![\"\"](\"https:\/\/e3mag.com\/wp-content\/uploads\/2026\/03\/banner_26-04_29_1200x150-1.jpg\")
<\/a><\/div><\/div>\n\n\n\nWandelnde Priorit\u00e4ten<\/h3>\n\n\n\n
Bisher habe das Thema Fluktuation nicht zu den Schmerzpunkten geh\u00f6rt, aber es werde in naher Zukunft definitiv an Relevanz zunehmen, so Dr. Tekieli weiter: \u201eUm zu vermeiden, dass die Fluktuation ein Schmerzpunkt wird, ben\u00f6tigen wir zielgerichtete L\u00f6sungen. Diese sollten es uns erm\u00f6glichen, mindestens Ver\u00e4nderungen der Personallandschaft fr\u00fchzeitig und genau zu antizipieren und im besten Fall mit unserem Wissen erfolgskritischen Austritten proaktiv und effektiv entgegenzuwirken.\u201c <\/p>\n\n\n\n
Vor diesem Hintergrund wurden f\u00fcr das Pilotprojekt zwei Fragestellungen formuliert: Inwiefern kann maschinelles Lernen dazu beitragen, Fluktuationsrisiken zu identifizieren? Ist erkl\u00e4rbare k\u00fcnstliche Intelligenz (engl. Explainable Artificial Intelligence, XAI) in der Lage, Gr\u00fcnde f\u00fcr nicht altersbedingte Fluktuation zu verstehen? Um die Antworten auf diese Fragen zu geben, entschieden sich die Projektverantwortlichen f\u00fcr den Einsatz von Smart Predict in Verbindung mit der SAP Analytics Cloud. <\/p>\n\n\n\n
Im ersten Schritt war es wichtig, eine stimmige Datengrundlage aus internen (ERP- und HR-Systemen) sowie externen Quellen zu schaffen. In der Praxis bedeutete dies, dass die pers\u00f6nlichen und beruflichen Daten eines Mitarbeitenden durch Aspekte aus dem Unternehmensumfeld erg\u00e4nzt wurden. In Summe wurden 40 deskriptive Attribute codiert. Als N\u00e4chstes wurden die wichtigsten Einflussfaktoren identifiziert: Alter, Alter des j\u00fcngsten Kindes, tats\u00e4chliche Arbeitszeit ohne Fehlzeiten, Betriebszugeh\u00f6rigkeit in Monaten, absolute Gehaltserh\u00f6hung in den vergangenen zw\u00f6lf Monaten und die St\u00e4rke der Einschr\u00e4nkungen durch Ma\u00dfnahmen w\u00e4hrend der Pandemie im Abgleich mit dem Covid Stringency Index.<\/p>\n\n\n\n
Bei der Suche nach geeigneten deskriptiven Variablen wurden wissenschaftliche Ver\u00f6ffentlichungen sowie die Kreativit\u00e4t des gesamten Projektteams hinzugezogen. Als Zielvariable ergaben sich verschiedene Zeithorizonte einer nicht altersbedingten K\u00fcndigung in den kommenden Monaten (1\/3\/6\/12). Die erfassten Attribute wurden f\u00fcr jeden der \u00fcber 25.000 Mitarbeiter auf monatlicher Basis f\u00fcr die Jahre 2018 bis 2020 erhoben. Daraus resultierte ein Datensatz von 650.000 Zeilen oder 230 Megabyte.<\/p>\n\n\n\n
Smart Predict<\/h3>\n\n\n\n
Smart Predict erm\u00f6glicht es, die Analyse der erhobenen Daten im Fachbereich als Self-Service durchzuf\u00fchren. Entscheidende Argumente f\u00fcr den Einsatz der SAC waren die schnelle Erarbeitung der Ergebnisse durch automatisiertes maschinelles Lernen, transparente Ergebnisse dank XAI und eine hohe Prognoseg\u00fcte der leistungsf\u00e4higen Algorithmen des maschinellen Lernens. Die Analyse funktioniert intuitiv und ist ohne Programmierkenntnisse durchf\u00fchrbar, sodass weder IT-Experten noch Data-Science-Ressourcen notwendig sind.<\/p>\n\n\n\n
Um Vorbehalten bei der Akzeptanz entgegenzuwirken, wurde ein sogenannter Out-of-Sample-Test durchgef\u00fchrt. In dem Projekt wurde unter anderem deutlich, dass ein Algorithmus, der mit den Daten vor Juni 2020 trainiert wurde, auch retroperspektivisch im zweiten Halbjahr 2020 abwandernde Mitarbeitende mit Trefferquote von 12,5 Prozent erkannt h\u00e4tte. Der Test zeigte au\u00dferdem, dass die gelernten Zusammenh\u00e4nge \u201erobust\u201c, also in die Zukunft \u00fcbertragbar waren. Insgesamt wurden mehr als 50 Prozent der nicht altersbedingten Fluktuationen durch maschinelles Lernen erkannt. <\/p>\n\n\n\n
