People Analytics beinhaltet starkes Potenzial und einige Risiken in dessen praktischer Anwendung. Ähnlich wie im informationsverarbeitenden Paradigma beschrieben, bedient sich People Analytics Informationen als Ressource, mit dem einzigen Unterschied, dass sie in digitaler Form – als Daten, verwendet werden. Dabei entstehen durch deren Messung und Analyse wertvolle Einsichten in das informationsverarbeitende System: Mitarbeiter.

Wie relevant ist People Analytics?

Die Erarbeitung der komplexen Methode erfordert zunächst eine Einordnung in den umliegenden Kontext ihrer Verwendung und Herkunft und der Definition notwendiger Begrifflichkeiten.

Die Erklärung von People Analytics über dessen Ursprung aus kommunikationswissenschaftlichen Theorien

Abhängig von Kontext und wissenschaftlichem Fachgebiet, ist die Menge an Definitionen für den Begriff „Information“ so groß, dass es keine universale Definition gibt. Eine grobe Vorstellung einer Information bieten Shannon und Weaver (1949), welche in ihrem Kommunikationsmodell eine Information als Verbindungselement zwischen Menschen, verpackt als Nachricht in einem Sender-Empfängermodell, darstellen (Delhees, 1994).

Die Existenzgrundlage einer Information ist ein Sender, der sie chiffriert kommuniziert und ein Empfänger, der die Information empfängt und dechiffriert. Im wirtschaftswissenschaftlichen Kontext ist eine Information als „[d]erjenige Anteil einer Nachricht [zu verstehen], der für den Empfänger einen Wert besitzt“ definiert (Lackes, Siepermann, Schewe, & Szczutkowski, 2018, S. 52).

Mit dem technologischen Fortschritt und der Etablierung neuer Kommunikationstechnologie, wie anfänglich dem Telefon und später dem Internet, stieg auch der Grad der Vernetzung von Menschen an, weshalb durch diesen Trend schlussendlich auch die Menge der kommunizierten Informationen steigt. Die Zäsur, die das Zeitalter der Digitalisierung verursachte, verstärkte diesen Trend erheblich: Viele Prozesse, die vorher analog durchgeführt wurden, laufen heutzutage digital ab. Diese digitale Transformation von Prozessen umfasst auch die Informationen, welche in digitaler Form als Daten abgebildet werden. In Anbetracht der Kommunikationstheorie von Shannon, Weaver und Burks (1951), welche die Kommunikation als Ver- und Entschlüsselung der Information verstehen, findet die Chiffrierung und Dechiffrierung der Information, in digitaler Kommunikation, durch Bits und Bytes statt.

In informationswissenschaftlicher Fachliteratur wird die Begrifflichkeit „Daten“ oftmals als Synonym für „Information“ gebraucht. Dieses Faktum weist auf Schwierigkeit in der Abgrenzung beider Begriffe hin.  Für die Wirtschaft sind Daten relevant, weil Sie Informationen über Menschen und deren Verhaltensweisen beinhalten. Bezeichnet wird die Sammlung großer unstrukturierter Datenmengen als „Big Data“ (Bendel, 2018). Durch eine Strukturierung der großen Datenmenge können, abhängig von der Datenanzahl und Informationsdichte, Schlussfolgerungen zugelassen werden. Die Software, die Daten strukturiert und durch Analyse der Daten neue Informationen offenlegt, wird als „Big Data Lösung“ bezeichnet.

Eine Studie aus dem Jahr 2016 prognostiziert den Umsatz weltweiter Big-Data-Lösungen im Jahr 2018 auf ca. 40,8 Milliarden US-Dollar und befindet eine interessante Entwicklung. So wird erwartet, dass der Umsatz durch Big-Data-Lösungen im Jahr 2018 bis ins Jahr 2026, um mehr als 103,43%, auf einen Wert von ca. 92,2 Milliarden US-Dollar, ansteigen wird. Hinter den Prognosen steht die Annahme, dass Big-Data-Lösungen für die Industrie zukünftig noch viel wichtiger werden (Experton, 2015).

Eine Definition

People Analytics „bezeichnet gemeinhin die zielgerichtete und softwarebasierte Nutzung von Daten und Datenanalysen im Personalmanagement“ (Mühlbauer, 2018). Betriebswirtschaftlich betrachtet, findet People Analytics „im evidenzorientierten Management, also der Nutzung empirischer Forschungsergebnisse für elaborierte Managemententscheidungen, seinen hauptsächlichen Ursprung“ (Bartunek & Rynes, 2017, S. 235). 

sson und Harriot (2018) definieren People Analytics in Englisch-Deutscher Übersetzung als „die Integration von unterschiedlichen Datenquellen innerhalb und außerhalb des Unternehmens, die erforderlich sind, um zukunftsweisende Geschäftsfragen im Zusammenhang mit dem Humankapital einer Organisation beantworten und handeln zu können“ (Isson & Harriot, 2016, S.8 ff.).

Die Relevanz von People Analytics

Die Informatiker Isson und Harriot sehen die vermehrte Benutzung von People Analytics im Zeitalter der Digitalisierung als Prädiktor für eine ansteigende Relevanz von datenbasierten Entscheidungsmethoden.  Der Einsatzbereich von People Analytics entwickle sich zunehmend als üblich. Unternehmen hadern mit der enormen Menge an Daten und deren oftmals dezentralisierten und unverbundenen Systemen  und sehen gleichermaßen den Wert der Methode in der Verbindung der Datensysteme und die Analyse der verbundenen Datenmengen.

Laut den Informationswissenschaftlern entstehen Marktdynamiken, wie beispielsweise dem verstärkten Wettbewerb um geeignete, fähige Mitarbeiter, einer schwindenden Mitarbeiter-Unternehmens-Loyalität, ökonomischen Schwankungen und schließlich durch die Einführung neuer Technologien und Medien (Isson & Harriot, 2016).

Der unternehmerische Anspruch an das Personalmanagement veranlasse das Personalwesen dazu, sich von einer funktionellen Geschäftseinheit zu einem strategischen Partner zu verändern. Isson und Harriot finden, dass das Personalwesen, in Anbetracht dieser Transformation, in der Lage sein müsse, proaktiv Empfehlungen für unternehmerische Kernfragen herauszugeben: „HR has to become a more strategic business partner, proactively providing recommendations that are directly tied to addressing core business challenges and objectives“ (Isson & Harriot, 2016, S.43 f.).

