HR-Analytics : Sorgen größere Füße für mehr Gehalt?

Lassen Sie uns ausnahmsweise einmal mit den Ergebnissen anfangen: Einige Ihrer Beschäftigten arbeiten signifikant effizienter als andere, das liegt an der Länge oder besser Kürze des Arbeitswegs; bestimmte Teammitglieder finden schneller Antworten auf neue Probleme, denn sie sind überdurchschnittlich gut innerhalb der Firma vernetzt; eine Reihe von Leuten ist demotiviert, weil sie es ungerecht findet, dass andere deutlich mehr verdienen. Das alles kann beim Einsatz von HR-Analysetools herauskommen.

Wie misst man den Erfolg?

Namhafte Firmen haben mit solchen Ergebnissen und den Konsequenzen, die sie daraus gezogen haben, vermeintlich Maßstäbe gesetzt. Wenn klar ist, dass ein langer Arbeitsweg auf die Leistung drückt, dann werden eben Prämien für Umzüge in die Nähe der Firma gezahlt. Nutzt die Kommunikation der Innovationsgeschwindigkeit, wird das Intranet mal eben zur Pflichtaufgabe für alle. Wenn die Gehaltsstruktur Motivation killt, dann gibt es einen transparenten Gehaltskorridor, Letzteres vielleicht allerdings eher nur in den USA. Und danach läuft es (noch) besser. Offenbar gibt der Erfolg dem Veranlasser derartiger Maßnahmen manchmal wirklich Recht – doch weshalb genau? Wer jetzt wieder HR Analytics fragt, verstößt endgültig gegen ein rationales Methodenwahlgebot: Evaluation mit demselben Instrument, das auch Impulsgeber war? Eher problematisch, vor allem auch, weil das, was an Datenanalyse-Potenz in den Tools verbaut ist, nicht etwa das Level aufweist, das wir aus dem Consumerbereich – Amazon ist immer noch Benchmark – kennen.

Algorithmen sind Blackboxes

Und dabei ist der Schaden beim Onlinehandelsriesen ungleich geringer, wenn er eine falsche Buchempfehlung ausspricht, im Vergleich dazu, fälschlicherweise hoffnungsvolle Kandidaten aus der Riege der potenziellen künftigen Führungskräfte auszusortieren. Beides ist aber mit demselben Grundproblem verbunden: Nachvollziehen, was ein Tool jetzt genau wie in Relation setzt, gewichtet, inwiefern es statistisch Irrelevantes eliminieren kann, Signifikanz individuell verhandeln lässt und so weiter, kann auf der Anwenderseite meistens kaum jemand, ganz unabhängig davon, welches System er einsetzt.

Die meisten Algorithmen sind eine Blackbox. Dadurch machen sie es im ersten Schritt den Anwendern, im zweiten aber erst recht den analysierten Mitarbeitern unmöglich, nachzuvollziehen, wie die Software sie bewertet hat. Das System wird dadurch unangreifbar – ganz einfach, weil es nicht überprüfbar ist.

Das widerspricht nicht nur jedem modernen Führungsverständnis, sondern ganz generell auch betriebswirtschaftlichen Überlegungen – eine Glaskugel wäre ja womöglich billiger in der Anschaffung. Allein das blinde Vertrauen würde fehlen, dass oftmals dann einsetzt, wenn eine Maschine menschliche Entscheidungen trifft.

Sachliche Entscheidungen sind eine Illusion

Egal, ob HR Analytics dazu beitragen soll, Leistungsstarke von Leistungsschwachen zu unterscheiden, Verhaltensweisen zu erkennen, die Einfluss auf die Gesundheit der Mitarbeiter haben, oder das Recruitment passgenauer und letztlich auch gerechter zu machen – die Tools sind nicht die objektiven Alleskönner, als die sie bisweilen vermarktet werden.

Das liegt zum einen daran, dass sie nichts anderes können, als die – überhaupt nicht objektiven, neutralen oder übergeordneten – Strukturen der Daten widerzuspiegeln, mit denen sie in der Programmierphase gefüttert wurden. Außerdem, und das ist der Unterschied zu Amazon, sind die Datenmengen, auf deren Grundlage die Tools Zusammenhänge erkennen wollen, in der Regel viel zu gering. Schon allein die quantitativen Aussagen sind daher nicht valide.

Korrelationen sind nicht automatisch Kausalitäten

Noch drastischer wird der Spagat zwischen Realität und dem, was die Maschine vermeintlich genau auszurechnen vermag, unter dem qualitativen Aspekt. Denn oftmals wird gar nicht unterschieden zwischen einer Korrelation und einem kausalen Zusammenhang. Stattdessen basieren Aussagen auf simpler Wenn-dann Logik, ohne jede weitere Bezugnahme oder individuelle Würdigung.

Nach dieser Methode würde auch funktionieren: Weil ein statistischer Zusammenhang zwischen der Schuhgröße und der Gehaltshöhe besteht, kaufe ich mir ein Paar Schuhe in Größe 65. Dann steigt mein Einkommen. Viele Algorithmen suggerieren leichtfertig kausale Zusammenhänge, wo es schlicht bloß Korrelationen gibt, und fußen dabei manchmal sogar noch auf fehlerhaften oder viel zu kleinen Datenpools.

Tatsächlich ist die nachlässige Behandlung der Frage, ob ein Aspekt kausal für einen anderen ist, also ob Dinge tatsächlich korrespondieren oder nur korrelieren, das Grundproblem der meisten Datenanalysen und der daraus gezogenen Schlüsse.

Kein Raum für Unvorhersehbares

Hinzu kommt noch ein weiterer Kritikpunkt, der gerade besonders massiv vor Augen geführt wird: Vieles in der unternehmerischen Praxis fußt nicht auf dem Ausfluss von vergangenheitsbezogenen Daten, sondern ist ein Reflex der jeweils geltenden Umstände. Das hat die Pandemie deutlich gemacht. Mitarbeiterinnen und Mitarbeiter verhalten sich gerade schlichtweg so, wie es kein Tool hätte voraussagen können.

Denn wer hat denn jetzt tatsächlich Kündigungsabsichten in der Rezession? Welche Rolle spielt der Arbeitsweg im Homeoffice? Selbst die Gehaltshöhe wird bei der Frage Kurzarbeit oder nicht plötzlich eher zur Nebensache. Und wen hatte das Tool gestern noch als künftige Führungskraft gehandelt? Womöglich nicht jemanden, der besonders gut mit krisenhaften Stimmungen zurechtkommt.

Nun ist freilich nicht permanent mit einem derartigen Ausnahmezustand zu rechnen, der zur Umwertung vieler Werte führt. Doch er dient als überdeutliches Signal dafür, dass das menschliche Verhalten eben nicht beliebig vorherzusagen und zu steuern ist – zumal nicht mit so simplen Tools, wie es sie derzeit am Markt gibt.

Alexandra Buba