Eine weitere Methode zur Steigerung der Akzeptanz war eine Plausibilit\u00e4tspr\u00fcfung der gefundenen Muster, mit denen das Predictive-Analytics-Modell Prognosen erzeugt. Die gefundenen Muster waren weiterhin ein wichtiges Mittel, um zu verstehen, welcher Mitarbeitende aus welchen Beweggr\u00fcnden das Unternehmen verlassen k\u00f6nnte. Moderne Algorithmen des maschinellen Lernens sind allerdings so komplex, dass die Wirkung von Einflussfaktoren auf die Abwanderungswahrscheinlichkeit nicht unmittelbar nachvollziehbar ist. Man spricht von einem Blackbox-Ph\u00e4nomen. Hier wurden in den vergangenen Jahren im Forschungsgebiet XAI die Ans\u00e4tze geschaffen, die Blackbox sukzessive zu erkl\u00e4ren. <\/p>\n\n\n\n
Die SAC nutzt seit dem Release Q3 2021 beispielsweise die SHAP Values. Hiermit lassen sich auf lokaler Ebene, also bezogen auf den einzelnen Mitarbeitenden, die Bedeutung und der Einfluss verschiedener Attribute erkl\u00e4ren. Damit wird eine Plausibilit\u00e4ts- und Kausalit\u00e4tskontrolle durch Dom\u00e4nenexperten sowie die Extraktion von neuem Wissen m\u00f6glich. Neben der individuellen Auswertung einzelner Mitarbeitenden wurden zus\u00e4tzlich Analysen bez\u00fcglich prototypischer Beispiele mit automatisierten Clusterverfahren (Smart Grouping) durchgef\u00fchrt. Die Verkn\u00fcpfung zur bestehenden Personalplanung f\u00fcr altersbedingte Fluktuation erfolgt \u00fcber eine Aggregation der Erwartungswerte \u00fcber verschiedene Dimensionen hinweg. So l\u00e4sst sich erkennen, welche Abteilungen und Positionen voraussichtlich besonders stark von nicht altersbedingter Fluktuation betroffen sind. Dr. Tekieli erg\u00e4nzt: \u201eF\u00fcr uns als Organisation kommt dabei lediglich eine Auswertung und Darstellung auf einem aggregierten Niveau infrage. \u00dcber diesen Weg schaffen wir daher eine gesunde Balance, die betrieblichen Rahmenbedingungen f\u00fcr unsere Mitarbeitenden zu verbessern, dabei die Vielfalt an Bed\u00fcrfnissen zu ber\u00fccksichtigen und gleichzeitig jederzeit den Schutz personenbezogener Daten gem\u00e4\u00df DSGVO zu gew\u00e4hrleisten.\u201c<\/p>\n\n\n\n
Projektergebnisse \u00fcberzeugen<\/h3>\n\n\n\n
Es bleibt festzuhalten: Mit modernen Technologien lassen sich objektive Antworten aus historischen HR-Daten extrahieren. So kann die Fluktuation bereits Monate im Voraus antizipiert und k\u00f6nnen sogar Wahrscheinlichkeiten prognostisch quantifiziert werden. Folglich lassen sich aktiv Personalhaltungsma\u00dfnahmen (zum Beispiel gezielte Weiterentwicklungsm\u00f6glichkeiten) initiieren, um Mitarbeitergruppen im Unternehmen zu halten. <\/p>\n\n\n\n
\u201eIch war zun\u00e4chst sehr skeptisch, was den Einsatz von automatisiertem maschinellen Lernen angeht, da der vermeintlich wichtige Schritt der Hyperparametrisierung entf\u00e4llt. Umso mehr war ich von der Prognoseg\u00fcte positiv \u00fcberrascht. Ein wichtiger Erfolgsfaktor von automatisiertem maschinellen Lernen ist dabei sicherlich die Datenqualit\u00e4t. Wenn man s\u00e4mtliche Schritte der Maschine \u00fcberl\u00e4sst, wird die Qualit\u00e4t der Trainingsdaten noch wichtiger. Das eher unbeliebte und trockene Thema der Datenintegrit\u00e4t sollte daher f\u00fcr Organisationen mindestens genauso wichtig sein wie ein einheitliches und \u00fcbersichtliches Machine-Learning-Dashboard\u201c, h\u00e4lt Dr. Tekieli fest.<\/p>\n\n\n\n F\u00fcr die Personalentwicklung zeichnet sich ein vielversprechendes Werkzeug ab. Durch den Einsatz von Predictive HR Workforce Planning mit SAP Analytics Cloud l\u00e4sst sich dem Risikofaktor Mitarbeiterfluktuation entegegenwirken. <\/p>\n","protected":false},"author":2518,"featured_media":111949,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"pmpro_default_level":"","footnotes":""},"categories":[40330],"tags":[1104,840,39816],"coauthors":[40405],"class_list":["post-111861","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-mag-22-02","tag-hr","tag-human-resources","tag-windhoff-group","pmpro-has-access"],"acf":[],"featured_image_urls_v2":{"full":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header.jpg",1000,450,false],"thumbnail":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header-150x150.jpg",150,150,true],"medium":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header.jpg",400,180,false],"medium_large":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