3. 3
George Hinton, Vater der Deep-Learning Forschung: „Es ist wie damals, als die Menschen ein Wett-Tauziehen mit den ersten Dampfmaschinen veranstalteten. Als das erste Mal eine Dampfmaschine gewann, war es vorbei. Der Mensch hatte nie wieder eine Chance“.
5. 5
Variety: Strukturierte und unstrukturierte Daten
Velocity: Verarbeitungsge- schwindigkeit in Echtzeit
Volume: Entstehung von Datenbergen durch Digitalisierung aller Lebens- und Arbeitsbereiche
Datenanalytik und intelligente Algorithmen
Nutzung von Big Data-Anwendungen werden realistisch
Entwicklung intelligenter Algorithmen für Vorhersage- und Optimierungsmodelle
Alle unternehmerischen Funktionen betroffen: Fertigung, Logistik, Marketing, Personal, ….
Big Data
Quelle: z.B. Markl (2012).
6. 6
Arbeitsplatzdaten
•Unternehmenszugehörigkeit
•Stellenbeschreibung
•Laufbahn
•Zeiterfassung
•. . .
Leistungsdaten
•Leistungsbeurteilung
•Verkaufszahlen
•Beschwerden
•Auszeichnungen
•. . .
Entgeltdaten
•Gehaltsentwicklung
•Präferenzen
•Leistungsentgelt
•. . .
Befragungsdaten
•Mitarbeiterzufriedenheit
•Stärkenanalyse
•Engagement
•. . .
Bewegungs- und Kommunikationsdaten
•Häufigkeit der Kommunikation
•Sprach- und Stimmlage
•Lachen
•Händeschütteln
•. . .
Aktivitätsdaten in
•Sozialen Netzwerken, Wikis
•Dokumenten
•Emails
•. . .
Sonstige Daten
•Wetter
•Straßenverkehr
•Umsätze
•Jahreszeit
•. . .
Beispiele für Daten im Personalmanagement
Quelle: in Anlehnung an Cornerstone (2014)
7. 7
Indirekte Konsequenzen
Veränderung des Führungs- und Entscheidungsverhaltens
Automatisierung des Geistes und Diktatur der Daten
Wegfall von Berufsbildern
Direkte Konsequenzen
People Analytics mit Relevanz für alle Personalfunktionen
Neue Berufsbilder im Personalmanagement
Perspektive Personalmanagement: Das Personalmanagement ist indirekt und direkt durch Big Data betroffen
Quelle: Krauss, Kaiser, Richter (2014).
8. 8
Migel Rayner von Gartner zum Thema White Collar Robots: „Das meiste, was Manager, Finanzchefs oder Vorstände heute tun, werden in Zukunft Maschinen erledigen – und zwar besser“
Constanze Kurz und Frank Rieger in ihrem Buch „Arbeitsfrei“ „Erfahrung, Wissen und Intuition werden durch Software nachgebildet, Statistiken, Optimierungs- und Wahrscheinlichkeitsrechnungen ersetzen die oft eher unscharf begründeten, einfach zu beeinflussenden Entscheidungen des Menschen“ . . . „Die Automatisierung des Geistes, die Ablösung menschlicher Hirntätigkeit durch Software und Algorithmen, hat das Potential, die Arbeits- und Lebenswelt noch stärker zu verändern, als es durch die Robotorisierung und Automatisierung der Produktion bereits eingeleitet worden ist“
9. 9
Erik Brynjolfsson, Professor an der MIT’s Sloane School of Management „People analytics will ultimately have a vastly larger impact on the economy than the algorithms that now trade on Wall Street”.
11. 11
Moneyball Approach im Personalmanagement – Beispiele 1
Royal Dutch Identifikation von Mitarbeitern mit Potential zu Durchbruchinnovationen über historische Daten aus Computerspielen (Knack.it)
Xerox Online-Evaluation durch Evolv
Harrah‘s Casino Las Vegas Analyse des Lächelns der Mitarbeiter als Prädiktor für Kundenzufriedenheit
Gild Identifikation von Entwicklern über alle im Netz verfügbare Informationen und Leistungsvorhersage
12. 12
Alex (Sandy) Pentland
Bewegungs- und Kommunikationsverhalten durch elektronische Armbänder erhoben (2500 Mitarbeiter in 21 Organisationen)
Drittel der Teamperformance vorhersagbar über die Anzahl der Face-to-Face Kontakte
Vorhersage, welches Team einen Business-Plan gewinnt
Vorhersage, wer richtigerweise sagt, dass er einen produktiven Tag hatte.
Bestimmung des „natural leader“ über „data signature“
2010 Gründung von Sociometric Solutions: Kunden nutzen Badges auf Projektbasis, permanenter Einsatz möglich.
Z.B. App zum Benchmark mit erfolgreichen Mitarbeitern im Hinblick auf Bewegung, Zuhören, Kontakte außerhalb des eigenen Teams
Moneyball Approach im Personalmanagement – Beispiele 2
14. 14
Gerard George, Martine Haas & Alex Pentland im Academy of Management Journal, April 2014: “Such granular, high-volume data can tell us more about workplace practices and behaviors than our current data-collection methods allow—and have the potential to transform management theory and practice.“
Big Data in der Forschung zum Personalmanagement (1)
15. 15
Big Data in der Forschung zum Personalmanagement (2)
(ungeprüfte) Theorie
Hypothesen
Spezifische Datenerhebung
(geprüfte) Theorie
verfügbare Daten
Erkennen von Mustern und Zusammenhänge in den Daten
Nutzung der Zusammenhänge als Entscheidungs- grundlage
Evidenzbasiertes Personalmanagement (ex-post)
Analytisches Personalmanagement (in Echtzeit)
16. 16
Big Data in der Praxis des Personalmanagements: Mode oder Fortschritt?
Quelle: e.Ü.; * http://www.tlnt.com/2013/02/26/how-google-is-using-people-analytics-to-completely-reinvent-hr/
Bekannte Nutzung bisher im Wesentlichen im US-amerikanischen Raum
Vergleichsweise wenig Kommunikation über Anwendung
Fehlende Expertise im Personalbereich – Data Scientist als neues Berufsbild auch im Personalmanagement
Lücke zwischen intelligenter Analytik und konkreter Aktion lässt sich prognostizieren
Fragen des Datenschutzes, Mitbestimmung etc. liegen auf der Hand
Ausnahme Google: „data driven HR-function“ „all people decisions at Google are based on data and analytics“ „bring the same level of rigor to people-decisions that we do to engineering decisions“*
17. Kontaktdaten
Contact me via: Xing LinkedIn Prof. Dr. Stephan Kaiser Universität der Bundeswehr München Institut für Entwicklung zukunftsfähiger Organisationen Lehrstuhl für Personalmanagement und Organisation E Stephan.Kaiser@unibw.de T +49 (0)89 6004 4405 M +49 (0)172 84 86 822 W www.pers-orga.de; www.professional-service-firm.net 17