People Analytics im Personalmanagement: Auf dem Weg zur automatisierten Entscheidungskultur?

Kels, Peter; Vormbusch, Uwe Article People Analytics im Personalmanagement: Auf dem Weg zur automatisierten Entscheidungskultur? Industrielle Beziehungen Provided in Cooperation with: Verlag Barbara Budrich Suggested Citation: Kels, Peter; Vormbusch, Uwe (2020) : People Analytics im Personalmanagement: Auf dem Weg zur automatisierten Entscheidungskultur?, Industrielle Beziehungen, ISSN 1862-0035, Verlag Barbara Budrich, Leverkusen, Vol. 27, Iss. 1, pp. 69-88, https://doi.org/10.3224/indbez.v27i1.04 This Version is available at: https://hdl.handle.net/10419/253720 Standard-Nutzungsbedingungen: Die Dokumente auf EconStor dürfen zu eigenen wissenschaftlichen Zwecken und zum Privatgebrauch gespeichert und kopiert werden. Sie dürfen die Dokumente nicht für öffentliche oder kommerzielle Zwecke vervielfältigen, öffentlich ausstellen, öffentlich zugänglich machen, vertreiben oder anderweitig nutzen. Sofern die Verfasser die Dokumente unter Open-Content-Lizenzen (insbesondere CC-Lizenzen) zur Verfügung gestellt haben sollten, gelten abweichend von diesen Nutzungsbedingungen die in der dort genannten Lizenz gewährten Nutzungsrechte. Terms of use: Documents in EconStor may be saved and copied for your personal and scholarly purposes. You are not to copy documents for public or commercial purposes, to exhibit the documents publicly, to make them publicly available on the internet, or to distribute or otherwise use the documents in public. If the documents have been made available under an Open Content Licence (especially Creative Commons Licences), you may exercise further usage rights as specified in the indicated licence. https://creativecommons.org/licenses/by-sa/4.0/deed.de Industrielle Beziehungen 1/2020, S. 69‒88 https://doi.org/10.3224/indbez.v27i1.04 Peter Kels und Uwe Vormbusch* People Analytics im Personalmanagement: Auf dem Weg zur automatisierten Entscheidungskultur? ** Zusammenfassung Personalabteilungen gelten traditionell als wenig datenaffin, geraten aber immer stärker unter Druck, die Wirksamkeit betrieblicher Personalmanagementaktivitäten und Mitarbeiterinvestitionen auszuweisen. Vor diesem Hintergrund wächst das Interesse an „Workforce-“ bzw. „People Analytics“, die innerhalb der Managementliteratur sowie von Beratungsund Softwareeunternehmen als revolutionäres Tool und Wegbereiter eines datengetriebenen und evidenzbasierten Managements propagiert werden. Über eine algorithmenbasierte Analyse der Zusammenhänge zwischen dem Arbeitsverhalten und den Kompetenzen von Mitarbeitenden, der Personalmanagementund Führungspraxis sowie unternehmensbezogenen Performancegrössen sollen die Qualität der Managemententscheide und die Ausschöpfung von Mitarbeiterpotenzialen massgeblich erhöht werden. Unser Beitrag analysiert auf Basis von zwei explorativen Unternehmensfallstudien die organisationale Einbettung von People Analytics aus einer kritischen Perspektive. Er arbeitet fünf Problemfelder für das Personalmanagement und die managerielle Entscheidungskultur sowie relevante arbeitspolitische Aspekte heraus. Schlagwörter: People Analytics, Workforce Analytics, Industrielle Beziehungen, Big Data, Personalmanagement People Analytics in Human Resource Management: Towards an automated decision-making culture? Abstract Traditionally being considered to have little data affinity, HR departments are coming under increasing pressure to demonstrate the effectiveness of their activities. Against this background, HR managers show a growing interest in „workforce“ or „people analytics“, which are celebrated in management literature and by consulting and software development companies as revolutionary tools of a data-driven and evidence-based management. By means of an algorithm-based analysis of the relation- * Prof. Dr. phil. Peter Kels, Professor für HRM, Führung und Innovation, Institut für Betriebsund Regionalökonomie, Hochschule Luzern Wirtschaft, Zentralstrasse 9, CH-6002 Luzern. E-Mail: [email protected] Prof. Dr. Uwe Vormbusch, Professor für Soziologische Gegenwartsdiagnosen, Institut für Soziologie, FernUniversität in Hagen, D-58084 Hagen, E-Mail: [email protected] ** Artikel eingereicht am 03.10.2018. Revidierte Fassung akzeptiert nach doppelt-blindem Begutachtungsverfahren: 24.02.2020 70 Peter Kels und Uwe Vormbusch ships between the work behaviour/skills of employees, HRM/leadership practice and company-related performance variables, not only the quality of management decisions, but also the exploitation of employee potential is to be significantly increased. On the basis of two explorative company case studies, our contribution analyses the organisational embedding and application of people analytics from a critical perspective and identifies five central problem areas for human resource management, the managerial decision-making culture and labour policy. Keywords: people analytics, workforce analytics, industrial relations, big data, human capital management. JEL: M50, J24, O15 1. Einführung In einer zahlendominierten Managementwelt wird People Analytics ein großes Potenzial als Entwicklungsbeschleuniger des Personalmanagements auf dem Weg zu einem „Wertschöpfungspartner“ der Geschäftsleitung und als Wegbereiter einer „data-driven management culture“ zugeschrieben. People Analytics gelten hierbei als Oberbegriff für eine durch moderne Informationstechnologien und Algorithmen ermöglichte HR-Praxis zur Analyse personenund personalbezogener Daten und Verhaltensspuren in Verbindung mit anderen Unternehmensdaten (vgl. Brüggemann & Schinnenburg, 2018; Manuti & de Palma, 2018; Marler & Boundreau, 2017; Angrave, Charlwood, Kirkpatrick, Lawrence, & Stuart, 2016; Biemann & Weckmuller, 2016). Im Rahmen von People Analytics können grundsätzlich folgende Datenquellen herangezogen werden: 1. Informationen über Mitarbeitende, die in Personalinformationssystemen erfasst wurden, wie Leistungsund Kompetenzbewertungen, Weiterbildungen oder Zertifikate. 