People Analytics: Versprechen und Forschungsrealität – Wie der Einsatz gelingen kann
von Vincent Zipper (HPSTS – Human Performance in Sociotechnical Systems, Technische Universität Dresden)
Die rasante technologische Entwicklung in allen Bereichen hat dazu geführt, dass die Nutzung von Big Data und Analysen für viele Unternehmen immer wichtiger werden. Unternehmen, die datengestützte Entscheidungsfindung nutzen, sind laut einer Studie 5% produktiver und 6% profitabler sind als ihre Wettbewerber (McAfee & Brynjolfsson, 2012). Viele Unternehmen haben sich lange Zeit auf die Intuition und Erfahrung ihrer Manager verlassen, um Entscheidungen zu treffen. Das heutige Geschäftsumfeld ist aber zu komplex und unvorhersehbar, um sich ausschließlich auf solch subjektives Wissen zu verlassen. People Analytics versprechen, Daten über Mitarbeitende und ihr Verhalten zu nutzen, um bessere Entscheidungen treffen zu können, das Arbeitsumfeld zu verbessern und die Gesamtleistung von Unternehmen zu steigern. Aktuelle Forschung zeigt jedoch, dass die Auswahl geeigneter Daten und Analysen und die Ableitung und Umsetzung von Maßnahmen keinesfalls trivial sind und viele unterschiedliche Akteur:innen zur erfolgreichen Nutzung von People Analytics ins Boot geholt werden müssen. Daraus lassen sich zwei Hauptfragestellungen ableiten: 1) Wie ist die aktuelle Situation in Bezug auf den Einsatz von People Analytics und 2) Wie kann der Einsatz von People Analytics gelingen.
Aufgerüstete ID-Badges und Gespräche in der Mittagspause
Menschen sind unterschiedlich erfolgreich in ihrem Job. Dieser Aussage werden wohl die allermeisten Menschen zustimmen. Warum das so ist, welche Eigenschaften und Verhaltensweisen zu mehr Erfolg führen und wie das Management gute Unternehmensentscheidungen treffen kann, darüber gibt es viele Theorien und Interventionsansätze. Der Trend der People Analytics verspricht, mithilfe empirisch gewonnener Belegschaftsdaten eine bessere Entscheidungsgrundlage zu liefern, indem sie Menschen genauso „lesbar“ machen, als würde man eine Statistik betrachten. Der Anbieter von People Analytics Software Humanyze schreibt auf seiner Website: „Humanyze deckt die größten Schwachstellen Ihrer Mitarbeiter auf, um die Mitarbeiterbindung und die Unternehmensleistung mit wissenschaftlich fundierten Einblicken in die Mitarbeiter für CEOs, Management und Datenanalysten zu verbessern.“ (https://humanyze.com/de/). Humanyze stattet dafür unter anderem ID-Badges mit zusätzlichen Sensoren aus, um die Bewegungsmuster von Mitarbeitenden zu analysieren. Außerdem ist ein Mikrofon verbaut. Das Unternehmen verspricht, dass Gesprächsinhalte nicht aufgezeichnet werden, sondern mittels Sprachanalyse in Echtzeit herauszufinden, wie viel Mitarbeitende reden, wie oft sie unterbrechen, wie laut sie sprechen und, – in Abhängigkeit von Veränderungen im Tonfall – ob sie gestresst sind (Kane, 2015). Bei einer Untersuchung von Call Center Mitarbeitenden fand das Unternehmen so heraus, dass die Produktivität der Mitarbeitenden (erfasst über die durchschnittliche Länge eines Anrufs) sich nicht nur dadurch vorhersagen lies, wie sie mit den
Kund:innen sprachen – sondern vor allem dadurch, wie sie mit ihren Kolleg:innen sprachen. Mitarbeitende, die außerhalb der Anrufe eher mit den immer selben Kolleg:innen sprachen, also als zusammenhängende Gruppe betrachtet werden konnten, erledigten die Anrufe in der Hälfte der Zeit verglichen mit ihren Kolleg:innen aus Gruppen mit eher geringem Zusammenhalt (Kane, 2015). Eine genauere Betrachtung der Daten offenbarte, dass 80% der Interaktionen der Kolleg:innen untereinander in der Zeit passierten, in denen sich ihre Mittagspause überlappte. In den Callcentern hatten die Mitarbeitenden für gewöhnlich zu unterschiedlichen Zeiten Pausen. Davon ausgehend wurde folgende Intervention durchgeführt: Die Hälfte der Teams der Belegschaft (je ca. 20 Mitarbeitende) verbrachte ihre Pause nun gemeinsam. Für die andere Hälfte änderte sich nichts. Nach 3 Monaten zeigte die Interventionsgruppe laut Humanyze ein um 18% gesteigertes Zusammengehörigkeitsgefühl und eine Stressreduktion von 19% (erfasst über Fragebögen). Das Ergebnis überrascht nicht, wenn man bedenkt, dass sich die Kolleg:innen in den Pausen nach der Intervention gegenseitig unterstützen können und ein Gefühl der Gemeinschaft entsteht. Darüber hinaus steig aber auch die Produktivität in der Interventionsgruppe um ganze 23%, während es in der Gruppe mit unterschiedlichen Pausenzeiten keine Veränderungen gab (Kane, 2015).