header-768x346.jpg",768,346,true],"large":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header.jpg",1000,450,false],"image-100":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header-100x45.jpg",100,45,true],"image-480":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header-480x216.jpg",480,216,true],"image-640":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header-640x288.jpg",640,288,true],"image-720":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header-720x324.jpg",720,324,true],"image-960":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header-960x432.jpg",960,432,true],"image-1168":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header.jpg",1000,450,false],"image-1440":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header.jpg",1000,450,false],"image-1920":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header.jpg",1000,450,false],"1536x1536":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header.jpg",1000,450,false],"2048x2048":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header.jpg",1000,450,false],"trp-custom-language-flag":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header.jpg",18,8,false],"bricks_large_16x9":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header.jpg",1000,450,false],"bricks_large":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header.jpg",1000,450,false],"bricks_large_square":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header.jpg",1000,450,false],"bricks_medium":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header.jpg",600,270,false],"bricks_medium_square":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header.jpg",600,270,false],"profile_24":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header-24x24.jpg",24,24,true],"profile_48":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header-48x48.jpg",48,48,true],"profile_96":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header-96x96.jpg",96,96,true],"profile_150":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header-150x150.jpg",150,150,true],"profile_300":["https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/2202-mehr-wissen-header-300x300.jpg",300,300,true]},"post_excerpt_stackable_v2":" F\u00fcr die Personalentwicklung zeichnet sich ein vielversprechendes Werkzeug ab. Durch den Einsatz von Predictive HR Workforce Planning mit SAP Analytics Cloud l\u00e4sst sich dem Risikofaktor Mitarbeiterfluktuation entegegenwirken. <\/p>\n","category_list_v2":"MAG 22-02<\/a>","author_info_v2":{"name":"Ansgar Heidemann, Windhoff Group","url":"https:\/\/e3mag.com\/de\/author\/ansgar-heidemann\/"},"comments_num_v2":"0 comments","_links":{"self":[{"href":"https:\/\/e3mag.com\/de\/wp-json\/wp\/v2\/posts\/111861","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/e3mag.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/e3mag.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/e3mag.com\/de\/wp-json\/wp\/v2\/users\/2518"}],"replies":[{"embeddable":true,"href":"https:\/\/e3mag.com\/de\/wp-json\/wp\/v2\/comments?post=111861"}],"version-history":[{"count":2,"href":"https:\/\/e3mag.com\/de\/wp-json\/wp\/v2\/posts\/111861\/revisions"}],"predecessor-version":[{"id":150529,"href":"https:\/\/e3mag.com\/de\/wp-json\/wp\/v2\/posts\/111861\/revisions\/150529"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/e3mag.com\/de\/wp-json\/wp\/v2\/media\/111949"}],"wp:attachment":[{"href":"https:\/\/e3mag.com\/de\/wp-json\/wp\/v2\/media?parent=111861"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/e3mag.com\/de\/wp-json\/wp\/v2\/categories?post=111861"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/e3mag.com\/de\/wp-json\/wp\/v2\/tags?post=111861"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/e3mag.com\/de\/wp-json\/wp\/v2\/coauthors?post=111861"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}![\"Windhoff](\"https:\/\/e3mag.com\/wp-content\/uploads\/2022\/03\/CI-Banner-windhoff.jpg\")
<\/a><\/figure>\n\n\n\n\n","protected":false},"excerpt":{"rendered":"