2. Öffentlich zugängliche Informationen über Bewerbende oder Mitarbeitende und deren soziales Netzwerk (u. a. Xing, Linkedin oder Facebook). 3. Alle denkbaren Verhaltensspuren (Big Data), wie das Kommunikationsund Arbeitsverhalten der Mitarbeitenden und deren betriebliche Vernetzung, die über Standortdaten aus Online-Kollaborationstools, Office-Anwendungen, Intranet oder E-Mails erfasst und zusammengeführt werden können (vgl. hierzu Höller & Wedde, 2018; Strohmeier, 2017; Angrave et al., 2016; Christ & Ebert, 2016). People Analytics treten an mit dem Versprechen, die Voraussetzungen für eine datenbasierte und damit „bessere“ (weil durch subjektive menschliche Urteile und „Bauchentscheide“ unverzerrte) Entscheidungspraxis im Management zu liefern (vgl. Nielsen & McCullough, 2018; Marler & Boudreau, 2017; Goodell King, 2016; Reindl, 2016; Birri, 2014). Zielsetzung und Vorgehen des Beitrags Der vorliegende Beitrag analysiert die organisationale Einbettung fortgeschrittener datenbasierter Analysen im Personalmanagement (People Analytics) und ihre Folgen für die Stellung des HRM als Managementfunktion und für die betrieblichen Arbeitsbeziehungen. Erstens arbeiten wir auf Basis einer Sichtung der aktuellen deutschund englischsprachigen Managemementliteratur die grundlegenden Ziele und Versprechen von People Analytics People Analytics im Personalmanagement 71 heraus. Zweitens beschreiben und analysieren wir die Erfahrungen von zwei Grossunternehmen, die seit einigen Jahren datenbasierte Analysen im Personalmanagement durchführen. Drittens diskutieren wir spezifische Problemfelder und Konsequenzen von People Analytics. 2. Advanced People Analytics in der Managementliteratur: der große Hype People Analytics (synonym: Workforce Analytics oder HR Analytics) sind ein Baustein einer postulierten Managementrevolution, in der Daten als Entscheidungsgrundlage und Menschen als die essentielle Basis unternehmerischer Wettbewerbsvorteile zusammengeführt werden. Schon um die Jahrtausendwende behauptete Davenport (2006, S. 1): „Some companies have built their very businesses on their ability to collect, analyze and act on data”. Google, Procter & Gamble und andere Vorzeigeunternehmen „have taken the guesswork out of employee management“, so Davenport, Harris, & Shapiro (2010, S. 1) zu den Potentialen von People Analytics. „Do you think you know how to get the best from your people? Or do you know?“ (a. a. O., S. 2) Der Unterschied von ‚Meinen‘ und ‚Wissen‘ soll den Übergang zu einem neuen betrieblichen Wissensund Kontrollregime markieren, das idealtypisch nur datenbasierte Entscheidungen als wertsteigernd und legitim betrachtet. Der ganz überwiegende Teil der im angelsächsischen Sprachraum zugänglichen Literatur folgt diesem Credo eines datengetriebenen Paradigmenwechsels in der Begründung organisatorischen Wissens und Entscheidens. Auch wenn nicht unbemerkt bleibt, dass der postulierte Paradigmenwechsel auf einer unklaren Grenzziehung von Wissenschaft und Beratung beruht (so z. B. Rasmussen & Ulrich, 2015, S. 236), wird er nicht kritisch infragegestellt. Sogenannte „Advanced People Analytics“ (APA) gehen dabei weit über die traditionelle Praxis retrospektiver Analysen personalbezogener Kennzahlen (z. B. Fluktuationsraten oder Rekrutierung) hinaus („Descriptive Analytics“). APA nutzen Techniken wie Data Mining, maschinelles Lernen und fortschrittliche statistische Methoden, um das Arbeitsund Leistungsverhalten von Einzelpersonen oder Teams zu analysieren, unbekannte Zusammenhänge zu identifizieren, das zukünftige Verhalten modellbasiert vorherzusagen und aufgrund der gewonnenen Erkenntnisse personalbezogene Entscheidungen abzuleiten (Mishra, Raghvendra Lama, & Pal, 2016; Christ & Ebert, 2016; Goodell King, 2016). Im Fokus stehen dabei die Erfassung, Analyse und Vorhersage von Mitarbeiterleistungen, Kollaborationsmustern, Mitarbeiterabwanderung oder des „Werts“ von Mitarbeitenden für die Organisation („Employee Lifetime Value“) (Mishra et al., 2016, S. 33). Postuliert die stark präskriptive Managementliteratur eine neue Tiefe der Erkenntnisse „über das persönliche und berufliche Leben der Mitarbeiter“ und ihre „Einstellung, ihr Verhalten, ihre Persönlichkeit und ihre Eignung“ (Jain & Maitri, 2018, S. 201) als Grundlage zur Optimierung von HRund Performance-Management-Prozessen, fehlen empirische Studien zur Umsetzung von APA und deren Auswirkungen auf Personalentscheidungen und Arbeitsbeziehungen weitgehend (Minbaeva, 2018; Brüggemann & Schinnenburg, 2018; Angrave et al., 2016). 72 Peter Kels und Uwe Vormbusch In ihrem Überblick über die Veränderung der betrieblichen HR-Funktion durch die HR-Analytik argumentieren Heuvel & Bondarouk (2016, S. 4), dass „advanced HR analytics is becoming mainstream […] and is increasingly considered to be an indispensable tool for HR“. Gleichzeitig konstatieren auch sie, dass „empirical research on HR analytics and its development is basically non-existent“ (a. a. O., S. 5; vgl. Kremer 2018). Nicht alles am Hype um das datengetriebene Management im Allgemeinen und People Analytics im Speziellen ist allerdings ‘talk’ oder auf die strategische Erschließung neuer Geschäftsfelder durch Management-Gurus und Beratungsunternehmen zu reduzieren. Sein ernst zu nehmender Hintergrund liegt u.E. sowohl in den neuen technischen Möglichkeiten der Echtzeit-Datenerhebung beinahe aller Arbeitsvollzüge sowie in den mit diesen Möglichkeiten verknüpften Hoffnungen a) eines überlegenen Entscheidungswissens und b) einer neuartigen, die bislang unsichtbaren Tiefenstrukturen der Organisation erfassenden Kontrolle. People Analytics wird dabei nicht nur ein im engeren Sinne wertschöpfendes Potential zugesprochen, sondern soll auch zu mehr Fairness im Unternehmen beitragen. Immer wieder wird hier das Beispiel von Google zitiert, das explizit mittels Algorithmen Personalauswahlverfahren weniger diskriminierend