Das Ziel dieser Arbeit ist es zu bestimmen, ob Datenanalysen im Personalmanagement zur Lösung aktueller Herausforderungen im Krankenhaus sinnvoll eingesetzt werden können, da diese immer häufiger z. B. durch Personalmangel negativ in der Presse stehen. Dazu wird folgende Forschungsfrage beantwortet: Bietet der Einsatz von People-Analytics Potenziale, die für die speziellen Herausforderungen des Krankenhauses eingesetzt werden können? Zur Beantwortung wird die relevante Forschungsliteratur ausgewertet. Dadurch zeigte sich, dass gerade das Gesundheitswesen von Datenanalysen, auch im Personalmanagement profitieren kann. So stieg neben dem Gewinn auch die Produktivität. Auch bisher ungenutzte Möglichkeiten in der Rekrutierung und in der Mitarbeiterbindung sind mittels People-Analytics möglich und bieten somit eine Zeit- und Kostenersparnis. In Anbetracht der Tatsache, dass so gut wie alle Krankenhäuser über eine mangelnde Investitionsfähigkeit klagen und zudem aktuell vor den Herausforderungen ‚War for Talents‘, ‚Kostendruck‘ und einem allgemeinen Fachkräftemangel stehen, ist der Einsatz von People-Analytics also durchaus ratsam. Dabei sind allerdings die Kosten sowie die Einhaltung der Datenschutzrechte zu beachten.
Inhaltsverzeichnis
Zusammenfassung
Inhaltsverzeichnis
Abkürzungsverzeichnis
Abbildungsverzeichnis
Tabellenverzeichnis
1 Einleitung
1.1 Ausgangssituation und Problemstellung
1.2 Ziel der Arbeit und Vorgehensweise
1.3 Methodik
2 Grundlagen zu People-Analytics
2.1 People-Analytics – Definitionen
2.2 Notwendigkeit von People-Analytics im HRM
2.3 Grenzen und Einsatzmöglichkeiten
2.3.1 Gesetzliche und ethische Grenzen
2.3.2 Der Einsatz im Recruiting
2.3.3 Der Einsatz in der Mitarbeiterbindung
2.4 Kategorisierung von Analysen im HRM – Das Reifegradmodell
2.4.1 Einfache People-Analytics
2.4.2 Fortgeschrittene People-Analytics
2.4.3 Prädiktive People-Analytics
2.5 People-Analytics Prozessphasen
2.5.1 Qualitative Phase
2.5.2 Quantitative Phase
2.5.3 Umsetzungsphase
3 Human-Resource-Management im Krankenhaus
3.1 Definitionen und Besonderheiten des HRM im Krankenhaus
3.2 Herausforderungen von HRM im Krankenhaus
3.2.1 Recruiting
3.2.2 Mitarbeiterbindung
3.2.3 Umgang mit der Generationenvielfalt
3.3 Der Einsatz von Big Data zum Umgang mit den Herausforderungen
4 Kritische Analyse ausgewählter Studien zu People-Analytics
4.1 Vorgehen bei der Auswahl und Auswertung von Studien
4.2 Forschungsbedarf im Bereich People-Analytics
5 Ergebnisse und Interpretation der Potenziale von People-Analytics
5.1 Überblick der Ergebnisse der Analyse
5.2 Darstellung wesentlicher Erkenntnisse der Analyse
5.3 Einordnung und Diskussion der Ergebnisse
5.4 Methodenkritik der Analyse
5.5 Ableitung von Handlungsempfehlungen
6 Fazit und Ausblick
Literaturverzeichnis
Zusammenfassung
Das Ziel dieser Arbeit ist es zu bestimmen, ob Datenanalysen im Personalmanagement zur Lösung aktueller Herausforderungen im Krankenhaus sinnvoll eingesetzt werden können, da diese immer häufiger z. B. durch Personalmangel negativ in der Presse stehen. Dazu wird folgende Forschungsfrage beantwortet: Bietet der Einsatz von People-Analytics Potenziale, die für die speziellen Herausforderungen des Krankenhauses eingesetzt werden können? Zur Beantwortung wird die relevante Forschungsliteratur ausgewertet. Dadurch zeigte sich, dass gerade das Gesundheitswesen von Datenanalysen, auch im Personalmanagement profitieren kann. So stieg neben dem Gewinn auch die Produktivität. Auch bisher ungenutzte Möglichkeiten in der Rekrutierung und in der Mitarbeiterbindung sind mittels People-Analytics möglich und bieten somit eine Zeit- und Kostenersparnis. In Anbetracht der Tatsache, dass so gut wie alle Krankenhäuser über eine mangelnde Investitionsfähigkeit klagen und zudem aktuell vor den Herausforderungen ‚War for Talents‘, ‚Kostendruck‘ und einem allgemeinen Fachkräftemangel stehen, ist der Einsatz von People-Analytics also durchaus ratsam. Dabei sind allerdings die Kosten sowie die Einhaltung der Datenschutzrechte zu beachten.
Abkürzungsverzeichnis
Abbildung in dieser Leseprobe nicht enthalten
Abbildungsverzeichnis
Abbildung 1: Analytik
Abbildung 2: Analytik Reifegradmodell
Abbildung 3: Die Entwicklung der Datenorientierung im HRM
Abbildung 4: Einordnung von BI und BA
Abbildung 5: Einschätzung der Datensicherheit
Abbildung 6: Sind Unternehmen bereit für die DSGVO?
Abbildung 7: Zusammenspiel von People-Analytics und Datenschutz
Abbildung 8: Moral und Sitte
Abbildung 9: Personalbedarfsdeckungskette
Abbildung 10: Fluktuationsquote
Abbildung 11: Schritte bis zur Kündigung
Abbildung 12: Kündigungsgründe aus Manager- und Mitarbeitersicht
Abbildung 13: Reifegradmodell nach Bersin
Abbildung 14: Reifegradmodelle
Abbildung 15: Wand von Boudreau
Abbildung 16: People-Analytics-Prozessmodell
Abbildung 17: Ärztemangel-Prognose bis 2030
Abbildung 18: Bedürfnisse und Bindungsfaktoren
Abbildung 19: Bindungsfaktoren ärztlicher Mitarbeiter
Abbildung 20: Bindungsfaktoren nach Generationen
Abbildung 21: Vergleich der vier Generationen
Abbildung 22: Die Jahre der Generationen
Abbildung 23: Big Data-Interesse nach Mitarbeiteranzahl
Abbildung 24: Einsatz von Big Data im HRM nach Branchen
Abbildung 25: Lösungen durch People-Analytics
Tabellenverzeichnis
Tabelle 1: Vergleich von hohem und niedrigem People-Analytics-Reifegrad
Tabelle 2: Wie arbeitet HR aktuell und in Zukunft?
Tabelle 3: Reifegradmodell nach Mühlbauer
Tabelle 4: Datenmengen im Krankenhaus
Tabelle 5: Literaturübersicht
1 Einleitung
1.1 Ausgangssituation und Problemstellung
Die Datenexplosion, also der explosionsartige Anstieg an Daten verändert seit Jahren die Arbeit im Unternehmen. Doch besonders in den Analysen dieser Datenmengen liegen enorme Potenziale um Wettbewerbsvorteile zu sichern, auch für das Personalmanagement, nachfolgend ‚Human Resource Management‘ (HRM) genannt. Der Prozess der Entscheidungsfindung beruht zunehmend auf Daten statt auf bloße Intuition.[1],[2] Zahlreiche Praxisstudien der letzten Jahre verdeutlichen die Relevanz des Themas.
Krankenhäuser stehen, bedingt durch den Personalmangel, immer häufiger negativ in den Schlagzeilen der Presse. Studien bestätigen die aktuellen Probleme der Krankenhäuser. Dennoch wurden beide Themen bisher kaum im Kontext betrachtet. Diese Arbeit beschäftigt sich mit der Analyse von Personaldaten und dessen Potenziale für den Einsatz im Krankenhaus und versucht damit die offene Lücke zu schließen.
1.2 Ziel der Arbeit und Vorgehensweise
Das Ziel dieser Arbeit sind Erkenntnisse über die Einsatzmöglichkeiten von People-Analytics im Krankenhaus. Somit versucht die vorliegende Arbeit folgende Frage zu beantworten: Bietet der Einsatz von People-Analytics Potenziale, die für die speziellen Herausforderungen des Krankenhauses eingesetzt werden können?
Dazu werden zunächst relevante Begriffe definiert und anschließend die Potenziale aber auch die Grenzen von People-Analytics anhand von Studien und Fachliteratur erforscht. Abschließend soll die Einsetzbarkeit im Krankenhaus untersucht werden, indem aktuelle Herausforderungen betrachtet und diese auf ihre Lösbarkeit durch People-Analytics hin untersucht werden.
1.3 Methodik
In dieser Arbeit wurden Artikel aus Fachzeitschriften, Kapitel aus Lehrbüchern, Monografien, Sammelwerke, Webseiten und Online Dokumente zur Beantwortung der Forschungsfrage hin untersucht bzw. ausgewertet. Durchsucht wurden die Datenbanken und Kataloge ‚Primo‘ der Universitätsbibliothek Duisburg-Essen inklusiver Artikelsuche, ‚KVK - Karlsruher Virtueller Katalog‘, ‚DigiBib NRW‘, ‚WISO-NET‘, ‚Statista‘, ‚EBSCO‘ und ‚SpringerLink‘. Über die Fernleihe der Universitätsbibliothek Duisburg-Essen wurde vorwiegend englischsprachige Literatur, welche nicht vor Ort ausleihbar war, bezogen. Außerdem wurde nach dem sogenannten ‚Schneeballsystem‘, in den Literaturverzeichnissen relevanter Literatur, gearbeitet. Der Web-Dienst ‚Google Scholar‘ wurde vorwiegend zur Suche von englischen Artikeln in Journals verwendet.