Veränderungen im Zeitalter der Digitalisierung

Das neue Zeitalter der Digitalisierung hat den Markt dynamischer gemacht. Faktoren, die die Arbeit von heute bestimmen und das Arbeitsumfeld verändern, sind die Auswirkung der digitalen Technologien auf die Organisationen. Die Verbindung durch das Internet eröffnet neue, direkte Kanäle der menschlichen Kommunikation. Wie durchsichtig die kommunizierten Informationen aus den Daten der Mitarbeiter für Unternehmen sind, schreiben Isson und Harriot (2018) treffend nieder:

„Every interaction that someone, whether a prospective employee or a current employee, has with your employer brand in an electronic medium such as an Internet search engine, a website, a social media platform, an electronic coupon provider, a blog post, or over a mobile device generates a data trail“ (Isson & Harriot, 2016, S. 12 ff.).

Jede digitale Form der Kommunikation hinterlässt eine Spur, die analysiert werden kann. Das ist der Beginn einer digitalen Schnitzeljagd mit dem Ziel, Nutzerverhalten beschreiben, erklären, vorhersagen und verändern zu können. Einen weiteren Trend, den Isson und Harriot (2018) erkennen ist der, dass immer mehr Mitarbeiter eine immer geringer werdende Bindung zum Unternehmen haben. „loyalty for employers is rarer than ever before“ (2016, S.13). Ergebnisse dieser Entwicklung könnten steigende Kosten durch erhöhte Mitarbeiterfluktuation und unternehmensathmosphärische Negativfolgen sein.

Andere Herausforderungen, wie zum Beispiel der Einfluss der Millennials, die Globalisierung der Arbeitsmärkte, den Druck auf HR und dessen strategische Transformation, veranlassen Führungskräfte zur Reaktion, um wirtschaftlich profitabel zu bleiben oder Wettbewerbsvorteile zu erlangen. „[S]ophisticated new technologies, better management, and more creative solutions drive the established economies“ Isson & Harriot, 2016, S.26 f.).

Das Unternehmen, dass auf neuartige Probleme am schnellsten und bestmöglichen reagiere, erziele Wettbewerbsvorteile gegenüber anderen Unternehmen (Porter, 2007). Vor dem Hintergrund der Wettbewerbsfähigkeit ist das Unternehmen führend, welches neben den Geschäftsfragen im Personalmanagement auch solche in anderen Unternehmensbereichen erfolgreich beantworten kann.

Die Transformation des Personalmanagements

Das Personalwesen besitzt im Zeitalter der Digitalisierung mehr Verarbeitungskraft digitaler Informationen, als zu jedem anderen Zeitpunkt der Geschichte. Big-Data-Lösungen eröffnen tiefgehende Einsichten in die Mitarbeiter und ermöglicht sogar Vorhersagen – durch die Integration von Datenmengen innerhalb und außerhalb des Unternehmens. Das Personalmanagement entwickle sich von einer funktionellen Geschäftseinheit zu einem strategischen Partner und Rückversicherer für optimale Personalentscheidungen (Isson & Harriot, 2018).

Im organisationalen Umgang mit Humankapital bedarf es einer Methode, die die immensen Datenmengen, im Sinne der Profitabilität einer Organisation, nutzbringend verwenden kann. Die Verwendung von People Analytics im Personalwesen scheint der Erreichung dieses Unternehmensziels, durch die Verbesserung personalbezogener Entscheidungen, nützlich sein.

Die Theorie der Entscheidung

Die datenbasierte Entscheidungsfindung gründet auf Annahmen der Entscheidungstheorie. Notwendig für eine übersichtliche Darstellung der Entscheidungsmöglichkeiten und den daraus resultierenden Ereigniseintritten ist die Heranziehung eines Modells, da die Abbildung des realen Sachverhaltes als zu umfangreich, komplex und teilweise nicht einsehbar erscheine (Laux, 1998). Nach allgemeiner Definition in der betriebswirtschaftlichen Entscheidungstheorie ist ein Modell geprägt von „Funktions-, Struktur- oder Verhaltensähnlichkeiten bzw. -analogien zu einem Original“ (Thommen & Horn, 2018, S.1) und kann als abstrahierte Darstellung dessen benutzt werden, um Problemlösungen auszuprobieren, da das Ausprobieren am Original unmöglich wäre.

Nach Laux (1998) entstehen Entscheidungsmodelle aus der Zusammensetzung zweier Wahrscheinlichkeits-Konstrukte. Das erste Konstrukt beinhalte a priori-Wahrscheinlichkeiten, die auf Basis des bisherigen Informationsstands Wahrscheinlichkeiten, für mögliche Ausgänge zukünftiger Situationen kalkulieren können. Das zweite Wahrscheinlichkeits-Konstrukt basiere auf den statistisch-, stochastischen Analyseergebnissen bereits vorhandener Daten und enthalte a posteriori-Wahrscheinlichkeiten der vergangenen Sachverhalte.

Aus der Synergie von a priori- und a posteriori-Wahrscheinlichkeiten entstünden, je nach Existenz eines festen Kausalzusammenhangs präskriptive, ansonsten prädiktive Wahrscheinlichkeiten, die in der Lage seien, das Ausgangsereignis einer Entscheidung mitsamt seiner Eintrittswahrscheinlichkeit, vorhersagen zu können. Es entstünden theoretische Entscheidungsmodelle, die jede erfasste Entscheidungsmöglichkeit ihres Ausgangs zuordnen und einen Wahrscheinlichkeitswert für den Ereigniseintritt voraussagen könne. So weit zu den Ausführungen von Laux (1998). Die Zuordnung von Entscheidungsmöglichkeit zu Eintritt eines Ereignisses habe die höchste Aussagekraft, wenn sie bijektiv abgebildet sei, da jeweilige Relationen ausgehend vom Definitionsbereich (Vergangenheit-Ist-Situation) in den Wertebereich (Zukünftige Situation) eineindeutig wären (Schmidt, 1981).

Weiter führt Laux (1998) auf, dass die Problematik der Entscheidung daraus entstehe, dass der, in der Zukunft tatsächliche Zustand, während der Entscheidung noch nicht vorhergesehen werden könne. Entsprechend stellt er fest: „Der in Zukunft tatsächlich eintretende Zustand – er ist durch eine konkrete Kombination von Ausprägungen der entscheidungsrelevanten Daten charakterisiert – könne zum Zeitpunkt der Entscheidung noch nicht unmittelbar beobachtet werden“ (Laux, 1998, S. 333).

