Predictive analytics im Personalwesen: Anwendungsfälle und Umsetzungshinweise
16. Oktober 2023
Predictive analytics im Personalwesen nutzt Statistiken und maschinelles Lernen, um fundiertere Entscheidungen über Personalbeschaffung, -besetzung und andere Personalfunktionen zu treffen. Durch die Analyse von Daten aus Lebensläufen und HRIS-Systemen kann Predictive Analytics das Talentmanagement verbessern.
Predictive-analytics-Software kann die Personalarbeit in einem Unternehmen verbessern, von der Bewerberbeschaffung bis zur Analyse der Mitarbeiterabwanderung. Itransition-Experten nutzen Predictive-analytics-Funktionen, um Strategien zur Talentgewinnung und -bindung zu verbessern.
Predictive-analytics im Personalwesen: Statistiken
erwarteter Umsatz des Workforce-Analytics-Marktes bis 2028
SkyQuest Technologie-Beratung
der Unternehmen sind der Meinung, dass die Analyse des Personalbestands für ihren Erfolg entscheidend ist
SkyQuest Technologie-Beratung
der Personalverantwortlichen geben an, dass sie über objektive verhaltensbezogene und kognitive Daten über Bewerber verfügen
Prädiktiver Index
das durchschnittliche Budget pro Benutzer für HRIS-Software oder 210 $ pro Benutzer pro Monat
Software-Pfad
glauben, dass die Bereitstellung nützlicher Personaldaten und Analysen das Hauptziel ihres HR-Tech-Stacks ist
HR.com Forschung
Verbessern Sie Ihr Personalmanagement mit prädiktiver Analytik
Die 6 wichtigsten Anwendungsfälle von Predictive Analytics im Personalwesen
HR predictive-analytics kann eine breite Palette von Erkenntnissen darüber liefern, wie Mitarbeiter ihre Leistungsziele und die Ziele des Unternehmens erreichen. So können beispielsweise E-Commerce-Unternehmen die von ihren POS-Systemen erfassten Transaktions- und Umsatzdaten nutzen, um die produktivsten Mitarbeiter und die besten Vertriebskanäle zu ermitteln. Die Analyse von Faktoren, die sich auf die Teamproduktivität und die allgemeine Arbeitszufriedenheit auswirken, kann Personalfachleuten dabei helfen, vorherzusagen, wie sich verschiedene Prozess- und Motivationspläne auf die Leistung der Mitarbeiter auswirken werden. Darüber hinaus können Vorhersagemodelle auf der Grundlage von Leistungskennzahlen, Schulungsaufzeichnungen, Umfragen zum Engagement und dem Feedback der Teams Korrelationen und Muster erkennen, die bei den Teammitgliedern unzureichende oder hohe Leistungen auslösen.
Einfache Methoden des maschinellen Lernens, wie z. B. K-Nearest Neighbors, sind für die Leistungsanalyse und -vorhersage gut geeignet. K-Means Clustering und Entscheidungsbäume, zwei der ältesten Methoden der maschinellen Lernanalyse, können ebenfalls für die Entwicklung von Predictive-Analytics-Systemen zur Leistungsbewertung verwendet werden. Mit diesen Erkenntnissen können Personalverantwortliche Mitarbeiter zu Analysezwecken in Gruppen einteilen und die zukünftige Leistungsfähigkeit des Teams vorhersagen.
A K-Means cluster identifies top-performing employees based on prior metrics, and simple graphing translates the results into slide-friendly graphics.
Beschaffung, Filterung und Abwerbung von Bewerbern
KI-basierte Analytik bietet zusammen mit RPA im Personalwesen proaktivere Methoden für die Suche nach potenziellen Mitarbeitern, sogenannten passiven Kandidaten, "in freier Wildbahn". Predictive-analytics/personalwesen sind in der Lage, das Internet nach Personen zu durchforsten, die für Ihr Unternehmen geeignet sind, wobei eine wachsende Zahl von Unternehmen KI-gestützte "broad sweep"-Kandidatensuche anbietet.
Wenn Unternehmen ein erstes Netz nach möglichen Bewerbern auswerfen, analysieren KI- und Predictive-Analytics-Modelle zahlreiche Faktoren, darunter Ausbildung, Fähigkeiten, Erfahrung und einschlägige Fachkenntnisse, um Personalverantwortliche dabei zu unterstützen, potenzielle Bewerber zu filtern, einzustufen und vorherzusagen, wer für eine bestimmte Position wahrscheinlich gut geeignet ist.