Zur Definition von People-Analytics wurden die wichtigen Schlüsselwörter People-Analytics und das oft synonym verwendete HR-Analytics verwendet. Zentraler Punkt der Untersuchung waren die Erkenntnisse zu Datenanalysen im Personalmanagement bzw. deren Möglichkeiten, die im Gesundheitswesen, speziell im Krankenhaus zur Bewältigung der speziellen Herausforderungen dienen.
Ziel der Untersuchung war es, Erkenntnisse zu der Frage zu gewinnen, ob diese Datenanalysen Möglichkeiten für den Einsatz im Personalmanagement in Krankenhäusern bieten.
Um relevante Ergebnisse zu erhalten wurden deutsche und englische Begriffe vorwiegend in Kombination mit dem Begriff ‚People-Analytics‘ gesucht. Zudem wurden vorwiegend Artikel aus Fachzeitschriften, die mit dem Peer-Review-Verfahren arbeiten und Publikationen seit 2010 ausgewählt.
Ausgewählte Studien wurden interpretiert, beschrieben, miteinander verglichen und zusammengefasst – es wurde also qualitativ untersucht. Im Kapitel 4 ‚Kritische Analyse ausgewählter Studien zu People-Analytics‘ wurden diese Studien bewertet und kritisiert. Aus den Studienergebnissen wurden Schlussfolgerungen gezogen und Handlungsempfehlungen abgeleitet.
Mithilfe von Grafiken und Tabellen wurden komplexe Zusammenhänge und Ergebnisse visualisiert.
2 Grundlagen zu People-Analytics
2.1 People-Analytics – Definitionen
People-Analytics und HR-Analytics sind derzeit zwei der beliebtesten Buzzwords und Trends im Bereich Human Resource Management (HRM).[3] Unter dem Begriff Buzzwords werden Schlag- oder Modewörter verstanden. Nach Hermann ist ein Schlagwort aktuell und parteiisch.[4] Auch Modewörter sind nur in einer bestimmten Zeit aktuell und werden später nicht mehr oder nur noch selten verwendet. Die Beurteilung ob ein Wort oder eine Wortkombination ein Modewort ist, kann lediglich in diachronischer Perspektive erfolgen.[5]
Die Nutzung des Begriffs Human-Resource-Management ist seit einigen Jahren in vielen Betrieben üblich. Dies liegt zum einen an der zunehmenden Internationalisierung der Unternehmen und zum anderen daran, dass versucht wird, Modernität zu kommunizieren. Letzteres wird entweder tatsächlich umgesetzt oder nur des Anscheins wegen nach außen getragen. Einige Autoren verstehen unter dem Begriff Human-Resource-Management die dem Personalmanagement fehlende strategische Komponente.[6],[7],[8] Der Begriff Human-Resource-Management verdeutlicht, dass das Personal eine erfolgskritische Ressource darstellt. Das Personal wird als Leistungsträger bzw. Leistungspotenzial angesehen.[9] Bei dem Begriff Personalmanagement handelt es sich eher um einen Aufgabenkomplex aller personalbezogenen Aufgaben. Gabler definiert Personalmanagement als „Summe der mitarbeiterbezogenen Gestaltungsmaßnahmen zur Verwirklichung der strategischen Unternehmensziele“.[10] Sowohl in wirtschaftswissenschaftlichen Lehrbüchern als auch im alltäglichen Sprachgebrauch werden diese Begriffe kaum differenziert, da unter beiden gleiche oder ähnliche Inhalte verstanden werden.[11] Aufgrund der Betrachtung des Personals als wichtigste Ressource im Unternehmen wird in dieser Arbeit der international gebräuchliche Begriff Human-Resource-Management verwendet.
People-Analytics setzt sich aus den Worten ‚People‘ (Personen) und ‚Analytics‘ (Analytik/Analysen) zusammen. Der Begriff ‚Personenanalysen‘ ist also die wörtliche Übersetzung von People-Analytics, was jedoch im Zusammenhang mit dem HRM fälschlicherweise die Vorstellung vom durchanalysierten, gläsernen Mitarbeiter[12] impliziert.[13]
Die Begriffe ‚People-Analytics‘ und ‚HR-Analytics‘ werden von vielen Autoren synonym verwendet. Vereinzelt wird zwischen diesen Begriffen differenziert. Die vorliegende Arbeit teilt die letztere, differenzierte Betrachtungsweise.
In diesem Kapitel wird zunächst der Begriff ‚Analytik‘ erörtert und daran anschließend eruiert, wie ‚People-Analytics‘ in unterschiedlichen Studien definiert wird. Abschließend werden weitere für das Thema wichtige Begriffe voneinander abgegrenzt.
Bereits 1984 beschrieb Jac Fitz-Enz, Autor und Präsident der HR-Service-Organisation Saratoga Insitute, die Praxis der Personalanalyse in seinem Werk ‚How to measure Human Resources Management‘. In diesem Rahmen umriss er die Metriken, um die Leistung der Mitarbeiter zu messen.[14] Darauf basierend veröffentlichte er 26 Jahre später sein Buch ‚The new HR analytics: predicting the economic value of your company’s human capital investments‘.[15] Darin wird Analytik als das Zusammentreffen von Kunst und Wissenschaft bezeichnet. Die Künste lehren den Menschen die Welt zu betrachten. Die Wissenschaften lehren etwas zu tun. Bei dem Begriff ‚Analytik‘ denken viele Menschen, so Fitz-Enz, fälschlicherweise zunächst an Statistik. Analytik ist aber in erster Linie ein mentales Gerüst, also das logische Verständnis von Informationen, und dann erst eine Sammlung statistischer Methoden. Verschiedene Lexika definieren Analytik als Wissenschaft der Analyse, einschließlich der Prinzipien der mathematischen Analyse. Analytik ist also der Prozess des Zerlegens oder Trennens in seine Bestandteile - etwas wird auseinandergenommen, um es besser zu verstehen.[16]
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 1: Analytik; eigene Darstellung in Anlehnung an Fitz-Enz, J., (The new HR analytics 2010), S. 4
Dipak Kumar Bhattacharyya, Professor an der School of Human Resource Management am Xavier Institute of Management, beschreibt Analytics als wissenschaftliche Datenmanipulation, also als das Verändern, Hinzufügen und Löschen von Daten eines Datenbestands. Business-Analytics sind demnach wissenschaftliche Datenmanipulationen zur besseren Entscheidungsfindung im Unternehmen.[17]
Der Begriff ‚Analytik‘ kann als Wortkombination auf bestimmte Interessen wie health analytics (Gesundheitsanalytik) oder safety analytics (Sicherheitsanalytik) hindeuten, während in anderen Fällen die Analyseabsichten bzw. –fähigkeiten Bestandteile des Terms sind. Diese werden in descriptive analytics, diagnostic analytics, predictive analytics und prescriptive analytics unterteilt, die zusammen ein Reifegradmodell von People-Analytics darstellen.[18] Abbildung 2 veranschaulicht die Bestandteile im Hinblick auf den menschlichen Input. Auf diese Fähigkeiten wird im Kapitel 2.4 näher eingegangen. Als dritte Variante kann Analytics auch auf das Objekt hindeuten, wie bei Facebook Analytics oder Google Analytics.[19]
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 2: Analytik Reifegradmodell; Quelle: Rivera, J.;van der Meulen, R., (Gartner 2014)
Predictive Analytics, zu Deutsch prädiktive oder voraussagende Analytik und strategische Datenanalysen gehen als Bestandteile von People-Analytics, über die Bewertung, Interpretation und Entscheidung von Sachverhalten der Vergangenheit (Reporting) und der gegenwärtigen Situation (Controlling)[20],[21] weit hinaus.[22] Anhand statistischer Analysen lassen sich zuverlässigere Schlüsse ziehen als durch Erfahrung und Bauchgefühl.[23] So können mithilfe von Langzeitdaten Kausalzusammenhänge, also Beziehungen zwischen Ursache und Wirkung, hergestellt werden.
Predictive Analytics ist die Kunst und Wissenschaft, Daten zu nutzen, um bessere, zukunftsbezogene Entscheidungen treffen zu können.[24] Abbildung 3 zeigt, dass bei People-Analytics und der dabei eingesetzten voraussagenden Analytik im Vergleich zu HR-Controlling, HR-Reporting und zur erfahrungsbasierten Entscheidungsfindung eine strategische Rolle eingenommen wird. Einen großen Wertschöpfungsbeitrag leistet People-Analytics, wenn zum Beispiel durch Datenanalysen Faktoren erkannt werden, die Kündigungen verhindern oder Mitarbeiter binden, sodass Rekrutierungskosten eingespart werden können.
Cornelia Reindl und Stefanie Krügl bezeichnen People-Analytics, HR-Analytics, Workforce-Analytics und Human-Resource-Intelligence synonym als die Analyse von HR-Daten in Verbindung mit anderen Unternehmensbereichen und deren internen und externen Daten.[25]
Wie Reindl und Krügl verwendet auch Mike West den Begriff People-Analytics synonym zu HR-Analytics aber auch für HR-Intelligence, Workforce-Analytics, Talent-Analytics, HR-Insights und HR-Decision-Support. Mike West[26] hat über 15 Jahre Erfahrung im Aufbau von People-Analytics-Projekten in Unternehmen wie Merck oder Google. Er definiert People-Analytics als systematische Anwendung von Statistik und Verhaltenswissenschaften im HRM, um Geschäftsvorteile mithilfe der Wahrscheinlichkeit zu erzielen.[27] Nach West ist People-Analytics die Überschneidung von HR-Management, Mathematik, Technologie und Verhaltensforschung.[28]
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 3: Die Entwicklung der Datenorientierung im HRM; Quelle: Reindl, C. (Datengestützte Mitarbeiter-führung 2016), S. 194 in Anlehnung an Smith, T. (HR analytics 2017), S. 12 f.
