BLOG

Eine offene Plattform fĂŒr 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?

Veröffentlicht: Aktualisiert:
Drucken

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 GehĂ€lter zahlte, konnte ebenso viele Siege erzielen. Schon in der nĂ€chsten Saison war dieses Prognosemodell bei fast allen Vereinen im Einsatz.

Wir haben uns nun spĂ€testens seit der NSA-AffĂ€re 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 ĂŒber 40.000 Datenquellen (darunter wohl auch soziale Medien) zu und ergĂ€nzt die Ergebnisse mit Wahrscheinlichkeiten. Der Kunde bekommt dann ein SMS auf sein Handy, das ihn ĂŒber 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 verĂ€ndern, bezahlt man fĂŒr 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 nĂ€chsten 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 DurchlĂ€ufen und erstellten Profilen ist man nun der Meinung, dass man mit großer Wahrscheinlichkeit unterstĂŒtzenswerte Ideenlieferanten auf Basis der Spielergebnisse prognostizieren kann, ohne mit ihnen gesprochen zu haben. Einiges spricht also dafĂŒr, dass Personalentscheidungen immer öfter auch mit statistischen Daten untermauert werden können. Die HR-Beratungsfirma Evolv hat knapp 350.000 Ergebnisse von Assessment Center-DurchlĂ€ufen gesammelt, verbindet diese mit Daten ĂŒber die Leistungen und Karriereverlauf der Mitarbeiter und gelangt so zu statistisch untermauerten Erkenntnissen ĂŒber 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 einfĂŒhren. 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 natĂŒrlich auch welche, die keine derartige Software entwickeln. Hier wird dann der Besuch einer japanischen Manga-Seite als Kriterium herangezogen. „Die Korrelation zwischen der Vorliebe fĂŒr Mangas und erfolgreicher Programmierarbeit" - so die wissenschaftliche Leiterin von Gild - „sei zwar nicht erklĂ€rbar, aber vorhanden."

Wie ist eine solche Entwicklung zu bewerten? BefĂŒrworter 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 reformbedĂŒrftig ist, steht außer Zweifel. Nachdem noch bis in die 80er Jahre hinein, Jobbewerber mit Batterien an „wissenschaftlichen" Tests gequĂ€lt wurden - diese Verfahren zogen sich oft ĂŒber Tage hin - wurde man sich in den letzten Jahrzehnten der MĂ€ngel vieler derartiger Testverfahren bewusst und agierte nun vor allem mit Interviews, welche aber offen fĂŒr allerlei subjektive Verzerrungen sind: Gut aussehende, groß gewachsene Personen und uns Ă€hnliche Charaktereigenschaften werden etwa bevorzugt. Eine gewichtige EinschrĂ€nkung gegenĂŒber digitalen Profilen und Prognosen ist natĂŒrlich ihre mögliche schlechte QualitĂ€t (nicht jeder hat die Statistiken zur VerfĂŒgung, 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 MĂ€nnern besucht. In Online-Spielen sind MĂ€dchen und junge Frauen unterreprĂ€sentiert. Die Wahrscheinlichkeit, dass sich gesellschaftliche Ungleichheiten im Netz reproduzieren ist also hoch und limitiert die ObjektivitĂ€t der „Personenanalyse".

Diese EinschrĂ€nkungen werden aber die Nutzung derartiger Daten nicht verhindern. Die Erfahrung zeigt, dass diese Möglichkeiten letztendlich genutzt werden, wenn sie zur VerfĂŒgung stehen. Es blieb als Ausgleich fĂŒr den Einzelnen die Möglichkeit, diese Daten fĂŒr seinen eigenen Karriereweg ebenfalls zu nutzen. Es wird wohl bald zu einem Standardverfahren gehören, dass wir ebenfalls Algorithmen anwenden werden, um zu ĂŒberprĂŒfen, 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 wĂ€hlen, die besser ist, als unsere intuitiven Entscheidungsmuster. Unsere Ohnmacht gegenĂŒber 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.