{"id":664,"date":"2024-10-03T19:46:36","date_gmt":"2024-10-03T17:46:36","guid":{"rendered":"https:\/\/blog.tu-dresden.de\/arbeitspsychologie\/?p=664"},"modified":"2024-10-03T20:35:09","modified_gmt":"2024-10-03T18:35:09","slug":"people-analytics-versprechen-und-forschungsrealitaet-wie-der-einsatz-gelingen-kann","status":"publish","type":"post","link":"https:\/\/blog.tu-dresden.de\/arbeitspsychologie\/2024\/10\/03\/people-analytics-versprechen-und-forschungsrealitaet-wie-der-einsatz-gelingen-kann\/","title":{"rendered":"People Analytics: Versprechen und Forschungsrealit\u00e4t \u2013 Wie der Einsatz gelingen kann"},"content":{"rendered":"\n

von Vincent Zipper<\/strong> (HPSTS – Human Performance in Sociotechnical Systems, Technische Universit\u00e4t Dresden)<\/p>\n\n\n\n

Die rasante technologische Entwicklung in allen Bereichen hat dazu gef\u00fchrt, dass die Nutzung von Big Data und Analysen f\u00fcr viele Unternehmen immer wichtiger werden. Unternehmen, die datengest\u00fctzte 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 Gesch\u00e4ftsumfeld ist aber zu komplex und unvorhersehbar, um sich ausschlie\u00dflich auf solch subjektives Wissen zu verlassen. People Analytics versprechen, Daten \u00fcber Mitarbeitende und ihr Verhalten zu nutzen, um bessere Entscheidungen treffen zu k\u00f6nnen, 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 Ma\u00dfnahmen keinesfalls trivial sind und viele unterschiedliche Akteur:innen zur erfolgreichen Nutzung von People Analytics ins Boot geholt werden m\u00fcssen. 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. <\/p>\n\n\n\n

Aufger\u00fcstete ID-Badges und Gespr\u00e4che in der Mittagspause<\/strong><\/h2>\n\n\n\n

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 f\u00fchren und wie das Management gute Unternehmensentscheidungen treffen kann, dar\u00fcber gibt es viele Theorien und Interventionsans\u00e4tze. Der Trend der People Analytics verspricht, mithilfe empirisch gewonnener Belegschaftsdaten eine bessere Entscheidungsgrundlage zu liefern, indem sie Menschen genauso \u201elesbar\u201c machen, als w\u00fcrde man eine Statistik betrachten. Der Anbieter von People Analytics Software Humanyze schreibt auf seiner Website: \u201eHumanyze deckt die gr\u00f6\u00dften Schwachstellen Ihrer Mitarbeiter auf, um die Mitarbeiterbindung und die Unternehmensleistung mit wissenschaftlich fundierten Einblicken in die Mitarbeiter f\u00fcr CEOs, Management und Datenanalysten zu verbessern.\u201c (https:\/\/humanyze.com\/de\/). Humanyze stattet daf\u00fcr unter anderem ID-Badges mit zus\u00e4tzlichen Sensoren aus, um die Bewegungsmuster von Mitarbeitenden zu analysieren. Au\u00dferdem ist ein Mikrofon verbaut. Das Unternehmen verspricht, dass Gespr\u00e4chsinhalte nicht aufgezeichnet werden, sondern mittels Sprachanalyse in Echtzeit herauszufinden, wie viel Mitarbeitende reden, wie oft sie unterbrechen, wie laut sie sprechen und, \u2013 in Abh\u00e4ngigkeit von Ver\u00e4nderungen im Tonfall \u2013 ob sie gestresst sind (Kane, 2015). Bei einer Untersuchung von Call Center Mitarbeitenden fand das Unternehmen so heraus, dass die Produktivit\u00e4t der Mitarbeitenden (erfasst \u00fcber die durchschnittliche L\u00e4nge eines Anrufs) sich nicht nur dadurch vorhersagen lies, wie sie mit den <\/p>\n\n\n\n