Umfassende analytische Erkenntnisse helfen den Personalverantwortlichen bei der Optimierung der Kandidatensuche, was bedeutet, dass sie weniger Zeit damit verbringen, ungeeignete Bewerber abzulehnen. Außerdem können solche Systeme dazu beitragen, die Einstellungskosten zu senken: KI-gestützte Modelle verarbeiten automatisch enorme Mengen an Daten potenzieller Mitarbeiter, und Unternehmen können weniger Personal für diese manuellen Aufgaben einsetzen.
Prognosen zur Mitarbeiterfluktuation
Personalabteilungen haben oft Schwierigkeiten, Mitarbeiter, bei denen ein hohes Risiko besteht, das Unternehmen zu verlassen, rechtzeitig zu erkennen. Neben der Analyse der Mitarbeiterleistung berücksichtigen Predictive-Analytics-Systeme auch das Engagement, die Stimmung und die Zufriedenheit sowie Meilensteine in der Karriereentwicklung.
Nach der Analyse aller Datenquellen können Predictive-Analytics-Modelle Aufschluss darüber geben, welche Mitarbeiter kündigungsgefährdet sind. Wenn sie rechtzeitig entdeckt werden, kann die Personalabteilung das Fluchtrisiko mindern und proaktive Maßnahmen ergreifen, um Mitarbeiter durch gezielte Bindungsmaßnahmen und persönliche Beratung zum Bleiben zu motivieren. Eine rechtzeitige Analyse der Fluktuationsraten wird dazu beitragen, die Mitarbeiterfluktuation zu verringern, und den Personalverantwortlichen helfen, ihre Personalmanagementstrategien neu zu bewerten.
Nachfolgeplanung
Anstatt neue Star-Spezialisten und Manager von außen einzustellen, kann Predictive Analytics den Personalverantwortlichen helfen, Top-Talente und potenzielle Führungskräfte intern zu identifizieren. Durch die Analyse von Mitarbeitererfahrungen, früheren Karriereverläufen, Fähigkeiten und Kompetenzerweiterungen können Predictive-Analytics-Modelle den Personalverantwortlichen dabei helfen, Mitarbeiter zu erkennen und zu analysieren, die das Potenzial haben, Manager zu werden und Führungspositionen innerhalb eines Unternehmens zu besetzen.
Die prädiktive Analyse kann bei der Erstellung von Nachfolgeplänen und der Einführung gezielter Programme zur Förderung qualifizierter, leistungsstarker Mitarbeiter für die künftige berufliche Entwicklung eine entscheidende Rolle spielen.
Planung der Talentgewinnung
Personalverantwortliche sind dafür zuständig, den Personalbestand eines Unternehmens aufrechtzuerhalten und Personalengpässe oder Überbesetzung zu vermeiden. Mithilfe von Predictive Analytics können HR-Spezialisten die Talentanforderungen und den Personalbedarf eines Unternehmens im Voraus prognostizieren.
Eine datengestützte, rechtzeitige Planung ermöglicht es den Personalleitern, ihre Einstellungsentscheidungen, Initiativen zur Mitarbeiterschulung und -entwicklung sowie neue Einstellungsstrategien neu zu bewerten, um die Verfügbarkeit von qualifiziertem Personal genau dann und dort zu gewährleisten, wo es zur Unterstützung der Geschäftsergebnisse benötigt wird.
Budgets und Vergütungsplanung
Predictive-analytics-Modelle können Personalspezialisten bei der Festlegung und Genehmigung von Personalbudgets mit der Unternehmensleitung helfen, indem sie datengestützte Einblicke und Prognosen auf der Grundlage bestimmter Markttrends, der Mitarbeiterfluktuation und der Wachstumsziele des Unternehmens liefern.
Mit Hilfe von Predictive Analytics kann eine marktorientierte Vergütungsplanung gewährleistet werden, indem die Personalabteilungen Gehaltsbenchmarks der Branche und Markttrends analysieren, um die Vergütungspakete des Unternehmens wettbewerbsfähig zu halten. Prognosemodelle können angemessene Gehaltsspannen für verschiedene Positionen vorschlagen und dabei die Erfahrung der Mitarbeiter, die Leistung, die Marktlage und die jeweiligen Unternehmensziele berücksichtigen.