gestalten will. In diesem Sinne tritt auch der Arbeitskreis Controlling (2018, S. 82) für ‚Diversity Analytics‘ ein, welche sich zwar als Teil eines evidenzbasierten Managements verstehen, aber auf Big Data verzichten und dennoch Diskriminierungen durch profunde Datenanalysen verhindern sollen. Angesichts der Verheissungen von Advanced People Analytics „[to] bring rigor to HR and supplement HR intuition with objectivity“ (Rasmussen & Ulrich, 2015, S. 236) wie auch der gestiegenen managerialen Erwartungen an die Wirksamkeit von People Management geraten HR-Professionals immer stärker unter Druck (vgl. Kels, 2019; Manuti & de Palmer, 2018, S. 50 ff.; Rosenberger, 2014). Einerseits werden sie schon seit längeren mit der managerialen Erwartung konfrontiert, den Wertbeitrag der HR-Funktion sichtbar zu machen bzw. zum Aufbau einer „smarter workforce“ beizutragen (vgl. Kels, 2019, 2009, S. 114 ff.). Andererseits verfügen viele HR-Professionals über keine ausgeprägten Kenntnisse der statistischen Datenanalyse und sind mit der Funktionsweise von Algorithmen und Softwaretools nicht hinreichend vertraut (Varga et al., 2018; Rasmussen & Ulrich, 2015, S. 236). Aus der provokativen und insgesamt irreführenden Behauptung, dass „technology could do the same job as a HR manager, better and faster“ leiten Manuti & de Palmer (2018, S. 40) schliesslich die aus ihrer Sicht alternativlose Anforderung an die HR-Funktion ab, ihre Rolle und Daseinsberechtigung im Unternehmen grundlegend zu hinterfragen und die Möglichkeiten der „cognitive technology revolution” zur Wertbeitragsteigerung durch effektive People Management-Praktiken konsequent auszuschöpfen. In Einklang mit den Analysen von Tursunbayevaa, Di Lauro, & Pagliari (2018, S. 224) wie auch Rasmussen & Ulrich (2015) können wir heute konstatieren, dass trotz des stark wachsenden Marktes für kommerzielle APAAnwendungen und optimistisch-technikbegeisterter Schilderungen der Anwendungsmöglichkeiten von „intelligent automation“ (siehe u. a. Manuti & de Palmer, 2018, S. 39 ff.) bislang kaum wissenschaftlich überprübare Belege für die im Managementund Beraterdiskurs propagierten funktionalen und strategischen Vorteile vorliegen. Wie Rasmussen & Ulrich (2015, S. 237) pointiert formulieren: „they are hypocritites who call for analytics, but do not use analytics to justify the use of analytics“. In ihrer treffsicheren und entlarvenden Analyse der gegenwärtigen Engführungen des Managementdiskurses als auch des Umsetzungsstands People Analytics im Personalmanagement 73 von HR-Analytics in der betrieblichen Praxis, kritisieren Rasmussen & Ulrich (2015) die mit dem Hype um Big Data und Data Analytics oftmals verbundene Verkehrung von Zielen und Zwecken („mean-end inversion“). Diese führe zu einem Datenfetischismus, der die Sammlung von immer mehr Daten als Selbstzweck betrachte, ohne hinreichend zu erkennen, dass HR vor allem in der Lage sein müsse, die richtigen Fragen zu stellen und businessrelevante Entscheidungsgrundlagen zu liefern anstatt wahllos Big Data zu sammeln, um bereits existentes Businesswissen datentechnisch zu unterfüttern. Ergänzend zu dieser Kritik beobachten wir, dass arbeitsund datenschutzrechtliche wie auch ethische Implikationen von APA-Anwendungen im aktuellen Managementdiskurs weitestgehend ausgeklammert bleiben. Die spezifischen Kompetenzanforderungen an HRAnalytics-Anwender wie insbesondere ein methodisch-reflektierter Umgang mit datenbasierten Entscheidungsmechanismen werden in der aktuellen Diskussion zu wenig adressiert oder engführend auf IT-Methodenskills der organisationalen Netzwerkanalyse reduziert wie bei Manuti & de Palmer (2018, S. 45ff). Dagegen zeigen z. B. die Beiträge von Staab & Geschke (2019), Hölle & Wedde (2018), Ruchhöft (2017) und das Sonderheft der AiB (2015) zu ‚Big Data im Betrieb‘ die eher kritische Aufnahme datenbasierter Managementund HR-Praktiken durch Gewerkschaften und Betriebsräte in Deutschland. 3. Methodik Im Rahmen eines explorativen Vorgehens wurden Experteninterviews mit People-Analytics-Verantwortlichen aus zwei Unternehmen durchgeführt. Dem Fallstudiendesign von Intrinsic Cases folgend (vgl. Creswell, 2007; Stake, 1995) zielen die beiden Fälle darauf, explorative Erkenntnisse über ein arbeitsund organisationssoziologisch bislang wenig erforschtes und bezüglich des Feldzugangs eher schwer zugängliches Phänomen zu gewinnen. Konkret soll mithilfe der beiden Intrinsic Cases ein vertieftes Verständnis des Einsatzes fortgeschrittener Methoden der People Analytics im betrieblichen Kontextes und deren Bedeutung und Folgewirkungen auf die Personalmanagementpraxis und die Gestaltung betrieblicher Arbeitsbeziehungen gewonnen werden. Da bis heute keine belastbaren Erkenntnisse über den Verbreitungsgrad von People Analytics im deutschsprachigem Raum vorliegen und Arbeitgeber bislang äusserst zurückhaltend über etwaige Aktivitäten in der Öffentlichkeit berichten, gestaltete sich der Feldzugang anspruchsvoll. Von insgesamt acht angefragten Unternehmen, die im Rahmen von People-Management-Fachkonferenzen über Umsetzbeispiele berichteten, konnten schliesslich drei People-Analytics-Verantwortliche aus zwei Unternehmen für Experteninterviews gewonnen werden. Der erste Fall bezieht sich auf ein international tätiges Grossunternehmen im Bereich Luxusgüter und beruht auf einem anderthalbstündigen Experteninterview mit dem Director “Digital HR & People Analytics”. Der zweite Fall bezieht sich auf ein grosses ICTund Telekommunikationsunternehmen mit Stammsitz in der Schweiz und beruht auf einem ebenfalls rund anderthalbstündigen Doppel-Experteninterview mit dem Leiter des Bereichs „Analytics & Data Consulting“ sowie dem stellvertretenden Leiter des Bereichs „HR-Analytics“. Die beiden rund anderthalbstündigen Experteninterviews wurden im Mai 2019 von Peter Kels mithilfe eines vorab von den Autoren erarbeiteten Interviewleitfadens durchge- 74 Peter Kels und Uwe Vormbusch führt. Sie wurden auf mp3 aufgezeichnet und transkribiert. Die Auswertung erfolgte themenanalytisch mithilfe deduktiv (entlang des Interviewleitfadens) wie induktiv (aus dem Interviewmaterial) gebildeter Kategorien und Kodierungen mit dem Ziel, Übereinstimmungen, Unterschiede und Querverbindungen zwischen den Aussagen der Interviewpartner sichtbar zu (vgl. Miles, Huberman, & Saldana, 2014; Yin, 2014). Die beiden explorativen Fallstudien erheben keinen Anspruch auf Repräsentativität oder Generalisierbarkeit der gewonnenen Erkenntnisse, sondern sollen dazu beitragen, exemplarisch vertiefte Erkenntnisse über die organisatorische Praxis von People Analytics und der Implikationen für manageriale Entscheidungsprozesse und betriebliche Arbeitsbeziehungen zu liefern. 