Big Data im Personalmananagement » - ~

 

Big Data im Personal-

management

Erste Anwendungen und ein Blick in die Zukun...
330 |  zfo

dendaten berelts seit langerem prognostizlen wlrd. 
sind Anwendungen.  die Mltarbeiierverlralten.  z.  8.
Kiin...
Big Data im Personalmananagement - --

SDI-4-‘-Ap| J‘-.  SI moi»-ii . m Kurt: --r Uti-‘l div Aun-
wcrtung vnn Stlrnr~'- un...
Suhwerpunkt

Nah.  2 model von Em-

scheodungs und Ovgamsafr

omsuuImn¢n“'

332 |  zfo

 

New Enlsdnidungsstmlmmn
in «la ...
.aig_Da. tajm_P_eLsona. lman. anagemen1_ S L h w e r p u n k I

und Abteiiungen Entscheidungen outgrund von
Anaivseergebni...
Main 3 Uborbiizk aha
Inyiihtionen fin ans Per-
soruimnnagcniom

aaalzfo

SLhwerpurxkt _Big Iata

sche Funkrion sreilen slc...
_Big_D. ata1m£. e.Lsnn. alm. an. anag: mgm_ S c n w e 1 p u n K! 

llrsnnrnnnfasuurng

I’ ha:  alum xomqunm nu an hrsuulnw...
Nächste SlideShare
Wird geladen in …5
×

Big Data im Personalmanagement - People Analytics

383 Aufrufe

Veröffentlicht am

Artikel aus dem Jahr 2014 zum Thema People Analytics

Veröffentlicht in: Daten & Analysen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Big Data im Personalmanagement - People Analytics