Begriffsverwirrungen und offene Fragen
Diese beispielhaften, großen Effekte sprechen zunächst einmal für den Einsatz von People Analytics. Gleichzeitig wirft das Beispiel schon einige Fragen auf, die man sich vor dem Einsatz von People Analytics stellen sollte. Wie genau werden welche Daten erfasst und gespeichert? Welche Analysen werden durchgeführt? Wer analysiert die Daten? Wer hat außerdem noch Zugriff? Und wie groß sind die Effekte wirklich? Die Daten aus dem Beispiel von Humanyze sind z.B. nicht öffentlich einsehbar. In einem systematischen Literaturreview von 46 peerreviewten Artikeln identifizierten McCartney und Fu (2022) Hauptthemen, auf die sich aktuelle Debatten zu People Analytics konzentrieren: die uneinheitliche Verwendung des Begriffs, fehlende empirische Belege für die Auswirkungen von People Analytics auf die Leistung, fehlendes Knowhow zur Durchführung und ethische und datenschutzrechtliche Bedenken.
Was genau unter People Analytics verstanden wird, ist nicht klar definiert. Unterschiedliche Akteure, Forschende und Praktiker:innen, nutzen Begriffe, die sich zum Teil deutlich unterscheiden, um das Konzept People Analytics zu beschreiben. Dazu zählen unter anderem Workforce Analytics, HR Metrics, HR Analytics oder Talent Analytics (Huselid, 2018). Die Beschreibungen reichen von People Analytics als durch Informationstechnologie ermöglichte HR-Praxis, die deskriptive, visuelle und statistische Analysen von Daten in Bezug auf HR-Prozesse, Humankapital, organisatorische Leistung und externe wirtschaftliche Benchmarks verwendet, um geschäftliche Auswirkungen zu ermitteln und datengesteuerte Entscheidungsfindung zu ermöglichen (Marler & Boudreau, 2017) zu People Analytics als Prozess, der mit dem Verständnis, der Qualifizierung, dem Management und der Verbesserung der Rolle von Talenten bei der Umsetzung der Strategie und der Wertschöpfung verbunden ist (Huselid, 2018; McCartney & Fu, 2022). Die uneinheitliche Nutzung des Begriffs spielt eine Rolle im Spannungsfeld zwischen Forschung und Praxis und erschwert die empirische Untersuchung der Auswirkungen von People Analytics. Während Praktiker:innen an die Wirksamkeit von People Analytics glauben, sind für Forschende noch viele Fragen offen. Rasmussen und Ulrich (2015) kommen zu dem Schluss, dass die bisher veröffentlichten Belege für den Wert von People Analytics dürftig sind und sie eher auf Überzeugungen von Berater:innen mit kommerziellen Interessen beruhen, während Unternehmen nur selten die gleichen Erfolgsgeschichten über die Auswirkungen auf das Geschäft erzählen (McCartney & Fu, 2022). Nur wenige Unternehmen besitzen bisher die Strukturen, technische Ausstattung und das Wissen, das notwendig ist, um den Einfluss von People Analytics zu evaluieren (Huselid, 2018; Marler & Boudreau, 2017; McCartney & Fu, 2022; Rasmussen & Ulrich, 2015). Wenn Daten vorliegen, sind diese nicht selten an verschiedenen Stellen im Unternehmen gespeichert, unvollständig oder nicht ausreichend aufbereitet, um mit ihnen sinnvoll arbeiten zu können (McCartney & Fu, 2022). Fernandez und Gallardo-Gallardo (2021) stellen fest, dass die Entwickler von Software für People Analytics die kontextspezifische Kausalität innerhalb der unterschiedlichen Organisation nicht verstehen und dass die Manager nicht über das Wissen und die Fähigkeiten verfügen, ihr Umfeld an das in der Software vorgeschlagene Standardmodell anzupassen (McCartney & Fu, 2022). Das Nutzen von personenbeziehbaren Daten stellt dabei eine besondere Herausforderung dar. Egal ob Social Media Daten, Bewegungsdaten, Email-Daten, aufgenommene Sprache oder Daten von Wearables, der zunehmende Einsatz von KI ermöglicht den Unternehmen, Erkenntnisse über die persönlichen Ansichten, Gefühle und Verhaltensweisen der Belegschaft zu gewinnen (McCartney & Fu, 2022). Daher ist von den Unternehmen der Datenschutz und die Sicherheit von Mitarbeitendendaten zu gewährleisten und gleichzeitig die ethische Verwendung und Analyse der Daten zu steuern – besonders wenn es sich um Daten handelt, die das Privatleben betreffen.
