Huffpost Germany
Prof. Dr. Dr. Ayad Al-Ani Headshot

Beobachtungen bei Arbeit und Spiel: Was passiert, wenn Big Data bei Personalentscheidungen eingesetzt wird?

Veröffentlicht: Aktualisiert:

In dem 2011 verfilmten Bestseller „Moneyball" (Deutscher Titel: „Die Kunst zu gewinnen") wird die Geschichte eines drittklassigen Baseball-Vereins in den USA geschildert, dessen Manager Billy Bean eine geniale Idee hat: Er setzte ein mathematisches Modell ein, um herausfinden, mit welcher Wahrscheinlichkeit Spieler in ihrer Position erfolgreich sein werden. In diesem Prognosemodell waren historische Daten der Spieler gespeichert, wie etwa Trefferquoten oder Abschlaggeschwindigkeiten. Der Club rekrutierte mit Hilfe dieser Statistiken vor allem Spieler, die bei den klassischen Auswahlverfahren durch den Rost gefallen waren. Dem Team aus Oakland gelangen mit Hilfe dieses Modells 103 Gewinne; nur der Spitzenklub der Yankees, der dreimal so hohe Gehälter zahlte, konnte ebenso viele Siege erzielen. Schon in der nächsten Saison war dieses Prognosemodell bei fast allen Vereinen im Einsatz.

Wir haben uns nun spätestens seit der NSA-Affäre an den Gedanken gewöhnt, dass unsere Spuren im Netz gewisse Prognosen erlauben. Schon lange vor diesem Skandal konnte man etwa bei Firmen wie Recorded Future „temporale Analysen" bestellen. Eine solche Analyse gibt zum Beispiel Antwort auf die Frage: „Was passiert in zwei Wochen, um 15:00 Ecke Friedrichstrasse/Französische Straße?" Laut eigenen Aussagen greift das Prognosetool von Recorded Future auf über 40.000 Datenquellen (darunter wohl auch soziale Medien) zu und ergänzt die Ergebnisse mit Wahrscheinlichkeiten. Der Kunde bekommt dann ein SMS auf sein Handy, das ihn über die Eintrittswahrscheinlichkeit des Ereignisses informiert. Im Gegensatz zu gleichartigen Situationen aus Science Fiction-Romanen, in der die Zukunft unangetastet bleiben muss, um keine Zeitlinien zu verändern, bezahlt man für diese Information, um genau dieses zu tun. Auftraggeber von Recorded Future können etwa Prognosen von politischen Unruhen beauftragen, um wirksame Gegenmaßnahmen bzw. Alternativentscheidungen zu treffen.

Fortschreitend werden derartige Prognosen auch auf einer sehr persönlichen Ebene eingesetzt: Etwa um Erfolg in bestimmten beruflichen Situationen vorherzusagen und somit Entscheidungen wie Einstellung, Beförderung oder Entlassung zu treffen. Der „Moneyball"-Ansatz bei Personalentscheidungen wird wohl unter dem Begriff der „Personenanalyse" (People Analytics) in den nächsten 5-10 Jahren bei vielen Unternehmen zum Einsatz kommen. So setzt etwa Shell heute ein Online-Spiel ein, um herauszufinden, ob der erfolgreiche Ideenlieferant einem bestimmten Profil folgt. So wurden 1400 Ideeneinreichungen analysiert und ihre Lieferanten aufgefordert, eine Runde „Wasabi Waiter" zu spielen. Nach verschiedenen Durchläufen und erstellten Profilen ist man nun der Meinung, dass man mit großer Wahrscheinlichkeit unterstützenswerte Ideenlieferanten auf Basis der Spielergebnisse prognostizieren kann, ohne mit ihnen gesprochen zu haben. Einiges spricht also dafür, dass Personalentscheidungen immer öfter auch mit statistischen Daten untermauert werden können. Die HR-Beratungsfirma Evolv hat knapp 350.000 Ergebnisse von Assessment Center-Durchläufen gesammelt, verbindet diese mit Daten über die Leistungen und Karriereverlauf der Mitarbeiter und gelangt so zu statistisch untermauerten Erkenntnissen über die Eigenschaften „erfolgreicher" Mitarbeiter. Der Vorteil solcher Verfahren liegt auf der Hand: Das Verhalten großer Gruppen ist statistisch vorhersehbar, das Verhalten des Einzelnen ist es nicht ...