4. People Analytics in der betrieblichen Praxis – zwei explorative Fallstudien Im Folgenden stellen wir die Ergebnisse der beiden explorativen Unternehmensfallstudien entlang der drei Analysedimensionen a) Zielsetzung und Anwendung von People Analytics, b) Einfluss von People Analytics auf die manageriale Entscheidungspraxis und c) Implikationen für die betrieblichen Arbeitsbeziehungen dar. 4.1 People Analytics bei ICTAG1 Die „ICTAG2 ist eine im Bereich der ICT tätige Unternehmung mit Stammsitz in der Schweiz und beschäftigt rund 17.000 Mitarbeitende. Es verfügt seit mittlerweile gut zehn Jahren über ein strukturiertes Data-Warehouse in der heutigen Form, in welchem personalbezogene Ist-Daten im Rahmen von People Analytics systematisch erhoben und analyisiert werden. People Analytics bei ICTAG: Zielsetzungen, Anwendungsgebiete, Prozesse und Vorgehen Das HR-Analytics-Teams bearbeitet heute im Schwerpunkt spezifische Aufgabenstellungen und Aufträge des Linienmanagements (sog. „Business Cases“) mittels fortgeschrittener und z.T. bereits prädiktiver HR-Analytik und -Diagnostik. Solche HR-Analysen zielen darauf, die Praxis der Rekrutierung, des Einsatzes und der Entwicklung von Personal, des Talent und Performance Managements, der Führung und Zusammenarbeit im Unternehmen wie auch den Einfluss organisationaler Rahmenbedingungen, jeweils in Hinblick auf leistungsund umsatzbezogene Erfolgsgrössen zu durchleuchten. Mithilfe der Visualisierung von Analyseergebnissen, Forecasts oder Dashboards wird den verantwortlichen Führungskräften und Managern dann eine dem eigenen Anspruch nach evidenzbasierte Informationsbasis für personalund organisationsbezogene Managemententscheidungen geliefert: 1 Interviewpartner 1: Leiter des Bereichs „Analytics & Data Consulting“, HR-Analytics-Experte und DataConsultant im Bereich SAP-Integration für externe Kunden. Interviewpartner 2: Stellvertretender Leiter des Bereichs „HR-Analytics“, verantwortlich für HR-Kennzahlen und Analytics-KPIs. 2 Der reale Firmenname wurde aus Gründen der Anonymisierung durch den fiktiven Namen „ICTAG“ ersetzt. People Analytics im Personalmanagement 75 „Mittels Advanced Analytics gebe den Managern z. B. einen Tipp, indem ich sage, ,schau mal bei dir im Team, da sind drei Leute, da sehen wir eine hohe Wahrscheinlichkeit, dass die abspringen werden‘. Oder: ,wir haben festgestellt, bei dir im Team kündigen ständig Leute, das ist signifikant anders, was ist da los?‘ “ (Leiter des Bereichs Analytics & Data Consulting) „Ich denke es ist wichtig zu verstehen, dass die Dinge, die wir tun, schlussendlich einen Mehrwert für die Linie bringen sollen, d.h. in Entscheidungen unterstützen im Sinne von evidence based decisions.“ (Stellvertretender Leiter des Bereichs HR-Analytics) Das Vorgehen bei HR-Analytics-Projekten ist institutionalisiert, entsprechende Projektvorhaben müssen einen klar definierten Bewilligungsprozess durchlaufen. Ausgehend vom Auftrag und der Fragestellung werden zunächst erste Hypothesen gebildet und relevante Datensätze eingegrenzt. Die geplanten Analysen können hierbei nur unter der Voraussetzung durchgeführt werden, dass zunächst der Data Governance Verantwortliche, dann die Sozialpartner (Personalvertretung/Betriebsräte) und schliesslich das unternehmensinterne Ethikboard dem vorgeschlagenen Vorgehen zustimmen – auf Grundlage einer genauen Dokumentation, welche Daten zu welchen Zwecken erhoben werden sollen. Gegenstand fortgeschrittener HR-Analytik, für welche am Markt etablierte Analysetools wie „SAP Predictive Analytics“3 oder „R4„ herangezogen werden, sind insbesondere Daten aus Personalinformationssystemen wie z. B. Stammdaten von Mitarbeitenden, Daten über individuelle Kompetenzund Leistungsbeurteilungen, Ratings sowie Ausbildungsund Entwicklungsprozesse5. Hypothesengeleitet suchen HR-Analytics-Spezialisten mittels SAP Predictive Analytics explorativ nach statistisch signifikanten Zusammenhängen – hierbei werden verschiedene Modelle von der Software automatisch getestet. Die darauffolgende Analyse eines Business Cases erfolgt dann im Rahmen eines iterativen, kollaborativen Diskussionsund Priorisierungsprozesses unter Einbindung von Data Scientists wie auch den Führungskräften der betreffenden Unternehmensbereiche. Akzeptanz und Einfluss von People Analytics auf manageriale Entscheidungsprozesse „Das Thema HR-Analytics hat enorm an Bedeutung gewonnen. Wir machen im Vergleich zu vor einem halben Jahr heute sicher doppelt so viele Analysen und bauen unser Kennzahlensystem ständig aus. (...) Das machen wir weil die Linie die Bedeutung erkannt hat und zunehmend nachfragt.“ (Leiter des Bereichs HRAnalytics) Die Etablierung fortgeschrittener und prädiktiver HR-Analysen als wichtige manageriale Entscheidungsgrundlage führen beide Interviewpartner auf ein Wechselspiel mehrerer Faktoren zurück: Erstens schaffe der bereits beschriebene, sehr strukturierte Informationsund Bewilligungsprozess (Data Governance, Sozialparter, Ethikboard) ein Grundvertrauen in 3 „SAP Predictive Analytics“ beruhen auf Machine Learning und ermöglichen eine automatisierte Erstellung von Modellen in wenigen Minuten. In einem einfachen dreistufigen Ansatz lassen sich prädiktive Funktionen auswählen, die für den jeweiligen Anwendungsfall relevant sind. https://www.sap.com/swiss/products/predictive-analytics.html#pdf-asset=280754e0-247c-0010-82c7eda71af511fa&page=1 4 „R“ ist nach Herstellerangaben „das am häufigsten verwendete HR-Analyse-Tool“, das sich insbesondere für statistische Analysen und Visualisierungen auf Basis großer Datensätze eignet. https://www.analyticsinhr.com/blog/hr-analytics-tools/ 5 Tools hingegen, die personalbezogene Daten in der Cloud speichern, werden aus datenschutzrechtlichen Gründen nicht eingesetzt. 