Chancen nutzen, Risiken minimieren
Peeters et al. (2020) untersuchten, welche Schlüsselkomponenten dafür sorgen, dass People-Analytics Teams und die von ihnen produzierten Outputs positiv zur Unternehmensleistung beitragen. Ihre Ergebnisse stellen die Autor:innen in Form eines Frameworks, dem People Analytics Effectiveness Wheel (PAEW), dar. Das PAEW identifiziert 4 Bereiche, deren Abdeckung notwendig erscheint, um die Entscheidungsfindung zu verbessern: Enablers (Befähiger:innen), Deliveries (Produkte), Stakeholder Management und Governance (Führungs-/Steuerungsstrukturen).
Die Unterstützung durch das Top Management ist eine der wichtigsten Voraussetzungen für den Erfolg eines Analyseteams. Die oberste Führungsebene ist in der Lage, dem Team sowohl finanzielle Mittel als auch politische Unterstützung zukommen zu lassen. Finanzielle Ressourcen kann das Team in die erforderliche Ausrüstung, IT-Infrastruktur und Mitarbeitende investieren. Mit der politischen Unterstützung sendet die Unternehmensleitung Signale an andere Interessengruppen, dass die Analytik wichtig ist und dass datengesteuerte Entscheidungen die Zukunft sind (Peeters et al., 2020). Auf dieser Grundlage kann die notwendige Dateninfrastruktur geschaffen werden, allen voran moderne, einheitliche, vollständige und mit aktuellen aufbereiteten Daten gefüllte Datenbanken. Auch die Eigenschaften der Teammitglieder nehmen eine wichtige Rolle ein, bezeichnet werden sie als relevante Kenntnisse, Fertigkeiten, Fähigkeiten und andere Merkmale (knowledge, skills, ability und other characteristics, KSAOs). Starke HRM- oder psychologische und statistische Fähigkeiten führen zu den effektivsten Teams, Storytelling, Visualisierungsfähigkeiten, Geschäftssinn und starke Kompetenzen im Datenmanagement gelten ebenso als unverzichtbare Voraussetzungen für People-Analytics-Teams. Fähigkeiten im Change Management und Stakeholder Management tragen zur Effektivität des Teams bei (Peeters et al., 2020).
Das PAEW empfiehlt 3 Produkte, die aus einem Analyseteam entstehen sollten. Im Bereich des Monitorings von Mitarbeitenden können z.B. grundlegende deskriptive Daten, wie die Anzahl der Vollzeitbeschäftigten und Abwesenheitsquoten gesammelt und mit Umfragedaten und Benchmarking Informationen verknüpft in Dashboards oder Scorecards dargestellt werden, um so die Identifikation von Problemen zu erleichtern und Entscheidungsträger:innen zu aktivieren. Ausgehend von den Analyseteams kann die eigene Organisation beforscht werden, um durch Studien und Experimente kontextspezifische, für die Organisation wesentliche Erkenntnisse zu gewinnen, etwa zu Prädiktoren von Teamzufriedenheit, Arbeitsleistung und Zusammenarbeit (Peeters et al., 2020). Daraus können zum Beispiel relevante KSAOs für das Recruiting abgeleitet, Vorhersagen über die Entwicklung von Bewerber:innen und Mitarbeitenden getroffen oder präskriptiv Entscheidungen empfohlen werden. Das Ziel ist dabei das gleiche: die Abkehr von subjektiven Entscheidungen und die Etablierung einer evidenzbasierten Organisationskultur.
