Human Resource (HR) Analytics

Entdecken:

• Was ist HR Analytics?
• Wieso wird HR Analytics gebraucht?
• Beispiele für HR Analytics
• Wie funktioniert HR Analytics?
• Beispiele für HR Analytics-Metriken
• Vor- und Nachteile von HR Analytics
• Predictive HR Analytics

---

Was ist HR Analytics?

HR Analytics ist der Prozess der Sammlung und Analyse von Human Resource (HR)-Daten, um die Leistung der Mitarbeiter eines Unternehmens zu verbessern. Der Prozess kann auch als Talent Analytics, People Analytics oder sogar Workforce Analytics bezeichnet werden.

Diese Methode der Datenanalyse nimmt Daten, die routinemäßig von der Personalabteilung gesammelt werden, und setzt sie mit den Zielen der Personalabteilung und der Organisation in Beziehung. Dies liefert messbare Beweise dafür, wie HR-Initiativen zu den Zielen und Strategien der Organisation beitragen.

Wenn zum Beispiel ein Software-Engineering-Unternehmen eine hohe Mitarbeiterfluktuation aufweist, arbeitet das Unternehmen nicht auf einem voll produktiven Niveau. Es braucht Zeit und Investitionen, um die Mitarbeiter auf ein voll produktives Niveau zu bringen.

Die HR-Analyse liefert datengestützte Erkenntnisse darüber, was gut funktioniert und was nicht, so dass Unternehmen Verbesserungen vornehmen und effektiver für die Zukunft planen können.

Wie im obigen Beispiel kann die Kenntnis der Ursache für die hohe Fluktuation des Unternehmens wertvolle Hinweise darauf geben, wie diese reduziert werden könnte. Durch die Reduzierung der Fluktuation kann das Unternehmen seinen Umsatz und seine Produktivität steigern.

---

Wieso wird HR Analytics gebraucht?

Die meisten Unternehmen verfügen bereits über Daten, die routinemäßig gesammelt werden. Warum also die Notwendigkeit einer spezialisierten Form der Analyse? Kann die Personalabteilung nicht einfach auf die bereits vorhandenen Daten zurückgreifen?

Leider können die Rohdaten allein leider keine nützlichen Erkenntnisse liefern. Es wäre, als würde man eine große Tabelle voller Zahlen und Wörter betrachten. Ohne Organisation oder Richtung erscheinen die Daten bedeutungslos.

Einmal organisiert, verglichen und analysiert, liefern diese Rohdaten nützliche Erkenntnisse.

Sie können helfen, Fragen zu beantworten wie:

• Welche Muster lassen sich bei der Mitarbeiterfluktuation erkennen?
• Wie lange dauert die Einstellung von Mitarbeitern?
• Welche Investitionen sind notwendig, um die Mitarbeiter auf eine voll produktive Geschwindigkeit zu bringen?
• Welche unserer Mitarbeiter werden am ehesten innerhalb eines Jahres ausscheiden?
• Haben Lern- und Entwicklungsinitiativen einen Einfluss auf die Leistung der Mitarbeiter?

Datengestützte Nachweise bedeuten, dass sich Unternehmen auf die notwendigen Verbesserungen konzentrieren und zukünftige Initiativen planen können.

Mit der Fähigkeit, wichtige organisatorische Fragen ohne Rätselraten zu beantworten, ist es nicht überraschend, dass viele Unternehmen, die HR Analytics einsetzen, die Leistungsverbesserung auf HR-Initiativen zurückführen.

---

Beispiele für HR Analytics

Wie kann HR Analytics von Unternehmen genutzt werden?

Schauen wir uns ein paar Beispiele anhand gängiger Organisationsthemen an:

1. Fluktuation

Wenn Mitarbeiter kündigen, gibt es oft kein wirkliches Verständnis dafür, warum.

Es gibt zwar gesammelte Berichte oder Daten zu einzelnen Situationen, aber keine Möglichkeit zu erfahren, ob es einen übergreifenden Grund oder Trend für die Fluktuation gibt.

Da Fluktuation in Form von Zeit- und Gewinnverlusten kostspielig ist, brauchen Unternehmen diese Einsicht, um zu verhindern, dass Fluktuation zu einem dauerhaften Problem wird.