Kund:innen sprachen \u2013 sondern vor allem dadurch, wie sie mit ihren Kolleg:innen sprachen. Mitarbeitende, die au\u00dferhalb der Anrufe eher mit den immer selben Kolleg:innen sprachen, also als zusammenh\u00e4ngende Gruppe betrachtet werden konnten, erledigten die Anrufe in der H\u00e4lfte 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 \u00fcberlappte. In den Callcentern hatten die Mitarbeitenden f\u00fcr gew\u00f6hnlich zu unterschiedlichen Zeiten Pausen. Davon ausgehend wurde folgende Intervention durchgef\u00fchrt: Die H\u00e4lfte der Teams der Belegschaft (je ca. 20 Mitarbeitende) verbrachte ihre Pause nun gemeinsam. F\u00fcr die andere H\u00e4lfte \u00e4nderte sich nichts. Nach 3 Monaten zeigte die Interventionsgruppe laut Humanyze ein um 18% gesteigertes Zusammengeh\u00f6rigkeitsgef\u00fchl und eine Stressreduktion von 19% (erfasst \u00fcber Frageb\u00f6gen). Das Ergebnis \u00fcberrascht nicht, wenn man bedenkt, dass sich die Kolleg:innen in den Pausen nach der Intervention gegenseitig unterst\u00fctzen k\u00f6nnen und ein Gef\u00fchl der Gemeinschaft entsteht. Dar\u00fcber hinaus steig aber auch die Produktivit\u00e4t in der Interventionsgruppe um ganze 23%, w\u00e4hrend es in der Gruppe mit unterschiedlichen Pausenzeiten keine Ver\u00e4nderungen gab (Kane, 2015).<\/p>\n\n\n\n

Begriffsverwirrungen und offene Fragen<\/h2>\n\n\n\n

Diese beispielhaften, gro\u00dfen Effekte sprechen zun\u00e4chst einmal f\u00fcr 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 durchgef\u00fchrt? Wer analysiert die Daten? Wer hat au\u00dferdem noch Zugriff? Und wie gro\u00df sind die Effekte wirklich? Die Daten aus dem Beispiel von Humanyze sind z.B. nicht \u00f6ffentlich 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 f\u00fcr die Auswirkungen von People Analytics auf die Leistung, fehlendes Knowhow zur Durchf\u00fchrung und ethische und datenschutzrechtliche Bedenken.<\/p>\n\n\n\n

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 z\u00e4hlen unter anderem Workforce Analytics, HR Metrics, HR Analytics oder Talent Analytics (Huselid, 2018). Die Beschreibungen reichen von People Analytics als durch Informationstechnologie erm\u00f6glichte HR-Praxis, die deskriptive, visuelle und statistische Analysen von Daten in Bezug auf HR-Prozesse, Humankapital, organisatorische Leistung und externe wirtschaftliche Benchmarks verwendet, um gesch\u00e4ftliche Auswirkungen zu ermitteln und datengesteuerte Entscheidungsfindung zu erm\u00f6glichen (Marler & Boudreau, 2017) zu People Analytics als Prozess, der mit dem Verst\u00e4ndnis, der Qualifizierung, dem Management und der Verbesserung der Rolle von Talenten bei der Umsetzung der Strategie und der Wertsch\u00f6pfung 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. W\u00e4hrend Praktiker:innen an die Wirksamkeit von People Analytics glauben, sind f\u00fcr Forschende noch viele Fragen offen. Rasmussen und Ulrich (2015) kommen zu dem Schluss, dass die bisher ver\u00f6ffentlichten Belege f\u00fcr den Wert von People Analytics d\u00fcrftig sind und sie eher auf \u00dcberzeugungen von Berater:innen mit kommerziellen Interessen beruhen, w\u00e4hrend Unternehmen nur selten die gleichen Erfolgsgeschichten \u00fcber die Auswirkungen auf das Gesch\u00e4ft erz\u00e4hlen (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, unvollst\u00e4ndig oder nicht ausreichend aufbereitet, um mit ihnen sinnvoll arbeiten zu k\u00f6nnen (McCartney & Fu, 2022). Fernandez und Gallardo-Gallardo (2021) stellen fest, dass die Entwickler von Software f\u00fcr People Analytics die kontextspezifische Kausalit\u00e4t innerhalb der unterschiedlichen Organisation nicht verstehen und dass die Manager nicht \u00fcber das Wissen und die F\u00e4higkeiten verf\u00fcgen, 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 erm\u00f6glicht den Unternehmen, Erkenntnisse \u00fcber die pers\u00f6nlichen Ansichten, Gef\u00fchle und Verhaltensweisen der Belegschaft zu gewinnen (McCartney & Fu, 2022). Daher ist von den Unternehmen der Datenschutz und die Sicherheit von Mitarbeitendendaten zu gew\u00e4hrleisten und gleichzeitig die ethische Verwendung und Analyse der Daten zu steuern \u2013 besonders wenn es sich um Daten handelt, die das Privatleben betreffen.<\/p>\n\n\n\n