  1. 1. Big Data im Personalmananagement » - ~ Big Data im Personal- management Erste Anwendungen und ein Blick in die Zukunft Obwohl es mittlerweile auch im Personalmanagement erste konkrete Big-Data-Anweudungen gibt. steckt die Nutzung elektronischer Daten im Bereich Human Resources noch in den Kin- derschuhen. Dotn Big-Data-Analysen haben das Potenzlal. das Personalmanagemenl insge- saml sltlrker zu beelnilussen. als das blsher dlskullert wird. Die iolgende slruklurlerende Analyse lietert einen Oberblick und erste Anhallspunkte lflr lmplikationen. Theodore Twombly. oer Hauoldarslellcr dos Kinn- iilms »Hcr« (USA 201)), vc-rlicbr slcli in Samantha. das noun. InIl‘IIlg('l1I(' and lcrninitigc Bolri(-l)s<. ys- tom seinos Rcchnr-rs, Dies gt-schichr. well Saman- lhal nttbr nut elne wohlklingende Sliinmo besiul. sondern dumber hinaus rnenschlirlw Zuge eni- wickull und int Gcgenubcr mil all seien Fitcclleri kennenlernl. Der Film is! als Sci: -nre Fiction ange- legl. d0(l'l Samantha Isl bereils lieule ein Tell den Realilal geworden; denn div: Forschurig zur kunsr- lirhen Intelligenz. oder genauer zur Auromarisie» rung inlellrgcnlcn Vcrhallcns. ha: in den lelzlcn lahren sprunghat: Fortschrillc gemachl. Funktio— nlomndo Sprachorkenuxung isl nterlur nut ein Boi- spiel. Grundlegend luv derarlige inrelligenre An~ 06:20'fl '93. lg l. Sr-ill: 3?‘) ‘INS Stephan Kaiser] Hans Klaus wondunge-n sind die srhnellc Vorarberlung und Analyse grotier Mcngen slrukltmcnt-rund vorallern Jurn unslmklurrcrrcr Dnlcn. warubcr llcule vrulcr ans unit-r dam Srhlngwort » t odor -tBig-Dara-Analyltkn dlskulit-n wild. Unler eben diosem Buzzword I: ii sind analylistlle Mellioden zurnindasl als Ihema endgullrg in der Management- Iorsdlung und der praklistheh Uniernen» rncnsiuhrung angekomrnt. -n. ‘ Allcrdtngs sind die Funklionsbereiche der Unlernert men rum hculigen Stand in unlorst? ledli- (hem Ausmafl von Big»D.1la-An-M>ndun— gen belrolItu_ Wahrcnd Dl‘lSpl(‘ISW(‘IS(‘ das Einkaulsverhalren au! Basis von Kun- I'%‘(f"i rwn . 't“"l ! '«, .‘iI’tl‘l'. I' ~ i. h 4 U -it-r T! r . i.—n nt1'. .". ‘ v*'l Cr! riu; t-i. m<. t: am: 1-: L>; :.If I‘llTlI‘I Ill‘ .1 ml 379
  2. 2. 330 | zfo dendaten berelts seit langerem prognostizlen wlrd. sind Anwendungen. die Mltarbeiierverlralten. z. 8. Kiindigungen. aui Basis von E-Maildaten vorhersa- gen kisnnen. irn deutschsprachigen Raum nach un- serern Kenntnisstand ltaurn irn Einsatz. Hierfiir las- sen sich zahlrelche Grflnde anfllhnen, eine wesentll- che Erltenntnis ist ledoch die, dass das PersonaIma- nagement seit ieher eine der Unternehrrtensiun| ¢tio- nen ist. die kaum datengetrieben lst. ’ Nursehrvreni- ge Unternehrnen. wle Google. bllden hler eine Aus- nanme‘und die dazugehorigen Anwendun- gen irn Petsonalrnanagement sind noch in der Ent- wicklung begriflen. Ein llhnlicher Beiund ergibt sich. wenn man etwas allgenieiner danach sucht. weiche Auswiritungert Big-Data-Anwendungen auf die Ar- beitswelt und die Filhrung in Unternehmen zeitlgen. Die Atmvonung Von Einkaufwerhalton wild Khan aoit llngorarn betrlabae. Puaonalnanr gallant let traditional Itaurn utongetrloben. Vor dlesern l-lintergrund verfolgt der vorllegende Beitrag die Zielsetzung. den Stand der alctueilen Diskussion tum Themenfel und Personal zu strukturieren, ‘ inclem zum einen auldie dlrekten Konsequenzen von aui das Personalrna- nagernent eingegangen wird. d. h. aut die bereits angedachlen oder durchgefulrrten Anwendungsiill- Ie lm Personalmanagement. lurn anderen - und dles ersclrelnt nach Analyse der blslrer gefillnten Disltussion sogar bedeutsamer - werden lndirekte Konsequenzen von. - auf das Personalrna- nagement diskutiert. lndern auf potenzieile Veran- derungen In Fl. lhrungs- und Entscheidungsstrultttr ren der Arbeitswelt Bezug genommen vrird. Die Frage erscheint provoziarend. doch kbnnan intelli- gente Algorithmen die Fnhrung llbernehmen? Und wle ltonnte ein evldenzbasiertes Personalrnanage- ment in Zeilen wr- aussehen? Dacunanaiytilr int hrsonalntanagarnent Begibl man sich aui die Suche nach Big-Data-Am weridungsbeispielon Im Personalmanagentent. so tllhrt derweg vor allem In US-arnerlkanische Unter- nehrnen und Forschungseinrichtungen. Unter den Schlagworten -People at Talent Analytics: oder nuoneybail Aanroach to Talent Management: fin- det slch eine kleine. abet In den letzten zvtei iahren zunehmende Zahl an