76 Peter Kels und Uwe Vormbusch die Seriosität und ethische Verantwortlichkeit der Arbeiten innerhalb des Analyseteams. Zweitens lege man viel Wert auf Transparenz: das HR-Analytics-Team bevorzugt z. B. bewusst Algorithmen deren Funktionsweise erklärbar ist, auch wenn dies auf Kosten der Genauigkeit geht. „Dort die Transparenz zu geben würde ich noch höher gewichten als das perfekte Modell zu finden. Lieber irgendwo eine Limitation aufzeigen und sagen ,so haben wir das Modell gerechnet‘ als ein komplexes neuronales Netz zu nehmen, was dann zwar vielleicht besser ist in der Aussage aber für den Anwender einer schwer erklärbaren Blackbox gleichkommt.“ (Leiter des Bereichs Analytics & Data Consulting) „Es ist kein Selbstläufer, sondern ein iterativer Prozess. Man muss die Modelle immer wieder prüfen und überlegen, welche Aspekte werde ich tatsächlich berücksichtigen und welche nicht. Es braucht immer noch den Menschen, der dort mitreden kann. Es wäre falsch zu sagen ich mache ein Konzept, gebe das in die Produktion und dann läuft das einfach.“ (Leiter des Bereichs Analytics & Data Consulting) Insbesondere die Plausibilität der Modellierung als auch die Aussagekraft der gewonnenen Erkenntnisse müsse dabei durch den Einbezug des Fach-, Kontextund Erfahrungswissens lokaler Führungskräfte validiert und geschärft werden, auch, um das Risiko von Fehlschlüssen zu reduzieren: „Wir sind natürlich extrem angewiesen auf das Wissen von unseren Kunden. Das heisst, wenn wir Korrelationen finden, die Interpretation was das jetzt genau bedeutet und ob wir damit etwas machen, da braucht es die Erfahrung und die Zusammenarbeit mit der Fachabteilung.“ (Leiter des Bereichs Analytics & Data Consulting) Zugleich räumen beide Interviewpartner ein, dass die Nachvollziehbarkeit von HR-Analytik (und der ihr zugrundliegenden Modelle und Daten) für Linienmanager nur in Grenzen gegeben sei und diese letztlich dem HR-Analytics-Team vertrauen müssten, dass dort seriös gearbeitet werde: „Wir wissen immer ganz genau auf welchen Grundlagen die schlussendlichen Daten beruhen. Für HR ist es transparent, für einen Line Manager weniger. Dort geht es um das Thema Trust, also glaubt er, was ich ihm sage. (...) Wir können nicht die ganzen Daten offenlegen, es gibt gewisse Einschränkungen, aber ich denke dass unsere Daten relativ glaubwürdig rüberkommen.“ (Stellvertretender Leiter des Bereichs HR-Analytics) Drittens befindet sich die HR-Funktion (bei ICTAG wie bei vielen anderen Unternehmen) aus Sicht der befragten Experten heute in der spannungsreichen Situation, den gewachsenen Ansprüchen der Geschäftsleitung an eine effiziente Bereitstellung, Nutzung und Entfaltung von Humanressourcen bei gleichzeitiger Reduktion der Betreuungsdichte des HR-Teams gerecht werden zu müssen. „HR ist ja in vielen Unternehmungen kein Wachstumsthema (...) Es wird immer weniger der Fall sein, dass ein Line Manager im unteren Drittel einen direkten Ansprechpartner im HR haben wird. Und je weiter wir im HR von solchen Leuten weg sind, desto einfacher ist es mit ihnen zu kommunizieren, wenn wir sagen können ,das und das und das sind die Grundlagen für diese Entscheidung‘.“ (Stellvertretender Leiter des Bereichs HR-Analytics) Hierzu passt auch die Beobachtung der beiden Interviewpartner, dass die Schwächung der Verankerung und Reichweite der HR-Funktion im operativen Geschäft eine Verlagerung managerialer Entscheidungsgrundlagen forciert habe: weg vom generalisierten Vertrauen in die personenund erfahrungsgebundenen Expertise und Urteilsfähigkeit von HR-Businesspartnern – hin zu einem Vertrauen in die Aussagekraft von Daten: People Analytics im Personalmanagement 83 tics die durch personelle Ausdünnung der HR-Funktion erzeugte Problematik einer Schwächung des wechselseitigen Wissenstransfers zwischen HR-Businesspartnern und Linienvorgesetzten zu kompensieren versucht. 5.2 Data Literacy als neue Kernkompetenz im HR Die Integration von Daten in organisationale Entscheidungsprozesse wird in beiden Fällen vorangetrieben. Voraussetzungsvoll ist dabei nicht nur die Fähigkeit, innerhalb des Analytics-Teams komplexe HR-Analysen durchzuführen, sondern auch deren Ergebnisse gegenüber Vertretern der Linie mit nicht so ausgeprägter ‚data literacy‘ zu vermitteln. Bei der Aufbereitung der Daten setzt man in beiden Unternehmen stark auf Spezialisten im Bereich Data Science und weniger auf klassische HR-Professionals. Welche Konsequenzen dies für die HR-Funktion insgesamt hat, ist eine empirisch noch offene Frage. Data Literacy wird für datengetriebene Unternehmen sicherlich zu einer Kernfunktion, insbesondere, wenn man wie Rasmussen & Ulrich (2015, S. 236) von der Vorstellung einer breit angelegten „analytics journey“ ausgeht, welche alle Funktionen von Unternehmen in unterschiedlicher Geschwindigkeit durchlaufen. In welchem Verhältnis diese zur klassischen Fachlichkeit und zum Erfahrungsund Organisationswissen innerhalb der HR-Funktion steht, ist in Hinblick auf die Wissensordnung datenbasierter Unternehmen sowohl empirisch als auch konzeptionell weiter zu klären. Ebenso offen ist die Frage, ob sich die beträchtlichen finanziellen Investitionen in die Datenund Analysekompetenz des HR-Personals (durch Rekrutierung und Personalentwicklung) mittelfristig tatsächlich auch auszahlen. 