Wie lernende Algorithmen motivierte Mitarbeiter finden

Lernende Algorithmen - also Handlungsanweisungen für Computer - sind heute überall präsent. So analysieren Streaming-Dienste beispielsweise, welche Filme wir uns anschauen und stellen Empfehlungen zusammen, die sich an unseren Geschmack gewöhnen und mit der Zeit immer besser werden. Auch im Personalwesen sind die elektronischen Dienstleister unverzichtbar geworden. Denn nur mit einem intelligenten Umfragetool und sinnvollem Benchmarking lässt sich Mitarbeiterfeedback richtig interpretieren.

Mitarbeiterbindung ist für Unternehmen - vor allem aus wirtschaftlicher Sicht - der wohl wichtigste Bereich. Studien zeigen, dass "Engagement" einen großen Einfluss auf die Produktivität, den Gewinn und die Fluktuation hat. So haben Firmen mit engagierten Mitarbeitern eine durchschnittlich sechs Prozent höhere Gewinnspanne. Mithilfe von lernenden Algorithmen lässt sich das Mitarbeiterengagement erhöhen.

Dieser Trend aus dem Silicon Valley heißt "People Analytics" und ist nicht ganz neu: Viele deutsche Unternehmen sammeln bereits Informationen über die besten Recruiting-Kanäle, Krankheitstage oder die Fluktuation. Der Einsatz einer passenden People-Analytics-Software liefert jedoch nützliche Werkzeuge, mit denen Unternehmen die Motivation ihrer Mitarbeiter besser verstehen und dadurch länger ans Unternehmen binden können.

Employee Engagement ist die bessere Mitarbeiterzufriedenheit

Ob Startups, Mittelständler oder Konzerne - für Firmen wird es zunehmend schwieriger, gute Mitarbeiter zu finden. Der Wettbewerb ist groß und Mitarbeiterbindung rückt immer mehr in den Fokus. Richtig durchgeführt, können etwa Mitarbeiterbefragungen Aussagen über das Engagement und die zukünftige Fluktuation liefern. Das Problem: Viele Unternehmen befragen ihre Mitarbeiter bisher nur einmal pro Jahr, wenn überhaupt. Erfolgt dann eine Auswertung, können die Daten oft täuschen - denn es gibt dutzende Faktoren, die Einfluss auf die Mitarbeiterbindung nehmen.

Umfrage-Ergebnisse isoliert zu betrachten gelingt also nur in Ausnahmefällen. Intelligente Umfragetools sammeln deswegen gezielt Wissen über das Engagement mithilfe von lernenden Algorithmen und Benchmarking. Bei solchen Umfragetools ist es wichtig, auf Millionen von Antworten zurückgreifen zu können, um schließlich mit Data Science herauszufinden, welche Werte normal sind. Zudem müssen die Antworten mit weiteren relevanten Daten für das Engagement, wie Alter, Abteilung oder Joblevel, abgeglichen werden. Nur so lassen sich wertvolle Daten liefern, mit denen Unternehmen ihre Aufmerksamkeit auf wirklich problematische Faktoren lenken und Mitarbeiter langfristig binden können.

Gängige Umfragetools weisen nicht automatisiert auf Themen mit Verbesserungspotential hin, wie zum Beispiel Meinungsfreiheit oder Wachstumsmöglichkeiten. Nur mit einem Algorithmus, der solche Themen nach Einfluss auf das Engagement sortiert, können Unternehmen schnell erkennen, wo es Probleme gibt (zum Beispiel "zu laute Arbeitsplätze", "schlechte Headsets" oder "schlechte Bezahlung").

Durch den Einsatz von lernenden Algorithmen lassen sich Textantworten außerdem analysieren und clustern. Die Möglichkeit für Mitarbeiter, einen Kommentar zu ihrer Bewertung abzugeben, hilft zusätzlich dabei, Umfrageergebnisse besser zu verstehen. Das Besondere daran ist, dass der eingesetzte Algorithmus die spezielle "Sprache" jeder Firma lernt. Nach kurzer Zeit weiß eine intelligente Umfragesoftware also, was die Mitarbeiter mit dem jeweiligen Begriff meinen und sortiert den Kommentar automatisch in das richtige Themengebiet.

Einflussfaktoren wie Millennial Effect berücksichtigen

Vor dem Hintergrund, dass bis 2020 Millennials die Hälfte der Erwerbstätigen weltweit ausmachen, sollte der Millennial Effect bei der Auswertung der Umfrageergebnisse nicht unterschätzt werden. Damit wird beschrieben, dass das Engagement mit zunehmendem Alter steigt. Mitarbeiter, die jünger als 25 Jahre alt sind, beeinflussen das Engagement also negativ, wohingegen Mitarbeiter mit einem Alter von über 35 Jahren den Wert positiv beeinflussen.

Bei den gängigen Umfragetools fließt dieser Aspekt allerdings nicht in die Befragung ein. Die Folge: Personalverantwortliche ziehen aus den gewonnen Daten meist die falschen Schlüsse. Nur mit einem sinnvollen Benchmarking, das solche Datenkorrekturen berücksichtigt, können Teams fairer untereinander verglichen werden - und eine Verzerrung der Ergebnisse wird verhindert. Mit dem richtigen Kontext gelangen Unternehmen also zur "Wurzelbehandlung der Fluktuation" und können sogar bessere Vorhersagen darüber treffen, in welchen Abteilungen Mitarbeiter unzufrieden sind und voraussichtlich kündigen werden.