Unternehrnensbeispielen. in denen der Nutzen eines dalengetriebenen Perso- nalmanagernents hervotgehoben wirtl. Untemeh- men wie Google lassen sich mit dem Statement All people decisions at Google are based on. and analytics: oderder Forderung «bring the same level at rigor to people-decisions that we do to enginee- ring decisions: zltieren. ’ Anwoadunpbeiaplele VIII Dig-Data-Analytlk Int Povsunalrnaoagenent flndot nan vor adorn In on USA. Don Peck arbeltete Ende 2013 luv elnan louma| lstI- schen und lesenswerten Beilrag die in der Ment- licltkeit dlskutierten Beisplele aui. ‘ Er bericlrtet beisnielsweise tiber das Startup-Unternehmen Knack. das rnit tiilfe elner Splele-App Daten zu indi- viduellent Entscheidungsverhalten (Dauer des Dberiegens. Reiheniolge des Handelns. An der Pro- blemlllsung etc. ) sammelt. Diese Daten werden da- zu genutzt. um Konstrultte wle Kreatlvitat. Fehler- lernverhaiten. Priorisierungsflhigltaiten. soliale Inteillgenz ode! Personllchkelt zu messen. Royal Dutch Shell nutzt nun in Zusarnrnenarbeit rnlt Knack eigene ltlstorlsche Daten nber Innwatlonsertolge und aktuelle Spieledaten. um den Innovvationsen iolg einzeiner Mltarbeiter und ihrer Prvoleltte prog- nostizieren zu kiinnen. lm Ergebnis konnten die Al- gorith men von Knack sechs Faktoren identiflzieren. die erfolgreiche Innovatoren beschreiben. Ober ein kurzes Spiel lcann Royal Dutch Shell diese Faktoren bestlrnrnen und damlt die Wahrscheinlichkoit des lnnovationserfolgs von einzelnen Mitarbeitem be- stirnmen. Die Untersuchungen und Ideen von Sandy Pent- land. der als Direktor des Human Dynamics Labora- tory des Massachusetts Institute oiTechnology(Ml1’) die ldee von u-Social Physics: auiuebracht hat. ge- hen etwas weiter. ’ Pentiand und seirt Team samurai- ten mit am Kiirper belestigten Sensorbandern unter- schledlichste Inforrnationen liber das Verhalten von Probanden: die Dauervon Gesprachen. die Stimula- ge. die Gestik (Arrn- und l-landbewegungen. Nicken. kelne Geslchtsausdrllcke). den Gesprachs- und Zu- hiiranteil. die kbrperliche Positionierung zu anderen Personen etc. ‘ Hlerbei werden etwa 100 Datenpuniv te pro Minute gesamrnelt. ’ Allein auf Basis dieser soziornetrischan Daten gelingt es. den Erfolg Von Teams, elwa bel der Entwlclclung einer Geschllts- idee. zu prognostizieren. Darilber hinatrs lass! sich eine Art -Dalensignatun entwickeln. mlt der slch ei- ne natllrllche. clrarisrnatlsche Filhrungslxraft be- uhreiben llsst. Eine solche Datensignatur ilsst sith in Zukunft als Benchmark in eine App inlegrieren. sodass Flihnlngsluafte rnehr oder weniger penna- nent und in Echtzeit iiberpriiien Icisnnen. ob sie aktu- eil ein etfolgversprechendes ltommuniltations und Fllhrungsverhalten aufwelsen. Diese Echt2eit-Daten- analytik wird sornit nicht nur filr das Personalma- nagement als Funktion. sondern auch flir Individuen entscheldungsrelevant und handlungsleitend. 0612014
  3. 3. Big Data im Personalmananagement - -- SDI-4-‘-Ap| J‘-. SI moi»-ii . m Kurt: --r Uti-‘l div Aun- wcrtung vnn Stlrnr~'- und Tor-: ‘.1_:7r-it | lk‘lf'i-'| Erkr-nr: :nr‘. sr- r. rtr-r tins. Amt-ltsv'r'll‘r. ‘l| ti~n Eb: -nfalls von Einzelpersonen odervon Unterneh- men nutzbar ist eine App-Entwicklung dos Unwr- nehmens Soma Analytics mit sin in London, “ 50- me Analytics misst mit Hilie eine! Smanphont--An plrkation Stimnr und Tonlagen beirn Telelorrieren und das Schlaiverhalten. Aui Basis der dabei emo- benen Oaten konnen Algorilhrnen Hinweise auiden Stresslevel des Smartphone-Besitzers geben. Die- se kiznnen nun aul cinr. -m aggregiertcn Level. z. B. aui Abteilungs oder Unternehrnensebene. ausge- wertct warden und Glundlage luv Managemcntcnb scheidungen win Work-tile-Balance»| niIiativen. Ur- laubsangebote odor Arbeitszeitvorkurzungen ge- nuili werden. Aul lfldiVIdIl<“F‘b(’ll? dienl die App dern lruhzeitigen Erkennert van Burnout-Gelahren und kann entspro. -(hende Ernplehlungen. 