Big Data et Management

MIT ANALYTICS UND BIG DATA GEGEN DIE DISKRIMINIERUNG BEI DER EINSTELLUNG

Warum sind Data Science und Big Data wirksame Mittel zur Bekämpfung der Diskriminierung bei der Einstellung?

Sie zeigen die wirklichen Gründe des Erfolgs auf, erkennen die „schwachen“ (mit dem bloßen Auge nicht sichtbare) Signale um ein Vielfaches besser, machen atypische Talente besser und häufiger aus: Analytics und Big Data sind beim Zugang zum Arbeitsmarkt ein verlässlicher Hebel zur Vermeidung des Klonens.

Dies ist die Meinung von Benoît Binachon, dem Gründer des Rekrutierungsbüros Uman Partners, und dem früheren Gründer und Leiter eines Data-Science-Unternehmens (effiScience).

Der menschliche Geist tendiert zum Klonen. Dies zunächst aus psychologischen Gründen (das ist beruhigend), aber auch aus Mangel an Kapazitäten, die Daten, die die Erfolgsprognosen wirklich ermöglichen, stichhaltig zu kreuzen und zu sortieren.

Big Data* ist heute eine hervorragende Möglichkeit, die herkömmliche Personalbeschaffung zu erweitern, neue Möglichkeiten zu eröffnen und dadurch auch die Diskriminierung bei der Einstellung zu bekämpfen. Mit wirklich aussagekräftigen Daten und stichhaltigen Modellen ist dieser Ansatz in der Tat ein zuverlässiges Mittel, viel mehr erfolgversprechende Kandidaten zu erkennen, die der menschliche Geist kaum erkannt hat oder hätte. Untypische Kandidaten erhalten somit häufiger und einfacher eine Chance!

Es gibt bereits viele Artikel, die Big Data preisen – ich biete Ihnen hier an, näher zu schauen, wie das konkret funktioniert.

 

Was ist das völlig Neue beim Zugang zum Arbeitsmarkt über „Big Data“?

Die Algorithmen für die Analyse sind manchmal nicht neu. Seit mehr als 40 Jahren haben insbesondere die Nordamerikaner Instrumente für die Vorhersehbarkeit des Erfolgs einer Person an ihrem künftigen Arbeitsplatz, entsprechend ihrer Leadership-Kompetenzen sowie den Merkmalen des Unternehmens und der Position, konzipiert. Das Neue am Zugang zum Arbeitsmarkt durch „Big Data“ ist sicherlich die Prognose des Erfolgs eines Talents in seiner künftigen Position, die aufgrund von neuen Daten des Internets erstellt wird. Das Aufkommen von sozialen Netzwerken und sonstigen Webseiten, wo die Talente zu Wort kommen und sich selbst beschreiben, hat es ermöglicht, auf eine sehr große Menge an verfügbaren Daten über Personen in ihrer Arbeitsumgebung zuzugreifen.

 

Welches sind die falschen Vorstellungen über den Einsatz von Data für den Zugang zum Arbeitsmarkt?

Räumen wir mit einem ersten Vorurteil auf: Es gibt keine Analyse, die diesen Namen verdient, die zu der Erklärung führte, dass man „in Frankreich einen Mann mit Polytechnique-Abschluss, jünger als 40 Jahre“, rekrutieren muss, „um die Erfolgschancen für eine bestimmte Position zu maximieren“. Jeder gute Analyst hätte Autokorrelationen zwischen den in dieser Behauptung betrachteten Faktoren und dem Erfolg (den man zu erklären versucht) entdeckt. Er hätte sie also aus seiner Datenbank für die Analyse gelöscht. Oder um es anders auszudrücken: „Man weiß bereits, dass diese Kategorie im Durchschnitt mehr Erfolg hat als andere, aber was uns interessiert, sind komplexere Zusammenhänge, die sich hinter diesen Faktoren verstecken.“ Oder auch: „Eine gute Analyse verwechselt nicht Ursachen und Wirkungen.“

Zweites Vorurteil: Keine ernsthafte Analyse zum Erfolg eines Talents macht Fehler, weil die Eingabedaten ungenau oder falsch sind. So ist es in der Tat mit Analytics möglich, das „Hintergrundrauschen“ zu messen, das heißt die Fehlerquote oder den Anteil falscher Angaben, und so für die Ergebnisse einen Verlässlichkeitskoeffizienten zu liefern (oder zu zeigen, dass dies nicht erheblich ist). Damit die Analyse das Hintergrundrauschen nicht entdeckt, müsste es kohärent sein. Dies jedoch ist nicht möglich.