In ‚The Rise (and Fall) of HR Analytics‘ definieren Heuvel und Bondarouk HR-Analytics als systematische Identifikation und Quantifizierung der treibenden Kräfte von Geschäftsergebnissen mit dem Ziel, bessere Entscheidungen zu treffen. Auch Heuvel betont die häufig synonyme Verwendung von HR-Analytics und People-Analytics. Bei HR-Analytics liegt die Verantwortung für die Identifizierung und Quantifizierung bei der HR-Funktion bzw. -Abteilung. People-Analytics wird als die neutralste und mitarbeiterfreundlichste Bezeichnung beschrieben. Dieser Begriff wird von Google konsequent verwendet, da Google den Begriff ‚Human-Resources‘ vermeidet und die Personalabteilung stattdessen ‚People-Operations‘ nennt.[29]
Nach Bassi ist People-Analytics die Anwendung einer Methode und eines integrierten Prozesses zur Steigerung der Qualität von Personalentscheidungen mit dem Ziel einer gesteigerten Leistung von Mitarbeiter und Organisation.[30]
Die wohl grundlegendste Definition von HR-Analytics ist laut Bassi diejenige der Stanford-Professoren Pfeffer und Sutton.[31] Demnach ist HR-Analytics ein evidenzbasierter Managementansatz.[32] Dieser beruht auf wissenschaftlichen Methoden und Befunden, um Managemententscheidungen zu verbessern,[33] und gilt als Ursprung von People-Analytics. Dabei werden empirische Forschungsergebnisse für elaborierte[34] Entscheidungen im Management genutzt.[35]
John Sumser, leitender Analyst bei HRExaminer, schreibt in einem Tweet, dass es einen klaren Unterschied zwischen HR-Analytics und People-Analytics gibt. Nach Sumser löst People-Analytics Unternehmensprobleme und HR-Analytics HR-Probleme.[36] Die Anwendung von People-Analytics-Techniken zur optimalen Nutzung von Personendaten bietet Vorteile, die nicht nur für den Bereich HR, sondern für das gesamte Unternehmen relevant sind.[37] Der Verfasser teilt Sumsers differenzierte Betrachtungsweise; allerdings wird in dieser Arbeit das Potenzial von People-Analytics speziell im Bereich HRM untersucht. Daher werden im Folgenden die Termini People-Analytics und HR-Analytics trotz Unterschieden synonym verwendet.
HR-Analytics wird zunehmend durch den breiter gefassten Ansatz People-Analytics ersetzt. Der Schwerpunkt von Letzterem liegt auf der ganzheitlichen Erhebung und Verbindung von Personendaten.[38] Diese lassen sich vielfältig für die Entscheidungsunterstützung im gesamten Unternehmen einsetzen, nicht nur für HR.
People-Analytics bewegt sich in einem von der Industrie 4.0 entwickelten gesamtwirtschaftlichen Rahmen. Die vierte industrielle Revolution, die wie People-Analytics mehr Evolution als Revolution ist,[39] stellt mit ihren cyber-physischen-Systemen eine große Menge Daten zur Verfügung, die durch Big Data Analytics bzw. People-Analytics gewinnbringend verarbeitet werden kann.[40]
Big Data ist kein festgelegter Begriff, sondern vielmehr ein Phänomen der wachsenden Datenbestände. Die drei wesentlichen Charakteristika sind der Umfang (Volume), die Geschwindigkeit (Velocity) und die Vielfalt (Variety). Sie werden als die drei V´s bezeichnet.[41] Das Softwareunternehmen SAS definiert Big Data in seiner BARC-Studie folgendermaßen: „Big Data bezeichnet Methoden und Technologien für die hochskalierbare Erfassung, Speicherung und Analyse polystrukturierter Daten.”[42]
In ihrer Studie ‚Wettbewerbsfaktor Analytics 2015‘ entdeckte die Firma, dass 90 % der Industrieunternehmen der DACH-Region[43] weniger als 50 % ihrer Daten nutzen.[44]
Unternehmen verfolgen mithilfe von Big Data das Ziel sich zu einem ‚analytischen Wettbewerber‘ zu entwickeln um anhand von Datenanalysen Wettbewerbsvorteile zu erzielen.[45]
Stefan Strohmeier, Inhaber des Lehrstuhls für Management-Informations-Systeme der Universität des Saarlandes, verwendet statt People-Analytics oder HR-Analytics den Begriff ‚Human-Resource-Intelligence und -Analytics‘ (HRIA). HRIA ist die Umsetzung von ‚Business-Intelligence‘ (BI) und ‚Business-Analytics‘ (BA), die dazu dienen HR-Managementinformationen IT gestützt bereitzustellen.[46]
Business Analytics ist die Sammlung von Methoden und Technologien um Erkenntnisse, bezüglich unternehmerischer Entscheidungen, aus Daten zu gewinnen.[47]
Claude Elwood Shannon benutzte erstmals 1939 den Begriff Intelligence im Bereich der Nachrichtentechnik. Er bezeichnete damit das Herausfiltern von sinnvollen Informationen, die sich damit vom sogenannten Rauschen[48] abgrenzen.[49] Hans Peter Luhn arbeitete bei IBM und nutzte wohl als Erster die Zweiwortkombination ‚Business Intelligence‘ in seinem Artikel ‚A Business Intelligence System‘, der 1959 im IBM Journal erschien.[50]
Eine allgemeingültige Definition von BI gibt es bisher nicht. BI kann als Gesamtansatz zur unternehmerischen Entscheidungsfindung verstanden werden.[51]
Business-Intelligence, Big Data und Big-Data-Analytics sind Teilbereiche von Data-Analytics, die sich der Gewinnung von neuem Wissen widmen.[52] Abbildung 4 verdeutlicht diese Einordnung.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 4: Einordnung von BI und BA; eigene Darstellung in Anlehnung an Chen, H.; Chiang, R.; Storey, V. C. (Business Intelligence and Analytics 2012), S. 1165
Datenanalysen im HRM sind technisch anspruchsvoll und verlangen von People-Analytics-Anwendern spezielle digitale Kompetenzen. Thomas Sattelberger, FDP-Politiker und ehemaliger Personalvorstand bei der Deutschen Telekom AG und Continental AG, twitterte dazu: „Leider tendiert die digitale Kompetenz der personaler [!] gegen Null [!]. Und genauso wenig wissen sie über Gestaltung von Arbeitswelten.“[53] Möglicherweise wird sich diese Tatsache in den nächsten Jahren durch den Einsatz von HR-Analytics und People-Analytics als Bestandteil neuer Digitalisierungsstrategien im Personalwesen ändern.
Die bisher angeführten Definitionen weisen in einigen Punkten Übereinstimmungen auf. Der vorliegenden Arbeit werden vor diesem Hintergrund folgende Definitionen von HR-Analytics und People-Analytics zugrunde gelegt.
HR-Analytics ist die reine Analyse von HR-Daten, um datengetriebene Entscheidungen im Personalmanagement treffen zu können.
People-Analytics ist die Analyse von HR-Daten in Verbindung mit anderen Unternehmensdaten aus internen oder externen Quellen, um unternehmensweit personalrelevante Entscheidungen auf Grundlage von Daten und neuen Erkenntnissen vorausschauend treffen zu können. Im Rahmen des evidenz-basierten Managementansatzes werden Entscheidungen auf Basis von wissenschaftlichen, empirischen Befunden und Fakten getroffen, um verzerrungs- und vorurteilsfrei handeln zu können.
Die vorausschauenden Perspektiven von Predictive Analytics und Prescriptive Analytics liefern einen bedeutenden Wettbewerbsvorteil. Dieser und weitere Vorteile fordern Manager, sich dem immer wichtiger werdenden Thema People-Analytics zu widmen.
2.2 Notwendigkeit von People-Analytics im HRM
Die Notwendigkeit von People-Analytics kann aus verschiedenen Perspektiven betrachtet werden. People-Analytics kann sowohl als evidenzbasierter Ansatz als auch als entscheidungsunterstützendes Instrument für Unternehmen erforderlich sein. Diese Zusammenhänge werden im Folgenden erläutert. Abschließend wird auf den organisatorischen Wert von People-Analytics im HRM eingegangen.
Daten, Algorithmen und künstliche Intelligenz werden in Zeiten der Digitalisierung sowohl für Unternehmen als auch für die Gesellschaft zunehmend wichtiger. Im privaten Bereich wendet man, anders als in beruflichen Zusammenhängen, Big Data mehr oder weniger bereitwillig an, z. B. durch den Austausch in sozialen Netzwerken.[54] Nach Reindl und Krügl nutzen „viele andere Unternehmensbereiche wie z. B. Marketing […] bereits intensiv Big-Data-Ansätze, um neue Markt- und Kundenpotenziale zu erschließen und zu besseren Entscheidungen in strategischen und operativen Fragestellungen zu gelangen“.[55] Eine erfolgreiche, datengestützte Entscheidungsfindung basiert auf der Analyse von Daten sowie auf deren Kombination unter Berücksichtigung langjähriger Erfahrung sowie der Intuition, um bessere Entscheidungen treffen zu können.[56]
In einer Studie von Brynjolfsson et al. wurde untersucht, ob der Einsatz von Datenanalysen zur unternehmensweiten Entscheidungsunterstützung Auswirkungen auf die Unternehmensleistung hat. Sie zeigt, dass Unternehmen, die ihre Entscheidungen häufiger auf Daten stützen, obwohl eine Vielzahl von Störfaktoren vorhanden ist, produktiver arbeiten. Sowohl der Output als auch die Produktivität verbesserte sich um 5 % bis 6 %.[57] Andere Untersuchungen führten dagegen zu dem Ergebnis, dass Entscheidungen, die auf Erfahrung und Bauchgefühl basieren, besser sind.[58] Die vorliegende Arbeit teilt die Ansicht, optimale Entscheidungen sowohl auf Basis von Datenanalysen als auch auf Basis von Erfahrungen und Bauchgefühl in Kombination treffen zu können.
