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 -1502biemann@bwl.uni-mannheim.de