Künstliche Intelligenz und Machine Learning im Personalwesen

Während Künstliche Intelligenz (KI) und maschinelles Lernen in Unternehmensbereichen wie dem Vertrieb oder Branchen wie Versicherungen schon gang und gäbe sind, kommen sie im Personalwesen noch nicht in der Breite zum Einsatz.

Das wird sich ändern: Denn auf Basis intelligenter Tools können künftige Entwicklungen wie mögliche Kündigungen mit genauen Wahrscheinlichkeiten prognostiziert werden – und entsprechend kann ihnen mit zeitnahem Gegensteuern begegnet werden.

Maschinelles Lernen und künstliche Intelligenz (KI) werden für Unternehmen immer wichtiger. Mit diesen Tools können Entwicklungen aufgrund verschiedener Parameter und Einflussfaktoren mit einer gewissen Wahrscheinlichkeit voraussagt werden. Damit ist der Blick in die Glaskugel nicht mehr nötig. Gerade im Personalwesen schaffen die Instrumente neue Möglichkeiten: Unternehmen können vorausschauend und marktgerecht agieren, Trends erkennen und zum Beispiel Mitarbeiter halten, um Fachkräfte und Wissen im Unternehmen zu binden und Kündigungskosten zu vermeiden. 

Die Notwendigkeit neuer Tools bringen die Umbrüche und das dynamische Umfeld der neuen VUCA-Welt (Volatility, Uncertainty, Complexity und Ambiguity) sowie die Vielzahl an Daten mit sich, die mit zunehmender Digitalisierung generiert werden. Einfaches List Reporting ist nicht mehr zeitgemäß und bringt den Unternehmen keinen spürbaren Mehrwert.

KI und Machine Learning führen auf bestehenden Datenbeständen Abrufe durch und können unterschiedlichste Fragestellungen beantworten. Im HR-Bereich ist ihr Einsatz sinnvoll, da es zahlreiche Konstellationen von Daten gibt. Beispielsweise können Ihre Gehaltsdaten in einem Benchmarkvergleich die eigene Position in Relation zu den Mitbewerbern aufzeigen. Darüber hinaus können Personalmaßnahmen im Bezug auf Ihre Häufigkeit gezählt werden, um eine Prozesskostenrechnung etwa für den Bewerbungsprozess zu bestimmen. Auch konkrete Fragen wie „Wie wechselbereit sind die Beschäftigten? Wer von den Beschäftigten könnte mit welcher Wahrscheinlichkeit zu dieser Gruppe gehören?“ können beantwortet werden. Die Tools ermöglichen es hier, Wirkungen zu identifizieren, die der Endanwender auf Kausalitäten prüfen kann.

Auch Potenzialanalysen und Entwicklungspfade von Karrieren lassen sich analysieren und herausfinden, welche Voraussetzungen und Eigenschaften erforderlich sind, um diese dann zum Beispiel auf den Junior-Führungskräftestab anzuwenden. 

Die Deutsche Bahn etwa analysierte, wie sich das Krankheitsverhalten der Belegschaft verändert, wenn Mitarbeiter die Arbeitsunfähigkeitsbescheinigung nicht gleich am ersten Krankheitstag vorlegen müssen. Anhand von Stichproben aus repräsentativen Gruppen wurde überprüft, wie es sich wissenschaftlich auswirkt, wenn die DB auf die Forderung, ab dem ersten Tag eine Krankmeldung vorlegen zu müssen, verzichtet. Das Ergebnis: Die Krankenquote verringerte sich und das Vertrauen der Belegschaft wuchs. Der Ansatz wurde auf das Unternehmen ausgerollt – es spart heute Geld wegen der reduzierten Krankenquote.

Eine neue Generation des maschinellen Lernens in BI-Anwendungen bietet die SAP Analytics Cloud mit der integrierten Smart Predict. Smart Predict nutzt drei Verfahren, um drei Arten der Fragestellungen abzudecken. 

• Über die Zeitreihe werden anhand der zeitlichen Entwicklung von Datenpunkten Prognosen für die Zukunft getroffen. 

• Die Regression zeigt, welche Untersuchungsgegenstände miteinander korrelieren, wie schwach oder stark der Zusammenhang ist und ob er gleichläufig oder gegenläufig ist. 

• Die Klassifikation erlaubt Aussagen darüber, wie hoch die Wahrscheinlichkeit ist, dass ein Ereignis eintritt. 

Voraussetzung ist eine gut aufbereitete Datengrundlage

Smart Predict kann auf jeder Datengrundlage eingesetzt werden. Es nutzt abhängig vom Untersuchungsgegenstand Einzel- bzw. Untersuchungsdatensätze. Bevor die vorhandenen Daten mit maschinellem Lernen durchforstet werden, muss die Datengrundlage aufbereitet werden, müssen die Daten belastbar sein und strukturiert vorliegen. Diese Vorbereitung des Grunddatensets ist eine Hauptaufgabe, die oft unterschätzt wird – mit der Folge, dass die gewählte Fragestellung nicht richtig beantwortet werden kann.