Laut der Unternehmensberatung McKinsey, die im Jahr 2011 die Potenziale von Big-Data-Analytics untersuchte, können das US-Gesundheitswesen und die europäische öffentliche Verwaltung am stärksten von Datenanalysen profitieren.[59] Als finanzbezogene Vorteile der datengestützten Entscheidungsfindungen gelten unter anderem die höheren Kapitalrenditen, die Eigenkapitalrenditen, die Anlagennutzung und der Marktwert.[60]
Zwischen 70 % und 90 % aller Fusionen oder Übernahmen von Unternehmen scheitern.[61] Dies betrifft auch die großen Unternehmen wie Mattel, Daimler-Chrysler oder Hewlett-Packard-Compaq. Die Firma Cisco Systems arbeitete relevante Faktoren für erfolgreiche und fehlgeschlagene Fusionen heraus und nutzte diese Informationen als Verhaltensrichtlinie für Mergers & Acquisitions (M&A)[62]. Cisco Systems nutzte evidenzbasiertes Management, also auf wissenschaftliche Methoden und Befunde gestützte Managemententscheidungen,[63] und konnte damit seit der ersten Übernahme 1993 bisher mehr als 80 Übernahmen ohne Probleme durchführen.[64]
Ein weiteres Beispiel von erfolgreich angewendeten evidenzbasierten Entscheidungen zeigte Andy Grove, ehemaliger CEO von Intel. Er erkrankte 1995 an Prostatakrebs. Wie im evidenzbasierten Management untersuchte er seine Krankheit wissenschaftlich. Er verglich Methoden, Risiken, Vorteile und sammelte Erfahrungswerte, um seine Entscheidung bezüglich der Behandlung bestmöglich treffen zu können. Mithilfe dieser Informationen konnte er gemeinsam mit seinem Arzt die bestmögliche Behandlung finden und vollständig von Krebs geheilt werden.[65]
Wie im vorigen Kapitel erwähnt, liegt der Ursprung von People-Analytics im evidenzbasierten Management. Durch den Einsatz von People-Analytics können, ähnlich wie in den oben genannten Beispielen, Entscheidungen auch im HRM nachhaltig verbessert und Kosten eingespart werden. Informationen werden intelligent verknüpft und neue (Wirkungs-) Zusammenhänge werden erkennbar, wodurch solidere Entscheidungsgrundlagen geschaffen werden können.[66] Die angeführten Beispiele zeigen, wie wertvoll evidenzbasiertes Management sein kann.
Im Talent-Management ermöglicht People-Analytics eine Zeit- und Kostenreduktion. Die eingesetzten Methoden reichen von experimenteller Forschung über Metriken bis zu prädiktiven Analysen.[67] Dabei kommt Data-Mining dem Ziel der Erkennung von unbekannten Mustern am nächsten.[68] Data-Mining wird eingesetzt, wenn die Datenmengen zu groß sind, um sie durch bloßes Betrachten auswerten zu können. Dies ermöglicht die automatisierte Erkennung von Mustern und Zusammenhängen. Während im Bergbau Bodenschätze gesucht und abgebaut werden, sucht Data‑Mining nach den in Daten verborgenen Schätzen, also den Mustern und Zusammenhängen.[69] „Inzwischen ist das Bergen von Datenschätzen lohnender als das von Bodenschätzen.“[70] Ziel ist es, Wissen aus Daten zu extrahieren.[71] Somit entspricht Data‑Mining ganz dem People-Analytics-Ansatz. Data‑Mining wird im Lexikon der Wirtschaftsinformatik dem BI-Ansatz untergeordnet.[72]
Eine Studie der Unternehmensberatungsgesellschafft Deloitte weist auf einen durchschnittlich 82% höheren Gewinn im Dreijahresdurchschnitt bei Unternehmen hin, die People-Analytics zur Entscheidungsunterstützung nutzen. Tabelle 1 verdeutlicht dies. Diese Firmen nutzen People-Analytics mit fortgeschrittener und prädiktiver Analytik. Sie erreichen damit die höchsten Stufen 3 und 4 im Reifegradmodell.[73] Auf der ersten Stufe befinden sich die deskriptiv angelegten HR-Reportings und das Controlling. Dabei wird Vergangenes und Gegenwärtiges beschrieben. Im prädiktiven Ansatz von People-Analytics werden anhand von Erkenntnissen Zukunftsszenarien dargestellt und Zusammenhänge aufgedeckt. Deskriptive Verfahren bieten im Vergleich zu People-Analytics und deren multivariaten Verfahren, wie der Regressionsanalyse, keine Informationen über kausale Zusammenhänge.[74]
Abbildung in dieser Leseprobe nicht enthalten Tabelle 1: Vergleich von hohem und niedrigem People-Analytics-Reifegrad, eigene Darstellung in Anlehnung an Bersin, J., (Industry Study 2017), S. 65
Bersin von Deloitte fand heraus, dass der Reifegrad von People-Analytics in einem Unternehmen einen direkten Effekt auf die Geschäftsmetriken und auf die Nutzung von Daten hat. Außerdem entdeckte er, dass People-Analytics vorwiegend von Unternehmen mit 1.001 bis 5.000 Mitarbeiter (zu 16 %) und 10.001 bis 25.000 Mitarbeiter (zu 17 %) auf Interesse stößt.[75] Insgesamt lässt sich ableiten, dass besonders große Unternehmen mit mehr als 1.000 Mitarbeitern an People-Analytics interessiert sind, jedoch nicht Unternehmen mit mehr als 500.000 Mitarbeitern.
Prädiktive Analysen lassen sich im gesamten Employee-Life Zyklus, also dem Mitarbeiterlebenszyklus, vom Recruiting bis zum Austritt des Mitarbeiters aus dem Unternehmen, einsetzen.[76] In jedem dieser HR-Bereiche können Entscheidungen durch vorausschauende Analysen unterstützt werden. Die endgültige Entscheidung sollte allerdings immer dem Menschen überlassen bleiben.
Zusätzlich wird People-Analytics zur Bewertung der Nützlichkeit von Praktiken, Programmen und Prozessen in einer Organisation eingesetzt. Mitarbeiterdaten wie demografische Merkmale werden erfasst und als Schlüsselinformationen in Computermodelle übertragen. Führungskräfte nutzen die Informationen zur Beurteilung, zur Vorhersage und zur Entscheidungsfindung.[77] Die Informationen entstehen aus Algorithmen und werden vorwiegend als ‚Erkenntnisse‘ bzw. im englischen als ‚Insights‘ bezeichnet. HR wird in Zukunft zum Aufbau einer Talent-Strategie deutlich stärker datenbasierend arbeiten. Zudem wird HR immer mehr zur analytischen Unterstützung in Geschäftsentscheidungen eingebunden, wie Tabelle 2 verdeutlicht.[78] Dies setzt den Einsatz von People-Analytics gewissermaßen voraus.
Abbildung in dieser Leseprobe nicht enthalten Tabelle 2: Wie arbeitet HR aktuell und in Zukunft? Eigene Darstellung in Anlehnung an Lawler, E. E.; Levenson A.; Boudreau J. W., (HR metrics 2004), S. 30
Bisher spielten intangible Faktoren[79] wie Teamfähigkeit im HRM eine größere Rolle als harte Faktoren. HR muss allerdings seinen Wertschöpfungsbeitrag nachweisen, um als strategischer Partner des Managements ernst genommen zu werden.[80] Zum Nachweis eignet sich das auf Fakten basierende People-Analytics. Dazu muss HR Fähigkeiten entwickeln, die die Auswirkungen von Personalentscheidungen auf das Unternehmen messbar machen.[81] Damit bietet People-Analytics den Wettbewerbsvorteil zukunftsbezogener Erkenntnisse und damit verbunden eine schnellere und bessere Entscheidungsfindung. Hinzu kommen Kosteneinsparungen sowie die Gelegenheit für Personalfachleute, sich als faktenbasierter strategischer Partner der Geschäftsleitung zu positionieren.[82],[83]
Aus all diesen Vorteilen lässt sich schließen, dass People-Analytics im HRM, vor allem im digitalen Zeitalter, in dem Daten als das neue Öl[84] und Informationen als das neue Gold[85] bezeichnet werden, kein Luxus, sondern vielmehr eine Notwendigkeit zum Erhalt der Wettbewerbsfähigkeit darstellt.
2.3 Grenzen und Einsatzmöglichkeiten
2.3.1 Gesetzliche und ethische Grenzen
Eine Grenze ist die Trennungslinie zwischen Unterscheidungsabsichten.[86] In diesem Kapitel wird somit die Unterscheidung von gesetzlich und ethisch Erlaubtem vom Unerlaubten bezüglich People-Analytics untersucht.