Nach Umschiffung dieser beiden Klippen versteht man das bevorstehende Aufkommen der „Big-Data-“Anwendungen für den Zugang zum Arbeitsmarkt. Man kann daraus außerdem schließen, dass jede Analytics-Arbeit (egal in welchem Bereich) die Beteiligung und starke Einbindung der Personen aus den betroffenen Berufen erfordert.

Ein aufschlussreiches Beispiel dafür, dass Big Data bei der Entscheidung der Rekrutierung eines Talents hilft:

Man kann auf der Grundlage der LinkedIn-Profile von Talenten mit Erfahrung in einem gegebenen Beruf für eine homogene Unternehmenskategorie und mit Hilfe von Text-Mining-Algorithmen eine Datenbank aufbauen, die alle Merkmale der Talente verbindet, einschließlich ihrer angegebenen Kompetenzen, der Anzahl ihrer „endorsements“, sowie eine Charakterisierung des Fortschritts ihrer Karriere (auch hier können Text-Mining-Algorithmen das Profil lesen und dessen Erfolg qualifizieren).

Auf dieser Grundlage kann man eine prädiktive und präskriptive Einstufung des Erfolgs eines Talents in seiner künftigen Stellung errechnen – oder erklärende Regeln für diesen Erfolg. Ob die Ergebnisse „grob- oder feinkörnig“ sind, hängt vom prädiktiven und erklärenden Wert der Daten ab (sie können grob sein, wenn die Daten verfälscht sind, weil die Angaben der Profile von schlechter Qualität sind; uns sie können fein sein, wenn die Mehrheit der betreffenden Talente in ihren Profilen transparente und präzise Angaben aufweisen, und wenn ihre „Endorsements“ eher repräsentativ sind).

Wie kann ein „Rekrutierender“ diese Ergebnisse verwerten? Mit dem prädiktiven Modell, indem er das LinkedIn-Profil eines Kandidaten, der sich für eine Position bewirbt, testet. Und/oder, indem er die Gründe, aus denen dieser Kandidat für die Position geeignet scheint, mittels des explikativen Modells untersucht: er hat hinreichend häufig die Stellung gewechselt + er hat Multisektor-Erfahrung + seine letzte Erfahrung war in einem Unternehmen von mittlerer Größe + usw.

 

Welche Risiken und Möglichkeiten bestehen für die Rekrutierenden?

Wenn man unbegrenzt weiter „das Modell anwendet“, werden natürlich selbst diese atypischen Profile klassisch: Man macht Klone (wir kommen darauf zurück!). Deshalb muss man auch zulassen, dass Innovation, Kreativität und Risikobereitschaft neue Situationen ergeben, die den Misserfolg und Erfolg ausmachen, woraus sich neue Gelegenheiten ergeben. In anderen Anwendungen von Analytics ist dieser Zyklus bereits geläufig (im Marketing, im Manufacturing usw.)

Wie bei allen anderen Fachgebieten auch, müssen Analytics und Big Data deshalb bezüglich des Zugangs zum Arbeitsmarkt mit viel Gründlichkeit, Professionalität und Distanz eingeführt werden; für Zauberlehrlinge ist hier kein Platz. Die Personalabteilungen, die Rekrutierungsbüros, die Verwaltung usw. müssen die besten Profis beauftragen und eng mit ihnen zusammenarbeiten, um stichhaltige Ansätze aufzubauen.

Benoît Binachon – Uman Partners – Executive Search For Data Driven Functions

 

Das Interview „Warum Analytics und Big Data ein wirksames Mittel zur Bekämpfung der Diskriminierung bei der Einstellung sind“ sehen sie bei RHAdvisor.

* „Big Data“ umfasst zwei eng verbundene Themen:

– Die Verwaltung einer sehr großen Menge an verfügbaren Daten (quantitative, aber auch Text)

– Deren Analyse mit mehr oder weniger komplexen Algorithmen (von der Statistik oder von Modellen – die Gesetze beschreiben –  bis zur künstlichen Intelligenz – die Tatsachen entdeckt, ohne sie notwendigerweise gesucht zu haben, und ohne sie notwendigerweise zu erklären).

Partager :