Post on 19-Oct-2021
transcript
Zur Person
• Diplom-Informatiker
• Professur für Rechnernetze und Telekommunikation
• Vernetzung als Teil der Digitalen Transformation
• Technische Aspekte des Arbeitnehmerdatenschutz
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 2
Hrsg. Peter Wedde
Gliederung
1. Digitale Transformatoren
2. Big Data – im Betrieb
3. People Analytics – Den Einzelnen im Blick
4. Mining the Enterprise Social Graph – Das soziale Netzwerk
Belegschaft im Blick (Vermessung)
5. Wirkungen auf den Arbeitnehmerdatenschutz 17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 3
EDV + Miniaturisierung + Durchdringung
• Miniaturisierung
• Durchdringung
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 5
+ Einbettung
• Eingebettete Systeme:
– Hardwareelemente aus Sensoren und Aktoren ergänzt um künstliche Intelligenz/ Software
– In größere Systeme einbetten
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 6
Internet of Things
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 8
Das Internet der Dinge [ … ] bezeichnet die Vision einer globalen Infrastruktur der Informationsgesellschaften, die es ermöglicht, physische und virtuelle Gegenstände miteinander zu vernetzen und sie durch Informations- und Kommunikationstechniken zusammenarbeiten zu lassen. Wikipedia
Industrie 4.0
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 9
In der Industrie 4.0 verzahnt sich die Produktion mit modernster Informations- und Kommunikationstechnik. Technische Grundlage hierfür sind intelligente, digital vernetzte Systeme, mit deren Hilfe eine weitestgehend selbstorganisierte Produktion möglich wird: Menschen, Maschinen, Anlagen, Logistik und Produkte kommunizieren und kooperieren in der Industrie 4.0 direkt miteinander.
Plattform Industrie 4.0
Biga Data – (eigentlich) ein Problem der Informatik
• Velocity – Geschwindigkeit
• Variety – Vielfalt
• Volume - Menge
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 11
Allgegenwärtige Datenerfassung und Datenproduktion
• Transaktionssysteme (ERP, CRM, HRM)
• Internet der Dinge/ Industrie 4.0
• Innerbetriebliche Informations- und Kommunikationssysteme
• Innerbetriebliche Soziale Netze
• Suchmaschinen
• Soziale Medien
• E-Shopping
• Selbstvermessung / Quantified Self
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 13
Arbeitnehmerdaten
Personaldaten (Personalabteilung)
• Personalstammdaten
• Arbeitsplatzdaten: Stellenbeschreibung, Zeiterfassung, Arbeitskenntnisse und vorherige Anstellungen
• Leistungsdaten: Leistungsbeurteilungen, Verkaufszahlen, Beschwerden, Auszeichnungen und Beförderungen
• Entgeltdaten: Gehaltsentwicklungen, Boni, Dienstwagen, Altersvorsorge, Bausparen
• Fertigkeiten und Fähigkeiten: Abschlüsse, Weiterbildungen
• Befragungsdaten: Mitarbeiterzufriedenheit.
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 15
Arbeitnehmerdaten
• Kommunikation – E-Mails, Verkehrs- und Inhaltsdaten – Telefon, Verkehrsdaten – Messenger, Verkehrs- und Inhaltsdaten
• Kooperation/ Interne soziale Netze – Profile – Blogs, Microblogs, Kommentare, Likes – Arbeitsgegenstände, Dokumente
• Produktion – Maschinen – Sensoren
• Extern – soziale Netze – Web – demographische Daten, etc.
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 16
Umwandlung unstrukturierter Daten
• Text-Mining
– analysieren, verstehen, Stimmung erkennen – verschlagworten, strukturierte Daten
• Spracherkennung (Audio-Mining) – Sprache zu Text – dann Textmining
• Bilderkennung (Image-Mining) – Gesichter, Orte – verschlagworten, strukturierte Daten
• Video-Mining – Szenen, Gesten, Mimik – verschlagworten, strukturierte Daten
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 17
Big Data Analysen
Wenn
all die vielen Daten – erzeugt,
– erfasst,
– umgewandelt und
– (als strukturierte Daten) gespeichert
sind, dann
können Sie analysiert werden. Das geschieht mit Methoden des Data Minings
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 19
Data-Mining-Methoden
Verwandt mit Begriffen: Analytics, Maschinelles Lernen, Prediction
Vorhersagen treffen (prädiktiv)
• Klassifikation: Wer wird (einen Vertrag) kündigen? Zahlt der den Kredit zurück? Wird ein Werkzeug brechen?