Beschäftigte in People-Analytics-Projekten arbeiten mit sensiblen personenbezogenen Daten der Mitarbeiter, weshalb die Auseinandersetzung mit den gesetzlichen Rahmen-bedingungen essenziell ist. Dabei sind besonders der Datenschutz, die Gleichbehandlung, das Betriebsverfassungsgesetz und die Mitbestimmung zu beachten.[87] Neben den gesetzlichen Grenzen gibt es für People-Analytics ethische Grundsätze zu beachten, worauf im zweiten Teil des Kapitels eingegangen wird. Als philosophischer Teilbereich befasst sich die Ethik mit den Voraussetzungen und Bewertungen menschlichen Handelns. Sie soll Hilfestellung geben, um sittliche Entscheidungen treffen zu können. Ethik kann auch die Grundlage für neue Gesetze darstellen, die für den Umgang mit den Neuerungen der digitalen Welt benötigt werden.[88] Einen ersten Schritt in diese Richtung lieferte die neue europäische Datenschutz-Grundverordnung (EU-DSGVO).
So gut wie jeder Bereich des Lebens besitzt mittlerweile eine digitale Komponente. Über Facebook, Instagram, Twitter und WhatsApp teilen wir unsere privaten Daten wie Standorte, Beziehungsstatus und Fotos freiwillig mit internationalen Großkonzernen um im Austausch nur scheinbar kostenlose Dienste zu erhalten. Musikdiensten wie Spotify wird mitgeteilt, wann wir welche Musik hören möchten. Google kennt unseren Aufenthaltsort und unsere Bewegungsmuster, z. B. wohin wir zur Arbeit und nach Hause gehen, aber auch wo sich auf unserem Weg ein Stau befindet – Google berechnet uns dann eine alternative Route. Dazu nutzt Google prädiktive und präskriptive Analysen. Amazon hört mit Alexa selbst unsere privatesten Gespräche zu Hause und kennt, wie andere Online-Händler auch, unsere Einkaufsvorlieben und erstellt mithilfe prädiktiver Analysen Vorschläge, was uns außerdem gefallen könnte. Wir zeichnen mit Fitnesstrackern und Smartwatches unseren Puls, die zurückgelegten Schritte und unsere Schlafqualität auf und produzieren damit Daten.[89]
Jugendliche zwischen 12 und 19 Jahren wurden 2015 von der ‚GfK Enigma‘ befragt, wie sicher sie ihre Daten bei WhatsApp und Facebook einschätzen. Je nach genutztem Dienst fühlten sich die Nutzer nur zu 38 % bis 47 % sicher bzw. sehr sicher.[90] Dennoch würden 67 % der Internetnutzer sich selbst mit ‚Eher großer Kenntnis‘, ‚großer Kenntnis‘ oder ‚sehr großer Kenntnis‘ bezüglich der Internetsicherheit einschätzen.[91]
Immer mehr Dinge, mit denen wir uns umgeben, sammeln Daten. Sie sind mit dem Internet verbunden und kommunizieren miteinander. Das Internet gewinnt also auch in unserer physischen Welt immer mehr an Bedeutung. In den Netzwerken generieren wir, meist unbemerkt, große Datenmengen. ‚Smarte‘ Technologien analysieren diese Daten mithilfe von Algorithmen und verbinden diese miteinander.[92] „Ob Stimme, Gesicht, Vorlieben, Interessen, Netzwerke, Einkaufsgewohnheiten, politische Überzeugungen, Gesundheitszustand, sexuelle Ausrichtung oder physische Fortbewegung – all dies ist bereits Teil einer größeren globalen Maschinerie, die darauf ausgerichtet ist, Muster vorherzusagen, Prozesse zu optimieren, unsere Entscheidungen zu leiten und sogar unser Verhalten zu beherrschen.“[93] All dies stellt eine Bedrohung der Privatsphäre dar und verstößt gegen europäische Datenschutzgesetze, und zwar die EU-DSGVO und auf Bundes- und Länderebene das Bundesdatenschutzgesetz (BDSG), wonach das Sammeln, Verarbeiten und Auswerten von Daten ohne Anlass verboten ist, solange die betroffene Person dem nicht zugestimmt hat. Die Analyse von personenbezogenen Daten[94] stellt zudem einen Angriff auf die Individualrechte dar. Algorithmen sollen einen Sinn aus Daten ableiten. Dies führt zur Erstellung von individuellen Profilen, die private Einzelheiten beinhalten können, wodurch Unternehmen individuelle, sozio-ökonomisch abgestimmte Angebote erstellen können.[95]
Wir geben also eine Menge von uns preis. Dies tun wir, um einen Nutzen daraus zu ziehen. Das Leben wird schneller, effizienter, nachhaltiger, automatisierter und es lässt sich leichter vorausplanen.[96] Die genannten Dienste vereinfachen also das Leben. Wir bezahlen die vermeintlich kostenfreien Dienste wie soziale Netzwerke, Musikportale und Suchmaschinen mit unseren Daten, die für diese Unternehmen äußerst wertvoll sind. Dennoch sind viele Menschen besorgt, wenn ihre Daten im Arbeitsleben gesammelt und zu Analysezwecken genutzt werden. Besonders der Begriff People-Analytics scheint, so Reindl und Krügl, ein beklemmendes Gefühl auszulösen. Dies könnte mit der Angst vor der Kündigung im Zusammenhang stehen, wenn durch Analysen eine schlechte Arbeitsleistung erkannt wird. Allerdings gab es schon immer Unternehmen, die auch ohne People-Analytics regelmäßig Leistungskontrollen durchführten.[97]
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 5: Einschätzung der Datensicherheit; Quelle: Feierabend, S.; Plankenhorn, T.; Rathgeb, T. (JIM-STUDIE 2015), S. 41
Solange Datenanalysen keinen Bezug zu Einzelpersonen ermöglichen, wie es bei anonymisierten, aggregierten oder in Häufigkeiten vorliegenden Informationen der Fall ist, sind die Analysen nicht datenschutzrelevant.[98] People-Analytics überzeugt dadurch, dass Datensätze anonymisiert[99] werden können, wobei die Erkenntnisse nicht an Aussagekraft verlieren, denn das Ziel von People-Analytics ist es, unabhängig von Einzelpersonen Zusammenhänge im Unternehmen zwischen Mitarbeiterthemen und anderen Unternehmensthemen besser zu verstehen sowie Trends, Muster und komplexe Wirkungszusammenhänge zu entdecken. Bei People-Analytics ist nicht das Individuum, sondern der Mitarbeiter in einer bestimmten Rolle oder Funktion von Interesse.[100] Das People-Analytics Team muss also eine ausreichend große Anzahl an Personen einbeziehen, um einen Personenbezug auszuschließen. Die Angabe ‚Führungsposition‘ könnte eine Person bereits eindeutig identifizieren. Darüber hinaus bleiben die Maßnahmen nach der Analyse auf Organisationsebene; sie betreffen nicht den einen Mitarbeiter, sondern immer eine Gruppe von Mitarbeitern.[101] Somit kann People-Analytics nicht als Überwachungsinstrument angesehen werden und der einzelne Beschäftigte wird, wie in Kapitel 2.1 bereits angedeutet, nicht zum gläsernen Mitarbeiter.
Sind die erhobenen Daten dennoch datenschutzrelevant, so benötigen People-Analytics Teams eine gesetzliche Erlaubnis oder die Einwilligung der Betroffenen, um personenbezogene Daten zu sammeln und zu verarbeiten. Diese Einwilligung muss freiwillig, informierend und jederzeit widerrufbar sein.[102] Eigentlich müsste der Mitarbeiter bei jeder Änderung des Zwecks der Datenauswertung neu einwilligen, was aber das Vertrauen der Mitarbeiter in People-Analytics negativ beeinflussen würde. Nach § 26 Abs. 1 BDSG ist die Datenverarbeitung erlaubt, wenn sie zur Erfüllung des Beschäftigungsverhältnisses dient. Dies bezieht sich auf die Personalauswahl und auf die Gestaltung und Beendigung von Arbeitsverhältnissen.[103] In diesen Fällen wäre also keine Einwilligung der Mitarbeiter notwendig. Die entsprechenden rechtlichen Rahmenbedingungen für die gesetzliche Ver-arbeitungserlaubnis ergeben sich aus dem BDSG, dem Betriebsverfassungsgesetz und den individuellen Betriebsvereinbarungen.[104]
Selbst bei vorliegender Erlaubnis, Daten zu sammeln und zu verarbeiten, sowohl durch Ein-willigung als auch durch Gesetz, gilt nach §3a BDSG das Prinzip der Datensparsamkeit, wonach so wenig personenbezogene Daten wie möglich erhoben und verarbeitet werden sollen.[105],[106] Dieser Grundsatz der Erforderlichkeit zieht sich durch das gesamte BDSG. People‑Analytics‑Projekte dürfen also nicht auf Vorrat Daten sammeln, um sie bei Bedarf auswerten zu können.
Gesundheitsdaten werden seit 2018 durch Artikel 9 (1) der EU‑DSGVO besonders geschützt. Sie gehören zu den ‚besonderen Kategorien personenbezogener Daten‘ und dürfen somit nur verarbeitet werden, wenn die betroffene Person nach Artikel 9 (2a) ein-willigt.[107] Werden also im Rahmen von People‑Analytics‑Projekten Gesundheitsdaten mit einbezogen, ist besonders auf Datenschutz und ‑sicherheit zu achten.
Werden die Daten direkt beim Mitarbeiter erhoben, so muss dieser zum Zeitpunkt der Erhebung darüber informiert werden. Bei Daten, die aus anderen Quellen ermittelt wurden, muss der Mitarbeiter innerhalb einer angemessenen Frist bis spätestens einen Monat danach darüber informiert werden, dass Daten erhoben wurden und woher diese stammen. Dies regelt die neue EU-DSGVO in Artikel 14(3).[108] Ist die Information unmöglich oder unverhältnismäßig aufwendig zu erlangen, die Erhebung gesetzlich vorgeschrieben oder bestehen Berufsgeheimnisse oder andere Geheimhaltungspflichten, kann von der Informationspflicht nach Artikel 14 (5d)[109] abgesehen werden. Diese Regelungen geben einen Einblick in die Komplexität des Datenschutzes, weshalb es für People-Analytics-Projekte immer ratsam ist, einen Datenschutzbeauftragten mit einzubeziehen.