Die Funktionsweise von People Analytics

Nach der Klarstellung der Relevanz in der Verwendung der Methode mit Ursprung in der Entscheidungstheorie beschäftigt sich das nächste Unterkapitel mit der Funktionsweise von People Analytics. Welche Entscheidung getroffen wird, liegt in der Einsicht und deren vermuteten Auswirkungen, welche prädiktive Vorhersagen ermöglichen. Es folgt eine kurze Darstellung der, für das Verständnis der Funktionsweise unumgänglichen, Begrifflichkeiten.

Die Information hilft vergangene Sachverhalte zu verstehen. Das Wissen hilft auf Grundlage der Information, zu verstehen, warum ein gegenwärtiger Sachverhalt überhaupt entstanden ist. Die Intelligenz, also die Informationsverarbeitung vergangener Sachverhalte auf Basis des gegenwärtigen Sachverhalts, hilft bei der Vorhersage zukünftiger Sachverhalte.

Der Methode People Analytics unterliegt ein iterativer Prozess, der aus drei Faktoren zusammengesetzt ist. Er beginnt mit einer personalbezogenen Unternehmensfrage als Zielformulierung, integriert dann vorhandene Daten aus verschiedenen Datenbanken und analysiert sie, um zukünftige Vorhersagen zu treffen. Der folgende Abschnitt geht näher auf jeden dieser 3 Faktoren ein. In den nachfolgenden Abschnitten wird jedes Element des Prozesses zur Entscheidungsfindung genauer betrachtet. Als Orientierung dient die Abbildung 2.

Abbildung 2: Der Prozess der datenbasierten Entscheidungsfindung (eigene Darstellung nach Isson und Harriot, 2017)

Die Geschäftsfrage

Mit der Formulierung der Geschäftsfrage beginnt der erste Prozessschritt zur Entscheidungsfindung. Sie ist auf spezifische Disziplinen des Personalmanagements ausgerichtet und dient gleichzeitig als Zielformulierung und Wegweiser. Die Geschäftsfrage formuliert Ziele rund um die Personalmanagementthemen der Mitarbeiterrekrutierung, -weiterentwicklung, -fluktuation, -sicherheit, schlussendlich also um die Optimierung der Mitarbeiterleistung. Eine geeignete Geschäftsfrage im Kontext dieser Arbeit wäre: Welche Persönlichkeitseigenschaffen stellen geeignete Prädiktoren für die Lernmotivation eines Mitarbeiters dar?

Die Datenintegration

Nachdem die Geschäftsfrage formuliert wurde, werden geeignete Datenquellen aktiviert und miteinander in Verbindung gesetzt. Die Herkunft der Daten stammt, bei Existenz derer, aus drei verschiedenen Datenquellen. Diese drei Quellen, welche die Basis der eigentlichen Analyse bilden, sind zusammengesetzt aus Daten von Mitarbeitern, Unternehmen und dem Markt.

Mitarbeiterdaten beinhalten theoretisch jegliche Informationen, die dem Unternehmen über den Mitarbeiter in digitaler Form zugänglich sind. So füllen beispielsweise Daten über Gehälter, Leistungen, Karriere und Entwicklung. Die Unternehmensdaten beinhalten Information über das Unternehmen wie Liquidität, Umsätze, Produktvielfalt, Verkäufe, aber auch Daten über Konversion oder Traffic auf Webseiten. Marktdaten beinhalten Informationen, die sich auf das Unternehmensumfeld fokussieren, wie Absätze von Produkten, Wettbewerberverhalten, Wettbewerbsvorteile, Marktanteile oder das Image.  

Die Analyseverfahren

Welche Erkenntnisse aus den Daten gezogen werden entscheidet die Art und Weise ihrer Beziehung zueinander und die Analysemethode, die Zusammenhänge erkennen kann.

Neben einer Reihe stochastischer Verfahren bedient sich People Analytics vor allem statistischer Analyseverfahren, die je nach Verfahrensart unterschiedliche Analyseergebnisse, bezüglich Richtung und Stärke hervorbringen können. In der praktischen Anwendung wird zwischen vier Analyseverfahren unterschieden (Surrey & Tiberius, 2018).

Das erste Verfahren bediene sich einfacher deskriptiver statistischer und stochastischer Kennwertanalysen. Das erste Analyseverfahren stelle die deskriptive (lat. „beschreibende“) Statistik dar. Der lateinischen Herkunft nach, umfasse diese Art der statistischen Analyse eine detaillierte Beschreibung des Datensatzes. Sie erzeuge Übersicht über den Datensatz und finde daher meistens im Arbeitsbereich des Personalcontrollings Verwendung (Surrey & Tiberius, 2018). Anders als in der deskriptiven Statistik möglich, ließe die fortgeschrittene deskriptive Statistik, als zweites Analyseverfahren, umfassende Beschreibungen zwischen Input- und Output-Größen zu. Verwendung finde das Verfahren, vor allem in der Diagnostik, wenn beispielsweise Beschreibungen von Zusammenhängen zwischen Bewerberpersönlichkeit und Mitarbeiterpersönlichkeit erforderlich seien. Aussagen über die Zusammenhänge mehrerer Variablen, ließe sie jedoch nicht zu (Surrey & Tiberius, 2018). Die Möglichkeit einen Kausalzusammenhang, also eine Ursache-Wirkungsbeziehung zwischen Variablen zu erkennen, besitze das dritte Analyseverfahren: die prädiktive Analyse. „Existieren gesicherte Zusammenhänge zwischen Input und Output in Form von Modellen, können auf deren Basis Prognosen getroffen werden“ (Surrey & Tiberius, 2018, S. 132). Diese Form der Modelle finde meistens in Bereichen wie Strategie und Business Intelligence Verwendung. Auch das vierte Analyseverfahren, die präskriptive Analyse, werde häufig in den vorherig-erwähnten Bereichen verwendet. Es diene der Vorhersage zukünftig eintretender Sachverhalte und teile die Prognosefähigkeit der prädiktiven Analyse. Zudem sei sie in der Lage Maßnahmen vorzuschlagen, die den Eintritt eines Sachverhalts in der Zukunft, gleichsam mit dessen Eintritts-Wahrscheinlichkeit voraussagen könne. Soweit zu den Ausführungen von Surrey und Tiberius (2018).

Die praktische Anwendung von People Analytics im Personalmanagement

Im Personalmanagement wird das Ziel, der Verbesserung der Qualität von Personalentscheidungen, verfolgt. People Analytics ist in Organisationen meist in Abteilungen wie der, des Qualitätsmanagements, des Personalcontrollings oder der Business Intelligence verortet. People Analytics wird in diesen Geschäftsbereichen als Methode der Verbesserung von Entscheidungen herangezogen und ist letztendlich eine Methode zur Qualitätssicherung personalbezogener Entscheidungen.