Chancen nutzen, Risiken minimieren<\/h2>\n\n\n\n

Peeters et al. (2020) untersuchten, welche Schl\u00fcsselkomponenten daf\u00fcr 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 (Bef\u00e4higer:innen), Deliveries (Produkte), Stakeholder Management und Governance (F\u00fchrungs-\/Steuerungsstrukturen).<\/p>\n\n\n\n

Die Unterst\u00fctzung durch das Top Management ist eine der wichtigsten Voraussetzungen f\u00fcr den Erfolg eines Analyseteams. Die oberste F\u00fchrungsebene ist in der Lage, dem Team sowohl finanzielle Mittel als auch politische Unterst\u00fctzung zukommen zu lassen. Finanzielle Ressourcen kann das Team in die erforderliche Ausr\u00fcstung, IT-Infrastruktur und Mitarbeitende investieren. Mit der politischen Unterst\u00fctzung 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, vollst\u00e4ndige und mit aktuellen aufbereiteten Daten gef\u00fcllte Datenbanken. Auch die Eigenschaften der Teammitglieder nehmen eine wichtige Rolle ein, bezeichnet werden sie als relevante Kenntnisse, Fertigkeiten, F\u00e4higkeiten und andere Merkmale (knowledge, skills, ability und other characteristics, KSAOs). Starke HRM- oder psychologische und statistische F\u00e4higkeiten f\u00fchren zu den effektivsten Teams, Storytelling, Visualisierungsf\u00e4higkeiten, Gesch\u00e4ftssinn und starke Kompetenzen im Datenmanagement gelten ebenso als unverzichtbare Voraussetzungen f\u00fcr People-Analytics-Teams. F\u00e4higkeiten im Change Management und Stakeholder Management tragen zur Effektivit\u00e4t des Teams bei (Peeters et al., 2020).<\/p>\n\n\n\n

Das PAEW empfiehlt 3 Produkte, die aus einem Analyseteam entstehen sollten. Im Bereich des Monitorings von Mitarbeitenden k\u00f6nnen z.B. grundlegende deskriptive Daten, wie die Anzahl der Vollzeitbesch\u00e4ftigten und Abwesenheitsquoten gesammelt und mit Umfragedaten und Benchmarking Informationen verkn\u00fcpft in Dashboards oder Scorecards dargestellt werden, um so die Identifikation von Problemen zu erleichtern und Entscheidungstr\u00e4ger:innen zu aktivieren. Ausgehend von den Analyseteams kann die eigene Organisation beforscht werden, um durch Studien und Experimente kontextspezifische, f\u00fcr die Organisation wesentliche Erkenntnisse zu gewinnen, etwa zu Pr\u00e4diktoren von Teamzufriedenheit, Arbeitsleistung und Zusammenarbeit (Peeters et al., 2020). Daraus k\u00f6nnen zum Beispiel relevante KSAOs f\u00fcr das Recruiting abgeleitet, Vorhersagen \u00fcber die Entwicklung von Bewerber:innen und Mitarbeitenden getroffen oder pr\u00e4skriptiv Entscheidungen empfohlen werden. Das Ziel ist dabei das gleiche: die Abkehr von subjektiven Entscheidungen und die Etablierung einer evidenzbasierten Organisationskultur.<\/p>\n\n\n\n