5.3 Einsatz von Analytics-Software: Make-or-buy Aufgrund der Intransparenz der Algorithmen, Modelle und Scoring-Verfahren, die in Standardtools externer Anbieter Anwendung finden, setzt die ICTAG auf eigene Analysen. Diese Haltung erscheint im Kontext der durch HR an den Tag gelegten arbeitspolitischen Vorsicht kohärent. Nicht zuletzt kämpft HR im Zuge der Einführung datengetriebener Steuerungsmodelle auch um sein eigenes Überleben: es muss sich gegenüber der Unternehmensführung als messbar wertschöpfend, gegenüber dem Linienmanangement als problemlösender Handlungspartner und gegenüber der Belegschaft als vertrauenswürdiger Förderer von Kompetenzen ohne Misstrauen erweckende Kontrollaspiration legitimieren. Der Zukauf standardisierter Softwarepakete würde HR in die Abhängigkeit von externen Anbieter führen und ihre im Unternehmen wahrgenommene Kompetenz nur weiter untergraben. Er wäre auch mit einem hochgradig institutionalisierten, arbeitspolitisch kooperativen Prozess der Durchführung von Analytics-Projekten kaum vereinbar. Bei Luxura stellt sich der Fall in arbeitspolitischer Hinsicht etwas anders dar. Die Abwägung dessen, was man kann, gegenüber dem, was man sollte, prägt das Handeln der Akteure weniger stark. Stattdessen werden hier Überlegungen angestellt, in welchen Ländern und an welchen Standorten man People Analytics in Abhängigkeit von dem je erwartetem betrieblichen und gewerkschaftlichen Widerstand am ehesten testen könne. Neben diesen im weiteren Sinne arbeitspolitischen Erwägungen spielt noch ein zweiter Aspekt eine wesentliche Rolle bei der Frage ‚make-or-buy‘: die Kontrolle über den Analytics-Prozess und seine Ergebnisse. Beide Unternehmen wollen sich die Kontrolle über die 84 Peter Kels und Uwe Vormbusch angewandten Modelle nicht aus der Hand nehmen lassen. Die betriebliche Vermittelbarkeit und Angemessenheit der Hypothesen sowie ihre Kontextbzw. Businesssensibilität sind ICTAG wichtiger als das „perfekte Modell“. Mächtige Tools von der Stange, die alles zu können versprechen, die aber gleichzeitig gewissermaßen ‚oberhalb‘ der Relevanzstrukturen der Businesspartner in den Bereichen operieren, passen in diesem Sinne nicht zu der abwägenden, kompromissorientierten HR-Kultur bei ICTAG. Und auch bei Luxura setzt man eher auf eine Kombination von open source Software als auf die großen Anbieter. Deren Angebote seien oftmals ethisch und rechtlich fragwürdig und modelltechnisch intransparent. Lasse man sich hierauf ein, so werde „man völlig abhängig“ und könne „gar nicht mehr nachvollziehen, welche Entscheidungsprozesse man eigentlich im Unternehmen hat.“ 5.4 Hypothesengeleitetes versus datengetriebenes Wissensmodell Obwohl People Analytics in der Regel mit einem korrelationsbasierten Wissensmodell und der Nutzung von Big Data in Zusammenhang gebracht wird, gehen beide Unternehmen hypothesengeleitet vor. Aus der gemeinsamen Problemdefinition mit dem jeweiligen Business Partner werden zunächst Hypothesen und eine Heuristik abgeleitet, mit diversen Modellen getestet bzw. durchgerechnet, ggf. modifiziert und schließlich gemeinsam interpretiert. Undurchsichtige, stärker auf selbstlernende Algorithmen und Big Data setzende Konzepte passen zu einem solchen Vorgehen eher nicht. In diesem Sinne weichen beide Unternehmen stark von dem einschlägigen Hype um Big Data und Künstliche Intelligenz ab. Sie tun das nicht etwa in Unkenntnis ihrer Möglichkeiten, sondern nach einer bewussten Abwägung der Chancen und Risiken beider Zugänge vor dem Hintergrund ihrer Managementkultur. In beiden Fallstudien wird einer rein datenund algorithmenbasierten Wissensordnung automatisierten Entscheidens eine klare Absage erteilt: Letztentscheide lägen beim Menschen, der hierbei durch Daten und Modellierungen unterstützt werde, und das solle auf absehbare Zeit auch so bleiben. 5.5 Arbeitspolitische Einbettung Die arbeitspolitische Einbettung von People Analytics verläuft bei den untersuchten Unternehmen unterschiedlich. ICTAG kann als ein paradigmatisches Beispiel für eine kooperationsund kompromissorientierte Managementkultur mit einem hohen Grad an unternehmenspolitischer Institutionalisierung ihrer Datenpolitik aufgefasst werden. Das bedeutet nicht, dass People Analytics nicht auch in Form von ‚embedded analytics‘ Gefahren für den Datenschutz oder ein wachsendes Kontrollpotential beinhalten. Es bedeutet aber, dass das Management die Potentiale von People Analytics zur Herstellung weitgehender Transparenz und Kontrolle nicht kompromisslos umzusetzen anstrebt. So verzichtet ICTAG auf die umfassende Anwendung der organisationalen Netzwerkanalyse und auf die Identifikation individueller Beschäftigter. Und Luxura beabsichtigt zwar durchaus detaillierte ‚Engagement Surveys‘ und möchte seinen ‚Data Lake‘ damit weiter ausbauen, gleichzeitig soll aber ein Ethikboard eingerichtet werden. Luxura stellt dabei u.E. einen arbeitspolitisch uneindeutigen Fall dar. Die Vorsicht in Hinblick auf individualisierte Auswertungen wird dort – trotz des geplanten Ethikboards – weniger mit ethischen oder rechlichen Bedenken begründet als insbesondere der Angst davor, dass die Beschäftigten sich mit ähnlichen Waffen zur People Analytics im Personalmanagement 85 Wehr setzen könnten, indem sie ihrem Unmut auf Arbeitgeberbewertungsplattformen wie Kununu oder Glassdoor Luft machen und entsprechende Überwachungspraktiken skandalisieren könnten. Hier scheint weniger das Bewahren einer kooperativen Unternehmenskultur als vielmehr die Angst vor Reputationsverlusten in einem angespannten Arbeitsmarkt eine Rolle zu spielen. Angespannt ist dieser Markt für Luxura vor allem vor dem Hintergrund der teilweise recht hohen Fluktuationsraten in den regionalen Niederlassungen. Und gerade hier haben HR-Analytics Untersuchungen ja dazu beigetragen, dass das Management die Kosten solcher Fluktuationen überhaupt quantifizieren konnte. 