Für viele Menschen klingen Matching-Algorithmen und People Analytics wie Themen, die nur für Experten in Deep Tech oder KI relevant sind. Was sie nicht wissen, ist, dass sie bei der Nutzung des Internets ständig mit ihnen in Kontakt kommen.
Algorithmen beeinflussen unser Verhalten, indem sie uns empfehlen, mit wem wir in den sozialen Medien befreundet sein sollten, welche Filme wir uns ansehen sollten oder welches Produkt wir kaufen sollten. Diese Codezeilen werden sogar von Unternehmen genutzt, um zu entscheiden, wen sie einstellen oder wem sie Kredite geben.
Hast du dich jemals gefragt, welche Daten über dich im Internet gesammelt werden und wofür sie verwendet werden? Dieser Artikel beleuchtet einige Beispiele dafür, welchen Einfluss People Analytics auf unser tägliches Leben haben und wozu sie schon jetzt in der Lage sind. Er basiert auf einer Folge unserer interaktiven Webshow Gymtalk mit Benjamin Pieck. Er ist der Gründer des HR-Tech-Startups matchingbox, Redner und Experte für People Analytics.
Wie funktionieren also die modernen Algorithmen? Sie funktionieren wie ein Kochrezept:
Zuerst brauchen wir eine Anleitung. Im Fall von Algorithmen ist die Methode ein Rahmen oder ein wissenschaftliches Modell. Dann müssen wir die richtigen Zutaten wie Schokolade und Mehl hinein geben. Für Algorithmen bedeutet das, dass wir das Framework mit den richtigen Daten füttern müssen. Diese werden dann mit den richtigen Ressourcen und Geräten wie einem Ofen oder einer Zeitschaltuhr verarbeitet. Bei Algorithmen geht es um die richtige Technologie.
Was ist People Analytics? Bei der Personalanalyse gibt es 3 Arten von Daten:
- Soziodemografische Daten, z. B. die Informationen aus deinem Personalausweis oder Reisepass.
- Psychometrische Daten, z.B. Persönlichkeitsmerkmale, Wertesysteme, Fähigkeiten, die dann mit Online-Assessment-Instrumenten analysiert und bewertet werden.
- Verhaltensdaten, z. B. wie du auf einer Website surfst, was du anklickst und wie viel Zeit du auf welcher Seite verbringst.
Wie werden diese Daten bereits in unserem täglichen Leben von Unternehmen und Plattformen genutzt?
Verhaltensdaten werden zum Beispiel von der Peer-to-Peer-Kreditplattform auxmoney verwendet. Sie wollen wissen, ob du in der Lage bist, das Geld zurückzuzahlen. In Deutschland nutzen die Kreditunternehmen normalerweise die Schufa. Sie arbeitet nur mit soziodemografischen Daten, die einen Einfluss auf deine Kreditwürdigkeit haben. auxmoney hingegen wertet die Verhaltensdaten deiner User Journey auf ihrer Website aus: Wie viel Zeit verbringst du auf welchen Seiten und Abschnitten? Wie schnell gehst du durch den Prozess? Hast du die Allgemeinen Geschäftsbedingungen gelesen und heruntergeladen? Ein weiteres Beispiel ist Google, das kontinuierlich Vorhersagen trifft, indem es deine Verhaltensdaten in Echtzeit auswertet.
Psychometrische Daten wurden für die Präsidentschaftswahlen 2016 in den USA verwendet. Cambridge Analytica kombinierte verschiedene Datensätze und bezog psychometrische Daten mit ein. Auf der Grundlage dieser Daten erstellten sie verschiedene Profile auf staatlicher und individueller Ebene. Mit diesen Daten erstellten sie ein psychometrisches Targeting: Sie schalteten Online-Werbung, um die Emotionen, die Persönlichkeit und die Gefühle der Leser/innen zu manipulieren, um das Wahlverhalten von Hillary Clinton zu Donald Trump zu ändern.
Was kannst du damit machen?
Das HR-Tech-Startup Matching Box zum Beispiel will Kandidaten und Unternehmen zusammenbringen und die richtigen Kandidaten für die richtige Unternehmenskultur finden. Die wichtigste Kennzahl ist die Tendenz, den Job zu kündigen, und das Ziel ist, diese Tendenz zu verringern. Sie wollen die beste Arbeitszufriedenheit sicherstellen. Zu diesem Zweck werden vier Matching-Ebenen verwendet: Person-Job-Fit, Person-Organisation-Fit, Person-Team-Fit, Person-Vorgesetzter-Fit.
Es findet eine starke Verlagerung von arbeitsplatzbezogenen Daten (Berufserfahrung, Ausbildung, Standort usw.) zu potenzialbasierten Daten (Wertesystem, Persönlichkeitsmerkmale, Soft Skills) statt. Die arbeitsplatzbezogenen Daten spiegeln die Vergangenheit wider, während die potenzialbasierten Daten versuchen, die Zukunft vorherzusagen.
Die Unternehmenskultur sollte auf Teamebene bewertet werden: Wie sieht die Teamkultur aus? Welche Werte sind für das Team wichtig? Sind sie eher leistungsorientiert oder haben sie starke soziale Bindungen?
Blick in die Zukunft: Unternehmen werden Stellenanzeigen auf der Grundlage der gesammelten Personaldaten erstellen und Talente anziehen, die wirklich zu ihrer Unternehmenskultur passen.
___
https://www.pewresearch.org/internet/2017/02/08/code-dependent-pros-and-cons-of-the-algorithm-age/
https://medium.com/@orge/algorithms-tell-us-how-to-think-and-this-is-affecting-us-eec7fb215dfa