Big Data im Vergütungsmanagement: Wie lassen sich Daten für … · 2016. 11. 23. · Aber: Auch...
Transcript of Big Data im Vergütungsmanagement: Wie lassen sich Daten für … · 2016. 11. 23. · Aber: Auch...
Big Data im Vergütungsmanagement:Wie lassen sich Daten für strategische Ziele nutzen?Prof. Dr. Torsten BiemannPraxisforum Vergütungsstrategie, 22.11.2016 in Frankfurt
Wie kann „Big Data“ im HR für die Vergütung genutzt werden?
2
1011101
0011011
0110111
0001101
1000000
0100111
1101001
1000011
1011111
0101101 0000010
0010011
0000000
0100000
0011001
1101101
0011101
0100010
1100001
1101001
0011111
0111100
Mein Unternehmen Andere Unternehmen und Plattformen
1101110
0101001
10101110110010
1011000
1010111
HR0100110
0100111
0101011
0000110
1010111
1000111
0100110
1010010
11011010011001
1101101
1100001
1101001 0100110
0100111
Wie kann „Big Data“ im HR für die Vergütung genutzt werden?
3
1011101
0011011
0110111
0001101
1000000
0100111
1101001
1000011
1011111
0101101 0000010
0010011
0000000
0100000
0011001
1101101
0011101
0100010
1100001
1101001
0011111
0111100
Mein Unternehmen Andere Unternehmen und Plattformen
1. Wie können Daten aus dem eigenen Unternehmen genutzt werden?2. Wie können Daten von anderen Unternehmen und Plattformen genutzt werden?3. Wie werden Mitarbeiter reagieren?
1101110
0101001
10101110110010
1011000
1010111
HR0100110
0100111
0101011
0000110
1010111
1.2.
3.
1000111
0100110
1010010
11011010011001
1101101
1100001
1101001 0100110
0100111
Daten aus dem eigenen Unternehmen
Datenvolumen im HR geringer und Daten stärker strukturiert
Geringerer Einfluss einer „VUCA“-Umgebung auf die verwendbaren Daten
Verfahren anderer Unternehmensbereiche im HR kaum anwendbar
Z.B. Predictive Maintenance, Data Mining
Über Industrie 4.0 und Digitalisierung: Mögliche Verwendung von Daten zur besseren Leistungsmessung
Starke Limitationen der Verwendung von (Big) Data durch Datenschutz und Mitbestimmung
4
Bild: LinkedIn
Beförderungsentscheidungen bei Google
Vorher: Mittleres / Topmanagement trifft sich zweimal pro Jahr
Diskussionen über Beförderungen in Kleingruppen
People-Analytics-Team: Können wir diesen Prozess effizienter machen?
Datenbasiertes Modell für die Beförderungsentscheidungen:
Modell hatte eine hohe Genauigkeit, aber Manager argumentierten:
„People should make people decisions“
5
𝑂𝑑𝑑𝑠 = 𝑒−22.216+ 5.227∗𝐴𝑣𝑟𝑔𝑃𝑒𝑟𝑓 + 2.732∗𝑀𝑔𝑟𝑅𝑒𝑐𝑜𝑚 +(0.971∗𝑆𝑒𝑙𝑓𝑅𝑒𝑐𝑜𝑚)
𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡𝑦 % =𝑂𝑑𝑑𝑠
1 + 𝑂𝑑𝑑𝑠
Meta-Analyse: Algorithmus versus Experte
“For predicting job performance, mechanical approaches substantially outperform clinical combination methods.” (S. 1064)
Ähnliche Ergebnisse für andere diagnostische Entscheidungen
(kaum Evidenz zu Fairnesswahrnehmungen der Mitarbeiter beiVerwendung von Algorithmen)
6
N(Stichprobengröße)
K(Anzahl Studien)
rAlgorithmus rExperten
Leistung ca. 1200 9 0.40 0.28
Beförderungen 683 5 0.36 0.36
Training 188 2 0.31 0.16
Kuncel, N. R., Klieger, D. M., Connelly, B. S., & Ones, D. S. (2013). Mechanical versus clinical data combination in selection and admissions decisions: A meta-analysis. Journal of Applied Psychology, 98(6), 1060.