Dieser Abschnitt beschäftigt sich mit der praktischen Inbezugnahme theoretischer Hintergründe aus Persönlichkeit und Lernmotivation und wie People Analytics innerhalb einer Organisation dazu benutzt werden kann, einen Mehrwert für das Unternehmen zu erzielen. Genauer geht es um eine Individualisierung der Personalentwicklung durch Erkenntnisse aus dem Zusammenhang von Persönlichkeit und Lernmotivation. In dieser Arbeit wird die Verwendung von People Analytics im Personalmanagement einer Organisation

Aus den zuvor dargestellten Theorien der Persönlichkeit und Lernmotivation wird ersichtlich welche Wichtigkeit ihrer Betrachtung vorangeht. Der Begriff Persönlichkeit bedarf hier genauerer Betrachtung. „Unter Persönlichkeit wird in der wissenschaftlichen Psychologie ein Profil von Merkmalen des Verhaltens und Erlebens verstanden, das die Personen zuverlässig voneinander unterscheidet und ihnen eine phänomenale Einzigartigkeit verleiht“ (Schmitt, 2004, S. 153 ff.).

Denn glaubt man der Annahme einer Einzigartigkeit jedes Menschen, so wird in Bezug auf die Mitarbeiter einer Organisation ersichtlich, dass jeder Mitarbeiter Individuum ist und individuelle Kompetenzen, Anforderungen und Entwicklungsmöglichkeiten beansprucht.

Das Ziel ist es mithilfe von People Analytics geeignete Entwicklungsmaßnahmen zu gewährleisten, die den Mitarbeiter hinsichtlich der Anforderungen digitaler Veränderungen einen digitalen Kompetenzerwerb ermöglichen. Solche Entwicklungsangebote könnten Workshops, Trainings oder Vorträge über Themen wie „Arbeit 4.0“, „Internet of Things“ und „Programmierung“ sein, welche den einzelnen Mitarbeiter auf die kommenden Herausforderungen im Umgang mit digitalen Medien und neuen Technologien vorbereiten.

Momentan erfolgt diese Vorbereitung die Bestimmung der Durchschnittsanforderungsprofile aller Mitarbeiter. Dieser Durchschnitt der Anforderung für alle Mitarbeiter weicht jedoch von dem eigentlichen Anforderungsprofil des einzelnen Mitarbeiters ab. Er ist schlichtweg kein reliabler Wert, der die einzelnen Anforderungsprofile der Mitarbeiterpopulation repräsentiert.

Darauf hinarbeitend, dass das Zuschneiden der Entwicklungsmaßnahmen schrittweise und in deduktiver Weise von der Grundgesamtheit auf den Einzelnen verläuft, benötigt das Personalmanagement individuelle Betrachtungen von Mitarbeitern, um sie optimal entwickeln zu können, denn Lernen ist gleichzusetzen mit Entwicklung (siehe Kapitel 3.1). Unter diesem Vorsatz und angesichts der Aufgaben im Human Capital Management wird ersichtlich, wie elementar Lernen für die Entwicklung von Mitarbeitern ist, wie wichtig effektive Weiterbildungen für Mitarbeiter sind.

Warum ist individuelles Lernen so wichtig? Ebenfalls begründet durch die interindividuellen Unterschiede eines jeden Menschen und dessen phänomenaler Einzigartigkeit, ruhen in jedem Mitarbeiter durch Persönlichkeit und Erfahrungen theoretisch andere Lernpräferenzen und Wissensstände. Wie effektiv eine Entwicklungsmaßnahme für den Lernenden ist, hängt zwar stark von der inhaltlichen Tiefe, Verständlichkeit und Vermittlungsfähigkeit der Maßnahme ab, jedoch sind diese drei Maximen irrelevant für den Fall, dass der Mitarbeiter fehlendes Interesse für Thema der Weiterbildung aufweist. Demnach sind unter effektiven Lernangeboten jene zu verstehen, die auf den einzelnen Mitarbeiter zugeschnitten sind. Die Gruppe von Mitarbeitern innerhalb eines Unternehmens ist sehr heterogen. Allein im Angesicht der verschiedenen Geschäftsbereiche, Abteilungen und Teams wird deutlich, dass unterschiedliche Eigenschaften und Kompetenzen innerhalb der Bereiche für das Unternehmen wichtig sind.  Deswegen sind individualisierte Weiterbildungsmaßnahmen und schließlich eine, im Unternehmen erwachsene Weiterbildungskultur als relevantes Ziel einer Organisation anzusehen.

Der Datenpfad, den Mitarbeiter während ihrer Arbeitszeit durch die Benutzung digitaler Technologie hinterlassen, enthält Informationen über Nutzungsverhalten, Interessen, Präferenzen und kann auf gewisse Persönlichkeitseigenschaften abgeleitet werden. Wie die digitale Spur eines jeden treffsichere Ableitungen auf die Persönlichkeit eines Menschen zulässt, zeigt eine Studie um David Stillwell von der University of Cambridge. 2015 programmierten sein Team und er einen Algorithmus, welcher aufgrund des Nutzerverhaltens von Personen auf dem sozialen Netzwerk „Facebook“ befähigt war, deren Persönlichkeit einschätzen konnte. Die Treffgenauigkeit der Persönlichkeitseinschätzung stand dabei in positiver Beziehung zu der Anzahl der „Gefällt mir-Angaben“, welche neben anderen Indikatoren präzise Rückschlüsse auf die Persönlichkeit zuließen. Zur Prüfung der Vorhersagefähigkeit des Algorithmus wurden einzelne Probanden mit dem Big-Five-Persönlichkeitsinventar (Barrick & Mount, 1991) getestet. Die Vorhersagekraft des Persönlichkeitsalgorithmus war so hoch, dass er bereits bei 70 „Gefällt mir-Angaben“ eine vergleichbare Persönlichkeitseinschätzung bietet, wie ein enger Freund des Probanden. Verblüffend war, dass der Algorithmus bereits bei 300 verarbeiteten sogenannten „Likes“ die Persönlichkeitseinschätzung durch dessen Ehepartner übertraf (Azucar, 2018).

People Analytics kann dazu eingesetzt werden, um mithilfe personenbezogener Daten segmentierte und sogar individuelle Einsichten in Mitarbeiterinteressen und Kenntnisstände zu erlangen. Mithilfe der Methode könnte den Zielen optimaler Personaldiagnostik gleichsam mit individueller Entwicklung der Mitarbeiter nachgekommen werden. Vielleicht ließe sich sogar Verhalten von Mitarbeitern mithilfe der Datenmengen und der Anreiz-Motivationsformel nach Atkinson (1957) vorhersagen.