Es wird wohl auch schon bald zu einem Standardverfahren gehören, dass Rekrutierer die Ergebnisse von Online-Lernkursen (sogenannte „Massive Open Online Courses" auch MOOCs genannt) aber auch die Ergebnisse von Online-Spielen in ihre Entscheidungsparameter einführen. Die auf die Auswahl von Programmierern spezialisierte Firma Gild hat Evaluierungsalgorithmen entwickelt, die herausfiltern, welche Programmierer Open Software entwickeln, also Software, die von der Öffentlichkeit umsonst genutzt werden kann, und wie diese Software/Entwickler von den Anwendern bewertet werden. Unter den sechs Millionen Programmierern, die Gild nach eigenen Aussagen beobachtet, sind natürlich auch welche, die keine derartige Software entwickeln. Hier wird dann der Besuch einer japanischen Manga-Seite als Kriterium herangezogen. „Die Korrelation zwischen der Vorliebe für Mangas und erfolgreicher Programmierarbeit" - so die wissenschaftliche Leiterin von Gild - „sei zwar nicht erklärbar, aber vorhanden."

Wie ist eine solche Entwicklung zu bewerten? Befürworter der datengetriebenen „People Analytics" werfen nicht zu Unrecht ein, dass eine solche Objektivierung besser sei, als weiterhin mit subjektiven Kriterien zu agieren. Dass die bisherige Praxis reformbedürftig ist, steht außer Zweifel. Nachdem noch bis in die 80er Jahre hinein, Jobbewerber mit Batterien an „wissenschaftlichen" Tests gequält wurden - diese Verfahren zogen sich oft über Tage hin - wurde man sich in den letzten Jahrzehnten der Mängel vieler derartiger Testverfahren bewusst und agierte nun vor allem mit Interviews, welche aber offen für allerlei subjektive Verzerrungen sind: Gut aussehende, groß gewachsene Personen und uns ähnliche Charaktereigenschaften werden etwa bevorzugt. Eine gewichtige Einschränkung gegenüber digitalen Profilen und Prognosen ist natürlich ihre mögliche schlechte Qualität (nicht jeder hat die Statistiken zur Verfügung, die Billy Bean bei seiner Spielerwahl verwenden konnte), aber vor allem auch, dass unsere Spuren im virtuellen Raum wieder nur eine gewisse gesellschaftliche Praxis widerspiegelt. MOOCs werden vor allem von schon gut ausgebildeten, jungen Männern besucht. In Online-Spielen sind Mädchen und junge Frauen unterrepräsentiert. Die Wahrscheinlichkeit, dass sich gesellschaftliche Ungleichheiten im Netz reproduzieren ist also hoch und limitiert die Objektivität der „Personenanalyse".

Diese Einschränkungen werden aber die Nutzung derartiger Daten nicht verhindern. Die Erfahrung zeigt, dass diese Möglichkeiten letztendlich genutzt werden, wenn sie zur Verfügung stehen. Es blieb als Ausgleich für den Einzelnen die Möglichkeit, diese Daten für seinen eigenen Karriereweg ebenfalls zu nutzen. Es wird wohl bald zu einem Standardverfahren gehören, dass wir ebenfalls Algorithmen anwenden werden, um zu überprüfen, ob ein bestimmtes Jobangebot mit unserem Profil vereinbar ist und (mit einer gewissen Wahrscheinlichkeit) als ein erfolgreicher Karriereschritt erscheint. Wir könnten sogar die Ergebnisse und Taktiken wichtiger Entscheidungssituationen simulieren, indem wir die Profile der Mitentscheider sowie Rahmenbedingungen der Situation in eine Gleichung eingeben und dann eine „richtige" Strategieempfehlung erhalten und wählen, die besser ist, als unsere intuitiven Entscheidungsmuster. Unsere Ohnmacht gegenüber Machtspielen und komplexen Entscheidungssituation kann so gemildert werden.

Es bleibt also die Hoffnung, dass die digitale Macht der Personalentscheider durch eine Gegenmacht des ebenfalls zunehmend prognoseaffinen Individuums ausbalanciert werden kann.

Sponsored Post