Data Mining (1)
Heute starten wir in eine neue Reihe. Unser Werksstudent Jan hat sich in das Thema Data Mining bei der Personalauswahl eingearbeitet und wird uns die wichtigsten Informationen in drei Teilen präsentieren.
Inspiriert von den Schlagzeilen, die durch die Anwendung von Data Mining zuletzt durch die NSA in den Medien hervorgerufen wurden, habe ich mich gefragt, wie weit diese Technologie eigentlich schon im Personalwesen angekommen ist.
Als ich die Stichworte „Data Mining“ und „Personalauswahl“ bei google eingetippt habe, war ich allerdings etwas enttäuscht. Eigentlich hatte ich eine Reihe von Start-Ups erwartet, die Softwarepakete verkaufen, irgendwelche SAP-Lösungen und Informationen über die Aktivitäten großer Konzerne in diesem Bereich. Doch bis auf einige Working Papers zum Thema hat google nicht viel Interessantes geliefert.
Dabei gibt es kaum betriebswirtschaftliche Bereiche, in denen Data Mining heute noch nicht zum Einsatz kommt. Der Begriff Data Mining – also etwa „Daten-Bergbau“ ist recht anschaulich. Es geht grundsätzlich darum, aus einer großen Datenmenge sinnvolle Informationen und Schlussfolgerungen abzuleiten. Diese Verfahren werden in den nächsten Jahren in noch mehr Bereichen überlebenswichtig werden, da die ungeheuren Datenmengen, die wir anhäufen, anders gar nicht mehr sinnvoll genutzt und bewältigt werden können.
Was kann man sich unter Data Mining grundsätzlich vorstellen?
Grundlage für eine Data Mining-Analyse ist zunächst einmal ein hinreichend großer Datenbestand. Um ein anschauliches, klassisches Beispiel zu verwenden: Kreditvergabe bei der Schufa.
Die Schufa hat dabei zahlreiche Merkmale der Bewertungsobjekte – hier die potentiellen Kreditnehmer – in ihrer Datenbank. Dazu zählen Alter, Geschlecht, Wohnort, Wohnortwechsel, eröffnete Bankkonten, Kreditkarten, Kundenbeziehungen zu Handelsunternehmen, nicht gezahlte Forderungen und Ähnliches.
Die Aufgabe der Schufa ist nun (etwas vereinfacht) aus diesen Informationen zu ermitteln, ob der potentielle Kreditnehmer ein guter oder schlechter Kunde ist, also ob er den Kredit mit hoher Wahrscheinlichkeit zurückzahlen wird oder nicht.
Die Information, dass der Kunde 35 Jahre alt ist, in Jena-Lobeda wohnt, zwei Kreditkarten und einen Handyvertrag hat und die letzten fünf Jahre seinen Urlaub im Internet gebucht hat, ist dabei zunächst einmal nicht sonderlich aufschlussreich. Es gibt hier keine offensichtlichen Informationen, die man auf den ersten Blick der Kategorie „gut“ oder „schlecht“ zuordnen könnte.
Daher bedient sich die Schufa weiterer Informationen, die nicht direkt mit dem Kreditnehmer zu tun haben. Denn vor diesem einen Kreditnehmer haben bereits Millionen andere einen Kredit genommen. Ein Teil davon wurde zurückgezahlt, ein anderer Teil nicht. Die Schufa hat die Informationen der früheren Kunden ausgewertet und versteckte Zusammenhänge erkannt. Die letzten fünf Jahre Urlaube gebucht aber in diesem Jahr nicht? Wohnortwechsel von Jena-Ost nach Lobeda? Auflösung des gemeinsamen Kontos mit der Ehefrau und eine unbezahlte Handyrechnung? Für sich genommen sind diese Informationen möglicherweise unspäktakulär. Aber die Analysemethoden der Schufa ergeben, dass das Zusammenspiel dieser Fakten die Wahrscheinlichkeit für einen Kreditausfall um 24% erhöht.
Data Mining ist nicht theoriegeleitet, sondern ergebnisorientiert, das heißt, das Vorgehen muss nicht unbedingt mittels theoretischer Modelle abgeleitet und begründet werden. Allerdings gibt es zahllose Methoden, aus denen man wählen muss. Die Methode muss dabei immer zum Datenmaterial und dem Ziel, das man verfolgt passen.
Welche Anwendungsmöglichkeiten sollen solche Verfahren nun im Personalwesen haben? Was genau tun die entsprechenden Verfahren und welche Anwendungen gibt es heute schon? Erfahrt mehr über das Thema Data Mining in der nächsten Woche.