Einteilungen vornehmen (prädiktiv)
• Assoziationsanalyse: Wer das kauft, kauft auch … (Warenkorb)
Strukturen oder Auffälligkeiten beschreiben (deskriptiv)
• Cluster-Analyse: Welche Kundengruppen kann ich unterscheiden?
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 20
Kategoriale und relationale Daten
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 21
Kategoriale Daten: Einzelangaben zu Arbeitnehmern (Datensätze) Relationale Daten: Angaben zu Arbeitnehmern in ihrer Vernetzung im sozialen Netz Betrieb
Klassifikation: Beispiel Kreditvergabe
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 23
• Aus Trainingsdaten lernen • An Testdaten testen • Mit Klassifikator klassifizieren
Quelle: Böhm, Uni Karlsruhe
Personalmanagement
– Wer wird das Unternehmen bald verlassen? • Abgleich Daten von Personal das bald darauf gekündigt hat. • XEROX-Erfahrungen mit Call-Center-Personal
– Wie hängen Anreise und Krankheitstage zusammen? – Wie wirken sich Ferien auf die Mitarbeitenden aus?„Der Vergleich der bezogenen Ferien mit
Verkaufszahlen, Zufriedenheit, verschickten Mails und bearbeiteten Dokumenten gibt Einblick in die Wirkung von Ferien. … auch die Verteilung der bezogenen Ferien über das Jahr [ist interessant]“ (Ferienpläne).
Welche Mitarbeitenden sind in welchen Themen Experten? Die abgerufenen Seiten auf Wikipedia zeigen, für welche Themen sich die Mitarbeitenden interessieren. Die von den Mitarbeitenden abgerufenen Seiten geben Einblick in thematische Netzwerke.
Wer könnte bald unter einem Burnout leiden? Die Daten der Vergangenheit zeigen, welche Auffälligkeiten im digitalen Mitarbeiterverhalten ein Burnout begünstigen. Dazu gehören insbesondere die Entwicklungen im Mailverhalten, den Social Media Aktivitäten sowie den abgerufenen Dokumenten.
Wie hängen Ausschreibung und Bewerbungen zusammen? Der Vergleich von verwendeten Kernworten in den Inseraten sowie den verwendeten Medien mit der Qualität und Quantität der eintreffenden Bewerbungen gibt Aufschluss über erfolgreiche Wege der Rekrutierung.
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 24
Microsoft Office365
• 120 Millionen geschäftliche Nutzer
• 28 Millionen private Nutzer
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 26
Quelle: Microsoft
Der Graph in der Mathematik
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 28
• Menge von Knoten und Kanten 𝐺 = (𝑉, 𝐸)
• gerichtet / ungerichtet
• bewertet/unbewertet
• Grad eines Knoten (z.B. G(E)=5)
• Brücke (F/J)
• Wege (E-F-J-L)
• Nachbar (i und K sind Nachbarn)
• zusammenhängend, vollständig, schlicht
Matrix
Analyse sozialer Netzwerke
• Teilgebiet der Soziologie
• Es geht um:
– Stellung von Individuen im Sozialen Netz
– Macht, Einfluss und Autonomie
– Teilgruppen, Clans und Cliquen
• Man verwendet Graphenalgorithmen
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 29
Zentralität - Bedeutung
Gradzentralität: Viele Kanten; Wichtig, weil er mit vielen in Kontakt steht;
in vielem „drinhängt“; aktive Player; „where the action is“.
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 32
𝑍𝐺(𝑛𝑖) =𝐺(𝑛𝑖)
(𝑔 − 1)
0,1
0,3 0,5
Zentralität - Bedeutung
Dazwischenzentralität: Maß für Mittler; liegen auf dem Weg; werden
benötigt; auf seine Mitwirkung ist man angewiesen; wichtigstes Zentralitätsmaß.
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 33
Zentralität - Bedeutung
Brücke/Gelenkpunkt:
– verbinden strukturelles Loch
– Austausch Informationen/Ressourcen
– gelten als Innovatoren, Modernisierer, Wanderer
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 34
Prestige - Ansehen
• Eingangsgradprestige: Viele eingehende Kanten; viele wenden sich an den Akteur; man sucht Unterstützung/Rat; Gradzentralität vs. Eingangsgradprestige: Viel Eingang, wenig Ausgang: Graue Eminenz; Viel Ausgang, wenig Eingang: kümmert sich, macht und tut, „gesellig“.