In Rekapitulation der Instinktive Bedürfnistheorie (Cattell, 1946) bietet sich der Transfer der Theorie in die praktische Anwendung von People Analytics ein Beispiel an. Exemplarisch veranschaulicht an der Mitarbeiterin Frau W. folgt der praktische Transfer der, innerhalb der Cattell’schen Eigenschaftstheorie, zugrundeliegender Prozess der selektiven Wahrnehmung, dem emotionalen Impuls, der sich in der Handlung manifestiert und die Möglichkeit von People Analytics gewisse Bedürfnisse und Interessen aus dem Nutzungsverhalten von Frau W. konstruieren zu können. Durch den Kontakt mit digitalen Themen besitzt die Mitarbeiterin ein Interesse am Thema „Internet of Things“, dieses Interesse entsteht entweder durch den inner- oder außerorganisationalen Kontakt mit dem Thema. Es wird aus den Daten ihres digitalen Pfads ersichtlich. So verwendet Frau W. mehrmals Suchbegriffe, die in einem semantischen Zusammenhang mit dem Themenkomplex „IoT“ stehen („Internet 4.0“, „Vernetzung von Geräten“, „KI“, „Machine Learning“, könnten einige der Begriffe des semantischen Feldes sein.)

Durch die Verwendung der datenbasierten Analysemethode People Analytics und der entstandenen Einsicht in Frau W.s Interesse, gelangt der Algorithmus zu der Erkenntnis, dass die Mitarbeiterin das Bedürfnis hat, tiefer in das Thema „IoT“ einzutauchen.

Zwar ist bei Frau W. ein grundlegendes Interesse vorhanden, dem Themenkomplex näherzukommen, jedoch reicht das Potenzial nicht aus, damit Sie proaktiv handelt. Hier kommt die Erkenntnis des Mangels an Weiterbildungsmaßnahmen für das Thema zum Vorscheinen und das Personalmanagement wird aktiv. Falls es bereits Weiterbildungsmaßnahmen, also Trainings, Workshops oder E-Learnings zum Thema „IoT“ gibt, wird Frau W. gezielt durch innerorganisationale Werbung angereizt. Falls es an Weiterbildungsmaßnahmen dieser Art mangelt, führt das Personalmanagement Messungen durch, wie viele der anderen Mitarbeiter noch ungestillte Bedürfnisse dieser Art haben und beginnt mit der Konzeption einer oder mehrerer geeigneter Weiterbildungsmaßnahmen.

Währenddessen wird Frau W. durch individualisierte Werbung angereizt und kommt schließlich nach Erreichung eines kritischen Werts ihres emotionalen Aktionspotenzials dazu, eines der Weiterbildungsangebote wahrzunehmen. Dieses Einzelfallbeispiel lässt dich auf Mitarbeiter jeder Position und Entwicklungsziel jeglicher Art verallgemeinern.

Die Potenziale von People Analytics

Das Hauptpotenzial als positive Konsequenz für People Analytics ist die mögliche Prädiktion der Lernmotivation aus den Hauptdimensionen der Persönlichkeit zur Erstellung von individuellen Entwicklungsprofilen und passgenauen Entwicklungsangeboten. Ausgehend davon, dass über die personenbezogene Datenanalysemethode valide Messungen der Persönlichkeit der Mitarbeiter möglich sind, könnten auf Grundlage dessen, individuelle Einschätzungen der Lernmotivation erstellt werden.  Die Konsequenz für die Organisation in praktischer Anwendung, liegt in der Messung von Parametern der Extraversionsskala von des Mitarbeiters, welche auf dessen Lernmotivation schließen lässt. Als geeignete Prädiktoren auf Grundlage der empirischen Forschung für die Vorhersage des Kriteriums der Lernmotivation sind aufgrund der empirischen Befunde, neben Messwerten der Skalen Extraversion ebenfalls solche der Verträglichkeit.

So könnten erstmalig individualisierte Entwicklungsprofile für Mitarbeiter, angereichert durch Informationen über ihre Lernmotivation, erschaffen werden und in Richtung ihres Entwicklungsziels ausgerichtete Lernentwicklungsmöglichkeiten angeboten werden. Der Prozess der Erstellung der, für die Mitarbeiterentwicklung essentielle Entwicklungsprofile, könnte wie folgt aussehen:

Zunächst beginnt die Messung der Persönlichkeitseigenschaften „Extraversion“ und „Verträglichkeit“ über Nutzungsverhaltensanalysen des digitalen Pfads mithilfe von People Analytics. Danach folgt die Prädiktion auf die Lernmotivation über die faktorielle Verrechnung der Ausprägungen einzelner Persönlichkeitsdimensionen mit Berücksichtigung derer Prädiktionsfähigkeiten, welche in Summe einen individuellen „Lernmotivationswert“ berechnen könnten.

Überlegung der mathematische Formel zur Berechnung eines individualisierten Lernmotivationswerts (L) aus der Summe der Produkte aus Persönlichkeitsdimensionen Extraversion (E) und Verträglichkeit (V) im Produkt mit ihrer Zusammenhangsstärke mit der Lernmotivation über den Korrelationskoeffizienten (r).

Sind individuelle Lernmotivationswerte und insofern Eignungen für Weiterbildungsangebote berechnet, müsste lediglich der Wert des Anreizes, der seitens der Organisation erfolgt, um ein Lernverhalten auszulösen, berechnet werden. Für ein besseres Verständnis von der Anreizung von Lernverhalten wird auf „Kapitel 3.1.2 Lernmechanismen“ verwiesen. Die Überlegung eines Transfers der Lernmechanismen auf das Personalmanagement als Anreizgeber ist als ratsam zu erachten, würde jedoch den Rahmen dieser Arbeit sprengen und wird insofern nicht weiter ausgeführt.

Die Überlegung den optimalen Anreiz für eine Lernhandlung berechnen zu können, besäße den praktischen Nutzen für die Organisation einen Mitarbeiter in zweifacher Weise zur Entwicklung anzureizen, indirekt durch optimale Entwicklungsbedingungen und direkt durch interessenorientiertes, Anbieten von Weiterbildungsmaßnahmen. Die Überlegung hierbei ist es, durch das Heranziehen von Atkinsons Motivationsgleichung (1957), die nötige Ausprägung dieses Anreizes zu berechnen.