1.8. cu einem gesunderen S(hlali/ erhalien. geberr. Insgesamt ist zu kortstatieren. dass die Daten- analytik direkte Foigen iiir zentrale Praktiken des Personalmanagemenls als Unternehmensfunktion hcrvorruft. Glundlcgcndc Aufgaben. wie die der Personnlsuche und -auswahl sowin die dr-r Perso- nalbmmeilung. abor auch die Entwlcklung von An- reizsystemen lassen sich zunr-turn-ml aul Basis von historisdten und Eclrtzeitdaten durchlulrmn. Die angeluhtlen rlluslraliven Beispiele von einigen we- nigen Anwendungen geben bereils Hinweise dar- aul. wie sehr das bisher kaunr datengv. -triebr. -no Per- sonalmanagemenl in liichtung quantiiiziertvarer Entsclterdungen gewandelt werden lronnte. Aller- dings exislieren bisher keina grofielen empirischen Studion darubrr, wie die Datenanalylik in do! Pm- xis ‘r)HlJPll genulzt wild. und es linden sith auth keirre Prognosen. aul we-lche Weise dies in Zukunll der Fall sein wild. Dass die polenzielle Anwe-ndung von - iedoch ein breites Spektrum aufwei- sen kanr-. zeigt eine Darsteliurrg von ausgewahllen Dimensionen in Abbildung 1. D91 gl. -isevrre "~'. lir1l'bC‘llE'lF! |4(1i? lT? t" des Ma: hixarr-n Gegen eine unrellektlerte Beiahung und Anwen- dung von im Personalmanagement wird sich iedoth schnell Widerstand regen und wnAuto~ ren dreses Bertrags beiiirworten das zunachst auch wegen der rrachvollziehbaren datenschul1~ und mitbcstimmungsrechtliclron Ernwandc. die dage- gerr erhoben werden konnr. -n. Denn viele der in der HR-Analytik verwendnten Daton wr-rden oinon di- rekten Personenbezug aulweisen, Daraus resultith 06.-‘ION ~ | >I‘1 Auspragungscnogl-chlrerten Drfterwtziarunqsdrrnevrsion Von bis urtim ‘Tense -me C“. -Elan i. nrmclrrc-ist '; 'lu”C. ‘-l‘n : 8 Pr ~. ur. : irir. -rr . :t Jr'. '., '.lr" Hx'lkl/ ‘ll: GU Drf'il)r>(’l n. ~.~. -.; .~-. i-. om-. hulrr‘ ' L‘-vim ‘-3‘: I’ my an r1u'L)ale-i N an -mtdns r-m: /i l‘ f. ‘Jl]r- 1 ti hint/ -riivintmilrt Av r"r'IV hr lair l-4 VP’tI! [.ll‘) r .1, cl-. ;.. l‘ 'll, "l . i» nu ): u ’i-r . .i- X-Jl'l' . - zs uh rlrx Wrtnrn 5 ’. .~ my- Ahb. l Din‘-rnsrancn ct-r Arrnuridurrg vun _ 'll| Pe'soralrnsr-agemerit ren Konllikte mit datenschutlrechtlichen Grund- prinzlpien IaulBuridesdatenschulzgesutz(BDSGl". darurrter Verstolie gegen das Recht aul inlormalio- nelle Selbstbestimmung. den allgemuinen Schulz personenbezogener Daten oder die Notwerrdigkeil der Zweckbindung erhobener Dalen. Dutch diese gesetzlichen Regelungen wird die Beliebigkeit der ilutmng von Daten lm Rahmen van Big-Data-Analy lik dcutlich eingeschrankl. D. t!t-iisrhulzrr-clttlrcl1r- PlllTr’llJrt‘i' ': (ilT. )l'-kt"ll (ll! ) Aust-it-rt-in»; won Drllvll nur din in in Pr-rsmir—ribe-/ ug i-in Ein erster Schrilt 1ur Losung dieser Problernatik kann dahin gehen, die Datenanalytikauiaggregier tem Nivenu (Mitarbeiu-rgruppenl und anonvmisiert zu vcrwenden. Allordxngs bleibl dabci zu bedt. -n- kon, dass eine Anonymisienrng im Nachhinein alt nirht moglich ist und dass durch intr-Ilig(-nteAn.1|v- sen wiedtllum aul don ein7elrn>n Milatbeiter ru- ruckgeschlossenwerden kann, Zudem istdasexpli- tile Ziel vieler Big~Dala-Anwendungen irn Personal- rnanagernenl. Maflnahmen und Veranderungen aul indrvidueller Ebene abzuleilen bzw. zu prognosti- zieren. lenseits der datenschutzrechtlich ernsthai~ ten Bedenken, hat mir Blick aul die Umsetzung nach Betrrebsverlassungsgesetz (Er. -MIG) der Be- triebsrat in den Angelegenheiten mitzubesiimmen, in dc-non es daruvn gent. Technologien 7u imple- menlieren, die dazu verwendel werden konnen. adas Verlralten oder die Lt-lstung der Arbeitnehmer zu irberwachenn (§ 87 Be-trVG Abs. 1 Nr. 6). Ob es gelingen kann. den Betriebsrat von der Vorteilhai- ligkeit dieset Maflnahrnen zu iiberzeugr: -n. dtirfte vom Einzellall abhangig, in der Reg: -I aber proble- matisch seln. Fuhrt man sich weitgehende Anwen dttngenvorAugen. wie die obr. -rr genannlen Sensor- bander. die am MIT entwickolt werden. ist eine ab- lehnende Haltnng vermutlrch wahrscheinlicher. zfo I 381
  4. 4. Suhwerpunkt Nah. 2 model von Em- scheodungs und Ovgamsafr omsuuImn¢n“' 332 | zfo New Enlsdnidungsstmlmmn in «la Arboitswclt Ileben den dlnekten Implilulionen der Big-Daw Anwendungen aufdas Personalmanagement eIner- seits und in sens dalenschutzbexogenet bzw. mit- bestimmungsrechflicher Rostriktionen indem- sells Iassen slch Konsequenzen ablelton. die mll der Vevandemng von Enlstheidungsvemallen zu- sammenhlngen. So welgem slch mimuweile mn- mngsluille des Unlemehmens Xuox. das In der Pevsonalauswahl von CalI{enlev-Mllavbeilern kornplue Dalenanalvtlk vemendd. elgene Perso- ualentscheidungen zu treffen. da die Analytik nach- welsllch bessm Ergebnlsse ernugt. " Vordenkcr. wle Mcaflee I Bryniollsson argumenlienn ahnlich abet gleichzcitig ouch grundsatzlichu. dass Unm- nehmen aul Basls von Dalenanalytik genauere Vor- Ineusagen. besseve