Daten sind heute kein Engpass mehr. Auch nicht in HR. Unternehmen horten sie in Softwaretools und Datenbanken. Diese Daten zu pflegen und effektiv auszuwerten ist die Kunst. Dafür braucht es Data Quality, Data Literacy und Kontext. Wie HR durch smarte Datennutzung zum strategischen Partner wird, zeigt Joachim Rotzinger in seinem Gastartikel.
Die Auswertung von HR-Daten läuft selten optimal
Ein Alptraum, von dem uns HR-Profis immer wieder berichten: Ein Meeting aller Bereichsleiter findet statt, eine naheliegende Frage zur Zusammensetzung der Belegschaft wird gestellt. Und HR hat keine Antwort.
Aber auch diese Variante sorgt für Bauchschmerzen: HR hat eine Antwort, muss sie aber im Nachgang korrigieren, denn die Datenbasis war korrumpiert.
Zu guter Letzt bereitet auch dieses Szenario Personalfachleuten schlaflose Nächte: HR hat eine Antwort, kann sie mit Daten wunderbar untermauern, aber die Schlussfolgerung erweist sich als fehlgeleitet.
Hier zeigt sich wie im Brennglas: Daten sind nicht das Problem. Sie sind mittlerweile dank Datenbanken und vielfältiger Softwaretools in Hülle und Fülle in Unternehmen verfügbar. Auch meist mit Blick auf HR-relevante Sachverhalte. Doch ihre tagesaktuelle und korrekte Auswertung und Interpretation sind das Nadelöhr.
Damit das gelingt, müssen drei Voraussetzungen geschaffen werden, die ich hier näher beleuchte.
1. Data Quality: Ohne gute Daten keine guten Antworten
Data Quality beschreibt die Vollständigkeit, Korrektheit, Aktualität, Konsistenz und Gültigkeit von Daten. Das erweist sich in der Praxis oft als Minenfeld. Häufig sind Stammdaten unvollständig, veraltet oder inkonsistent über Systeme hinweg. Viele unserer Kunden müssen zudem Standards über Länder und Kontinente hinweg sicherstellen. Unterschiedliche Namenskonventionen, fehlende Schnittstellen, Mehrfacherfassungen oder manuelle Exporte machen das Datenmanagement sonst zum Höllentrip.
Was also tun?
Es gibt eine Reihe von Maßnahmen, die die Datenqualität deutlich erhöhen:
- Einheitliche Datenstandards definieren und durchsetzen
- Prozesse, Richtlinien und Verantwortliche für regelmäßige Datenpflege etablieren
- Systemlandschaften integrieren, um Silos zu vermeiden
- Rollen und Verantwortlichkeiten für Datenqualität festlegen
Zeitgemäße Analytics-Tools unterstützen das durch ein eigenes Data Quality Dashboard. Hier werden tagesaktuell Fehler ausgewiesen, priorisiert und gleich den entsprechenden Bereichen zugeordnet. Die Gefahr, auf falscher Datenbasis zu analysieren, wird dabei auf ein Minimum reduziert.
2. Data Literacy: Kompetenzen schaffen, statt nur Tools ausrollen
Die schönste Datenbank und das schillerndste Dashboard bringen wenig, wenn die Mitarbeitenden nicht wissen, wie sie damit umgehen sollen. Data Literacy meint die Fähigkeit, Daten zu lesen, zu verstehen, kritisch zu bewerten und für Entscheidungen zu nutzen. Auch Daten und die aus ihnen gewonnenen Erkenntnisse korrekt und überzeugend zu kommunizieren, fallen darunter.
Aber wie erreicht man das?
Mit folgenden Maßnahmen schaffen Sie es, Data Literacy stärker im Unternehmen zu verbreiten:
- Schulungen zur Datenkompetenz für HR, Führungskräfte und Business Partner anbieten
- Interaktive Dashboards mit integrierter Erklärung und Kommentarfunktion bereitstellen
- Zusammenarbeit mit Data Scientists fördern – auch über Projektgrenzen hinaus
- Data Storytelling als Kommunikationsmethode vermitteln und praktizieren
Das hier noch einiges zu tun ist, zeigen zwei Umfragen aus dem Jahr 2021 von Forrester Research unter jeweils tausend Befragten aus Unternehmen weltweit. Nur 40% der Mitarbeitenden gaben hier an, dass das Unternehmen die erforderlichen Datenkenntnisse vermittelt.
Hier sollte HR als leuchtendes Beispiel vorangehen und Data Literacy im eigenen Bereich umfassend schulen. Die Personalabteilung schlägt damit zwei Fliegen mit einer Klappe: Sie erprobt die auszurollende Weiterbildung am eigenen Beispiel und macht sich fit darin, die eigenen datenbasierte Erkenntnisse mit diesen Methoden gewinnbringend zu vermitteln.
3. Kontext: Zahlen brauchen Bedeutung
Daten erzählen keine Geschichten. Menschen tun das. Deshalb ist es entscheidend, Daten immer im Kontext zu interpretieren. Eine steigende Fluktuationsrate mag besorgniserregend sein oder schlicht saisonal bedingt. Ein hoher Krankenstand in einem Bereich kann ein strukturelles Problem bedeuten. Oder er kann nur die Folge einer Grippewelle sein.
Den benötigten Kontext herstellen heißt:
- Vergleichszeiträume und Benchmarks einbeziehen
- Strukturdaten mit Prozess- und Performance-Daten kombinieren
- Business-Ziele als Bezugsrahmen definieren: Was braucht die Organisation – und was nicht?
- Über den Tellerrand schauen, um das ganze Bild zu sehen
Moderne Analytics-Lösungen gehen deshalb über reine Reporting-Logik hinaus. Sie ermöglichen es, Zusammenhänge zu erkennen, Entwicklungen zu prognostizieren und Szenarien zu simulieren. Zum Beispiel, was passiert, wenn ein Team aufgelöst oder die Führungsspanne verändert wird. Sie liefern leicht verständlich und visuell ansprechend aufbereitet den Stoff, aus dem eindrückliche Erzählungen für Meetings mit dem Management entstehen.
Fazit: Datenqualität, Kompetenz und Kontext zahlen sich aus
Wer diese drei Voraussetzungen erfüllt, wird belohnt. Studien zeigen: Unternehmen mit einer ausgereiften Datenstrategie sind produktiver und profitabler. Die MIT Sloan Management Review (2023) berichtet von +4 % Produktivitätsgewinn und +6 % Gewinnsteigerung bei diesen Unternehmen.
Der Weg ist klar, und HR muss auf ihm vorangehen. Insbesondere als Abteilung, die nicht nur anderen zu Weiterbildung in Sachen Datenkompetenz verhilft, sondern die selbst vorbildlich mit Daten umgeht. Dann kann HR auch in eigener Sache problemlos und jederzeit Antworten geben.
Und zwar die richtigen.
Und das mit Wumms.
Newsletter