Evidenzbasiertes Personalmanagement (EBPM)
Wurzeln in der “evidenzbasierten Medizin”
Grundsätze:
Unternehmen ist ein unfertiger Prototyp
Methoden und Ergebnisse aus der Wissenschaft
Daten aus dem eigenen Unternehmen analysieren
7
Vorgehen:Schritt 1: Definition der Fragestellung und „Logik“Schritt 2: Erfassung bestehender
(wissenschaftlicher) EvidenzSchritt 3: Eigene Datenanalysen
Beste
externe
Evidenz
Erwartungen
(potentieller)
Mitarbeiter
EBPM
Erfahrung
und interne
Evidenz
Kennen Personaler Ergebnisse aus der Wissenschaft?
Projekt in Kooperation mit der DGFP und Prof. Heiko Weckmüller (FOM)
Befragung unter DGFP-Mitgliedern in 2013 (n = 189)
Ergänzung durch Befragung von Studenten
Fragebogen mit 19 Aussagen, die
in der Personalpraxis wichtig sind und
zu denen klare Forschungsergebnisse vorliegen.
Antwortmöglichkeiten: „richtig“, „falsch“ oder „weiß nicht“
8
79,9
15,3
4,8
0
10
20
30
40
50
60
70
80
90
100
richtig falsch weiß nicht
„Arbeitnehmer der Generation Y (nach ca. 1980 geboren) haben grundlegend andere arbeitsbezogene Einstellungen und Wertvorstellungen als Arbeitnehmer der Vorgängergeneration (Generation X, zwischen ca. 1965 und 1979 geboren).“
Pro
zen
t
Stand in der Forschung
9
Mögliche Wertänderungen als Grundlage für angepasste HR-Maßnahmen?
Generationen:
– Baby Boomer (1955-1964)
– Generation X (GenX; 1965-1981)
– Generation Y (GenY; 1982-1999)
Studie zu veränderten Werten:
– Bedeutung extrinsischer Belohnung
– „Ein Job mit hohem Status und Prestige“
– Bedeutung intrinsischer Belohnung
– „Ein Job, der Spaß macht“
– Altruistische Motive
– „Ein Job, der gut für das Gemeinwohl ist“
– Freizeitorientierung
– „Ein Job, in dem man viele Ferientage hat“
Twenge et al. (2010)
10
Arbeitsbezogene Wertvorstellungen haben sich kaum verändert
Baby
Boomer
GenX GenY1
2
3
4
5
2,362,60 2,76 Freizeitorientierung
3,85 3,83 3,76 Bedeutung intrinsischer Belohnung
3,30 3,27 3,23 Altruistische Motive
2,632,90 2,81 Bedeutung extrinsischer Belohnung
Abbildung: Biemann/Weckmüller (2013), basierend auf Daten in Twenge et al. (2010): 1127-1129 (Tabelle 1 )
Gar nicht
wichtig
Sehr
wichtig
11
„Die Jugend von heute liebt den Luxus, hat schlechte Manieren und verachtet die Autorität. Sie widersprechen ihren Eltern, legen die Beine übereinander und tyrannisieren ihre Lehrer.“ (Sokrates zugeschrieben)
11,1
78,3
10,6
0
10
20
30
40
50
60
70
80
90
100
richtig falsch weiß nicht
„Die Stabilität von Beschäftigungsverhältnissen (gemessen an der durchschnittlichen Betriebszugehörigkeit) hat sich in den letzten 20 Jahren kaum verändert.“
12
Pro
zen
t
Stand in der Forschung
12
Durchschnittliche Dauer von Beschäftigungsverhältnissen
13
Quelle: https://stats.oecd.org/Index.aspx?DataSetCode=TENURE_AVE
0
2
4
6
8
10
12
14
Deutschland Frankreich Italien Schweden UK Schweiz
1010,9
11,811,2
7,99,2
11 11,4
12,9
9,58,8 9
2000 2014
Jahre
“Verteilung der Beschäftigungsdauer hat sich während der letzten 15 Jahre nicht wesentlich verändert.“ (Statistisches Bundesamt, Wirtschaft und Statistik, November 2012, S. 994)
Extrinsische Anreize und intrinsische Motivation wirken gemeinsam auf Leistung
N k r
Gesamt 212 468 183 0.26
An Vergütung gekoppelt? 7 814 40 0.36
Ja, indirekt 3 133 8 0.45
Ja, direkt 3 975 27 0.30
Nein 117 017 34 0.27
Art der Leistung:
Qualität 8 926 34 0.35
Quantität 185 323 78 0.26
14
N = Stichprobengrößek = Anzahl der Effekte/Studienr = korrigierter Korrelationskoeffizient
Quelle: Cerasoli, C. P., Nicklin, J. M., & Ford, M. T. (2014). Intrinsic motivation and extrinsic incentivesjointly predict performance: A 40-year meta-analysis. Psychological Bulletin, 140(4), 980.