Auch wenn (oder gerade weil) sich HR-Experten mitunter nicht von Daten angezogen fühlen und möglicherweise unsicher sind, wie sie diese nutzen sollen (Marler & Boudreau, 2017; Peeters et al., 2020; Rasmussen & Ulrich, 2015), sollten diese beim Stakeholdermanagement an der Umsetzung von People Analytics beteiligt werden und diesbezüglich weitergebildet werden. Dabei kann es helfen, Erfolgsbeispiele zu teilen und sich auf die Themen zu konzentrieren, die für HR-Experten tatsächlich relevant sind. Dazu gehört, HR-Experten und Kennzahlen im Zusammenhang mit Geschäftsfragen und Leistung zu analysieren und sicherzustellen, dass HR-Experten von Anfang an Teil des Analyseprozesses werden (Peeters et al., 2020). Gleiches gilt für das Management, das für die strategische Zielsetzung und letztlich für die Umsetzung abgeleiteter Maßnahmen verantwortlich ist. Die Erkenntnisse und Empfehlungen eines People-Analytics-Teams haben nicht zuletzt einen erheblichen Einfluss auf die Mitarbeitenden. Unternehmen müssen sich ihrer rechtlichen und ethischen Verantwortung gegenüber den Mitarbeitenden bewusst sein und sicherstellen, dass die Forschung sowohl dem Unternehmen als auch den Mitarbeitenden zugutekommt. Projekte mit potenziell positiven oder negativen Auswirkungen auf bestimmte Mitarbeitergruppen sollten mit Bedacht angegangen werden, um das Gefühl der ungerechten Behandlung oder Bevorzugung zu vermeiden. Der Datenschutz ist von entscheidender Bedeutung und der Widerstand gegen die gemeinsame Nutzung von Daten kann die Analysebemühungen untergraben. Um dies abzumildern sollte die Datennutzung transparent gemacht, Feedback der Mitarbeitenden eingeholt und die Vorteile von Analyseprojekten aufgezeigt werden, um die gemeinsame Nutzung von Daten in Zukunft zu fördern und Bedenken entgegenzuwirken (Guenole et al., 2017; Peeters et al., 2020).
Dafür sind Governance-Strukturen, Prozeduren und Regeln notwendig, die festschreiben, wie mit den Daten verfahren wird und dabei lokale gesetzliche Regelungen einhalten werden hinsichtlich Anonymisierung, Speicherdauer, Speicherort, Datensicherheit, Datenzugang, Datenformat und Datenpflege (z.B. DSGVO; Guenole et al., 2017; Peeters et al., 2020). Ethische Überlegungen sind für Analyseteams noch wichtiger sind als die bloße Einhaltung von Rechts- und Datenschutzstandards, insbesondere beim Umgang mit Big Data und Vorhersagemodellen, die zu Verzerrungen und sich selbst erfüllenden Prophezeiungen führen können. Die Möglichkeit, Daten zu analysieren, muss dies nicht immer rechtfertigen, z. B. in Fällen, in denen durch die Analyse von Gesundheitsdaten das Verhalten von Mitarbeitenden beeinflusst und in eine „bessere“ Richtung gesteuert werden soll (Peeters et al., 2020).
Die effektive Steuerung eines People-Analytics-Teams erfordert eine sorgfältige Betrachtung seiner Struktur. Organisatorisch gibt es zwei Hauptperspektiven: die Integration von People Analytics in die HR-Abteilung als Kompetenzzentrum, um HR-spezifisches Fachwissen zu nutzen und eine enge Zusammenarbeit zu erleichtern, oder die Positionierung neben anderen Analyseteams, um von gemeinsamem Fachwissen und Datenintegration zu profitieren. Unabhängig von der Anordnung wird empfohlen, dass die Leitung des Teams direkt an das Senior Management berichtet, um die Ausrichtung an den Prioritäten des Unternehmens und den Zugang zu den erforderlichen Ressourcen sicherzustellen. Intern sollte ein People-Analytics-Team verschiedene Fähigkeiten umfassen und kann von einer Aufteilung in spezialisierte Unterteams profitieren, z. B. in die Bereiche Reporting und Analyse. Die Aufrechterhaltung einer engen Zusammenarbeit zwischen diesen Unterteams innerhalb des Unternehmens ist jedoch für einen effektiven Datenzugriff, die Koordination und die Maximierung des Gesamtwerts von Analyseinitiativen unerlässlich (Guenole et al., 2017; Peeters et al., 2020; Rasmussen & Ulrich, 2015).
