BLOG

Eine offene Plattform f├╝r kontroverse Meinungen und aktuelle Analysen aus dem HuffPost-Gastautorennetzwerk

Prof. Dr. Dr. Ayad Al-Ani Headshot

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

Ver├Âffentlicht: Aktualisiert:
Drucken

In dem 2011 verfilmten Bestseller ÔÇ×Moneyball" (Deutscher Titel: ÔÇ×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 Geh├Ąlter zahlte, konnte ebenso viele Siege erzielen. Schon in der n├Ąchsten Saison war dieses Prognosemodell bei fast allen Vereinen im Einsatz.

Wir haben uns nun sp├Ątestens seit der NSA-Aff├Ąre an den Gedanken gew├Âhnt, dass unsere Spuren im Netz gewisse Prognosen erlauben. Schon lange vor diesem Skandal konnte man etwa bei Firmen wie Recorded Future ÔÇ×temporale Analysen" bestellen. Eine solche Analyse gibt zum Beispiel Antwort auf die Frage: ÔÇ×Was passiert in zwei Wochen, um 15:00 Ecke Friedrichstrasse/Franz├Âsische Stra├če?" Laut eigenen Aussagen greift das Prognosetool von Recorded Future auf ├╝ber 40.000 Datenquellen (darunter wohl auch soziale Medien) zu und erg├Ąnzt die Ergebnisse mit Wahrscheinlichkeiten. Der Kunde bekommt dann ein SMS auf sein Handy, das ihn ├╝ber 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 ver├Ąndern, bezahlt man f├╝r diese Information, um genau dieses zu tun. Auftraggeber von Recorded Future k├Ânnen etwa Prognosen von politischen Unruhen beauftragen, um wirksame Gegenma├čnahmen bzw. Alternativentscheidungen zu treffen.

Fortschreitend werden derartige Prognosen auch auf einer sehr pers├Ânlichen Ebene eingesetzt: Etwa um Erfolg in bestimmten beruflichen Situationen vorherzusagen und somit Entscheidungen wie Einstellung, Bef├Ârderung oder Entlassung zu treffen. Der ÔÇ×Moneyball"-Ansatz bei Personalentscheidungen wird wohl unter dem Begriff der ÔÇ×Personenanalyse" (People Analytics) in den n├Ąchsten 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 ÔÇ×Wasabi Waiter" zu spielen. Nach verschiedenen Durchl├Ąufen und erstellten Profilen ist man nun der Meinung, dass man mit gro├čer Wahrscheinlichkeit unterst├╝tzenswerte Ideenlieferanten auf Basis der Spielergebnisse prognostizieren kann, ohne mit ihnen gesprochen zu haben. Einiges spricht also daf├╝r, dass Personalentscheidungen immer ├Âfter auch mit statistischen Daten untermauert werden k├Ânnen. Die HR-Beratungsfirma Evolv hat knapp 350.000 Ergebnisse von Assessment Center-Durchl├Ąufen gesammelt, verbindet diese mit Daten ├╝ber die Leistungen und Karriereverlauf der Mitarbeiter und gelangt so zu statistisch untermauerten Erkenntnissen ├╝ber die Eigenschaften ÔÇ×erfolgreicher" Mitarbeiter. Der Vorteil solcher Verfahren liegt auf der Hand: Das Verhalten gro├čer Gruppen ist statistisch vorhersehbar, das Verhalten des Einzelnen ist es nicht ...

Es wird wohl auch schon bald zu einem Standardverfahren geh├Âren, dass Rekrutierer die Ergebnisse von Online-Lernkursen (sogenannte ÔÇ×Massive Open Online Courses" auch MOOCs genannt) aber auch die Ergebnisse von Online-Spielen in ihre Entscheidungsparameter einf├╝hren. Die auf die Auswahl von Programmierern spezialisierte Firma Gild hat Evaluierungsalgorithmen entwickelt, die herausfiltern, welche Programmierer Open Software entwickeln, also Software, die von der ├ľffentlichkeit 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 nat├╝rlich auch welche, die keine derartige Software entwickeln. Hier wird dann der Besuch einer japanischen Manga-Seite als Kriterium herangezogen. ÔÇ×Die Korrelation zwischen der Vorliebe f├╝r Mangas und erfolgreicher Programmierarbeit" - so die wissenschaftliche Leiterin von Gild - ÔÇ×sei zwar nicht erkl├Ąrbar, aber vorhanden."

Wie ist eine solche Entwicklung zu bewerten? Bef├╝rworter der datengetriebenen ÔÇ×People Analytics" werfen nicht zu Unrecht ein, dass eine solche Objektivierung besser sei, als weiterhin mit subjektiven Kriterien zu agieren. Dass die bisherige Praxis reformbed├╝rftig ist, steht au├čer Zweifel. Nachdem noch bis in die 80er Jahre hinein, Jobbewerber mit Batterien an ÔÇ×wissenschaftlichen" Tests gequ├Ąlt wurden - diese Verfahren zogen sich oft ├╝ber Tage hin - wurde man sich in den letzten Jahrzehnten der M├Ąngel vieler derartiger Testverfahren bewusst und agierte nun vor allem mit Interviews, welche aber offen f├╝r allerlei subjektive Verzerrungen sind: Gut aussehende, gro├č gewachsene Personen und uns ├Ąhnliche Charaktereigenschaften werden etwa bevorzugt. Eine gewichtige Einschr├Ąnkung gegen├╝ber digitalen Profilen und Prognosen ist nat├╝rlich ihre m├Âgliche schlechte Qualit├Ąt (nicht jeder hat die Statistiken zur Verf├╝gung, 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 M├Ąnnern besucht. In Online-Spielen sind M├Ądchen und junge Frauen unterrepr├Ąsentiert. Die Wahrscheinlichkeit, dass sich gesellschaftliche Ungleichheiten im Netz reproduzieren ist also hoch und limitiert die Objektivit├Ąt der ÔÇ×Personenanalyse".

Diese Einschr├Ąnkungen werden aber die Nutzung derartiger Daten nicht verhindern. Die Erfahrung zeigt, dass diese M├Âglichkeiten letztendlich genutzt werden, wenn sie zur Verf├╝gung stehen. Es blieb als Ausgleich f├╝r den Einzelnen die M├Âglichkeit, diese Daten f├╝r seinen eigenen Karriereweg ebenfalls zu nutzen. Es wird wohl bald zu einem Standardverfahren geh├Âren, dass wir ebenfalls Algorithmen anwenden werden, um zu ├╝berpr├╝fen, ob ein bestimmtes Jobangebot mit unserem Profil vereinbar ist und (mit einer gewissen Wahrscheinlichkeit) als ein erfolgreicher Karriereschritt erscheint. Wir k├Ânnten 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 ÔÇ×richtige" Strategieempfehlung erhalten und w├Ąhlen, die besser ist, als unsere intuitiven Entscheidungsmuster. Unsere Ohnmacht gegen├╝ber 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.