6. Fazit In der Managementliteratur wird People Analytics häufig als ein strategisch notwendiger Paradigmenwechsel von einem kausalistischen hin zu einem datenund korrelationsbasierten Wissensregime propagiert. In den Critical Data Studies (Crawford, Miltner, & Gray, 2014) wird jedoch immer wieder hervorgehoben, dass die Schlussfolgerungen selbstlernender Algorithmen konstruktionsbedingt nicht mehr durch menschliche Akteure nachvollzogen werden können. Auch für vorgebildete Laien wie betriebliche Experten, Betriebsräte oder Personalmanager sind sie vollkommen intransparente ‚black boxes‘, „as opaque as the brain“ (Castelvecchi, 2016, S. 21). Selbst von Beratungsunternehmen wird mittlerweile die mangelnde Transparenz datenbasierter Personalentscheidungen kritisiert: „Data-driven decisions are not guaranteed to be understandable, accurate or good“ (Deloitte, 2018, S. 91). Es kommt hinzu, dass ihre Funktionsweise in der Regel gut gehütete Geschäftsgeheimnisse privater Unternehmen darstellen, sodass eine Transparenz oder Offenlegung von Algorithmen auch ökonomisch unerwünscht ist (Pasquale, 2015 sowie Lemke, Brenner, & Kirchner, 2017, S. 38). Intersubjektive Nachvollziehbarkeit ist jedoch eine der prozeduralen Voraussetzungen dafür, dass ein bestimmtes Wissen von den betroffenen Gruppen als gültig und legitim anerkannt werden kann. In dem Maße, in dem People Analytics auf Big Data und (lernende) Algorithmen setzen, erodiert die Vertrauensbasis ohnehin heikler Personalentscheide. Der Intransparenz algorithmischer Entscheidungssysteme korrespondiert in paradoxer Weise die oftmals mit ihnen verbundene Überzeugung, dass das mittels solcher Systeme hergestellte Wissen ‚wahrer‘ als andere Quellen sozialen Wissens sei. Crawford, Miltner und Gray (2014) wie auch Boyd und Crawford (2012) kritisieren Algorithmen und Big Data vor diesem Hintergrund als ‚Mythos‘. Dieser Mythos verbindet eine basale Intransparenz in der Herstellung des Wissens mit dem Glauben an dessen überlegene Aussagekraft. Eine breitere empirische Forschung ist nötig, um abschätzen zu können, in welchem Umfang die betriebliche Praxis den Evidenzund Effizienzversprechen dieser mythologischen Überhöhung eines auf großen Datenmengen und ihrer algorithmisierten Verknüpfung gestützten Wissensregimes unkritisch folgt. Ein solcher Paradigmenwechsel zeichnet sich in den beiden untersuchten Unternehmen gegenwärtig nicht ab. Black-Box Modelle, wie sie von den großen Softwareunternehmen angeboten werden, werden von den HR-Analytics-Verantwortlichen beider Unternehmen abgelehnt. Die befragten HRExperten begründen dies einerseits mit ethisch wie arbeitspolitisch problematischen Folgewirkungen, antizipieren andererseits aber auch, dass unternehmerische Entscheidungen und 86 Peter Kels und Uwe Vormbusch letztlich auch ihre im Betrieb wahrgenommene Kompetenz durch selbstlernende Algorithmen und rein korrelationsbasierte Modelle untergraben werden könnten. Daten seien wichtig für die Entdeckung von Zusammenhängen, für Analysen, und auch für die Legitimation von Entscheidungen – Daten allein jedoch seien ohne ihre Kontextualisierung, ihre gemeinsame Interpretation und ohne das Erfahrungswissen von Experten nicht von Wert. Insofern zeigt unsere Empirie eine deutliche Skepsis der HR-Verantwortlichen gegenüber nicht überprüfbaren People Analytics Tools. Die Entscheidungsautonomie betrieblicher HRExperten und des Managements überhaupt wird dabei von zwei Seiten bedroht: von ‚innen‘ durch die Intransparenz algorithmischer Entscheidungssysteme, von ‚außen‘ durch Softwareunternehmen wie Microsoft und IBM, welche die Kontrolle über für den Geschäftsprozess ausgesprochen relevante Daten und ihre Analyse zu gewinnen drohen, indem sie Daten nicht nur eines, sondern von Hunderten Unternehmen analysieren und kontrollieren. Ohne den Zukauf von strategischen Informationen, die durch die Analyse solcher riesiger, weit oberhalb der Kontrollmöglichkeiten des Einzelunternehmens angesiedelter ‚data lakes‘ gewonnen wurden, könnten die betrieblichen Akteure bald die Kontrolle über ihre Daten und damit die Grundlage ihrer Entscheidungen verlieren. Gleichwohl lehnen beide untersuchte Unternehmen aus unterschiedlichen Gründen das ‚Profiling‘ und Netzwerkanalysen, die das Sozial-, Kommunikationsund Arbeitsverhalten einzelner Mitarbeiter in den Blick nehmen (Höller & Wedde, 2018), zum gegenwärtigen Zeitpunkt ab. Dass dies durchaus nicht immer der Fall sein muss, verdeutlicht der von Staab & Geschke (2019) untersuchte Fall. Sie teilen die Sorge um die Unruhe, die solche Anwendungen auslösen würden, und wollen den arbeitspolitischen Bruch vermeiden, der mit der Umsetzung eines radikal datenbasierten Personalmanagements einherginge. Beide Unternehmen zeigen sich distanziert gegenüber selbstlernenden Algorithmen und Big Data und setzen stattdessen auf eine Art organisationskulturell „Embedded People Analytics“. Allerdings machen die Einschätzungen der befragten Experten auch klar, dass die weitreichenden Möglichkeiten zur Analyse des „kulturellen Fits“ zwischen Zielvorgaben und dem Verhalten von Individuen oder Teams (‚Engagement Analytics‘) oder des Kommunikationsund Vernetzungsverhaltens von Mitarbeitenden nicht undenkbar sind. Vor den nicht nur ethisch, arbeitsund datenschutzrechtlich, sondern auch arbeitspolitisch hochgradig konfliktträchtigen Implikationen scheuen sie jedoch zurück. Literaturverzeichnis Arbeitsrecht im Betrieb (AiB) (2015). Big Data im Betrieb. Ausgespäht, analysiert und ausgeliefert? Bund Verlag: Frankfurt a. M. Angrave, D., Charlwood, A., Kirkpatrick, I., Lawrence, M., & Stuart, M. (2016). HR and Analytics: Why HR is set to fail the big data challenge. Human Resource Management Journal, 26(1), 1‒ 11. https://doi.org/10.1111/1748-8583.12090 Arbeitskreis Controlling der Schmalenbach-Gesellschaft für Betriebswirtschaft e.V. (2018). Diversity Analytics: Stand und Perspektiven. In: Krause, St. & Pellens, B. (Hg.): Betriebswirtschaftliche Implikationen der digitalen Transformation (S. 81‒101). Wiesbaden: Springer Gabler. https://doi.org/10.1007/978-3-658-18751-4_5 Biemann, T., & Weckmüller, H. (2016). Mensch gegen Maschine: Wie gut