Entscheidungen und pvazlseve Inlerventlonen vomehmen warden als Untemeh- men. dle auf Enfahrung und Intuition setzen. ” lav Galbrallh sleht deshalb elnen nshifi In power from experienced and iudgrnental decision makers to di- gIIaI declslon makers: vonus. “ Treibt man as an! die Spine. wlrd die Entslehung einer nhyhriden Fuhvungskrafl-. die In Regclbetvieb auf Basis von Imelllgenlen Softwareanwendungen entscheldel und nur falhveise den eigenen Geisl als nPIug-in-I benulzt. denlcbat. Iellnnmr dc! ‘ Dueunnmllu women an! ce- nucn Vommagu. Dunn Eusthddungun und prhlun hmm Mn. Auch wenn die Veranderung wenlger radilul gase- llen wird. so Isssl skh doth vermuten. class sich die EnIsclIeIdungs- und Fuhrungsslmkluren in un- Iernehmen In zwelerlel Hinsithlverlndern women. Erstens win! as zu clnev zunehmenden Auflosung det Merarclllsch-venikalen Yrennung Von EntscheI- dung and Durchfuhrung In Omnmtlonen Imm- men. Zweltens wlrd Enlscneldungsmachl van Per- sonen zu Inlelligenlen Algovithmen wandem und dies wird dazu fllhven kdnnen. dass manche Bennie und Berufsbilder nicht men: In der bisherigen Qua- mat und Quantmlt Izenfltlgt vmden. Auflhsung hiemrdlischer Tvauuung von Em~ sduidungy und Duvchlihmngsubonl Wlhrend buflglich klasslscher. hlemchlsclm Or- ganisalionen dle Vorstellung vorherrschl. dass aul hoheren Hietarchleebenen aufaasb von informall- onen Enlscheidungen gelroffen werden und aul niedrigeten hierarchischen Stufen in erstet Lint: Enluheldungen durchgefllhn und umgeszm wer- den, Iah ren Intelligent: Mgorithmen und damit ver- bundano dalenuuiebenc Entscheidunun zu ei- nem vetscnwimmen dieser Grenzen. ‘ Ober Big- Daln-Anwendungen werden enlscheldungsvelo vanle Infonnalionen aufnahezu allen Ehenen nuIz- bar gemachl. es kommt zu einer Vevschmelzung von Systemen der Enlscneidung und Durchltihmng. mit der Sichtbarkeit von relevanten Daten und deln Ilierarcllleunabhlnglgen luglifi aul Bl; -Dam gesmlzte Entscheidungen Izommt es darnber hin- aus zu einormachtvetschiebung in Ovganisatlonen. lcnninlllnrbuiuldonghmnnlugang zulnbuntlouonlutuiculnvomluttlov. Ilunalchdlnlllcmnnnlflnluuul. In der Forschun; wird auumentievt. dass die Re- geln des Zuglifis aul Inlonnalionen demienigen Enlscheldungsmuht veflelhzn. der Zugdffevhln". und dass bereft: die sicmbarkeil von mIonnatio- non mm Empovmment von Mshet operatwen Mll- ameilem aul der umseuungsebene tum. ‘ Glei<h- zellig Isl denkbar. dass eine neue. mlchlige Quec- schnitlsfunkllon noalenanamilu, wle es blsher beispielsweise das Controlling Isl. Em UnIemeh- men enIstehl", dIe organisatorlschen Tellelnhellen 06/2011
  5. 5. .aig_Da. tajm_P_eLsona. lman. anagemen1_ S L h w e r p u n k I und Abteiiungen Entscheidungen outgrund von Anaivseergebnissen vorgibt. Hlerdurrtr kommt zu einem gegebenenfolls domotivierenden Veriusl von Autonomie in den organisatorisch blsher ei- genstindig agierenden Einheiten. Wondol der Bowie and Ierufsbildor Die Veriagerung von Enmrreidungsrnactrt von Fer- sonen. Insbesondere Fohrungsltriiten. zu Intelli- genten Algorithmen. iasst sich noctr weltergehend Interpretieren. So wird es. Ioigt man erwa den Aus- fiihrungen von Kurt und Ilieger. in vlelen Bereichen der Arbeitsweit zu einer n-Autornatisierung des Geistesx und r-Maschinislerung von Itoptarbeitq kommen. ” Die Konsequenz hieraus konnte setn. dass rnanche Porsonalltategorian verschrwinden oder sich in Inter Bedeutung und Ausrkntung stark verandern. Dies gilt garrz allgemeirr Iur F0irungs~ mne mit Itiossiscirern Fuhrungsverslandnis. die baslerend out Inlorrnatiorrsvorsprungyn Ents: heI- dungshoheit einlordem und austlben. Aufgrnnd dos Woglaiis von Intorrnationsvorspritngen muss das Blld der Fmrrungskratt neu gezeichnet warden. taut den Ausltinrun n etlicnervordenker und For- sclrer zurn Therna werden einige wis- sensintensive Borufsgruppon in besonderer weise betroflen seln. deren Substitution durch techni- sdte losungen bisher nicht denkbor war. So llsst sicit Nigel Rayner worn MarI: t!orschungsunterneh- men Gunner zurn Therna -Wnite-(oIIor-ItoboIs- zl- Iierenr" -Das meiste, was Manager. Finanzchefs oder Vorstilnde heute tun. werden In Zukunft Ma- sclrinen erledigen — und zwar besseu Eln welte- ros. Iriutig angefiihrtes Beispiel sind lurislen. de- ren Arbeil on unrfongreichen Failuntorlogen tellwo| - se durctr Textmintng und lntelltgente Algorithmen tibernornrnen