Beispiele aus der Praxis für Predictive Analytics im Personalwesen
Das in Utah ansässige HR-Tech-Unternehmen HireVue führt eine Textanalyse von Bewerberinterviews durch, kombiniert mit verschiedenen anderen Eignungsmerkmalen, die von den psychologischen Forschungsteams des Unternehmens entwickelt wurden. Das Unternehmen verwendet proprietäre Modelle für maschinelles Lernen, die videobasierte Interviews analysieren, um die künftige Arbeitsleistung des Bewerbers vorherzusagen. Am interessantesten ist, dass die Plattform nonverbale Hinweise wie Mimik, Augenbewegungen, Körpersprache und sogar den persönlichen Stil bewerten kann, um Unternehmen einen viel tieferen Einblick in die Persönlichkeit eines Bewerbers zu ermöglichen als jede andere Form eines Interviews. Die Effektivität dieses KI-gestützten Systems lässt sich an der Qualität seiner Kunden ablesen: Deloitte, Goldman Sachs, Amazon und Unilever. So konnte Unilever mit der HireVue-Plattform den Einstellungsprozess um 90 % beschleunigen, was zu jährlichen Kosteneinsparungen in Höhe von 1 Million Pfund führte.
Die immensen Fortschritte der LinkedIn-Forschung im Bereich des maschinellen Lernens sind nicht überraschend, da das Unternehmen über einen der reichhaltigsten Datensätze der Welt verfügt, der täglich exponentiell wächst. LinkedIn Recruiter unterstützt Personalverantwortliche und Personalvermittler bei der Optimierung der Talentsuche und bei der Verbesserung von Einstellungsprozessen und zukünftigen Gesamtergebnissen. Wenn ein Personalverantwortlicher eine Anfrage zur Kandidatensuche stellt, listet ein Predictive-Analytics-System die Kandidaten auf, die auf eine bestimmte Stelle passen, und zwar auf der Grundlage ihrer Berufserfahrung, ihrer Fähigkeiten, des Zeitpunkts und des Standorts der Stellenausschreibung usw. LinkedIn Recruiter verwendet Gradient Boosted Decision Trees (GBDTs), neben vielen anderen intensiven maschinellen Lernansätzen, um "nicht offensichtliche" Faktoren zu berechnen, die einen potenziellen Bewerber mit den Interessen eines Arbeitgebers in Einklang bringen können.
Textio ist eine Plattform für erweitertes Schreiben, die Predictive Analytics und NLP nutzt, um Personalverantwortliche bei der Erstellung von Botschaften zu unterstützen, die bei bestehenden und potenziellen Mitarbeitern am besten ankommen. Personalverantwortliche nutzen Textio beispielsweise, um Fachjargon, alters- und geschlechtsspezifische Formulierungen aufzudecken, die Bewerber abschrecken, und erhalten Vorschläge, welche Sprache ein bestimmtes Publikum am meisten anspricht. Wichtig ist, dass Textio die Texte auf der Grundlage der von einem Unternehmen bereits verwendeten Sprache ergänzt, so dass Unternehmen in Bezug auf Stil und Markenbildung über alle Kommunikationskanäle hinweg konsistent bleiben können.
Remesh ist eine Audience-Intelligence-Plattform, die es Unternehmen ermöglicht, ihre Zielgruppen, seien es Mitarbeiter oder Verbraucher, besser zu verstehen. Mit seiner Predictive-Analytics-Plattform hilft Remesh Unternehmen, authentisches Mitarbeiter-Feedback zu erfassen, das für datengestützte Entscheidungen in den Bereichen Gesundheits- und Sozialleistungsmanagement, Change Management, Diversität und Integration sowie kultureller Wandel genutzt werden kann. Für die Mitarbeiter sieht die Plattform von Remesh aus wie eine Kombination aus einer einfachen Messenger-App und einer Umfrageplattform, auf der ein Personalverantwortlicher sowohl geschlossene als auch offene Fragen stellt. Remesh analysiert die Antworten der Mitarbeiter in Echtzeit, teilt sie in Gruppen ein und liefert umsetzbare Erkenntnisse. Da die Plattform die Antworten der Mitarbeiter anonymisiert, ist die Wahrscheinlichkeit von authentischen Antworten hoch.
