung von Studenten Fragebogen mit 19 Aussagen, die in der Personalpraxis wichtig sind und zu denen klare Forschungsergebnisse vorliegen. Antwortmöglichkeiten: richtig, falsch oder weiß nicht 8
Prozent Arbeitnehmer der Generation Y (nach ca. 1980 geboren) haben grundlegend andere arbeitsbezogene Einstellungen und Wertvorstellungen als Arbeitnehmer der Vorgängergeneration (Generation X, zwischen ca. 1965 und 1979 geboren). 100 90 80 70 60 50 40 30 20 79,9 Stand in der Forschung 15,3 10 0 4,8 richtig falsch weiß nicht 9
Mögliche Wertänderungen als Grundlage für angepasste HR-Maßnahmen? Generationen: Baby Boomer (1955-1964) Generation X (GenX; 1965-1981) Generation Y (GenY; 1982-1999) Studie zu veränderten Werten: Bedeutung extrinsischer Belohnung Ein Job mit hohem Status und Prestige Bedeutung intrinsischer Belohnung Ein Job, der Spaß macht Altruistische Motive Ein Job, der gut für das Gemeinwohl ist Freizeitorientierung Ein Job, in dem man viele Ferientage hat Twenge et al. (2010) 10
Arbeitsbezogene Wertvorstellungen haben sich kaum verändert Sehr wichtig 5 4 3 2 3,85 3,83 3,76 Bedeutung intrinsischer Belohnung 3,30 3,27 3,23 Altruistische Motive 2,63 2,36 2,90 2,81 Bedeutung extrinsischer Belohnung 2,60 2,76 Freizeitorientierung Gar nicht wichtig 1 Baby Boomer GenX GenY Die Jugend von heute liebt den Luxus, hat schlechte Manieren und verachtet die Autorität. Sie widersprechen ihren Eltern, legen die Beine übereinander und tyrannisieren ihre Lehrer. (Sokrates zugeschrieben) Abbildung: Biemann/Weckmüller (2013), basierend auf Daten in Twenge et al. (2010): 1127-1129 (Tabelle 1 ) 11
Die Stabilität von Beschäftigungsverhältnissen (gemessen an der durchschnittlichen Betriebszugehörigkeit) hat sich in den letzten 20 Jahren kaum verändert. Prozent 100 90 80 Stand in der Forschung 78,3 70 60 50 40 30 20 10 11,1 10,6 0 richtig falsch weiß nicht 12 12
Durchschnittliche Dauer von Beschäftigungsverhältnissen Jahre 14 12 10 8 6 4 2 0 10 11 10,9 11,4 12,9 11,8 11,2 Deutschland Frankreich Italien Schweden UK Schweiz 2000 2014 9,5 7,9 8,8 9,2 9 Verteilung der Beschäftigungsdauer hat sich während der letzten 15 Jahre nicht wesentlich verändert. (Statistisches Bundesamt, Wirtschaft und Statistik, November 2012, S. 994) 13 Quelle: https://stats.oecd.org/index.aspx?datasetcode=tenure_ave
Extrinsische Anreize und intrinsische Motivation wirken gemeinsam auf Leistung Zusammenhang intrinsischer Motivation und Leistung: N k r Gesamt 212 468 183 0.26 An Vergütung gekoppelt? 7 814 40 0.36 Ja, indirekt 3 133 8 0.45 Ja, direkt 3 975 27 0.30 Nein 117 017 34 0.27 Art der Leistung: Qualität 8 926 34 0.35 Quantität 185 323 78 0.26 N = Stichprobengröße k = Anzahl der Effekte/Studien r = korrigierter Korrelationskoeffizient Quelle: Cerasoli, C. P., Nicklin, J. M., & Ford, M. T. (2014). Intrinsic motivation and extrinsic incentives jointly predict performance: A 40-year meta-analysis. Psychological Bulletin, 140(4), 980. 14
Verwendung externer Daten Status Quo: Benchmarks zum Gehalt erfassen den Ist-Zustand in anderen Unternehmen Unternehmensübergreifende Daten und Analysen i.d.r. schwer umsetzbar Datenschutz Widerstand im Unternehmen Möglicher Nutzen von Big Data und Predictive Analytics z.b.: Analyse der Stellenanzeigen von Wettbewerbern, um Engpässe vorherzusagen Rechtzeitiges Entgegensteuern durch Vergütung Identifizieren von Mitarbeitern anderer Unternehmen mit unterdurchschnittlichem Gehalt Analyse der Wirkung unterschiedlicher Vergütungshöhe und arten (über Cloud) 15
Wie werden die Mitarbeiter reagieren? Verfügbarkeit von Informationen auch für (potentielle) Mitarbeiter gestiegen transparente Organisationen Menschen sind opportunistisch. Anpassungen an den Algorithmus? Menschen sind subjektiv und (manchmal) irrational. Entscheidungsqualität und Fairnesswahrnehmungen können divergieren Implementierungshindernisse oft bei Unternehmenskultur und Mitarbeitereinstellungen, nicht so sehr bei der Technologie 16
Anmerkungen für die HR-Praxis People Analytics als wesentlicher Teil eines evidenzbasierten Personalmanagements Ergänzung durch bestehende externe Evidenz Aber: Auch Big Data und People Analytics liefern nicht alle Antworten 1. Verwendung von Daten aus dem Unternehmen Enge Grenzen durch Verfügbarkeit und Datenschutz 2. Verwendung von Daten aus anderen Unternehmen Im engeren Sinne: Vor allem bei Mitarbeitergewinnung und Bindung denkbar Im weiteren Sinne: stärkere Berücksichtigung bestehender Evidenz aus Studien 3. Reaktionen der Mitarbeiter Reaktanz Opportunistisches Verhalten 17
Welche Rolle spielt Vergütung für Unternehmenswechsel? Arbeitszufriedenheit r = -0,19 Zufriedenheit und Führung Zufriedenheit mit dem Gehalt Zufriedenheit mit dem Vorgesetzten Zufriedenheit mit den Kollegen r = -0,07 r = -0,10 r = -0,11 Austausch mit dem Vorgesetzten r = -0,23 Arbeitsaufgabe Rollenklarheit Rollenkonflikte r = -0,21 r = 0,20 Unternehmenswechsel Stress r = 0,14 Verspätungen r = 0,06 Karriere Alternative Angebote Aufstiegsmöglichkeiten r = 0,12 r = -0,12 Fehlzeiten Leistung r = 0,20 r = -0,15 Griffeth, Hom, & Gaertner, 2000 18
Anmerkungen für die HR-Praxis People Analytics als wesentlicher Teil eines evidenzbasierten Personalmanagements Ergänzung durch bestehende externe Evidenz Aber: Auch Big Data und People Analytics liefern nicht alle Antworten 1. Verwendung von Daten aus dem Unternehmen Enge Grenzen durch Verfügbarkeit und Datenschutz 2. Verwendung von Daten aus anderen Unternehmen Im engeren Sinne: Vor allem bei Mitarbeitergewinnung und Bindung denkbar Im weiteren Sinne: stärkere Berücksichtigung bestehender Evidenz aus Studien 3. Reaktionen der Mitarbeiter Reaktanz Opportunistisches Verhalten 19
Vielen Dank für die Aufmerksamkeit! Kontakt: Prof. Dr. Torsten Biemann Universität Mannheim Lehrstuhl für Personalmanagement und Führung Tel.: 0621 181-1502 biemann@bwl.uni-mannheim.de 20