Die Akzeptanz eines People-Analytics-Teams hängt vom Aufbau nachhaltiger und vertrauenswürdiger Beziehungen zu internen und externen Interessengruppen ab. Für die externe Legitimität muss das Team effektiv mit Gewerkschaften und Arbeitnehmervertretungen zusammenarbeiten, um das Vertrauen und die Akzeptanz der Datennutzung zu erhöhen. Die Zusammenarbeit mit externen Einrichtungen wie Beratungsfirmen und Universitäten kann die Glaubwürdigkeit und das Fachwissen des Teams stärken. Diese Partnerschaften bringen Spezialwissen mit und können helfen, erfolgreiche Projekte zu demonstrieren. Letztlich erhöhen solche Kooperationen die soziale Legitimität der People-Analytics-Teams, indem sie deren Wert und Effektivität einem breiteren Publikum vor Augen führen (Guenole et al., 2017; Peeters et al., 2020).
Zusammenfassung
Immer mehr Unternehmen setzen People Analytics ein, um mehr über ihre Mitarbeitenden zu erfahren, mit dem Ziel, die Unternehmensleistung zu steigern. Trotz Fortschritten in den letzten Jahren bleibt People Analytics eine unzureichend erforschte Disziplin. Das Ausmaß des Nutzens bleibt oft unklar und die Analyse-Teams sehen sich vielfältigen Herausforderungen konfrontiert. Nur durch Einbezug aller betroffenen Interessensgruppen, die Einrichtung funktionaler Governance Strukturen und der Ausrichtung an den Organisationszielen können Ressourcen effektiv und effizient eingesetzt werden, ohne dabei ethische und datenschutzrechtliche Grundsätze zu verletzen. Forschende und Praktiker:innen haben die Gelegenheit, wichtige Beiträge zu leisten und die Richtung und Zukunft der People-Analytics-Forschung zu gestalten und auf die Chancen und Herausforderungen der Digitalisierung im HRM zu reagieren.
Fernandez, V., & Gallardo-Gallardo, E. (2021). Tackling the HR digitalization challenge: Key factors and barriers to HR analytics adoption. Competitiveness Review: An International Business Journal, 31(1), 162–187. https://doi.org/10.1108/CR-12-2019-0163
Guenole, N., Ferrar, J., & Feinzig, S. (2017). The power of people: Learn how successful organizations use workforce analytics to improve business performance. Pearson Education.
Huselid, M. A. (2018). The science and practice of workforce analytics: Introduction to the HRM special issue. Human Resource Management, 57(3), 679–684. https://doi.org/10.1002/hrm.21916
Kane, G. C. (2015). ‘People Analytics’ Through Super-Charged ID Badges. MIT Sloan Management Review.
Marler, J. H., & Boudreau, J. W. (2017). An evidence-based review of HR Analytics. The International Journal of Human Resource Management, 28(1), 3–26. https://doi.org/10.1080/09585192.2016.1244699
McAfee, A., & Brynjolfsson, E. (2012, Oktober 1). Big Data: The Management Revolution. Harvard Business Review. https://hbr.org/2012/10/big-data-the-management-revolution
McCartney, S., & Fu, N. (2022). Promise versus reality: A systematic review of the ongoing debates in people analytics. Journal of Organizational Effectiveness: People and Performance, 9(2), 281–311. https://doi.org/10.1108/JOEPP-01-2021-0013
Peeters, T., Paauwe, J., & Van De Voorde, K. (2020). People analytics effectiveness: Developing a framework. Journal of Organizational Effectiveness: People and Performance, 7(2), 203–219. https://doi.org/10.1108/JOEPP-04-2020-0071
Rasmussen, T., & Ulrich, D. (2015). Learning from practice: How HR analytics avoids being a management fad. Organizational Dynamics, 44(3), 236–242. https://doi.org/10.1016/j.orgdyn.2015.05.008