Die Gleichung zur Berechnung der Tendenz zu erfolgreichem Handeln und Verhaltens nach Atkinson (1957) lautet: Te = Me × We × Ae. Um den Anreiz (Ae) isoliert von den anderen Faktoren (Te, Me, We) betrachten zu können, ist es mathematisch notwendig eine Termumformung vorzunehmen. Diese Termumformung bedient sich der Operation der Division der Verhaltenstendenz durch das Motiv in Verbindung mit der Eintrittswahrscheinlichkeit etwaigen Verhalts.

     Te = Me * We * Ae      | *

                                     Ae =  

Demzufolge entsteht ein erfolgreicher (e) Anreiz (Ae) aus der erfolgreichen Verhaltenstendenz (Te) im Verhältnis zum erfolgreich erkannten Motiv (Me) und der Wahrscheinlichkeit (We) ein spezifisches Verhalten zu zeigen.

Die Überlegung basiert auf den verbesserten Messmöglichkeiten der Verhaltenstendenzen der Mitarbeiter durch die Analyse ihres digitalen Verhaltens in der Benutzung von vernetzten informationsverarbeitenden Systemen, wie beispielsweise Computern oder Smartphones. Diese Möglichkeit der Anreizbestimmung ist insofern wertvoll für die Organisation, da sie für jeden Mitarbeiter individualisierte optimale Anreize ersichtlich macht.

Durch ein Beispiel soll verdeutlicht werden, wie aus der Benutzung von People Analytics der optimale Anreiz eines Mitarbeiters ersichtlich werden kann. Dazu wird, wie in der Funktionsweise von People Analytics (Kapitel 4.4) üblich, zunächst eine Geschäftsfrage formuliert. Für diese Beispielsituation lautet sie: Wie stark muss Mitarbeiterin W. durch interessenorientierte Weiterbildungsangebote angereizt werden, um ihre Entwicklung zu optimieren?

Nachdem die Frage formuliert wurde, folgt die Integration von Daten, die der Organisation über die Mitarbeiterin bekannt sind. So werden Daten hinzugezogen, die entweder direkt durch die Messung ihres Nutzungsverhaltens entstanden sind oder eine Schlussfolgerung auf das Arbeitsverhalten der Mitarbeiterin zulassen. Über Browserdaten wie beispielsweise Cookies besuchter Webseiten, heruntergeladene oder offline-verwendete Programme und deren Inhalte werden Interessen, Bedürfnisse, Vorlieben und weitere Informationen aus digitalen Verhaltensweisen der Mitarbeiterin ersichtlich. Ausgehend davon, dass mit der steigenden Datenmenge des Nutzungsverhalten der Mitarbeiterin, ebenfalls die Genauigkeit der Schlussfolgerung auf ihre Interessen, Präferenzen und Bedürfnisse ansteigt, entsteht ein genaues digitales Abbild ihrer Person und den Studienergebnissen von Azucar (2018) zufolge auch eins ihrer Persönlichkeit. Die Analyse der Daten der Mitarbeiterin könnte ebenfalls Schlüsse auf ihre derzeitige Motivlage zulassen. Aus den Informationen über das Nutzungsverhalten der Mitarbeiterin können a-priori- und a-posteriori-Wahrscheinlichkeiten berechnet werden, welche über die Eintrittswahrscheinlichkeiten vergangenen Verhaltens, Vorhersagen auf zukünftiges Verhalten ermöglichen.

So wird aus der Analyse des Nutzungsverhaltens der Mitarbeiterin ersichtlich, warum und wie wahrscheinlich es für sie ist, ein spezifisches Verhalten zu zeigen. Mithilfe dieser Einsichten aus Nutzungsverhaltens im Verhältnis zu der Verhaltenseintrittswahrscheinlichkeit und Motivlage der Mitarbeiterin können ihre individuellen Entwicklungsinteressen isoliert und eine passende Weiterbildung gefunden werden.

Besucht die Mitarbeiterin W. des Öfteren Webseiten mit Themen wie „IoT“ oder „Arbeit 4.0“, obwohl ihre Position, einen berufsbezogenen Normwert ihrer Interessenlage übersteigt, steigt die Wahrscheinlichkeit, dass die Mitarbeiterin W. aus persönlichem Interesse handelt. Dazu wird der Quotient aus der Verhaltenstendenz T und dem Produkt des Motivs und der Verhaltenswahrscheinlichkeit (M*W) betrachtet. Die Verhaltenstendenz wird über das Nutzungsverhalten bestimmt.  Das Verhältnis aus der Verhaltenstendenz und dem Produkt aus Motiv und Verhaltenswahrscheinlichkeit ist als Relativierung des Nutzungsverhaltens anzusehen.

Geht aus den Analyseergebnissen hervor, dass Frau W. eine intrinsische, also interessenorientierte Entwicklung in Richtung des Themas „IoT“ plant, ist es nun an der Organisation mit der Offerieren entsprechender Weiterbildungsangebote zu beginnen, wenn angenommen wird, dass die Weiterentwicklung der Mitarbeiterin mit einem wirtschaftlichen Nutzen für die Organisation einhergehe.

Dem untergeordnet entsteht das Potenzial von Erkenntnisgewinnen durch das Verständnis des Zusammenhangs zwischen Persönlichkeit und Lernmotivation und zukünftig möglicher Vorhersagen. Es ergibt sich eine methodologische Konsequenz aus der Messung von Mitarbeiterdaten unter der Annahme, dass Personen, deren Daten passiv erhoben werden sind schlichtweg validere Probanden, da sie nicht bei jedem digitalen Fußabdruck darüber nachdenken, was sie über ihre Persönlichkeit und Lernmotivation preisgeben.

Ein weiteres Potenzial in der Verwendung von People Analytics liegt in der Verbesserung der Entscheidungsfindung durch vermehrte Exklusion menschlicher Entscheider, also dem Rückzug von Entscheidungshoheiten der Personalmanager, welche aufgrund persönlicher Erfahrungswerte Personalentscheidungen fällen. Das Heranziehen von datenbasierten Erfahrungswerten stelle eine Verbesserung der Entscheidungsqualität an sich dar, denn je mehr Informationen zum Zeitpunkt einer Entscheidung vorliegen, desto höher sei die Qualität der Entscheidung (Laux, 1998).