Auch wenn (oder gerade weil) sich HR-Experten mitunter nicht von Daten angezogen f\u00fchlen und m\u00f6glicherweise 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 diesbez\u00fcglich weitergebildet werden. Dabei kann es helfen, Erfolgsbeispiele zu teilen und sich auf die Themen zu konzentrieren, die f\u00fcr HR-Experten tats\u00e4chlich relevant sind. Dazu geh\u00f6rt, HR-Experten und Kennzahlen im Zusammenhang mit Gesch\u00e4ftsfragen und Leistung zu analysieren und sicherzustellen, dass HR-Experten von Anfang an Teil des Analyseprozesses werden (Peeters et al., 2020). Gleiches gilt f\u00fcr das Management, das f\u00fcr die strategische Zielsetzung und letztlich f\u00fcr die Umsetzung abgeleiteter Ma\u00dfnahmen verantwortlich ist. Die Erkenntnisse und Empfehlungen eines People-Analytics-Teams haben nicht zuletzt einen erheblichen Einfluss auf die Mitarbeitenden. Unternehmen m\u00fcssen sich ihrer rechtlichen und ethischen Verantwortung gegen\u00fcber 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 Gef\u00fchl der ungerechten Behandlung oder Bevorzugung zu vermeiden. Der Datenschutz ist von entscheidender Bedeutung und der Widerstand gegen die gemeinsame Nutzung von Daten kann die Analysebem\u00fchungen 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 f\u00f6rdern und Bedenken entgegenzuwirken (Guenole et al., 2017; Peeters et al., 2020).<\/p>\n\n\n\n

Daf\u00fcr 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 \u00dcberlegungen sind f\u00fcr Analyseteams noch wichtiger sind als die blo\u00dfe Einhaltung von Rechts- und Datenschutzstandards, insbesondere beim Umgang mit Big Data und Vorhersagemodellen, die zu Verzerrungen und sich selbst erf\u00fcllenden Prophezeiungen f\u00fchren k\u00f6nnen. Die M\u00f6glichkeit, Daten zu analysieren, muss dies nicht immer rechtfertigen, z. B. in F\u00e4llen, in denen durch die Analyse von Gesundheitsdaten das Verhalten von Mitarbeitenden beeinflusst und in eine \u201ebessere\u201c Richtung gesteuert werden soll (Peeters et al., 2020).<\/p>\n\n\n\n

Die effektive Steuerung eines People-Analytics-Teams erfordert eine sorgf\u00e4ltige 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. Unabh\u00e4ngig von der Anordnung wird empfohlen, dass die Leitung des Teams direkt an das Senior Management berichtet, um die Ausrichtung an den Priorit\u00e4ten des Unternehmens und den Zugang zu den erforderlichen Ressourcen sicherzustellen. Intern sollte ein People-Analytics-Team verschiedene F\u00e4higkeiten 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 f\u00fcr einen effektiven Datenzugriff, die Koordination und die Maximierung des Gesamtwerts von Analyseinitiativen unerl\u00e4sslich (Guenole et al., 2017; Peeters et al., 2020; Rasmussen & Ulrich, 2015).<\/p>\n\n\n\n

Die Akzeptanz eines People-Analytics-Teams h\u00e4ngt vom Aufbau nachhaltiger und vertrauensw\u00fcrdiger Beziehungen zu internen und externen Interessengruppen ab. F\u00fcr die externe Legitimit\u00e4t muss das Team effektiv mit Gewerkschaften und Arbeitnehmervertretungen zusammenarbeiten, um das Vertrauen und die Akzeptanz der Datennutzung zu erh\u00f6hen. Die Zusammenarbeit mit externen Einrichtungen wie Beratungsfirmen und Universit\u00e4ten kann die Glaubw\u00fcrdigkeit und das Fachwissen des Teams st\u00e4rken. Diese Partnerschaften bringen Spezialwissen mit und k\u00f6nnen helfen, erfolgreiche Projekte zu demonstrieren. Letztlich erh\u00f6hen solche Kooperationen die soziale Legitimit\u00e4t der People-Analytics-Teams, indem sie deren Wert und Effektivit\u00e4t einem breiteren Publikum vor Augen f\u00fchren (Guenole et al., 2017; Peeters et al., 2020).<\/p>\n\n\n\n

Zusammenfassung <\/strong><\/h2>\n\n\n\n

Immer mehr Unternehmen setzen People Analytics ein, um mehr \u00fcber 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 Ausma\u00df des Nutzens bleibt oft unklar und die Analyse-Teams sehen sich vielf\u00e4ltigen Herausforderungen konfrontiert. Nur durch Einbezug aller betroffenen Interessensgruppen, die Einrichtung funktionaler Governance Strukturen und der Ausrichtung an den Organisationszielen k\u00f6nnen Ressourcen effektiv und effizient eingesetzt werden, ohne dabei ethische und datenschutzrechtliche Grunds\u00e4tze zu verletzen. Forschende und Praktiker:innen haben die Gelegenheit, wichtige Beitr\u00e4ge 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.<\/p>\n\n\n\n

