Skip to main content
Join Community
Add as a preferred source on Google Opens new window Join Community Join Community
Personalplanung

Predictive Analytics im Personalwesen: SPSS Modeler

Brendan Lys
By
Brendan Lys
Brendan Lys

Ich arbeite an der Schnittstelle von Personalwesen und Data Science und nutze meine umfassende Fachkenntnis im Personalbereich gemeinsam mit Methoden und Herangehensweisen der Datenwissenschaft. Der Schwerpunkt liegt auf der Gewinnung umsetzbarer Erkenntnisse aus Daten, beispielsweise in Bereichen wie Vergütung & Leistungen, Personalplanung, Rekrutierung, Arbeitssicherheit, Diversität und Weiterbildung. Doch wie sieht die Anwendung von Data Science auf Herausforderungen und Chancen im Personalwesen konkret aus? Im HR-Kontext stammen die analysierten Daten meist direkt aus unserem HRMIS. Ein Vorteil datenwissenschaftlicher Methoden besteht darin, dass zusätzliche interne oder externe Datenquellen einbezogen werden können – Daten, die in einer rein analytischen HR-Herangehensweise nicht zugänglich wären. Beispiel: Stellenbeschreibungen enthalten zahlreiche Informationen, die oft ignoriert werden, weil sie nicht analysierbar erscheinen. Ein Nebenprojekt, an dem ich derzeit (April 2019) arbeite, verwendet Text Mining auf Stellenanzeigen, um herauszufinden, zu welcher Berufsgruppe eine Position gehört. Die Erkenntnisse meiner Arbeit wurden von Organisationen aus verschiedensten Branchen genutzt, darunter: Behörden (Australien und Neuseeland), an der ASX und NZX gelistete Unternehmen, Versorgungsunternehmen, Non-Profit-Organisationen und Hochschulen.

More about Brendan

Kürzlich habe ich recherchiert und mich mit einem Tool von IBM namens SPSS Modeler beschäftigt. Viele Leserinnen und Leser haben vielleicht schon von SPSS Statistics gehört oder es verwendet, und der Modeler gehört zu dieser Produktfamilie. Was ich bisher gesehen habe, ist sehr vielversprechend. Im Wesentlichen analysiert SPSS Modeler Ihre Daten und identifiziert Risikofaktoren oder […]

Kürzlich habe ich recherchiert und mich mit einem Tool von IBM namens SPSS Modeler beschäftigt. Viele Leserinnen und Leser haben vielleicht schon von SPSS Statistics gehört oder es verwendet, und der Modeler gehört zu dieser Produktfamilie. Was ich bisher gesehen habe, ist sehr vielversprechend. Im Wesentlichen analysiert SPSS Modeler Ihre Daten und identifiziert Risikofaktoren oder Prädiktoren für ein Ereignis. Angenommen, Sie verfügen über Daten zur Mitarbeiterfluktuation – diese können Sie in den Modeler einspeisen und er wird Gemeinsamkeiten in den Daten finden. Mit diesen Informationen können Sie anschließend das entstandene Modell auf aktuelle Daten anwenden und erhalten eine Liste der aktuellen Mitarbeitenden, die möglicherweise gefährdet sind oder das Unternehmen verlassen könnten.

Derzeit warte ich noch darauf, dass das IT-Team die Software installiert, daher hatte ich bisher noch keine Gelegenheit, das Tool praktisch auszuprobieren. Das folgende Video (nicht von mir) bietet aber eine sehr gute Einführung in die Software, und ich empfehle Ihnen, sich dafür Zeit zu nehmen.

Ich hoffe, bald meine Erfahrungen mit der Software teilen zu können, wenn sie auf meinem Arbeits-PC zur Verfügung steht. Wie viele andere datenorientierte HR-Praktiker möchte ich meinem Arbeitgeber mehr bieten als nur Berichte darüber, was passiert ist – ich möchte Einblicke darin geben, was in der Zukunft passieren könnte.

Brendan Lys
By Brendan Lys

Ich arbeite an der Schnittstelle von Personalwesen und Data Science und nutze meine umfassende Fachkenntnis im Personalbereich gemeinsam mit Methoden und Herangehensweisen der Datenwissenschaft. Der Schwerpunkt liegt auf der Gewinnung umsetzbarer Erkenntnisse aus Daten, beispielsweise in Bereichen wie Vergütung & Leistungen, Personalplanung, Rekrutierung, Arbeitssicherheit, Diversität und Weiterbildung. Doch wie sieht die Anwendung von Data Science auf Herausforderungen und Chancen im Personalwesen konkret aus? Im HR-Kontext stammen die analysierten Daten meist direkt aus unserem HRMIS. Ein Vorteil datenwissenschaftlicher Methoden besteht darin, dass zusätzliche interne oder externe Datenquellen einbezogen werden können – Daten, die in einer rein analytischen HR-Herangehensweise nicht zugänglich wären. Beispiel: Stellenbeschreibungen enthalten zahlreiche Informationen, die oft ignoriert werden, weil sie nicht analysierbar erscheinen. Ein Nebenprojekt, an dem ich derzeit (April 2019) arbeite, verwendet Text Mining auf Stellenanzeigen, um herauszufinden, zu welcher Berufsgruppe eine Position gehört. Die Erkenntnisse meiner Arbeit wurden von Organisationen aus verschiedensten Branchen genutzt, darunter: Behörden (Australien und Neuseeland), an der ASX und NZX gelistete Unternehmen, Versorgungsunternehmen, Non-Profit-Organisationen und Hochschulen.

Follow the author: Opens new window Opens new window
You may also like