Zusammenhang intrinsischer Motivation und Leistung:
Verwendung externer Daten
Status Quo: Benchmarks zum Gehalt erfassen den Ist-Zustand in anderen Unternehmen
Unternehmensübergreifende Daten und Analysen i.d.R. schwer umsetzbar
Datenschutz
Widerstand im Unternehmen
Möglicher Nutzen von Big Data und Predictive Analytics z.B.:
Analyse der Stellenanzeigen von Wettbewerbern, um Engpässe vorherzusagen
Rechtzeitiges Entgegensteuern durch Vergütung
Identifizieren von Mitarbeitern anderer Unternehmen mit unterdurchschnittlichem Gehalt
Analyse der Wirkung unterschiedlicher Vergütungshöhe und –arten (über Cloud)
15
Wie werden die Mitarbeiter reagieren?
Verfügbarkeit von Informationen auch für (potentielle) Mitarbeiter gestiegen „transparente Organisationen“
Menschen sind opportunistisch. Anpassungen an den Algorithmus?
Menschen sind subjektiv und (manchmal) irrational. Entscheidungsqualität und Fairnesswahrnehmungen können divergieren
Implementierungshindernisse oft bei Unternehmenskultur und Mitarbeitereinstellungen, nicht so sehr bei der Technologie
16
Anmerkungen für die HR-Praxis
People Analytics als wesentlicher Teil eines evidenzbasierten Personalmanagements Ergänzung durch bestehende externe Evidenz
Aber: Auch Big Data und People Analytics liefern nicht alle Antworten
1. Verwendung von Daten aus dem Unternehmen Enge Grenzen durch Verfügbarkeit und Datenschutz
2. Verwendung von Daten aus anderen Unternehmen Im engeren Sinne: Vor allem bei Mitarbeitergewinnung und Bindung denkbar
Im weiteren Sinne: stärkere Berücksichtigung bestehender Evidenz aus Studien
3. Reaktionen der Mitarbeiter Reaktanz
Opportunistisches Verhalten
17
Welche Rolle spielt Vergütung für Unternehmenswechsel?
18
Unternehmens-wechsel
Griffeth, Hom, & Gaertner, 2000
Arbeitszufriedenheit
Zufriedenheit mit dem Gehalt
Zufriedenheit mit dem Vorgesetzten
Austausch mit dem Vorgesetzten
Zufriedenheit mit den Kollegen
Rollenklarheit
Rollenkonflikte
Stress
Alternative Angebote
Aufstiegsmöglichkeiten
Verspätungen
Fehlzeiten
Leistung
r = -0,19
r = -0,07
r = -0,10
r = -0,11
r = -0,23
r = -0,21
r = 0,20
r = 0,14
r = 0,12
r = -0,12
Zufriedenheit und Führung
Arbeitsaufgabe
Karriere
r = 0,06
r = 0,20
r = -0,15
Anmerkungen für die HR-Praxis
People Analytics als wesentlicher Teil eines evidenzbasierten Personalmanagements Ergänzung durch bestehende externe Evidenz
Aber: Auch Big Data und People Analytics liefern nicht alle Antworten
1. Verwendung von Daten aus dem Unternehmen Enge Grenzen durch Verfügbarkeit und Datenschutz
2. Verwendung von Daten aus anderen Unternehmen Im engeren Sinne: Vor allem bei Mitarbeitergewinnung und Bindung denkbar
Im weiteren Sinne: stärkere Berücksichtigung bestehender Evidenz aus Studien
3. Reaktionen der Mitarbeiter Reaktanz
Opportunistisches Verhalten
19
Vielen Dank für die Aufmerksamkeit!
20
Kontakt:Prof. Dr. Torsten BiemannUniversität MannheimLehrstuhl für Personalmanagement und FührungTel.: 0621 181 [email protected]