Wird kein Datenschutzbeauftragter mit eingebunden, wie es in 83 % der Unternehmen der Fall ist,[110] müssen People-Analytics-Mitarbeiter ausreichend datenschutzrechtlich geschult werden. Zudem sind 44 % der Unternehmen noch nicht genügend auf die neue EU-DSGVO vorbereitet.[111] Laut der Unternehmensberatung Deloitte halten 84 % der befragten Unternehmen People-Analytics für wichtig bis sehr wichtig, aber nur 10 % fühlen sich der Herausforderung, speziell dem Schutz der Mitarbeiterdaten, gewachsen.[112]
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 6: Sind Unternehmen bereit für die DSGVO? Quelle: Schmalen, K., (IDC Studie 2017)
Jeder Bürger in Deutschland hat das Recht auf Transparenz, also auf Informationen darüber, wer welche Daten wofür verwendet, an wen sie weitergegeben und wie lange sie gespeichert werden.[113] Unternehmen müssen also jederzeit in der Lage sein, darüber Auskunft zu geben. Vorbildlich darin ist Google, da für Kunden regelmäßig ein ausführlicher Transparenzbericht veröffentlicht wird.[114]
95 % der Unternehmen, die sich auf der dritten und vierten Stufe des Reifegradmodells nach Bersin befinden, besitzen bereits eigene Datenschutzrichtlinien.[115] Somit kann in Unternehmen, in denen People-Analytics durchgeführt wird, entgegen der vorherrschenden Meinung von einer erhöhten Datensicherheit ausgegangen werden.
Proaktiv, also vorbeugend statt reagierend, wirkt der ‚Privacy‑by‑Design‘‑Ansatz, indem Datenschutzrechte bereits durch die Technik, d. h. durch Geräte und Anwendungen, berücksichtigt werden. Ausgehend von der Prämisse, dass Mitarbeitern ihre Privatsphäre wichtig ist, versteht sich ‚Privacy‑by‑Design‘ als Wettbewerbsvorteil. Je mehr die Persönlichkeitsrechte der Mitarbeiter respektiert werden, desto höher wird die Akzeptanz von People-Analytics sein.[116] Der rechtssichere Umgang mit den Daten wird damit attraktiver – von einer Pflicht wird dieser zum Vorteil. Mit Artikel 25 der EU-DSGVO wird dies nun zu geltendem Recht; Kommunikations- und Arbeitsgeräte werden demnach ab 2018 standardmäßig mit hoher Datenschutztechnologie ausgestattet.[117]
Neben dem BDSG und der DSGVO müssen Datenanalysten im HRM auch das Allgemeine Gleichbehandlungsgesetz (AGG) beachten, dass die Benachteiligung durch die Merkmale Rasse, Herkunft, Geschlecht, Religion, Behinderung, Alter usw. zu verhindern versucht.[118] Für People-Analytics-Projekte bedeutet dies, dass die Daten aller Mitarbeiter gleich-berechtigt, ohne das Treffen einer Vorauswahl nach diesen Merkmalen, in die Analysen einbezogen werden müssen. Abgeleitete Implikationen der Ergebnisse von Analysen müssen somit ebenfalls dem AGG entsprechen. Auch Algorithmen können gegen das AGG verstoßen und Menschen diskriminieren. So wären automatisierte Recruiting-Entschei-dungen, die nur auf Daten basieren, in Deutschland gesetzlich nicht möglich. Statistisch überrepräsentierte Bewerbergruppen würden zu diskriminierenden Best Practices führen. Der Algorithmus bevorzugt dann bestimmte Gruppen automatisch, sofern dies nicht in der Programmierung beachtet wurde.[119]
Auch wenn People‑Analytics in Deutschland nicht die gleichen Möglichkeiten wie z. B. in den USA bietet,[120] sind Datenanalysen mit Personendaten zusammen mit der Einhaltung von Datenschutzrechten möglich. Das dafür geeignete Gleichgewicht muss gefunden werden.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 7: Zusammenspiel von People-Analytics und Datenschutz; eigene Darstellung in Anlehnung an Holthaus, C.; Park, Y.; Stock-Homburg, R., (Datenschutz 2015), S. 679
Alex Pentland, Professor am Massachusetts Institute of Technology (MIT), erforscht seit Jahrzehnten, wie mit der ständig wachsenden Datenverfügbarkeit umgegangen werden soll. Nach Pentland sollen alle Menschen die Möglichkeit der vollständigen Selbstbestimmung ihrer selbst produzierten Daten erhalten. Dies fordert er im ‚New Deal on Data‘.[121] Datensammler könnten als Banken angesehen werden, in denen Daten statt Geld für die Kunden verwaltet werden. Dem Kunden gehören diese Daten, er hat jederzeit Zugriff und Kontrolle über die Nutzung der Daten. Diese Kunden sind in People-Analytics-Projekten die datenproduzierenden Mitarbeiter. Das bedeutet, dass People-Analytics vom Mitarbeiter her gedacht werden muss, d. h. nutzerzentriert. Der Nutzen des Mitarbeiters muss mindestens so wichtig sein, wie der Nutzen der Organisation. Dies ist auch eines der Ziele im ‚People-Analytics Code of Conduct‘ von Reindl und Krügl.[122] Diese als revolutionär zu bezeichnende Idee von Pentland benötigt eine globale Zusammenarbeit und internationale Gesetze. Die EU-DSGVO ist ein erster Schritt in diese Richtung.
Um gemeinsam konstruktive Lösungen zu finden und die Methoden von People-Analytics rechtssicher und zum Vorteil aller Beteiligten einsetzen zu können, ist es ratsam, dass sich auch der Betriebsrat Grundlagenwissen zu People-Analytics aneignet. Zur effektiven Zusammenarbeit sind Offenheit, Ehrlichkeit und die Einbindung der Mitarbeiter von Beginn an notwendig. Marian Konsky, beschäftigt sich durch seine Aufgaben als freigestellter Betriebsrat intensiv mit HR-Themen, so auch mit People-Analytics. Seiner Ansicht nach sollen zurückverfolgbare Daten gesetzlichen Standards entsprechen und nur zum Vorteil des Mitarbeiters eingesetzt werden. Außerdem sind Datenanalysen zur Aufdeckung von Minderleistungen und private, der Freizeitgestaltung dienende Analysen ethisch bedenklich. Diese verfehlen den Zweck und die Ziele von People-Analytics.[123]
Die Ethik wird nach Aristoteles vom griechischen Wort ethos abgeleitet, das in zwei Varianten existiert. Zum einen wird das griechische ἔθος als Gewohnheit, Sitte und Brauch übersetzt, wonach jemand ethisch handelt, wenn er sein Tun nach dem, was Sitte ist, ausrichtet und die von der Allgemeinheit anerkannten Normen befolgt. Im engeren und eigentlichen Sinn handelt derjenige ethisch, der nach Einsicht und Überlegung das notwendige Gute tut. Zum anderen wird Ethik im Griechischen als ήθος bezeichnet, wenn vom Charakter als Grundhaltung der Tugend, die Rede ist. Das lateinische Wort mos ist die Übersetzung beider griechischer Begriffe. Es bedeutet sowohl Sitte als auch Charakter. Moral ist die deutsche Herleitung von mos, was als Synonym für Sitte verwendet werden kann. Sitte und Moral sind Handlungsmuster, die normativ gelten und von der Allgemeinheit als verbindlich angesehen werden.[124]
Das Ziel der Ethik ist es also, die eigene gut begründete moralische Entscheidung treffen zu können, ohne sich diese von Autoritäten oder scheinbar kompetenteren Personen, abnehmen zu lassen.[125]
Es ist zu fragen, ob die Digitalisierung unser Verständnis von Ethik verändert? Sicher trifft dies zu, denn unsere Sitten und Gebräuche verändern sich seit jeher. Wir passen sie an unsere Lebensbedingungen an. Die seit zwanzig Jahren stattfindende digitale Weltvernetzung gilt als neue globale, anthropologische und kulturelle Revolution.[126]
Die Digitalisierung verändert die Welt und wird dies in Zukunft weiterhin tun, womöglich noch radikaler als zuvor. Einst Undenkbares ist heute Realität und selbstverständlich. Datenanalysen-Ethik und Integrität im Handeln bieten Orientierungen und sind heutzutage eine Notwendigkeit. Der Nutzen aller Beteiligten sowie der Respekt gegenüber personenbezogenen Daten muss im Unternehmen gelebt werden, statt diese nur als Marketingaktion zu nutzen.[127]
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 8: Moral und Sitte; eigene Darstellung in Anlehnung an Pieper, A., (Einführung in die Ethik 2017), S. 23
Die ethische Reflexion erfolgt immer ex ante; es werden also zukünftige oder zukünftig relevante Grenzen betrachtet. Ex-ante-Grenzen werden als Modalitäten formuliert:
1. Praktische Modalität: Grenzen können nicht überschritten werden.
2. Deontische Modalität: Grenzen sollen oder dürfen nicht überschritten werden.
3. Ontische Modalität: Grenzen werden nicht überschritten.[128]
Eine weitere Unterscheidung ist die nach deskriptiver und normativer Ethik. Die deskriptive Ethik beschreibt Normensysteme, ohne sie zu bewerten. Die normative Ethik bezieht Stellung und deklariert Handlungen als moralisch gut oder schlecht.[129] In dieser Arbeit wird der Bezug zu People-Analytics normativ betrachtet. Ethik wird demnach als die Analyse menschlicher Handlungen mit der Bewertung als ‚gut‘ und ‚böse‘ bzw. moralisch richtig oder falsch definiert. Die ethische Grenze von People-Analytics ist also die Trennlinie, die das Gute bzw. moralisch Richtige vom Bösen bzw. moralisch Falschen trennt.