wird. odor Medlzlner. deren Diagno- sen durch den Riickgrifl aul Daten ersteill vrerden. litrnlicltes gilt for die Berufsfeider Controlling oder Wirtschaftspriiiung. bei denen noch Aaussogen von Berufstragem die vreitgeherrde Autornatisierung dos Testats durclr inlelligente Software aufgrund der ohnehin digital vortiegenden Daren mitIlerwei- lo eine real» Bedroilung darstelit. ” vnuomrmura Ioruh mm omn- - and lntolligonlo ugormum In den Iwlorgrood godrlngl wooden. rrouo lando- leIoor ootototron. Aus Skirt des Personalrnanagements ergehen sich ans den oblgen Ausfnhrungen untersdtlediiche Im- plikatlonen. Die Verlnderung von EntscIreidungs- und Filhrungsstrukturen Irann dutch Personalrnm nager unlersttitzt warden. indern bewalme Metho- 06/2014 fiirtiorroaris Dle Verwendung rron —lIIrdos Porsonoirnonngernent stem noon In den Itindersclruiten. Trotzrienr sollten lnnrmtive Personoirnonogervorsuthen. die Entrrlolriungon In der porsonolspozllisdton Big-Don-Anolytilt nIr. M totonlos out skin xtlnornrnon lesson. Doshob dlo Iotaondon tun! Enrpkniurrgen: O Anolysioren sio. ob sicn belronrrto Botsoieio der Big-Doteanoiyrlit Ian Perso- noirnonogornent orrtdosetgonen untornetunen tiborlrogen lessen. Berilclrsictrtinen sie unbedingt dotenscInrtz- und nritoestirrrnurgsredrtiictre Prtnzlpion. Hoien Sie prooktiv Dotenwlssenscholtler fllr dos Persorrotrnonooernent In dos Ltrrtorrtenmon. Iitnun Slo dos vorhondone Know-hour ous onderon DIg-Doto- lrltlotnren dos Ilnterneltrnons ouch Ito dos Personolnunogerrrent. Otrertegen Ste. weictrehrinoen ionglristig durcn Inteliiaente Alerxithrnen er- sotzt warden ltdnnen. und homctrslchtlgen steaks in dorstrategischen Perso- uoiolorwng. 0 Bitten Sio Unterstwung mrdon Vlondol von Entuholdungs» und fiIIInrngs- stndtturen on. 0 Entwidroln sle Fuhrungsltrllte. die our. -h ohno Inlonnotlonsvorsprung und Em- scheidunssmodrt flihrerr Iwnnen. den des kultrrreiien Change Management: zurn Einsatz Itornrnen. Bei derltuswahl. Beurteilung und Entwickiung von Ftihrungskraften ist dern neuarti- gen Fiinrungsverstandnis. 2.8. net der Definition von Leistungskriterien. Rethnung zu tragen. Der Bedeutungsvoriust. den einige aemlsgruppen ge- gebenenlalls hinnehrnen mussen. ist In der strata gischen Personolplanung zu berucltsichtigen. Autstiog rrooor Ioruio Genauso wit bestimmte Berutsgruppen In ihrer Re- Ievanz zurnindest quantitativ abnehmerr dttrften, so wird hlufig argurnentiert vrerdon neue Benrto im Zusarnmenhang rnit—entstenen. Ais be- sonders zentral gtlt den moisten Autoren der sage» nannte-Scientist. ” Der-Scientist veretnigt zahlrelche Kornpetenzen. um unterschiediirzhe Aut- gaben zu bewaltigen. Davenport und Potil. letzterer als einer der Erfi nder der Berutsbezeiclrnung - Scientist-. besdrrolben don Datenwissenschotrlor als ein umlschwesen aus Hacker. Analyst, Komrnw nikator und vertrauenswurdigern Boraleru. “ Moh- tlg ist die Flhtgkeit zu progrornrniemn. eine Itohe Altlnitat zu Statistlk und Matttenratik. vrIssen- schoflliche Experlntenlierlreude. aber ouch ein tie- Ies Verstandnls fitr den Kontext (1. 8. die 6es<hafIs« ioglk). aus dem die Dolen entstarnmen. Der-Scientist. oinor dor zontnhn oeoon Iorilo. kt eine Iiocnrurg nos Ihdror. Analyst. Koronnrnllutor und lorotor. Fur das Personalmanagement als untemenmert zfo I 383
  6. 6. Main 3 Uborbiizk aha Inyiihtionen fin ans Per- soruimnnagcniom aaalzfo SLhwerpurxkt _Big Iata sche Funkrion sreilen slch in diesern Zusarnmen- hang zwei zentrale Auinben: Ersiens sind im Un- inmehmen wcntucll beroiis vorhandeno Datenwis- senschalller. die heisnielsweise rnir Sensor ode: Kundendaien umgehen. in personalbezogene fra- geslellungen und Dalenlagen einzuiiihren. Die Be- sonderheiien derariiger Oaienbesiinde — das The- ma personenbezogene Dalen und Dalenschuu isi rraheliegend - sind dabei zu beachien. lweilens sind die Arbeitsrrrinne flir Daienwissenschafiler xu enrvaickeln und zu bearbeiien. waihrend etliche US- ameriiranischo Universiiaien rninlervreile entspw chende Sludiengange oingerichiei haben und Un- ierrrehmen speziiisclre berufsbegieilende Pro- gramme untersliiizen. sind irn deutschsprachigen iiaum bisher wenlg vergieichbare Akiivitaien er- irennbar. llrrplikationon flit din hrsonaiinrschung and tits Porsonnirnnnngonront Die Mogiichireiien der Big-Dara-Anaiyiik haben nlchi nur Auswlrkungen aui Fuhrungsstrukluren und