\n\n\n\n

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<\/em>, 31(1), 162\u2013187. https:\/\/doi.org\/10.1108\/CR-12-2019-0163<\/p>\n\n\n\n

Guenole, N., Ferrar, J., & Feinzig, S. (2017). The power of people: Learn how successful organizations use workforce analytics to improve business performance.<\/em> Pearson Education.<\/p>\n\n\n\n

Huselid, M. A. (2018). The science and practice of workforce analytics: Introduction to the HRM special issue. Human Resource Management<\/em>, 57(3), 679\u2013684. https:\/\/doi.org\/10.1002\/hrm.21916<\/p>\n\n\n\n

Kane, G. C. (2015). \u2018People Analytics\u2019 Through Super-Charged ID Badges. MIT Sloan Management Review.<\/em><\/p>\n\n\n\n

Marler, J. H., & Boudreau, J. W. (2017). An evidence-based review of HR Analytics. The International Journal of Human Resource Management<\/em>, 28(1), 3\u201326. https:\/\/doi.org\/10.1080\/09585192.2016.1244699<\/p>\n\n\n\n

McAfee, A., & Brynjolfsson, E. (2012, Oktober 1). Big Data: The Management Revolution. Harvard Business Review<\/em>. https:\/\/hbr.org\/2012\/10\/big-data-the-management-revolution<\/p>\n\n\n\n

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<\/em>, 9(2), 281\u2013311. https:\/\/doi.org\/10.1108\/JOEPP-01-2021-0013<\/p>\n\n\n\n

Peeters, T., Paauwe, J., & Van De Voorde, K. (2020). People analytics effectiveness: Developing a framework. Journal of Organizational Effectiveness: People and Performance<\/em>, 7(2), 203\u2013219. https:\/\/doi.org\/10.1108\/JOEPP-04-2020-0071<\/p>\n\n\n\n

Rasmussen, T., & Ulrich, D. (2015). Learning from practice: How HR analytics avoids being a management fad. Organizational Dynamics<\/em>, 44(3), 236\u2013242. https:\/\/doi.org\/10.1016\/j.orgdyn.2015.05.008<\/p>\n","protected":false},"excerpt":{"rendered":"

von Vincent Zipper (HPSTS – Human Performance in Sociotechnical Systems, Technische Universit\u00e4t Dresden) Die rasante technologische Entwicklung in allen Bereichen hat dazu gef\u00fchrt, dass die Nutzung von Big Data und Analysen f\u00fcr viele Unternehmen immer wichtiger werden. Unternehmen, die datengest\u00fctzte Entscheidungsfindung nutzen, sind laut einer Studie 5% produktiver und 6% profitabler sind als ihre Wettbewerber […]<\/p>\n","protected":false},"author":208,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-664","post","type-post","status-publish","format-standard","hentry","category-allgemein"],"_links":{"self":[{"href":"https:\/\/blog.tu-dresden.de\/arbeitspsychologie\/wp-json\/wp\/v2\/posts\/664","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.tu-dresden.de\/arbeitspsychologie\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.tu-dresden.de\/arbeitspsychologie\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.tu-dresden.de\/arbeitspsychologie\/wp-json\/wp\/v2\/users\/208"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.tu-dresden.de\/arbeitspsychologie\/wp-json\/wp\/v2\/comments?post=664"}],"version-history":[{"count":4,"href":"https:\/\/blog.tu-dresden.de\/arbeitspsychologie\/wp-json\/wp\/v2\/posts\/664\/revisions"}],"predecessor-version":[{"id":671,"href":"https:\/\/blog.tu-dresden.de\/arbeitspsychologie\/wp-json\/wp\/v2\/posts\/664\/revisions\/671"}],"wp:attachment":[{"href":"https:\/\/blog.tu-dresden.de\/arbeitspsychologie\/wp-json\/wp\/v2\/media?parent=664"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.tu-dresden.de\/arbeitspsychologie\/wp-json\/wp\/v2\/categories?post=664"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.tu-dresden.de\/arbeitspsychologie\/wp-json\/wp\/v2\/tags?post=664"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}