Verhaltensrichtlinien bzw. –kodexe wie der ‚Code of Conduct‘ von Reindl und Krügl versuchen, das ethische Verhalten zu steuern bzw. zu beeinflussen. Sie tragen also dazu bei, People-Analytics ethisch vertretbar zu machen. Ein ‚Code of Conduct‘ beinhaltet ein Regelwerk, indem das gewünschte Verhalten sowohl für die eigenen Mitarbeiter als auch für externe Personen verbindlich formuliert wird.
Der ‚People-Analytics Code of Conduct – Leitlinien für datengestützte Mitarbeiterführung und Personalmanagement mit People-Analytics‘ ist ein Leitfaden, in dem in alle Richtungen diskutiert wird. Er entstand aus der Zusammenarbeit von openBit e. V. und der Deutschen Gesellschaft für Personalführung e. V., wonach Unternehmen, die People-Analytics nutzen, sich selbst verpflichten können, drei Kernpunkten zu folgen. Dies sind der legale und ethisch vertretbare, professionelle Umgang mit personenbezogenen Mitarbeiterdaten, die Zielsetzung, gleichermaßen einen Mehrwert für Mitarbeiter und Unternehmen zu erzielen, und die Befolgung der Leitlinien für Entscheidungen der Organisation und der zuständigen Mitbestimmungsgremien bezüglich der Nutzung von People-Analytics.[130]
2.3.2 Der Einsatz im Recruiting
Recruiting bzw. das Recruitment ist der Prozess, um das Personal in erforderlicher Anzahl und Qualifikation zum notwendigen Zeitpunkt am Einsatzort verfügbar zu machen. Recruiting oder Recruitment sind Synonyme für Personalbeschaffung oder Mitarbeiter-akquisition. Im Vergleich zum Personaleinsatz ist die Personalbeschaffung auf freie Stellen, sogenannte Vakanzen, ausgerichtet.[131] Im Wesentlichen befasst sich das Recruiting mit der Suche nach geeigneten Bewerbern. Je nach Autor endet der Prozess beim Erhalt von qualifizierten Bewerbungen zu einer ausgeschriebenen Stelle oder erst nach der Personalauswahl.[132] Der Terminus ‚Rekrutierung‘ bzw. ‚recruiting‘ ist mit der Personalbeschaffung im engeren Sinn, der nach Erhalt der Bewerbungen endet, vergleichbar. Nach Berthel und Becker ist Recruiting eine von vier Teilaufgaben bzw. ‑phasen der Personalbedarfsdeckung.[133] Abbildung 9 veranschaulicht deren Bestandteile.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 9: Personalbedarfsdeckungskette; eigene Darstellung in Anlehnung an Berthel, J.; Becker, F. G., (Personal-Management 2013), S. 320
Unterscheidet man HR‑Prozesse in Führungs-, Kern‑ und Unterstützungsprozesse so stellt die Personalrekrutierung die erste einer Reihe von Kernprozessen dar. Wie die Kernprozesse Personalbeurteilung und ‑entwicklung ist auch die Rekrutierung internetbasierend bzw. als Cloud-Lösung möglich. Das Recruiting profitierte als Erstes von der Internet-Technologie und wird in diesem Kontext als e-Recruiting bezeichnet.[134] Der ‚War for Talents‘, der unter anderem durch den demografischen Wandel verursacht wird, treibt HR weiter in die Digitalisierung.[135] Fehlende hochqualifizierte Mitarbeiter werden benötigt[136] und das Personalmanagement muss neuen Anforderungen gerecht werden, um digitale Kompetenzen entwickeln zu können.[137]
Aufgrund der hohen Kosten von Recruiting‑Aktivitäten und des Einsparpotenzials durch People-Analytics kann es sinnvoll sein, sich mit Datenanalysen für die Beschaffung neuen Personals zu beschäftigen.
Anhand eines Praxisbeispiels soll der Einsatz von People‑Analytics im Recruiting demonstriert werden. Schnell wachsende Unternehmen, wie das einstmalige Startup Goodgame Studios, rekrutieren eine hohe Anzahl von Mitarbeitern, die nicht selten in dreistelligen Bereichen liegen. Monatlich mussten ca. 5.000 Bewerbungen bearbeitet werden. Die Kosten für die Personalbeschaffungen wuchsen immens, da pro Einstellung Kosten von bis zu 40 % des Jahreseinkommens anfallen. In diesem Fall werden die Rekrutierungskosten auf ca. 15 Millionen Euro pro Jahr geschätzt. Das Recruiting musste also effizienter gestaltet werden. Es galt herauszufinden, welcher Recruiting-Kanal die besten Mitarbeiter zu den geringsten Kosten und dem geringsten Aufwand hervorbringt. Zuerst wurde dokumentiert, über welchen Kanal die Bewerber auf das Unternehmen aufmerksam wurden. Jeder Recruiter nutzte dafür seine selbst gestaltete Excel-Tabelle, was die Auswertung erschwerte. Erst nach persönlichen Gesprächen mit den Recruitern konnte die Situation verbessert werden. Kommunikation ist also ein wichtiger Bestandteil von People-Analytics. Zusätzlich wurde ein Tracking‑System, bestehend aus Google Analytics und eigenen weiterführenden Tracking‑Codes eingesetzt, um genaue (95 %) Erkenntnisse über die Herkunft der Bewerber zu erhalten, die zur Bewerbungswebsite gelangten. In diesem Fall konnte ‚Stepstone‘ als Hauptquelle der Bewerber ausfindig gemacht werden, womit im nächsten Schritt Aussagen zu den Kosten pro Einstellung (Cost per Hire), pro Job und pro Kanal gemacht werden konnten. In einem Dashboard mit Tools, die u. a. mit eigenen Algorithmen entwickelt wurden, konnte ersichtlich gemacht werden, welcher Kanal welche Zielgruppe und zusätzlich, welcher Kanal welche Zielgruppe zu den geringsten Kosten erreicht.[138] Somit konnte sowohl die Effektivität als auch die Effizienz gesteigert werden. Dieses Beispiel zeigt, wie einfache Datenanalysen zum besseren Verständnis von Zusammenhängen beitragen können.
[...]
[1] Vgl. Schoeneberg, K.; Pein, J., (Entscheidungsfindung mit Big Data 2014), S. 309 ff.
[2] Vgl. Schrage, M., (Big-Data 2016).
[3] Vgl. Madsen, D.; Slåtten, K., (Rise of HR Analytics 2017), S. 148 f.
[4] Vgl. Hermanns, F., (Slogans und Schlagwörter 2007), S. 472.
[5] Die Entwicklung wird in Beziehung zur Zeit beschrieben.
[6] Vgl. Oechsler, W. A., (Personal und Arbeit 2011), S. 21 ff.
[7] Vgl. Gmür, M.; Thommen, J. P., (Human-Resource-Management 2006), S. 16 ff.
[8] Vgl. Ringlstetter, M.; Kaiser, S., (Humanressourcen-Management 2008), S. 69 ff.
[9] Vgl. Rowold, J., (Human Resource Management 2015), S. VII.
[10] Arentzen, U.; Winter, E., (Wirtschafts Lexikon 1997), S. 2962.
[11] Vgl. Scherm, E.; Süß, S., (Personalmanagement 2016), S. 3.
[12] Aus Gründen der besseren Lesbarkeit wird nur die männliche Form verwendet, die weibliche Form ist dabei jeweils mit eingeschlossen.
[13] Vgl. Reindl, C.; Krügl, S., (People Analytics in der Praxis 2017), S. 16.
[14] Vgl. Waxer, C., (Introduction 2013).
[15] Vgl. Fitz-Enz, J., (The new HR analytics 2010), S. xi.
[16] Vgl. ebd., S. 4.
[17] Vgl. Bhattacharyya, D. K., (HR analytics 2017), S. 39.
[18] Descriptive analytics (beschreibende Analytik), diagnostic analytics (diagnostische Analytik), predictive analytics (voraussagende Analytik), prescriptive analytics (vorschreibende Analytik).
[19] Vgl. van Barneveld, A.; Arnold, K. E.; Campbell, J. P., (Analytics 2012), S. 2.
[20] Vgl. Armutat, S., (Steuerungsimpulse 2014), S. 18 ff.
[21] Vgl. Neuner, R.; Neuner, S., (Routinedaten 2014), S. 38 ff.
[22] Vgl. Smith, T., (HR analytics 2017), S. 10 ff.
[23] Vgl. Hafen, T., (Predictive Analytics 2016).
[24] Vgl. Bari, A.; Chaouchi, M.; Jung, K., (Predictive analytics 2014), S. 1.
[25] Vgl. Reindl, C.; Krügl, S., (People Analytics in der Praxis 2017) S. 15.
[26] Aktuell schreibt West an seinem Buch ‚ People Analytics for dummies ‘, welches am 12. September 2018 im Wiley Verlag veröffentlicht wird.
[27] Vgl. West, M., (What is People Analytics? 2015).
[28] Ebd.
[29] Vgl. van den Heuvel, S.; Bondarouk, T., (The rise 2017), S. 4 f.
[30] Vgl. Bassi, L. J.; Carpenter, R.; McMurrer, D., (handbook 2010), S. 11, 13 f.
[31] Vgl. Bassi, L. J., (Raging debates 2011), S. 14 ff.
[32] Vgl. Pfeffer, J.; Sutton, R., (Hard facts 2006), S. 12 f.
