Skip to main content

Dies ist der erste Artikel einer Serie, die einige der Grundlagen des Personalwesens vorstellt, wobei insbesondere SDy die Basis für hervorragende Entscheidungen in Ihren aktuellen und zukünftigen HR-Rollen bildet. Was ist also SDy? SDy ist eine statistische Methode, um die Leistungsunterschiede zwischen Kandidaten oder aktuellen Stelleninhabern in Dollarbeträgen zu berechnen. Ein Beispiel: Sie rekrutieren für eine Position und haben die Auswahl auf zwei Personen eingegrenzt, die beide die Anforderungen erfüllen und gut ins Team passen, aber Sie bevorzugen einen Kandidaten. Sie machen ein Jobangebot, und der bevorzugte Kandidat verlangt 10.000 $ mehr Gehalt – SDy kann Sie bei dieser Entscheidung unterstützen.

Um SDy zu berechnen, benötigen Sie zunächst ein objektives Maß, das sich zur Vorhersage künftiger Arbeitsleistungen eignet. Im Auswahlverfahren könnten Sie beispielsweise einen allgemeinen Fähigkeitstest, ein strukturiertes Interview oder ein Assessment Center einsetzen – all diese Verfahren liefern bei korrekter Durchführung eine Punktzahl pro Kandidat. Mit diesen Ergebnissen berechnen Sie die Standardabweichung. Sie können dies mithilfe der folgenden Anleitung tun (falls das nicht verständlich ist, gibt es zahlreiche Erklärungen im Internet – einfach nach „Standardabweichung berechnen“ googeln):
In unserem Beispiel haben wir 15 Bewerber, die wir per strukturiertem Interview bewertet haben, und somit 15 Bewertungsergebnisse, die Sie entweder manuell ausrechnen oder einfach mit MS Excel ermitteln können, indem Sie diesen Schritten folgen.

Tragen Sie zunächst Ihre 15 Bewertungen in Excel ein, wobei jede Zahl in einer eigenen Zelle steht:

Keep Reading—and Keep Leading Smarter

Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.

Step 1 of 3

Name*
This field is hidden when viewing the form

95, 68, 58, 64, 84, 68, 72, 75, 59, 90, 89, 78, 82, 65, 67,

Geben Sie dann am Ende dieser Liste einfach die Formel =STDEV(hier den Bereich eingeben, also z.B. =STDEV(A1:A15)) ein, und Sie erhalten Ihre Standardabweichung, in unserem Fall beträgt die Standardabweichung 11,61.

Die Standardabweichung sagt uns, wie stark die Mitglieder einer Gruppe vom Mittelwert abweichen. Typischerweise liegen 68 % unserer Stichprobe innerhalb einer Standardabweichung vom Mittelwert, das heißt 68 % unserer Stichprobe erzielten Werte zwischen 62,65 und 85,88 (was so berechnet wird: Für die obere Grenze wird die Standardabweichung zum Mittelwert addiert (74,266 + 11,61 = 85,88), für die untere wird sie abgezogen (74,266 – 11,61 = 62,65)).

Wenn Sie noch dabei sind – großartig, denn jetzt werden Sie verstehen, warum SDy meiner Meinung nach so grundlegend für fundierte HR-Entscheidungen ist. SDy ist eine Schätzung der Mitarbeiterleistung basierend auf einer Standardabweichung. Es schätzt für uns den Leistungsverlust in Dollar zwischen einem durchschnittlichen Mitarbeiter und einem Spitzentalent, basierend auf deren Bewertungsergebnissen. Was bedeutet das vereinfacht? Nehmen wir zwei Bewerber, einer erzielte 75 Punkte (also ziemlich nah am Mittelwert 74,266) und einer erzielte 89 Punkte (wiederum fast eine Standardabweichung mehr als der 75-Punkte-Kandidat). Wie viel besser wird der Kandidat mit 89 auf der Stelle voraussichtlich performen? Genau das schätzt SDy für uns ab. Die Berechnung der Standardabweichung ist der schwierige Teil und geht am besten mit MS Excel. Um SDy zu berechnen, multiplizieren wir einfach das Jahresgehalt für die Position mit 40 %, und das Ergebnis ist SDy. Für dieses Rechenbeispiel nehmen wir ein Jahresgehalt von 100.000 $. Also SDy = 100.000 × 0,4 = 40.000. Das ist schon spannend, denn nun wissen wir, dass zwischen diesen beiden Kandidaten ein Leistungsunterschied von 40.000 $ besteht. Diese Information ist äußerst wertvoll, denn sie hilft uns beispielsweise bei Gegenangeboten: Wie viel besser schätzen wir unseren Favoriten im Vergleich zum Zweitplatzierten ein – und können wir es rechtfertigen, ihm mehr zu zahlen als ursprünglich vorgesehen, oder sollten wir uns für den anderen Kandidaten entscheiden?

Ich sollte anmerken, dass wir nicht immer eine volle Standardabweichung zugrunde legen müssen – vielleicht unterscheiden sich zwei Bewerber auch nur um 0,5 oder 0,3 Standardabweichungen. Um das zu berechnen, multiplizieren wir einfach 40.000 mit dem Wert der Abweichung, also z. B. 40.000 × 0,5 = 20.000 oder 40.000 × 0,3 = 12.000. Wenn wir unser Beispiel also wieder aufnehmen und die zwei Top-Kandidaten sich nur um 0,3 Standardabweichungen differenzieren, unser Favorit aber 10.000 $ mehr Gehalt fordert, sollten wir abwägen: Ist uns dieser Unterschied wirklich 10.000 $ mehr wert, wenn der Zweitplatzierte vermutlich auch akzeptieren würde?

SDy wird meist bei Auswahlverfahren und Trainingsfragen eingesetzt; beispielsweise lässt sich damit einschätzen, ob der Einsatz eines externen Assessment Centers für eine zu besetzende Position lohnenswert ist. Oder bei Weiterbildungsmaßnahmen: Wird das Programm die Leistung der Teilnehmer wirklich so stark steigern, dass sich die Investition lohnt?

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.