HR Analytics kann:

• Vergangenheitsdaten über die Fluktuation sammeln und analysieren, um Trends und Muster zu erkennen, die aufzeigen, warum Mitarbeiter kündigen.
• Daten über das Verhalten der Mitarbeiter, wie Produktivität und Engagement, sammeln, um den Status der aktuellen Mitarbeiter besser zu verstehen.
• beide Arten von Daten miteinander in Beziehung setzen, um die Faktoren zu verstehen, die zur Fluktuation führen.
• dabei helfen, ein Vorhersagemodell zu erstellen, um Mitarbeiter, die in das identifizierte Muster der gekündigten Mitarbeiter fallen könnten, besser zu verfolgen und zu kennzeichnen.
• Strategien entwickeln und Entscheidungen treffen, die das Arbeitsumfeld und den Grad des Engagements verbessern.
• Muster des Mitarbeiterengagements, der Mitarbeiterzufriedenheit und der Leistung identifizieren.

2. Einstellung

Unternehmen suchen Kandidaten, die nicht nur die richtigen Fähigkeiten, sondern auch die richtigen Eigenschaften haben, die mit der Arbeitskultur und den Leistungsanforderungen des Unternehmens übereinstimmen.

Das Durchsehen von Hunderten oder Tausenden von Lebensläufen und das Treffen von Einstellungsentscheidungen auf der Basis von Basisinformationen ist limitierend, umso mehr, wenn potenzielle Kandidaten übersehen werden können. So kann ein Unternehmen beispielsweise feststellen, dass Kreativität ein besserer Erfolgsindikator ist als die damit verbundene Berufserfahrung.

HR Analytics kann:

• eine schnelle, automatisierte Erfassung von Kandidatendaten aus verschiedenen Quellen ermöglichen.
• durch die Berücksichtigung umfangreicher Variablen, wie z.B. Entwicklungschancen und kulturelle Anpassung, einen tiefen Einblick in die Kandidaten gewinnen.
• Kandidaten mit Eigenschaften identifizieren, die mit den leistungsfähigsten Mitarbeitern des Unternehmens vergleichbar sind.
• gewohnheitsmäßige Voreingenommenheit vermeiden und Chancengleichheit für alle Kandidaten sicherstellen; mit einem datengesteuerten Rekrutierungsansatz kann der Standpunkt und die Meinung einer Person die Berücksichtigung der Bewerber nicht mehr beeinflussen.
• Metriken zur Verfügung stellen, wie lange es dauert, für bestimmte Rollen innerhalb der Organisation einzustellen, so dass die Abteilungen besser vorbereitet und informiert sind, wenn der Einstellungsbedarf entsteht.
• historische Daten über Zeiten der Über- und Unterbeschäftigung bereitstellen, so dass Unternehmen bessere langfristige Einstellungspläne entwickeln können.

---

Wie funktioniert HR Analytics?

Den Prozess von HR Analytics verstehen

HR Analytics setzt sich aus mehreren Komponenten zusammen, die sich gegenseitig speisen.

1. Um die problemlösenden Erkenntnisse, die HR Analytics verspricht, zu gewinnen, müssen zunächst Daten gesammelt werden.
2. Die Daten müssen dann überwacht und mit anderen Daten, wie z.B. historischen Informationen, Normen oder Durchschnittswerten abgeglichen werden.
3. Dies hilft, Trends oder Muster zu erkennen. An dieser Stelle können die Ergebnisse in der Analysephase analysiert werden.
4. Der letzte Schritt ist die Anwendung der Erkenntnisse auf organisatorische Entscheidungen.

Schauen wir uns den Prozess genauer an:

1. Daten sammeln

Big Data bezieht sich auf die große Menge an Informationen, die von der Personalabteilung zum Zweck der Analyse und Bewertung wichtiger HR-Praktiken gesammelt und aggregiert werden, einschließlich Rekrutierung, Talentmanagement, Schulung und Leistung.

Das Sammeln und Verfolgen qualitativ hochwertiger Daten ist der erste wichtige Bestandteil von HR Analytics.

Die Daten müssen leicht zugänglich sein und in ein Berichtssystem integriert werden können. Die Daten können aus bereits vorhandenen HR-Systemen, Lern- und Entwicklungssystemen oder aus neuen Datenerfassungsmethoden wie Cloud-basierten Systemen, mobilen Geräten und sogar tragbarer Technologie stammen.

Das System, das die Daten sammelt, muss auch in der Lage sein, sie zu aggregieren, d.h. es sollte die Möglichkeit bieten, die Daten für zukünftige Analysen zu sortieren und zu organisieren.

