Kürzlich durfte ich eine Keynote bei einem Fachverband halten. Die Teilnehmenden: ein bunter Mix aus HR-Controllerinnen und -Controllern – vom Mittelstand bis zum Großkonzern. Am Ende meiner Vorträge stelle ich immer die gleiche Frage: Wenn es eine Sache gibt, die Sie gelernt haben, welche wäre das? Warum gerade diese Frage? Wenn wir aus einem Vortrag mit einem Prozent mehr Wissen rausgehen, war’s schon ein guter Vortrag. Oft ist es aber nicht das „Neue“, das hängen bleibt – sondern das, was uns innerlich eh schon beschäftigt.
In diesem Fall war das besonders spannend: Der größte Aha-Moment für viele im virtuellen Raum? Die sogenannten fünf Stufen von People Analytics. Ein Modell, das Unternehmen hilft, sich selbst einzuschätzen: Wo stehen wir eigentlich, wenn es um den datenbasierten Blick auf unsere Personalarbeit geht?
Ich habe das Modell schon oft genutzt – in meinen Keynotes, in Workshops mit beyobie. Es gibt zahlreiche Varianten davon, aber ich orientiere mich gern an einer Version von McKinsey, die ich mit eigenen Praxiserfahrungen angereichert habe. Daher möchte ich in dieser Kolumne den Selbstcheck in Sachen People Analytics teilen, damit ihr euch ein Bild von eurem aktuellen Status quo machen könnt und wie ihr dabei abschneidet.
Stufe 1: Poor Data
Machen wir es kurz: Hier ist noch nichts mit Analytics. Daten liegen bestenfalls in Excel, schlimmstenfalls auf Papier in der Personalakte. Kein Zugriff, keine Struktur, keine Basis. Dafür aber viel Potenzial – denn hier kann es nur aufwärts gehen.
Stufe 2: Good Data
Für mich eine besonders spannende Phase. Die meisten Unternehmen, mit denen ich spreche, finden sich irgendwo hier. Die Grundlagen sind gelegt: Es gibt ein HRIS, vielleicht auch ein ATS – sprich, Daten sind vorhanden. Aber: Die Qualität ist durchwachsen, Analyse-Tools fehlen, und vor allem mangelt es oft an Vertrauen in HR-Daten. Das führt dazu, dass sie in Entscheidungen kaum eine Rolle spielen. Kurz: Gut, aber längst nicht gut genug für den nächsten Schritt.
Stufe 3: Strong Data
Jetzt wird’s strukturiert. In dieser Stufe sind nicht nur Tools im Einsatz – hier gibt es meist schon ein kleines Team aus People Analystinnen und -Analysten. HR-Daten werden gezielt ausgewertet und in Entscheidungsprozesse eingebunden. Visualisierungen über Dashboards, klares Rollenmanagement und eine deutlich stärkere Position von HR im Unternehmen zeichnen diese Phase aus.
Stufe 4: Advanced analytics
Ab hier wird’s technisch anspruchsvoller. Daten aus verschiedenen Quellen werden zentral gebündelt, harmonisiert und für komplexere Analysen vorbereitet. Hier kommen häufig Data Warehouses zum Einsatz – Cloud-basiert, skalierbar, leistungsfähig. Wer hier steht, arbeitet nicht mehr nur innerhalb klassischer HR-Systeme, sondern vernetzt HR-Daten strategisch mit anderen Unternehmensdaten. Das braucht entweder ein spezialisiertes Team oder eine standardisierte Analytics Lösung – und das klare Commitment, in der Organisation datengetriebene Entscheidungen im HR zu treffen.
Stufe 5: Predictive analytics
Die Champions League. Wer hier angekommen ist, nutzt maschinelles Lernen, um auf Basis historischer Daten Muster zu erkennen und Wahrscheinlichkeiten vorherzusagen. Klingt nach Glaskugel, ist aber Statistik. Fluktuation, Leistungsentwicklung, Engagement-Risiken – all das kann frühzeitig erkannt und präventiv angegangen werden. Klar ist: Hier wird HR zum echten Business Partner – und niemand redet mehr vom „Cost Center“.
Ich bin ehrlich: Ich habe da so eine Ahnung, wo sich viele von Ihnen gerade einordnen würden. Und falls das eher so in Stufe 2 ist – keine Sorge. Der erste Schritt ist, sich überhaupt mit dem Thema zu beschäftigen. Und damit seid ihr schon weiter als viele andere. Meiner Erfahrung nach befinden sich derzeit die meisten HR-Abteilungen in Stufe 2 und einige bereits in Stufe 3.
Denn die Wahrheit ist: Die größten Herausforderungen liegen oft ganz am Anfang. Bei der Datenbasis, der Systemlandschaft, der internen Haltung zu HR-Daten. Wer diese Hürden überwindet, schafft die Grundlage für alles, was danach kommt – egal ob mit oder ohne KI.