sind Algorithmen im HR? PersonalQuarterly 68(4), 44‒47. People Analytics im Personalmanagement 87 Birri, R. (2014). Human Capital Management. Wiesbaden: Springer Fachmedien. https://doi.org/10.1007/978-3-8349-4575-4 Boyd, d. & Crawford, K. (2012). Critical questions for big data. Provocations for a cultural, technological, and scholarly phenomenon. Information, Communication & Society 15(5), 662–679. Bruggemann, C. & Schinnenburg, H. (2018). Predictive HR Analytics. Moglichkeiten und Grenzen des Einsatzes im Personalbereich. ZfO 87(5), 330–336. Castelvecchi, D. (2016). The Black Box of AI. Nature 538(6), 20‒23. https://doi.org/10.1038/538020a Christ, O., & Ebert, N. (2016). Predictive Analytics im Human Capital Management: Status Quo und Potentiale. In: HMD Praxis der Wirtschaftsinformatik 53, 298–309. https://doi.org/10.1365/s40702-015-0193-6 Creswell, J. W. (2007). Qualitative inquiry and research design: Choosing among five approaches. Thousand Oaks, CA: Sage. Crawford, K., & Miltner, K. & Gray, M.L. (2014). Critiquing Big Data: Politics, Ethics, Epistemology. International Journal of Communication 8, 1663‒1672 Davenport, Th. H. (2006): Competing on Analytics. Harvard Business Review, Januar 2006, 1‒9 Davenport, Th. H., Harris, J. & Shapiro, J. (2010). Competing on Talent Analytics, Harvard Business Review, Oktober 2010, 1‒6 Deloitte (2018). Global Human Capital Trends 2018. The Rise of the Social Enterprise https://www2.deloitte.com/insights/us/en/focus/human-capital-trends.html (Letzter Zugriff: 26. April 2018). Goodell King, K. (2016). Data Analytics in Human Resources: A Case Study and Critical Review. Human Resource Development Review 15(4), 487‒495. https://doi.org/10.1177/1534484316675818 Heuvel, van den, S., & Bondarouk, S. (2016). The Rise (and Fall) of HR Analytics. A Study into the Future Applications, Value, Structure, and System Support. Article submitted for the 2nd HR Division International Conference (HRIC) on February 20‒22, 2016 in Sydney, Australia. https://doi.org/10.5465/ambpp.2016.10908abstract Höller, H. P., & Wedde, P. (2018). Die Vermessung der Belegschaft. Mining the Enterprise Social Graph. In: Mitbestimmungspraxis Nr. 10, Januar 2018, Hans Böckler Stiftung: Düsseldorf. Jain, N., & Maitri (2018). Big Data and Predictive Analytics: A Facilitator for Talent Management. Munshi, U. M. & Verma, N. (eds.). Data Science Landscape. Studies in Big Data 38 (S. 199‒ 204). Springer Nature: Singapore. https://doi.org/10.1007/978-981-10-7515-5_14 Kels, P. (2019). Zur Digitalisierung und Algorithmisierung von Arbeit im Kontext wissensbasierter Organisationen. In: Dröge, K. & Glauser, A. (Hg.). Digitalisierung der Wissensarbeit. Interdisziplinäre Analysen und Fallstudien (S. 10‒30). Frankfurt, New York: Campus. Kels, P. (2009). Arbeitsvermögen und Berufsbiografie. Karriereentwicklung im Spannungsfeld zwischen Flexibilisierung und Subjektivierung. Wiesbaden: VS Verlag. Kremer, Kristian (2018). HR Analytics and its moderating factors. Budapest Manageent Review 11/2018, 62‒68. https://doi.org/10.14267/VEZTUD.2018.11.07 Lemke, C., Brenner, W., & Kirchner, K. (2017). Die Dominanz von Software im digitalen Zeitalter. In: Dies. (Hrsg.). Einfuhrung in die Wirtschaftsinformatik (S. 27‒69). Wiesbaden: SpringerVerlag. https://doi.org/10.1007/978-3-662-53656-8_3 Manuti, A., & de Palma, P. D. (2018). Digital HR. A Critical Management Approach to the Digitilization of Organizations. Palgrave Macmillan, Cham. https://doi.org/10.1007/978-3-319-60210-3 Marler, J. H., & Boudreau, J. W. (2017). An evidence-based review of HR analytics. The International Journal of Human Resource Management 28(1), 3‒26. https://doi.org/10.1080/09585192.2016.1244699 88 Peter Kels und Uwe Vormbusch Miles, M. B., Huberman, A. M., & Saldana, J. (2014). Qualitative Data Analysis: A Methods Sourcebook (3rd ed.). London: Sage. Minbaeva, D. B. (2018). Building credible human capital analytics for organizational competitive advantage. Human Resource Management 57(3), 701‒713. https://doi.org/10.1002/hrm.21848 Mishra, S., Raghvendra Lama, D. & Pal, Y. (2016). Human Resource Predictive Analytics (HRPA) For HR Management in Organizations. International Journal of Scientific & Technology Research 5(5), 33‒35. Nielsen, C., & McCullough, N. (2018). How People Analytics Can Help You Change Process, Culture, and Strategy by Chantrelle Nielsen and Natalie McCullough. Harvard Business Review 05/2018. https://hbr.org/2018/05/how-people-analytics-can-help-you-change-process-culture-and-strategy Pasquale, F. (2015). The Black Box Society. Cambridge/MA: Harvard University Press. https://doi.org/10.4159/harvard.9780674736061 Rasmussen, Th., & Ulrich, D. (2015). Learning from practice: how HR analytics avoids being a management fad. Organizational Dynamics 44, 236‒242. https://doi.org/10.1016/j.orgdyn.2015.05.008 Reindl, C. (2016). People Analytics: Datengestutzte Mitarbeiterfuhrung als Chance fur die Organisationspsychologie. Gruppe-Interaktion-Organisation 47, 193–197. https://doi.org/10.1007/s11612-016-0325-7 Ruchhöft, M. (2017). Die Vermessung sozialer Beziehungen. Computer und Arbeit 11/2017, 8‒15. Strohmeier, S. (2017). Big HR Data – Konzept zwischen Akzeptanz und Ablehnung. In: Jochmann, W. et al. (Hrsg.). HR-Exzellenz (S. 339‒355). Wiesbaden: Springer. https://doi.org/10.1007/978-3-658-14725-9_21 Staab, Ph. & Geschke, S.-Ch. (2019). Ratings als arbeitspolitisches Konfliktfeld. Das Beispiel Zalando. Hans Böckler Stiftung Study 429, September 2019 Stake, R. (1995). The art of case study research. Thousand Oaks, CA: Sage. Tursunbayeva, A., Di Lauro, S., & Pagliari, C. (2018). People analytics—A scoping review of conceptual boundaries and value propositions. International Journal of Information Management, 43, 224–247. https://doi.org/10.1016/j.ijinfomgt.2018.08.002 Yin, R. K. (2014). Case Study Research. Design and Methods (5th ed). Thousand Oaks, CA: Sage. http://dx.doi.org/10.4135/9781473915480