Das KI-Meeting-Analyse-Framework Headroom, das kürzlich 9 Millionen Dollar Risikokapital erhalten hat, kann das Mitschreiben automatisieren und nutzt Algorithmen zur Erkennung von Emotionen, um festzustellen, welchen Eindruck eine Präsentation auf die "stillen" Zuhörer im Raum macht, und gibt dem Redner in einem Konsolenfenster seines Bildschirms ein Echtzeit-Feedback. Das System stützt sich auf viele Faktoren, darunter Pupillenerweiterung, Augenbrauenstellung, Mundform und andere Gruppen von Gesichtsmerkmalen.
Menschenzentrierte KI ist der Schlüssel für die Zukunft der Remote-Zusammenarbeit... Wir brauchen Kopräsenz: das Gefühl, "dabei zu sein", eine andere Person nicht nur zu sehen und zu hören, sondern sie im Kontext der gemeinsamen virtuellen Umgebung zu verstehen und sich an sie zu erinnern. Menschenzentrierte KI kann dieses Verstehen und Erinnern erheblich unterstützen, um die Effektivität der Zusammenarbeit zu erhöhen und die Produktivität der Teams zu steigern.
HR Predictive-Analytics-Implementierung bewährter Verfahren
Predictive analytics rationalisiert die Entscheidungsfindung in Personalabteilungen. Wie kann man sie also richtig einsetzen, um riesige Mengen an Personaldaten zu verarbeiten, das Engagement der Mitarbeiter zu steigern und das Endergebnis Ihres Unternehmens zu verbessern? Hier sind die 3 wichtigsten Grundsätze, die Sie beachten sollten:
Daten vorbereiten
Daten sind der Grundstein für die Genauigkeit eines Predictive-Analytics-Systems. Sie können immer mit dem Aufbau eines Predictive-Analytics-Modells beginnen, indem Sie unternehmensinterne historische Daten mit Berichten und Protokollen aus vielen Jahren zur Analyse nutzen. Sie sollten jedoch sicherstellen, dass die Daten genau und konsistent sind. Je nach Datenqualität sollten Sie bereit sein, zusätzliche Daten zu sammeln oder sogar ganz neue Datensätze zu erheben, um sicherzustellen, dass Ihr Predictive-Analytics-Modell genaue Erkenntnisse liefert. Achten Sie auch auf die notwendige Ausrüstung und die Methoden, die eine wertorientierte Business Intelligence Pipeline ausmachen.
Bestimmen Sie die Metriken
HR Predictive-analytics-Systeme sollten auch relevante Metriken enthalten. Je nach Geschäftszielen sollten HR Predictive-analytics-Anwender aussagekräftige Erfolgsmaßstäbe entwickeln, die sich positiv auf das Unternehmen auswirken. So können Sie beispielsweise den prozentualen Gewinnzuwachs oder die Umsatzsteigerung nach Investitionen in die Schulung Ihrer Vertriebsmitarbeiter messen. Bestimmte Branchen verfügen über intrinsische Metriken (z. B. Social Media Shares in PR-Organisationen, Traffic-Schwankungen bei SEO-Aktivitäten oder produzierte Einheiten in der Industrie), die in das Predictive-Analytics-Profil eines Mitarbeiters eingegeben werden können. In Bereichen, in denen die Produktivität eher subjektiv ist, müssen sich die Unternehmen jedoch bemühen, andere, genauere Metriken zu implementieren.
Wählen Sie ML-Modelle mit Bedacht
Es ist nicht immer notwendig, einen großen, kuratierten Datenkorpus teuer zu trainieren, um auf maschinelles Lernen basierende prädiktive Analysen für interne Unternehmensdaten durchzuführen. Solange Ihr Datensatz konsistent und alt genug ist, um aussagekräftige statistische Jahr-zu-Jahr-Trends zu liefern, eignen sich viele der "leichteren" Ansätze für die Mehrheit der Unternehmen. Einer der beliebtesten Algorithmen ist K-Nearest Neighbors (KNN). KNN ist als "lazy learner" bekannt, da er den gesamten Datensatz nach einer Vorhersage mit "nächstem Nachbarn" durchforstet, anstatt ein maschinelles Lernmodell zu trainieren, das Vorhersagen auf der Grundlage historischer Daten macht. IBM hat diesen Algorithmus zum Beispiel zur Vorhersage der Mitarbeiterfluktuation und der Leistung verwendet. Andere Ansätze mit geringeren Auswirkungen können durch ähnlich "etablierte" Analyseverfahren des maschinellen Lernens entwickelt werden. So veröffentlichte das Academy of Entrepreneurship Journal eine Studie über einen ML-basierten Rahmen für die Mitarbeiterbindung unter Verwendung grundlegender Komponenten wie Support Vector Machine und Random Forest. Mithilfe dieser Algorithmen ermittelten die Autoren Bindungswahrscheinlichkeiten auf der Grundlage von Faktoren wie akademischen Qualifikationen, Vertragsart, Abteilungszugehörigkeit und sogar dem Studienfach des Mitarbeiters.