• Proximitätsprestige: Wen kann der Akteur erreichen? Wer erreicht den Akteur (Einflussbereich); Größe des Einflussbereichs und Nähe zu den anderen. Wege zu den anderen; ist den anderen nahe; braucht wenig Mittler; ist unabhängig.
• Rangprestige/PageRank: Wer von angesehenen Akteuren um Rat gefragt wird, ist selbst angesehen. Wer von Akteuren mit wenig Prestige angefragt wird, hat selbst wenig Prestige.
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 35
• Bedeutung, Nähe, Mittlerrolle, Außenseiter • Graue Eminenz, Aktivist, einflussreich vernetzt • Cliquen/Clans
– starke Bindungen im Inneren, oft gering vernetzt nach außen – großer Zusammenhalt – keine neuen Ideen, nicht innovativ, „schmoren“ im eigenen Saft
• Brücken/ Gelenkpunkte – Personen sind sehr wichtig, Zusammenhalt hängt an ihnen – Sie gelten als Wanderer zwischen den Welten – Über sie läuft alles, sie haben die besten Informationen – Man wendet sich an sie, um Neues zu erfahren
• Zentralität – Man geht von unumstrittener Führungsrolle aus, allseits anerkannt, wenig
Reibungsverluste
• Macht und Einfluss • Informationsfluss • Empfehlungen
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 37
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 40
Evolution der Microsoft-Produkte (auf Basis Office Graph 365)
(Quelle Microsoft) Delve
Delve Analytics MyAnalytics
Delve Organisational Analytics
Neueste Entwicklung: Workplace Analytics
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 41
Quelle: Microsoft
Ziele von Workplace Analytics
(Ziele noch etwas disparat)
• Produktivität von Wissensarbeitern messen
• auf einer gesamtorganisatorischen Ebene (Belegschaft)
• alles in Echtzeit – Daten fallen ab (digital exhaust)
• Konzentration auf wesentliche Leistungsindikatoren (KPIs)
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 42
Workplace Analytics • top performer (sales)
– Kommunikationsdaten analysieren
– Verhaltensmatrix bestimmen (behavioral matrix)
– Erfolgsmuster identifizieren
– Mitarbeiter auf Erfolgsmuster verpflichten (Symantec) oder
– Erfolg aufgrund von Verhaltensmustern abschätzen
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 43
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 46
Chantrelle Nielsen, Microsoft's director of research and strategy
"You can use Workplace Analytics to answer questions like what do the best people in this organization, the people who are most satisfied and most productive... What is the kind of pattern that they work in, and what kind of rhythm seems to be predicting that outcome of success or happiness.“ (ab 1:16’, 1:55’)
Quelle: Microsoft
Arbeitnehmerdatenschutz / Leistungs- und Verhaltenskontrollen
Grundsätze / Instrumente
• Das personenbezogene Datum
• Die Erforderlichkeit
• Die Zweckbindung
• Die Transparenz
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 49
Biga Data – Data Mining
• Immer mehr Datenpunkte pro Person
• „zweckfreie Datensammlung“/ Vorratsdatenspeicherung
• Zukunft leitet sich aus Vergangenheit ab
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 50
Neues Miteinander von Mensch und Maschine
• Der Arbeitnehmer als Avatar
– Viele Daten über den Arbeitnehmer werden erforderlich sein oder für erforderlich gehalten werden.
– Viele Daten werden von der „Kooperationsmaschine“ erhoben werden. (Transparenz)
• In der Sphäre des Maschinellen können Entscheidungen vorbereitet, vorgeschlagen, gefällt und durchgesetzt. Der Mensch kann ermahnt, bestraft und übergangen werden.
• Der Wunsch nach Personalisierung impliziert, dass die Maschine uns immer besser kennt.
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 51
Steigende Bedeutung relationaler Daten
• LuV-Kontrolle stark an Datensatz/Tabelle (kategoriale Daten) orientiert.
• Datensätze werden immer länger. • Relationale Daten sind Daten über
Beziehungen. • Es bilden sich soziale Graphen. • Man kann
– Stellung einzelner – Stellung und Arbeitsweise von
Gruppen analysieren und vergleichen.
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 52
Fazit
Weißbuch Arbeiten 4.0 – Handlungsdruck Arbeitnehmerdatenschutz
• Auflösung geographisch definierter Speicherort
• Möglichkeit der Dauerüberwachung
• Durchleuchtung um zukünftiges Verhalten zu berechnen
Prozessuales Vorgehen !!!
17.08.2018 Prof. Dr.-Ing. Heinz-Peter Höller 53