Welche Art von Daten werden gesammelt?

• Mitarbeiterprofile
• Leistung
• Daten zu den Leistungsträgern
• Daten zu den Niedrigleistern
• Gehalts- und Beförderungshistorie
• Demografische Daten
• Onboarding
• Training
• Engagement
• Retention
• Fluktuation
• Abwesenheitszeiten

2. Messung

In der Messphase durchlaufen die Daten einen Prozess der kontinuierlichen Messung und des Vergleichs, der auch als HR-Metriken bezeichnet wird.

HR Analytics vergleicht die gesammelten Daten mit historischen Normen und Organisationsstandards. Der Prozess kann sich nicht auf eine einzige Momentaufnahme der Daten stützen, sondern erfordert eine kontinuierliche Datenzufuhr im Laufe der Zeit.

Die Daten benötigen auch eine Vergleichsbasis. Woher weiß eine Organisation zum Beispiel, was ein akzeptabler Abwesenheitszeitraum ist, wenn er nicht vorher definiert wurde?

Bei HR Analytics werden die wichtigsten Kennzahlen überwacht:

Leistung der Organisation
Es werden Daten gesammelt und verglichen, um Fluktuation, Fehlzeiten und Rekrutierungsergebnisse besser zu verstehen.

Operativer Bereich
Die Daten werden überwacht, um die Effektivität und Effizienz der täglichen Abläufe und Initiativen der Personalabteilung zu bestimmen.

Prozessoptimierung
In diesem Bereich werden Daten sowohl aus der Unternehmensleistung als auch aus Betriebskennzahlen zusammengeführt, um festzustellen, wo Prozessverbesserungen vorgenommen werden können.

Beispiele für HR Analytics-Metriken

Hier sind einige Beispiele für spezifische Metriken, die von HR gemessen werden können:

• Zeit bis zur Einstellung – Die Anzahl der Tage, die es dauert, um die Stellen auszuschreiben und die Einstellung der Kandidaten abzuschließen. Diese Metrik wird im Laufe der Zeit überwacht und mit der gewünschten Organisationsquote verglichen.
• Einstellungskosten – Die Gesamtkosten, die mit der Anwerbung und Einstellung von Kandidaten verbunden sind. Diese Kennzahl wird im Laufe der Zeit überwacht, um die typischen Kosten für die Einstellung bestimmter Arten von Kandidaten zu verfolgen.
• Fluktuation – Die Rate, mit der Mitarbeiter ihre Arbeit nach einem Jahr der Beschäftigung innerhalb der Organisation aufgeben. Diese Kennzahl wird im Laufe der Zeit überwacht und mit der akzeptablen Rate oder dem Ziel der Organisation verglichen.
• Fehlzeiten – Die Anzahl der Tage und die Häufigkeit, mit der Mitarbeiter ihren Arbeitsplatz verlassen. Diese Kennzahl wird im Laufe der Zeit überwacht und mit der akzeptablen Rate oder dem Ziel der Organisation verglichen.
• Engagement-Rating – Die Messung der Mitarbeiterproduktivität und Mitarbeiterzufriedenheit, um das Engagement der Mitarbeiter an ihrem Arbeitsplatz zu messen. Dies kann durch Umfragen, Leistungsbeurteilungen oder Produktivitätsmessungen gemessen werden.

3. Analyse

In der Analysephase werden die Ergebnisse des metrischen Berichtswesens überprüft, um Trends und Muster zu identifizieren, die sich auf die Organisation auswirken können.

Je nach gewünschtem Ergebnis werden unterschiedliche Analysemethoden eingesetzt. Dazu gehören: Descriptive Analytics, Prescriptive Analytics und Predictive Analytics.

Descriptive Analytics konzentriert sich ausschließlich auf das Verständnis der historischen Daten und darauf, was verbessert werden kann..

Predictive Analytics nutzt statistische Modelle zur Analyse historischer Daten, um zukünftige Risiken oder Chancen zu prognostizieren.

Prescriptive Analytics bringt die Predictive Analytics einen Schritt weiter und sagt Konsequenzen für die prognostizierten Ergebnisse voraus.