Möchten Sie Predictive Analytics für das Personalwesen einsetzen?
Herausforderungen bei der Implementierung von Predictive Analytics im Personalwesen
Herausforderung
Lösung
Mangel an Talenten
Bei dem Versuch, Predictive Analytics einzuführen, sehen sich die meisten Personalabteilungen in Unternehmen mit einem Mangel an qualifizierten Fachkräften konfrontiert. Die meisten Anwendungen von Predictive Analytics im Personalwesen sind zwar benutzerfreundlich, erfordern aber umfangreiche Kenntnisse in der Datenanalyse, die unter Personalern eher selten sind.
Bei der Einführung einer Predictive-Analytics-Lösung müssen Sie sich mit zwei Aspekten auseinandersetzen: der technischen Implementierung und den Änderungen in den Geschäftsprozessen. Erstens können Sie je nach Ihren Zielen und dem verfügbaren Budget entweder interne technische Spezialisten einstellen oder die Implementierung einer Predictive-Analytics-Lösung externen Predictive-Analytics- und Machine-Learning-Experten anvertrauen, die Ihnen bei der Implementierung und Abstimmung des Predictive-Analytics-Modells helfen können. Um das volle Potenzial der Technologie für Ihr Personalmanagement auszuschöpfen, sollten Sie in die Schulung von Personalfachleuten investieren, um den Einführungsprozess zu erleichtern und den reibungslosen Betrieb des Systems zu gewährleisten.
Unzureichende IT-Ressourcen
Die Durchführung von Predictive Analytics und Data Analytics im Personalwesen ist aus Sicht der IT ein sehr anspruchsvoller Prozess. Kleinere Unternehmen mit begrenzten Cloud-Infrastrukturen werden es am schwersten haben, diese Analyseprogramme in großem Umfang zu implementieren.
Das Outsourcing der Implementierung einer Predictive-Analytics-Lösung in Ihr Personalwesen kann eine sinnvolle Option sein. Ein zuverlässiger Partner hilft Ihnen bei der Auswahl einer sofort einsatzbereiten SaaS-Lösung, bei der Anpassung oder beim Aufbau eines vollständig maßgeschneiderten Systems entsprechend Ihren speziellen Geschäftszielen. Die Nutzung der skalierbaren Cloud-Infrastruktur erleichtert den Einführungsprozess und erspart Ihnen den Aufwand für die Wartung einer komplexen IT-Infrastruktur.
Einhaltung von Vorschriften und Datenschutz
Predictive analytics kann eine Reihe von rechtlichen Herausforderungen in Bezug auf Datenschutz, Voreingenommenheit und Mitarbeiterüberwachung mit sich bringen.
Aus rechtlicher Sicht ist es unerlässlich, das turbulente regulatorische Umfeld rund um die Rechte von Arbeitnehmern in Bezug auf die Überwachung von Arbeitsplätzen und KI-Systemen im Auge zu behalten und sich gegebenenfalls professionell beraten zu lassen, um das Unternehmen vor rechtlichen Risiken zu schützen. Um jedoch das Risiko von Compliance-Problemen auszuschließen, verwenden Predictive-Analytics-Modelle in der Regel verschleierte Daten für das Training und die Erstellung von Vorhersagen, um die Sicherheit persönlicher und sensibler Daten zu gewährleisten.
Erweitern Sie Ihre HR-Praxis mit Predictive-Analytics
Predictive-Analytics-Lösungen sind eine hervorragende Ergänzung des digitalen Instrumentariums von Personalvermittlern und Talentmanagern. Dank zahlreicher historischer Daten, verbesserter Data-Governance-Praktiken und ständig wachsender Datensätze werden auf maschinellem Lernen basierende Vorhersagen zudem genauer als je zuvor. Wenden Sie sich an unsere professionellen KI/ML-Experten, um Predictive Analytics nahtlos in Ihr Personalmanagement zu integrieren.