einzeine. konkreae Pralcilken des Personalma- nagemenis. wichtige lrnpiikalionen ergeberr sich nuch fiir die Personaliorschung und aiigemein in: die Vorsteliung eines evidenzbaslerten Personal- rnanaurncnts. Diesbeziigiiche Hlnweise Iiefen ei- ne nrehrseiiige Noliz des Academy ol Management Journal in derzwniten Ausubn 2034. In dleser Noiiz wurde. mlr Foiurs nuf das Feid der Managememfon schung. die Auimerksarnltefl auidas Phanomen. -geieniri. ” Zwel Gesichlspunkle scheinen da- bei aus Sithi der Personallorschurrg besonders re- ievant. Ersiens. und dies mag auf den erster: Blick nahe- iiegend und trivial ersdieinen. kiinnen dle im Rah- men von Bipoatn-Anwmdungen gespekherien Daren. dis ernpirische Material iiir Forschungsvon iuben irn Berekh Personalrnenagerneni liefern. Ei- rre wichlige Besonderheii ergibl slch iedoch aus der M! der zur Veriiigung siehenden Daten: Fiihrl man skh nochrnais das ohen angeiiihne Beispiel der Daiensammlung an MIT von Ami Penliand vor Augen. so zeigt sich eine vergleichsweise neue Qualitfli der Daien. Dies: sind nichi nur von hoher Quaniitéil. sondem insbesondere a yehr kin- kornig und rnikrofundieri (ngranuia ). George 2! al. heben diese I enschaii als konstiiuti- ves Merimral van besonders hervor und iiihren resiirnierend aus: n-Such granular. highwa- lurne can tell us more about work ce practi- ces and behaviors than our current collection methods allow - and have the poieniinl In trans- form management theory and practice-.5 on houto gunlnlnollol onion sin! so vidfllllg und daoiillerl. dos; rnu nus ihnen uhr nie- son Man an in mm. Zweitens ennogilchl Big-Dal. a~Anaiyiik eine Annih- rurrg an oas seit elnigerr iahren in Aniehnung an die Medizln aoevidenzbasienc [ennnme Personalrnir nagernent. ” Gieichwohi wird sich dabei das Ver- stlndnis vorn evidenzbaslenen Personalrnanage men! mcdiiizieren. aisher iorden die Personalfon schung. ohm dabci virri Gehor in der Praxis zu lin- den. dass aiie Prakiilren des Personalmanagemenis vor dem Hlnlergrund empirisch gepriiller, theoreti- scher Beiunde sultfinden solllen. Dies kiinnle sich dutch oaienanaiytilr andenr. Anders als irn evi- denzbasienen Personalrnanagement stem hier haufig nltht mehr eine Theorie mit irausalen Annih- rnen ais Ausungspunki zur Verfiigunx. sondern in elnnrn Meer von Daren wetden aulflllige Korrelalio- nen identiiizien und zunachsi iediglich piausibie Knusalitlten abulelm. ohne dnfiir eine theoreti- sche Erlrliirung zu haben. ” Ersi in der weiieren em- pirischen Forschung who claim wornoglich eine Konvemenz aus unterschiedlichen Daienqueilen (1. B. andere Uniernehmen) beziigiich der Beiunde hergesiellt. ” so warden mar zurn einen die Perso- naifunktion und die darin verorteien Praktiken des Personnlmanagernents siiiriurr daiengesttitzi. Evi- denzbasienes Personairnanagemenr heist dann aim niciri Inehr. dass lodigiich ernpirische Boiunde nus anderen theorieaeloiieien sludlen fiir die eige- nen Handiungsrrraxlmen iibernommen werden. sondern dass Daien und Ergebnisse irn eigenen Un- iemeh rnen ebenfalisvorliegerr miissen. Oder ancie- res fnnnulien: Personairrianagernenl wild in 2u| e vorr-empirischer und zunehrrieml «tange- irieben. abet nichl rroiwendigerweise iheoretisch lundlener. 06/201!
  7. 7. _Big_D. ata1m£. e.Lsnn. alm. an. anag: mgm_ S c n w e 1 p u n K! llrsnnrnnnfasuurng I’ ha: alum xomqunm nu an hrsuulnw nuumul. fluid: not-0 Mndlchltslurl blolu. Hluiuho Personollurrmnuntoraltfllnln. nit die Suclu. Auwuni and uumilung van Mnurbolmn. dmrununzl ru go- Iulien. hdodl IIKII do hflultlen I'M! - ucmnnn van an! as Pasonnlnnnnnnurn. Us sir): Vorlndumnnn In fiIMun¢s~ Ind Enluluidungb suuhunn «ubcn. bisintnp Icrulsonnocn verunuIn- dun und onlmhn Dania: hinaus trnilen den Iloruon der Pnrunalorschuns and Ilul wldnnxbuhnu Ptuoulrunnprnonl in II- nur noun um mxlrelnon. Annmtungm: u Vgi. numm. E. : mu ls—. 0‘Reilv mu. 11.01.2012. MIo: IIrodnr. oreIlly. corn, Imp: /Itirryurl. toInI76eonIb (lam: lugrlil: 21.00.2014) - Ann. :1. Red. 2 EM gutes Indlz Mr ale II Ievarrzz George. G. l Hus. M. II. /Penunnd. A. and Hanagerrrcnl. In: Academy ol Managernerw Ioumal. 57.11.. mu. H.1. S. 321-326. In der anwendungsorlenllerun forszhung bundel rule in Rahmen elner IFflII¢1|iI0f¢1- Alllanfl Ihre Knmpelenren. Eln Unrernehnlen. bclspiciswoiso Siemens. rithlcl elnc strlugisthe Funk- Ilon ein. 61¢ alle BIs~0aI3>lnitIMIven In Konzem lenml mum. 3 vg. omnoon. 