Skip to main content
Popular insights
Employee Scheduling Software HRMS For Small Business Employee Management Systems
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

An der Schnittstelle von Personalwesen und Data Science nutze ich umfangreiche Fachkenntnisse im Personalwesen zusammen mit den Methoden und Ansätzen der Data Science. Dieser Fokus auf die Gewinnung umsetzbarer Erkenntnisse aus Daten wurde bereits in Bereichen wie Vergütung & Benefits, Personalplanung, Rekrutierung, Arbeitsschutz, Diversität und Weiterbildung angewendet. Doch wie sieht die Anwendung von Data Science auf HR-Herausforderungen und -Chancen tatsächlich aus? Im HR-Kontext stammen unsere verwendeten Daten typischerweise direkt aus unserem HRMIS. Ein Vorteil von Data-Science-Methoden ist, dass wir zusätzliche Daten aus der Organisation oder externen Quellen einbeziehen können – Daten, die mit rein HR-analytischen Ansätzen nicht zugänglich wären. Beispielsweise beinhalten Stellenbeschreibungen eine Fülle von Daten, die wir normalerweise ignorieren, da sie nicht analysierbar vorliegen. Ein Nebenprojekt, an dem ich derzeit (April 2019) arbeite, nutzt Textmining auf Stellenbeschreibungen, um Erkenntnisse darüber zu gewinnen, zu welcher Berufsgruppe eine Position gehören könnte. Die Ergebnisse meiner Arbeit wurden von Organisationen aus verschiedensten Sektoren genutzt, darunter: Regierungen (Australien und Neuseeland), börsennotierte Unternehmen an ASX und NZX, Versorgungsbetriebe, Non-Profit-Organisationen sowie 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

An der Schnittstelle von Personalwesen und Data Science nutze ich umfangreiche Fachkenntnisse im Personalwesen zusammen mit den Methoden und Ansätzen der Data Science. Dieser Fokus auf die Gewinnung umsetzbarer Erkenntnisse aus Daten wurde bereits in Bereichen wie Vergütung & Benefits, Personalplanung, Rekrutierung, Arbeitsschutz, Diversität und Weiterbildung angewendet. Doch wie sieht die Anwendung von Data Science auf HR-Herausforderungen und -Chancen tatsächlich aus? Im HR-Kontext stammen unsere verwendeten Daten typischerweise direkt aus unserem HRMIS. Ein Vorteil von Data-Science-Methoden ist, dass wir zusätzliche Daten aus der Organisation oder externen Quellen einbeziehen können – Daten, die mit rein HR-analytischen Ansätzen nicht zugänglich wären. Beispielsweise beinhalten Stellenbeschreibungen eine Fülle von Daten, die wir normalerweise ignorieren, da sie nicht analysierbar vorliegen. Ein Nebenprojekt, an dem ich derzeit (April 2019) arbeite, nutzt Textmining auf Stellenbeschreibungen, um Erkenntnisse darüber zu gewinnen, zu welcher Berufsgruppe eine Position gehören könnte. Die Ergebnisse meiner Arbeit wurden von Organisationen aus verschiedensten Sektoren genutzt, darunter: Regierungen (Australien und Neuseeland), börsennotierte Unternehmen an ASX und NZX, Versorgungsbetriebe, Non-Profit-Organisationen sowie Hochschulen.

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