Zusammenfassung
Ein ganzheitliches, datenbasiertes HR-Management kann aus einer breiten Palette deskriptiver, explorativer und prädiktiver Verfahren schöpfen und damit Erkenntnisse für ein zukunftsorientiertes HR-Management schaffen. Anhand eines Beispiels zum Kündigungsverhalten von Beschäftigten eines Unternehmens wird gezeigt, wie eine solche Analyse ausgestaltet sein kann. Beginnend mit einer deskriptiven Analyse vorhandener Daten werden über eine Assoziationsanalyse Muster in den Daten identifiziert, die als Vorbereitung und Ergänzung in ein Modell zur Vorhersage von Kündigungswahrscheinlichkeiten einfließen.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Die ebenfalls in diesem Zusammenhang zu nennende Sentimentanalyse ist dann rein deskriptiv, wenn der zu untersuchende Wortschatz mit einem bereits existierenden Sentiment-Lexikon abgeglichen wird. Auch hier ist es aber möglich, den Wortschatz in einen Trainings- und Testdatensatz zu splitten und auf Basis des mit den Trainingsdaten erzeugten und mit den Testdaten geprüften Modells hieraus ein Vorhersagemodell für bislang unbekannte, nicht in den Trainings- oder Testdaten enthaltene Worte bzw. Wortkombinationen zu machen.
- 2.
Die Übersicht zu den Verfahren in Abb. 8.1 zeigt eine Auswahl wichtiger Verfahren und erhebt keinen Anspruch auf Vollständigkeit.
- 3.
Eine hilfreiche Übersicht zu unterschiedlichen Fragestellungen und Datensätzen findet sich z. B. unter https://www.analyticsinhr.com/blog/hr-data-sets-people-analytics/ (Zugegriffen am 27.12.2019).
- 4.
Um die Analysen und Ergebnisse dieses Beispiels zu replizieren, kann der R-Code bei der Autorin angefordert werden.
- 5.
Der Anteil der High Performer an der Belegschaft beträgt 30 %, derjenigen mit geringer Performance 10 % und mit mittlerer Performance 60 %.
- 6.
Die Pearson-Residuale zeigen an, ob und in welche Richtung (+/−) die beobachtete Häufigkeit signifikant von der erwarteten Häufigkeit abweicht. Bei einem Wert von Nahe null sind die Variablen unabhängig. Rote Felder zeigen an, dass weniger Beobachtungen vorhanden sind als erwartet und blaue Felder, dass mehr Beobachtungen vorhanden sind als im Nullmodell (Unabhängigkeit). Erwartete Häufigkeiten ergeben sich aus dem Quotienten (Zeilen- x Spaltensumme)/Gesamtsumme der Fälle.
- 7.
- 8.
Hierbei kommt der rpart (Recursive Partitioning And Regression Trees)-Algorithmus zur Anwendung. Ohne auf die technischen Details einzugehen, werden mit diesem Algorithmus schrittweise diejenigen Merkmale (unabhängigen Variablen) identifiziert, die die Zugehörigkeit zu einer Ausprägung der jeweiligen abhängigen Variablen am besten trennt. Stufenweise werden solange Merkmale in das Modell aufgenommen, bis die Aufnahme weiterer Merkmale zu keiner verbesserten Differenzierung führt. Da es sich hier um einen Algorithmus handelt, der auf jeder Stufe eine unabhängige Entscheidung fällt, ist das Ergebnis sensibel gegenüber Veränderungen im Datensatz. Das Random Forest-Verfahren stellt eine Alternative dar, da hier zunächst x unabhängige Klassifikationsbaumverfahren mit leicht unterschiedlichen Startbedingungen durchgeführt werden, über die anschließend gemittelt wird. Für eine ausführliche Erläuterung der Algorithmen siehe (Awati 2016).
- 9.
Unter Berücksichtigung der hier verwendeten Gütemaße werden dieselben Werte für einen Schwellenwert von 0,576 erzeugt. Für diesen gilt aber >0,397, so dass der Schwellwert 0,397 als konservativer Schwellenwert interpretiert werden kann.
Literatur
Awati, K. (2016). A gentle introduction to decision trees using R, Blog „from eight to late“. https://eight2late.wordpress.com/2016/02/16/a-gentle-introduction-to-decision-trees-using-r/, https://eight2late.wordpress.com/about/. Zugegriffen am 19.12.2019.
Brink, H., Richards, J. W., & Fetherolf, M. (2016). Real-world machine learning. Shelter Island/New York: Manning Publications.
Girmanová, L., & Gašpárová, Z. (2018). Analysis of data on staff turnover using association rules and predictive techniques. Quality Innovation Prosperity, 22(2), 82–99.
Glebbeek, A. C., & Bax, E. H. (2004). Is high employee turnover really harmful? An empirical test using company records. Academy of Management Journal, 47(2), 277–286.
Hahsler, M., Grün, B., & Hornik, K. (2005). Arules – A computational environment for mining association rules and frequent item sets. Journal of Statistical Software, 14(15), 1–25.
Nyberg, A. (2010). Retaining your high performers: Moderators of the performance-job satisfaction-voluntary turnover relationship. Journal of Applied Psychology, 95(3), 440–453.
O.V. (2016). Extended tutorial: How to predict employee turnover. https://www.hranalytics101.com/extended-tutorial-how-to-predict-employee-turnover/. Zugegriffen am 27.12.2019.
Shaw, J. D., Dineen, B. R., Fang, R., & Vellella, R. F. (2009). Employee-organization exchange relationships, HRM practices, and quit rates of good and poor performers. Academy of Management Journal, 52(5), 1016–1033.
Tan, P. N., Steinbach, M., & Kumar, V. (2014). Chapter 6, Association analysis: Basic concepts and algorithms. In P. N. Tan et al. (Hrsg.), Introduction to data mining. Essex: Pearson Education Limited.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2020 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Baier, M. (2020). Data Science im HR-Management. In: Gärtner, C. (eds) Smart Human Resource Management. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-30267-2_8
Download citation
DOI: https://doi.org/10.1007/978-3-658-30267-2_8
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-30266-5
Online ISBN: 978-3-658-30267-2
eBook Packages: Business and Economics (German Language)