1.- o wort: Dispelling me Myth. uncoverlngthc Opporlunlllos. scum 2014. 5.53. A Dabed Isl zu Iwnzedieren. dass die akluele Dlskusslon Mslm urinal: In der lnngclslcnsisthcn) Fwd: und in den Median dislcull uenscvunlkhe Mund- Iungon. dlt im Kern and nine Konmnnm no III: as Personalmannnrnont dlskulioren. and nun Iennrnis der verfasscr bu dalo nlznuornandcn. 5 Sullivan. I: log»: Goqh is Using Pnoplo Analylics no (ornpmcly lhainvenr nu. In: Tull ~ me Business oi HR. 26. fubruav 2013. (vrww. IInl. :ornI. nlIp: llIInyurI. <onII M29960) (tamer Zuuin: 29.05.20"). 6 Pods. 0.: TMv‘r| Walzhlng Von at Work. In: rm Ammk. 20.1I.20I3. (mm. IIneaIIanIIc. wnI). hrIp: I/In-ryurI. «unl OGIKQIIII (IMHO! Zujlifl: 29.05.2014). 7 Pcnilar-rd. A: Social Pimics: Maw good Ideas sprud - the lessons Iron: 3 new scltnte. New Van: 2014. I Vgl. Pontllnd. A. : The NQUISCIIHCQ oi Building Grnl Turns. In: Hamrd Businus Review. 90.n. . 2011. N. A, S. 61-70. 9 Vli- Pith. D. : 3.3.0. Io Inlorrnuionen aus oineln Gespoarh (2014) mit dem Griindtr van Soma Analytics. lohann Nubtl. und ans einem von Huber genallenen Von II V31. Namath. 5.: Aktuellrr Beylflz In: Wlssew sdralllldre Dienste dos Deutschen Bundeslags. Nr. 37. 06. liovernber 2013. 12 vu. Peck. 0.: 3.3.0. I) Val. Malice. A. IBrm| oIIssnn. E‘ the manage rnenl rcvulullon. In: Harvard Business Mvlrvr. 90.11.. 1012. N. 10. S. I-9. It Vu. Gallmllh. ' nlutlon Design Challenges Resulting from In: Internal 91 Drunizalinn Design. 3.I| .. 201:. HA. S. 2-1). 06/ 1011 Sunnnnry “has direct conscqunas for human mamas Inannnrlcnl. linen nur opportunities ulicnomolnllrnv dlllonnl IIIM-pruflus. such wrluliou and ovclunllon of airplanes lion Slmllnny rn. mm. are me Indirect consequences onunllulrusulslndbnnycslnludorsrdpand Ilocblon noun; stnrcluru. pmlous pruhsuonnl auopearonanerrprueulons mu. Inuddlllon «wands II» norlaons of Nlrrouarcn and sheds an light on «lance-used IIIIM. IS In Aninnnung an Gamer. M. /Graupner. lllucdcne. A. : I. 3. 0.. 5. I6. I6 Vgi. semen. M. /Graupner he. A. : the Infor- naatlon Pan-opticen in Inwm. In: Iounul oforganlrauon Design. 3. In. zou. II. I. 5.14-I9: Iarmnulo. II. F. /Griilirh. ‘I’. Lllnalchmk. Llonughcny. D. I. /Faral. $: wovrnation technology and the clunung mm M orunlunon. In: organization science. II. n. . 2007. M.5. S. 749-762. 17 V31. 0r1ikor~skl. W.]. l30MV. 0.: Information technology Ind me Ilruaunng oi ornnlnlions. In: Inlarmuian symms rcsemn. 2. Is. 1991. II.1.s. M3-169. II Vgl. Elrnu. M. B. /Strong. D. Itlvolholi. 0.: Panopiic empowerment and rnflemve tonionnily In enterprise sys«ns~¢n30I¢d orunlnllons. In: Inlorrnalion and Ornnixllion. I5. II. . 2005. H. I. S. I-37. 19 Val. Gabunh. I. R 3. a. 0. 20 V31. Kurt. C. /Illonr. Arhcllslrcis Eint Enldtckungv rein ru den Dusdilnen. flit uns «scum. Muntnen 2013. S. 164. 2| Zifion nun Gilics. C. : Kflnstlicnc Konlzurronz: Amo- mrlslcrung vun Wlssensarbell. In: Managrmvnlnarc. Mai 1013.5. £2-A6. 22 Inforwmlonen ans elnem Gesprlkh irn Ian: zou nil! cirmn Pannor cinar ‘four: -Wlrlscbailspdfllmg. 2! Val. Gross II II. Llslelei. K. P. :0r;3ni1atlon Models In and Analytks. In: Iournal oi ornnlralion Design. 3.13.. 2014. H. I. 5. 10-25. 24 vgc. cam-pon. r.u. IPam. o.| .: wan smun mn- scrznnsrsmsoruu - Wckilu Spuialiuen 03ml wnd Buslnrss vemlnden. Ein Beruisporlrll. In: Harvard Business Manager. amp. 2012. u. 11. s. 3242. 25 V11. George. G. lII33s. M. R. /PenII3nd. A: 3.3.0. 26 George. 6.INns. IA. ILIPernInnd. L: 3. 3. 0.. S. 325. 17 Bienlinrl. I. /Korfl. l. : Nkhl dis Rad ncu erfinden. M: Human Resources Manager. 043.. 2013. M. 5. S. 78-30. 28 AnIn. d.led. 29 V91. Ilitcnin. Immn euislernotogles and paradigm shins. In: a. scam. I. il. . mm. M. I. 5. I42. Rob Kitchln dlskulim in diesem Beimg das -Ende der flueorlec In eine: wen. In der es nkrn urn ans Vcrslenen won Zusairrnennlngen gem, sondetn urn rile Vonrersue aul Basis von Knrreialionen. 30 Geor; e.(i/ Haas. M. R.lPemI3n: I.A. : 3.3.0. In vcroln~ dung mit: Wilson. E. 0.: Consillentez The unity of know- ledge. New York ‘I998. Unb. -PM. 01. Shaun blur Protessor nu BM. Personal. rnaruxernen-I und Organlst Ilon. Universilll der Bunnies- wena Mlinclren. Neublherg SIepnan. KaIserounII>w. de PM. or. nus Irons Hoclrscrsullenrcr. FOM Muncnen. vorrnals Vonundsmlkgllnd an son- vm! A6 I-ans. krausoiom. ¢Ie zfo | 335

×