Der Rückzug von menschlichen Entscheidern hin zu datenbasierten Entscheidungsfindung verstärkt die Entscheidungsfähigkeit der Personalmanager, welcher durch automatisierte Entscheidungsprozesse von effektgeringen Entscheidungen entlastet und sich durch die entstehende Zeitersparnis, relevanteren Tätigkeiten und einer größeren Menge an Personalentscheidungen zuwenden und seine Tätigkeit, um die eines strukturellen Partner der Organisation, erweitern könnte. Diese Potenziale liegen neben der Steigerung der bloßen Menge von Entscheidungen ebenfalls in der Verbesserung der Entscheidung an sich.

In den Ausführungen von Bohler & Aghassian (2018) werden die zentralsten Effekte für falsche Entscheidungen beschrieben und auf den innerorganisationalen Kontext dieser Arbeit bezogen. Bei den hier aufgeführten Wahrnehmungseffekten handelt es sich um entscheidungsverzerrende Effekte, welche der richtigem Entscheidung von Personalmanagern gegenüberstehen. So existiert ein Primäreffekt, welcher die Wahrscheinlichkeit erhöht, den Bewerber oder Mitarbeiter, der zuallererst in das Visier des Personalmanagers gerät, als besonders einprägsam zu empfinden und folglich alle Bewerber nach ihm, als zunehmend irrelevanter wahrgenommen werden.

Die Wahrnehmung von Bewerbern oder Mitarbeitern und die Einschätzung ihrer Kompetenzen wird durch den Bestätigungsfehler verzerrt. Er verantwortet die Beibehaltung von ersten Eindrücken, die der Personalmanager von Bewerbern oder Mitarbeitern erlangt. Der Heuristik unterliegt die Filterung von Eindrücken, die diesem Eindruck wiedersprechen würden, wodurch die subjektive Einschätzung des Personalmanagers der objektiven Einschätzung widerliegt.

Allein durch die Gewöhnung an einen Bewerber oder Mitarbeiter durch stärkeren Kontakt wird dieser zunehmend sympathischer. Die durch den sogenannten Mere-Exposure-Effekt ausgelöste, zunehmende Sympathie verzerrt ebenfalls die Entscheidung des Personalmanagers, denn wie auch der Halo-Effekt beweist, neigen Menschen dazu besonders sympathischen Menschen ebenfalls weitere positive Eigenschaften zuzuordnen. Die Wahrnehmung einer positiven Eigenschaft führt dazu andere zu „überstrahlen“ und dadurch negative Eigenschaften als weniger ausgeprägt wahrzunehmen.

In Anbetracht der geringen Auswahl an Verzerrungstendenzen kann angenommen werden, dass Personalentscheidungen ohne jegliche Informations- oder Datenbasis oftmals als stark fehleranfällig eingeschätzt werden können. Diese Fehleranfälligkeit in der Entscheidungsfindung könnte durch datenbasierte Entscheidungsmodelle verringert werden.

 Der schlimmste Fehler sei, sich keines solchen bewusst zu sein, stellt Thomas Carlyle bereits im Jahr 1901 fest. Betrachtet man die menschliche Fehleranfälligkeit, so behält Carlyle auch heute noch Recht: Solange der Mensch Faktor in der Entscheidungsfindung ist, werden durch Menschen verursachte Fehler in Personalentscheidungen nicht verschwinden. Erst durch die Akzeptanz dieser Fehler erscheinen datenbasierte Entscheidungsmodelle als relevante Methoden zur Optimierung der innerorganisationalen Entscheidungsqualität von Personalmanagern.

Die Schwierigkeiten von People Analytics

Die Schwierigkeit in der Verwendung von People Analytics liegt in der möglichen Verletzung ethischer Leitlinien. Unter ethischen Paradigmen ist die praktische Anwendung der Methode als kritisch zu betrachten. Die Ethik ist definiert als „die Lehre vom Guten/Richtigen und […] von den Prinzipien des sittlichen Handelns und von den sittlichen Werten“ (Schuler, 1980, S. 321). Konvergentes Handeln nach ethischen Prinzipien, beinhaltet die Berücksichtigung der Werte wie Freiwilligkeit, Vertrauen und Diskretion. „Wer sich ethisch einwandfrei verhält, dem kann vertraut werden“ (Scheffler, 2015, S. 31 f.).

Die Einbeziehung der Gänze aller ethischen Werte übersteigt den Umfang dieser Arbeit. Für eine detailliertere Übersicht aller ethischen Werte und Prinzipien ist in den Richtlinien des Arbeitskreises Deutscher Markt- und Sozialforschungsinstitute zu erlangen (siehe: ADM, 2018). Wirft man einen Blick aus ethischer Perspektive auf People Analytics, so scheint die Methode fraglich, denn ihre grundlegende Funktionsweise und einer ihrer Indikatoren für effektive Verwendung, ist die Menge und inhaltliche Tiefe personenbezogener Daten, die analysiert werden.

Eine Freiwilligkeit scheint unter Anbetracht der arbeitsnotwendigen Akzeptierung des Arbeitsvertrags fraglich. Wie bereits festgestellt, können über die datenbasierte Auswertung des Nutzungsverhaltens der Mitarbeiter, persönliche Interessen und sogar Ableitungen zur Lernmotivation ersichtlich werden.  In Folge dessen könnte die Transparenz der Mitarbeiter eine Verletzung des ethischen Werts Diskretion darstellen, denn persönliche Ansichten und Motive lassen auch Rückschlüsse auf private Wesenszüge des Mitarbeiters zu.

Diese Durchsicht des Arbeitgebers auf den Arbeitnehmer könnte das Vertrauen des Arbeitnehmers gegenüber dem Arbeitgeber beschädigen. Zudem findet, durch die einseitige Transparenz, eine Ungleichgewichtung der beiden Parteien statt, welches den ethischen Anspruch an Fairness verletzten könnte.

Der deutsche Gesetzgeber reagiert als regulatorisches Gremium auf die Gefahr, moralische Normen und Werte zu verletzen. Die Erfassung und die Verarbeitung personenbezogener Daten in der freien Wirtschaft sowie in Organisationen unterliegt strengen Datenschutzverordnungen und kann im Falle der unsachgemäßen Nutzung über den legalen Rahmen hinaus, eine Verletzung der Persönlichkeitsrechte darstellen.

Damit Organisationen nicht gegen die gesetzlichen Vorgaben verstoßen, müssen Maßnahmen zur Entfremdung der Daten zum Ausschluss einer Rückverfolgung auf die Einzelperson angewendet werden. Eine Rückverfolgung auf das Individuum ist dann ausgeschlossen, wenn die personenbezogenen Daten anonymisiert oder pseudoanonymisiert werden, erklärt die Deutsche Datenschutzinitiative (Datenschutz.org, 2018). Da die Effektivität von People Analytics abhängig von der Menge und dem Personalisierungsgrad der verwendeten Daten ist, scheint die Annahme plausibel, dass die Effektstärke der Methode mit sinkender Datendichte, ebenfalls schwindet.