Beispiele für Analysen:

Hier sind einige Beispiele für Metriken in der Analysephase:

• Zeit bis zur Einstellung – Die Zeitspanne zwischen einer Stellenausschreibung und der tatsächlichen Einstellung ist eine Messgröße, die es der Personalabteilung ermöglicht, einen Einblick in die Effizienz des Einstellungsprozesses zu gewinnen; sie veranlasst eine Untersuchung darüber, was funktioniert und was nicht funktioniert. Dauert es zu lange, den richtigen Kandidaten zu finden? Welche Faktoren könnten das Ergebnis beeinflussen?
• Fluktuation – Fluktuationskennzahlen, die die Rate angeben, mit der Mitarbeiter das Unternehmen nach der Einstellung verlassen, können analysiert werden, um festzustellen, welche spezifischen Abteilungen innerhalb des Unternehmens mit der Mitarbeiterbindung kämpfen und welche möglichen Faktoren dabei eine Rolle spielen, wie z.B. Unzufriedenheit mit dem Arbeitsumfeld oder mangelnde Unterstützung bei der Ausbildung.
• Fehlzeiten – Die Kennzahl, die angibt, wie oft und wie lange Mitarbeiter im Vergleich zur etablierten Norm des Unternehmens von ihrem Arbeitsplatz abwesend sind, könnte ein Indikator für das Engagement der Mitarbeiter sein. Da Fehlzeiten für die Produktivität eines Unternehmens kostspielig sein können, ermöglicht es die Kennzahl der Personalabteilung, die möglichen Gründe für hohe Abwesenheitsraten zu untersuchen.

4. Anwendung

Sobald die Metriken analysiert sind, werden die Ergebnisse als verwertbare Erkenntnisse für die organisatorische Entscheidungsfindung genutzt.

Beispiele für die Anwendung der Erkenntnisse der HR Analytics:

Hier sind einige Beispiele, wie die aus HR Analytics gewonnenen Analysen auf die Entscheidungsfindung angewendet werden können:

• Zeit bis zur Einstellung – Wenn sich herausstellt, dass die Zeit bis zur Einstellung zu lange dauert und die Bewerbung selbst als Hindernis entdeckt wird, können Unternehmen eine fundierte Entscheidung darüber treffen, wie sie die Effektivität und Zugänglichkeit des Bewerbungsverfahrens verbessern können.
• Fluktuation – Wenn man versteht, warum Mitarbeiter das Unternehmen verlassen, können Entscheidungen getroffen werden, um die Fluktuation zu verhindern oder zu reduzieren. Wurde ein Mangel an Ausbildungsunterstützung als ein beitragender Faktor identifiziert, können Initiativen zur Verbesserung der Weiterbildung zusammengestellt werden.
• Fehlzeiten – Das Verständnis der Gründe für die langfristige Abwesenheit von Mitarbeitern ermöglicht es Organisationen, Strategien zur Verbesserung der Faktoren im Arbeitsumfeld zu entwickeln, die das Engagement der Mitarbeiter beeinflussen.

---

Vor- und Nachteile von HR Analytics

HR Analytics wird schnell zu einer gewünschten Ergänzung der HR-Praxis.

Daten, die routinemäßig im gesamten Unternehmen gesammelt werden, bieten ohne Aggregation und Analyse keinen Wert, was HR Analytics zu einem wertvollen Instrument für gemessene Erkenntnisse macht, die vorher nicht existierten.

Doch obwohl HR Analytics ermöglicht, die HR-Praxis von der operativen Ebene auf die strategische Ebene zu verlagern, ist es nicht ohne Herausforderungen.

Hier sind die Vor- und Nachteile der Implementierung von HR Analytics:

Vorteile:

• Eine genauere Entscheidungsfindung ist dank eines datengesteuerten Ansatzes möglich, der die Notwendigkeit für Unternehmen verringert, sich bei der Entscheidungsfindung auf Intuition oder Vermutungen zu verlassen.
• Strategien zur Verbesserung der Mitarbeiterbindung können dank eines tieferen Verständnisses der Gründe, warum Mitarbeiter eine Organisation verlassen oder bei ihr bleiben, entwickelt werden.
• Das Engagement der Mitarbeiter kann verbessert werden, indem Daten über das Verhalten der Mitarbeiter analysiert werden, z.B. wie sie mit Kollegen und Kunden zusammenarbeiten und wie Prozesse und Umfeld besser abgestimmt werden können.
• Die Rekrutierung und Einstellung kann besser auf die tatsächlichen Bedürfnisse des Unternehmens zugeschnitten werden, indem die Daten der aktuellen Mitarbeiter und der potenziellen Kandidaten analysiert und verglichen werden.
• Trends und Muster in den HR-Daten können sich für die Vorhersage mit Hilfe von Predictive Analytics eignen, so dass Unternehmen bei der Aufrechterhaltung einer produktiven Belegschaft proaktiv vorgehen können.