[33] Vgl. Brodbeck, F. C., (Evidenzbasiertes (Veränderungs-) Management 2008), S. 4.
[34] Vom lateinischen elaborare (sorgfältig). Sorgfältig ausgearbeitet.
[35] Vgl. Rynes, S.; Bartunek, J., (Evidence-Based Management 2017), S. 235 ff.
[36] Vgl. Sumser, J., (People Analytics is not HR Analytics 2017).
[37] Vgl. Carty, M., (People analytics vs HR analytics 2017).
[38] Vgl. Bersin, J., (Geeks 2015).
[39] Vgl. ebd.
[40] Vgl. Werther, S.; Bruckner, L., (Arbeit 4.0 aktiv gestalten 2018), S. 2 ff.
[41] Vgl. Bange, C.; Grosser, T.; Janoschek, N., (Use Cases 2015), S. 12.
[42] Ebd., S. 9.
[43] Zur DACH Region gehören Deutschland, Österreich und Schweiz.
[44] Vgl. Gronau, N., (Wettbewerbsfaktor Analytics 2012).
[45] Vgl. Bachmann, R.; Kemper, G.; Gerzer, T., (Fluch oder Segen? 2014), S. 48.
[46] Vgl. Strohmeier, S., (Analysen 2015), S. 3.
[47] Vgl. Gluchowski, P., (Business Analytics 2016), S. 273 ff.
[48] Rauschen ist ein Gemisch von wichtigen und unwichtigen Informationen.
[49] Vgl. Leipert, R., (Business Intelligence 2018).
[50] Vgl. Schneck, O. et al., (Lexikon 2015), S. 168 f.
[51] Vgl. Bachmann, R.; Kemper, G., (BI-Falle 2011), S. 21.
[52] Vgl. Chen, H.; Chiang, R.; Storey, V. C., (Business Intelligence and Analytics 2012), S. 1165.
[53] Sattelberger, T., (Kompetenz 2015).
[54] Vgl. Heuer, K.;Koch, J., (Diskussionsimpuls 2018), S. 40 f.
[55] Reindl, C.; Krügl, S., (People Analytics in der Praxis 2017) S. 13.
[56] Vgl. ebd., S. 29.
[57] Vgl. Brynjolfsson, E.; Hitt, L.;Hellen-Kim, H., (Strength 2011).
[58] Vgl. Tingling, P.; Brydon, M., (Decision-Based Evidence 2010), S. 71 ff.
[59] Vgl. Manyika, J. et al., (Big data 2011).
[60] Vgl. Provost, F.; Fawcett, T., (Data Science 2013), S. 53.
[61] Vgl. Martin, R. L., (M&A 2016), S. 42 f.
[62] Mergers & Acquisitions bezeichnen Unternehmenstransaktionen wie Fusionen oder Käufe.
[63] Vgl. Pfeffer, J.; Sutton, R., (Harte Fakten 2007), S. 20 f.
[64] Vgl. Cisco Systems, (Cisco)
[65] Vgl. Grove, A., (Prostate Cancer 1996), S. 54 ff.
[66] Vgl. Reindl, C.; Krügl, S., (People Analytics in der Praxis 2017) S. 13.
[67] Vgl. Phang, V., (Why People Analytics Is Key 2016).
[68] Vgl. Bachmann, R.; Kemper, G.; Gerzer, T., (Fluch oder Segen? 2014), S. 162.
[69] Vgl. Cleve, J.; Lämmel, U., (Data mining 2016), S. 2.
[70] Glaßl, H., (Datenschätze)
[71] Vgl. Fayyad, U. M.; Piatetsky-Shapiro, G.; Smyth, P., (From Data Mining 1996), S. 1 ff.
[72] Vgl. Chamoni, P., (Data Mining 2016).
[73] Vgl. Bersin, J., (Industry Study 2017), S. 45.
[74] Vgl. Reindl, C.; Krügl, S., (People Analytics in der Praxis 2017) S. 35.
[75] Vgl. Bersin, J., (Industry Study 2017), S. 65.
[76] Vgl. Isson, J. P.; Harriott, J., (People analytics in the era of big data 2016), S. 78 ff.
[77] Vgl. ebd.
[78] Vgl. Lawler, E. E.; Levenson, A.; Boudreau, J. W., (HR metrics 2004), S. 30.
[79] Nicht greifbare Faktoren.
[80] Vgl. Reindl, C., (Datengestützte Mitarbeiterführung 2016), S. 193-194.
[81] Vgl. Lawler, E. E.; Mohrman, S. A., (HR as a strategic partner 2003), S. 15.
[82] Vgl. Momin, W.; Mishra, K., (Strategic Workforce Planning 2015), S. 259.
[83] Vgl. Fecheyr-Lippens, B.; Schaninger, B.; Tanner, K., (new people analytics 2015), S. 2.
[84] Vgl. Büst, R., (Daten sind das neue Öl 2013), S. 40 ff.
[85] Vgl. Nussbaum, B., (Das Ende unserer Zukunft 1984), S. 179.
[86] Vgl. Grunwald, A., (Ethische Grenzen 1999), S. 221 f.
[87] Vgl. Reindl, C.; Krügl, S., (People Analytics in der Praxis 2017) S. 71.
[88] Vgl. Otto, P.; Gräf, E., (3TH1CS 2017), S. 6 ff.
[89] Vgl. Reindl, C.; Krügl, S., (People Analytics in der Praxis 2017) S. 66.
[90] Vgl. Feierabend, S.; Plankenhorn, T.; Rathgeb, T., (JIM-STUDIE 2015), S. 41.
[91] Vgl. Creditreform Boniversum GmbH, (Datensicherheit im Internet 2018), S. 3.
[92] Vgl. Otto, P.; Gräf, E., (3TH1CS 2017), S. 186.
[93] Ebd., S. 186 f.
[94] Personenbezogene Daten sind Informationen, die eine Person eindeutig identifizieren.
[95] Vgl. Otto, P.; Gräf, E., (3TH1CS 2017), S. 187.
[96] Vgl. ebd., S. 6.
[97] Vgl. Reindl, C.; Krügl, S., (People Analytics in der Praxis 2017) S. 72.
[98] Vgl. Gola, P., (Datenschutzrechtliche Grenzziehungen 2015), S. 127 ff.
[99] Es ist darauf zu achten, dass die Datensätze bis zur Anonymisierung durch einen unterwiesenen Fachmann datenschutzkonform behandelt wird.
[100] Vgl. Reindl, C.; Krügl, S., (People Analytics in der Praxis 2017) S. 73 f.
[101] Ebda.
[102] Vgl. Reindl, C.; Krügl, S., (People Analytics in der Praxis 2017) S. 83.
[103] Vgl. §26 BDSG.
[104] Vgl. Reindl, C.; Krügl, S., (People Analytics in der Praxis 2017) S. 84.
[105] Vgl. §3a BDSG.
[106] Vgl. Deutscher Bundestag, (Artikel 5 DSGVO 2018a).
[107] Vgl. Deutscher Bundestag, (Artikel 9 DSGVO 2018b).
[108] Vgl. Deutscher Bundestag, (Artikel 14 DSGVO 2018c).
[109] Vgl. ebd.
[110] Vgl. Schmalen, K., (IDC Studie 2017).
[111] Vgl. ebd.
[112] Vgl. Agarwal, D. et al., (rise of the social enterprise 2018).
[113] Vgl. §34 BDSG.
[114] Vgl. Google LLC, (Transparenzbericht).
[115] Vgl. Agarwal, D. et al., (rise of the social enterprise 2018).
[116] Vgl. Reindl, C.; Krügl, S., (People Analytics in der Praxis 2017) S. 86 f.
[117] Vgl. Deutscher Bundestag, (Artikel 25 DSGVO 2018d).
[118] Vgl. Deutscher Bundestag, (§1 AGG).
[119] Vgl. Hoffmann-Remy, T., (Recruiting 4.0 2016).
[120] Länder wie die USA besitzen weniger strenge Datenschutz-Gesetze als Deutschland.
[121] Vgl. Greenwood, D. et al., (New Deal on Data 2014), S. 192 ff.
[122] Vgl. Reindl, C.; Krügl, S., (People Analytics in der Praxis 2017) S. 101 f.
[123] Vgl. Reindl, C.; Krügl, S., (People Analytics in der Praxis 2017) S. 92 f.
[124] Vgl. Pieper, A., (Einführung in die Ethik 2017), S. 22 f.
[125] Vgl. ebd., S. 13.
[126] Vgl. Otto, P.; Gräf, E., (3TH1CS 2017), S. 10 f.
[127] Vgl. Wenig, S., (Datenanalysen 2015).
[128] Vgl. Grunwald, A., (Ethische Grenzen 1999), S. 222.
[129] Vgl. Homann, K.; Lütge, C., (Einführung in die Wirtschaftsethik 2013), S. 12.
[130] Vgl. Reindl, C.; Krügl, S., (People Analytics in der Praxis 2017) S. 101 f.
[131] Vgl. Bröckermann, R., (Personalwirtschaft 2016), S. 29.
[132] Vgl. Berthel, J.; Becker, F. G., (Personal-Management 2013), S. 320.
[133] Vgl. ebd.
[134] Vgl. Bartscher, T.; Nissen, R., (Personalmanagement 2017), S. 310.
[135] Vgl. Brussig, M., (Demografischer Wandel 2015), S. 296.
[136] Vgl. Isik, Ö.; Mertens, W.; van den Bergh, J., (Quantitative insights 2013), S. 515.
[137] Vgl. Ziebell, R. C. et al., (HR-Cloud 2016), S. 803.
[138] Vgl. Reindl, C.; Krügl, S., (People Analytics in der Praxis 2017) S. 197.
-
-
-
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X.