Diese Effektgrößenverringerung entsteht durch die Verringerung des Personalisierungsgrad entstehen, welcher sowohl bei der Pseudoanonymisierung, als auch bei der Anonymisierung von personenbezogenen Daten, auftritt. In Anbetracht der rechtlichen Rahmenbedingungen, die in Deutschland, unter dem Datenschutzgesetz (DSGVO) (Datenschutz.org, 2018) und in der Europäischen Union, unter dem europäischen Datenschutzrecht (Europäische Union, 2018) existieren, scheint die Methode People Analytics ihr volles Potenzial vorerst nicht entfalten zu können.

Kritik an der praktischen Anwendung von People Analytics

Wie im theoretischen Teil festgestellt basiert People Analytics auf, betriebswirtschaftlichen Entscheidungsmodellen, weshalb die Kritik am Entscheidungsmodell selbst, auch als Kritik an der Methode People Analytics, verstanden werden kann. Die Entscheidungsmodelle beziehen sich häufig auf Ereignisse mit einer großen Anzahl an Entscheidungsmöglichkeiten, die theoretisch gegen Unendlich tendieren. Da People Analytics eine praktische Methode ist, können nicht alle Ereignisse erfasst werden. In der Einbeziehung von Entscheidungsmöglichkeiten gibt es also immer einen Restwert, der die fehlenden Ereignisse miteinbezieht (Altrogge, 1969). Ein Entscheidungsmodell könne immer nur den derzeitigen subjektiven Informationsstand eines Entscheiders widerspiegeln. Der Informationsstand sei jedoch im Allgemeinen nicht unabänderlich, stellt Laux (1998) fest.

Ebenfalls fraglich ist es, welchen praktischen Nutzen der Transfer von Atkinsons Motivationsgleichung in der Ausmachung nutzbarer Anreize, für die Organisation besitzt. Die Messbarmachung der Faktoren „Motiv“, „Verhaltenseintrittswahrscheinlichkeit“ sowie „Verhaltenstendenz“ an sich scheint heutzutage vielleicht in der wenigsten Organisationen nutzbar, dennoch wird vermutet, dass zukünftig, mit dem Voranschreiten der Transformation vom Personalwesen zu einem strukturellen Partner, eine Verwendung der praktischen Anreizberechnung realistischer wird.

Besonders die Ableitung von Interessen aus dem Nutzungsverhalten eines Mitarbeiters ist schwierig und könnte in der praktischen Benutzung, einen gegenteiligen Effekt auslösen. Denn das Interesse, welches grundlegend für intrinsisch-motivierte Handlungen ist, könnte im Fall einer zu starken Anreizung den Eintritt des sogenannten Korrumpierungseffekt verursachen, welcher durch überhöhte extrinsische Anreizmotivatoren entsteht.

Dieser Korrumpierungseffekt ist anhand der Zielformulierungsformel ersichtlich. Da der Faktor des eigenen Interesses zwar vorerst da ist, jedoch eine extrinsischen „Überbelohnung“ stattfindet, sinkt die Wahrscheinlichkeit des Auftretens einer intrinsisch motivierten (Lern-)Handlung. Dadurch, dass die die Handlung durch die Überreizung als fremdgesteuert und somit unattraktiv erscheint, kann es vorkommen, dass der Handlung überhaupt nicht nachgegangen wird. Ein Beispiel: Mitarbeiter einer Organisation sind intrinsisch motiviert mehr über einen arbeitsrelevanten Themenbereich zu erfahren. Das Unternehmen erkennt die intrinsische Motivation der Mitarbeiter nicht und verpflichtet sie zu einer Teilnahme an einem Workshop, welcher besagtes Thema beleuchtet. Abhängig von der Stärke der gefühlten Kontrollübernahme und Fremdsteuerung der Teilnahmehandlung durch das Unternehmen, hat die Menge des extrinsischen Anreizes durch die Organisation, die intrinsische Motivation der Mitarbeiter überdeckt. Die Konsequenz daraus wäre das Ablassen der Handlung. Eine Schwierigkeit für People Analytics ist es herauszufinden, ob es sich bei dem digitalen Mitarbeiterverhalten um eine gegenstandsspezifische Ausrichtung oder eine tätigkeitsspezifische Ausrichtung handelt, um das Auftreten des Korrumpierungseffekts zu verhindern.

Zwar könnten Erkenntnisse über den Ursprung der Motivation in extrinsischer oder intrinsischer Weise die Lernmotivation des Mitarbeiters und ihre konvergenten Anreize ersichtlich werden, jedoch ist es zum heutigen Zeitpunkt noch nicht über die Nutzungsverhaltensanalyse möglich.

Zudem ist das Auftreten eines weiteren Problems bezüglich der erworbenen Kompetenz des Mitarbeiters durch Entwicklungsprozesse, vorhanden. Es ist nach Erlernen einer Lernkompetenz immer noch unklar, ob diese praktisch angewandt, in eine Leistung umgesetzt werden kann. Insofern müssen sich Organisationen mit der Fragestellung auseinandersetzen, wie stark die Übertragbarkeit einer Lernkompetenz in eine Handlung ist. Genau diese Übertragbarkeit der Kompetenz auf die Performanz muss differenziert betrachtet werden, denn die Existenz einer Kompetenz bedeutet nicht zwingend deren tatsächliche Transformation in eine Tätigkeit (Performanz). „Eine Kompetenz bezieht sich auf etwas, was eine Person unter idealen Umständen tun kann, während sich die Performanz auf die Umsetzung der Kompetenz in eine Tätigkeit bezieht“ (Wood & Power, 1987, S.409).

Abschließend kann prognostiziert werden, dass People Analytics als Methode der datenbasierten Entscheidungsfindung im Digitalen Zeitalter von enormen Potenzials ist. Dessen Nutzung von personenbezogenen Daten ist jedoch kritisch zu sehen. Es wird sich zeigen, wie die Politik die Datenschutz der Menschen durch Unternehmen formt.

Die gesamte Ausführung, findest Du in meinem Buch:

Zurück zum Anfang

Weitere Informationen zu People Analytics

Du suchst nach Antworten auf Fragen wie diese? Sieh dir auch andere Beiträge zu dem Thema an:

2 Antworten

Kommentar verfassen

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.