Nachteile:

• Vielen Personalabteilungen fehlen die statistischen und analytischen Fähigkeiten, um mit großen Datensätzen zu arbeiten.
• Unterschiedliche Management- und Berichtssysteme innerhalb der Organisation können die Aggregation und den Vergleich von Daten erschweren.
• Der Zugang zu Qualitätsdaten kann für einige Organisationen, die nicht über aktuelle Systeme verfügen, ein Problem darstellen.
• Unternehmen benötigen Zugang zu qualitativ hochwertiger Analyse- und Berichtssoftware, die die gesammelten Daten verwerten kann.
• Die Überwachung und Erfassung einer größeren Datenmenge mit neuen Technologien (z. B. Cloud-basierte Systeme, tragbare Geräte) sowie die Erstellung von Vorhersagen auf der Grundlage von Daten kann ethische Fragen aufwerfen.

---

Predictive HR Analytics

Predictive Analytics analysiert historische Daten, um die Zukunft zu prognostizieren. Das Unterscheidungsmerkmal ist die Art und Weise, wie die Daten verwendet werden.

Bei Standard-HR Analytics werden Daten gesammelt und analysiert, um darüber zu berichten, was funktioniert und was verbessert werden muss. Bei Predictive Analytics werden ebenfalls Daten gesammelt, die jedoch dazu verwendet werden, zukünftige Vorhersagen über Mitarbeiter oder HR-Initiativen zu treffen.

Dies kann alles beinhalten, von der Vorhersage, welche Kandidaten in der Organisation erfolgreicher sein könnten, bis hin zu der Frage, wer gefährdet ist, innerhalb eines Jahres zu kündigen.

Wie funktioniert es?

Fortschrittliche statistische Techniken werden verwendet, um algorithmische Modelle zu erstellen, die in der Lage sind, Trends und zukünftiges Verhalten zu erkennen. Diese zukünftigen Trends können mögliche Risiken oder Chancen beschreiben, die Unternehmen bei langfristigen Entscheidungen nutzen können.

Predictive HR Beispiele

Lassen Sie uns einen Blick darauf werfen, wie Predictive Analytics eingesetzt werden kann:

Fluktuation
Mit Hilfe von Predictive Analytics kann ein Algorithmus entwickelt werden, der die Wahrscheinlichkeit von Kündigungen von Mitarbeitern innerhalb eines bestimmten Zeitrahmens vorhersagen kann. Die Fähigkeit, die gefährdeten Mitarbeiter zu identifizieren, ermöglicht es Unternehmen, präventiv einzugreifen und die Kosten für Produktivitätsverluste und Neueinstellungen zu vermeiden.

Unternehmensleistung
Historische Daten können die Gründe für eine schlechte Leistung aufzeigen, aber Predictive Analytics kann Vorhersagen darüber treffen, welche Initiativen die Leistung am ehesten verbessern können. Wenn das Engagement der Mitarbeiter mit der Leistung korreliert, können Unternehmen spezifische Initiativen implementieren, die das Engagement der Mitarbeiter fördern.

Die Vorteile und Herausforderungen von Predictive HR Analytics

Vorteile: Predictive HR Analytics ermöglicht es Unternehmen, proaktiv mit den Daten umzugehen.

Anstatt Probleme der Vergangenheit zu lösen, können Unternehmen eine Zukunft schaffen, die Probleme verhindert und zukünftige Herausforderungen löst, bevor sie überhaupt entstehen. Dadurch können zukünftige Kosten eingespart werden, sowohl beim Umsatz als auch bei den Zielen und der Produktivität.

Herausforderungen: Predictive HR Analytics erfordert ein Maß an Fähigkeiten, Technologie und Investitionen, das viele Unternehmen noch nicht haben.

Viele Faktoren müssen zusätzlich berücksichtigt werden, um Vorhersagen über Mitarbeiter oder potenzielle Kandidaten treffen zu können.

Menschen können unberechenbar sein und unterschiedliche Persönlichkeiten, Hintergründe und Erfahrungen haben. Menschen in einen Schwarz-Weiß-Algorithmus zu stecken, um Vorhersagen über ihre berufliche Leistung oder Zukunft zu treffen, ist nicht nur ein Risiko, sondern eine ethische Frage.