Einstellungsqualität mit Daten und Prognosemodellen untersuchen

Kostenlosen Leitfaden anfragen

Prognosemodelle für die Einstellungsqualität entwickeln und prüfen.

Genauigkeit der Prognosen

Genannte Prognosegenauigkeit: 73%.

Die Quelle nennt für trainierte Modelle eine Genauigkeit von 73% bei der Vorhersage der Einstellungsqualität nach 12 Monaten. Als Vergleichswert für die alleinige Nutzung herkömmlicher Interviews werden 54% angegeben.

• Kombinierte Modelle aus XGBoost und Random Forest: 73-76% Genauigkeit.
• Neuronale Netze: 68-71% Genauigkeit.
• Klassische Bewertungsbögen: 54-58% Genauigkeit.
• Alleinige menschliche Intuition: 48-52%, laut Quelle nur wenig über dem Zufallsniveau.

Verbesserung der Einstellungsqualität

Veränderung der Einstellungsqualität: +42%.

Die Quelle nennt eine Verbesserung der Kennzahlen zur Einstellungsqualität um 42% bei Unternehmen mit Prognoseanalysen. Gemessen wurden Leistungsbewertungen, Bindung und Zufriedenheit der Führungskräfte.

• Leistungsbewertung im ersten Jahr: 4.2/5 gegenüber 3.0/5 bei herkömmlichen Verfahren.
• Zufriedenheit der Führungskräfte nach 90 Tagen: 89% gegenüber 67%.
• Verbleibsquote nach 12 Monaten: 91% gegenüber 76%.
• Zeit bis zur vollen Produktivität: 35% kürzer.

Merkmale mit hoher Aussagekraft

Merkmale mit hoher Aussagekraft: 12.

Laut Quelle zeigen 12 Merkmale über verschiedene Rollen und Branchen hinweg die höchste Vorhersagekraft. Arbeitsproben und strukturierte Prüfungen werden dabei höher gewichtet als Lebenslaufmerkmale.

• Ergebnis der Arbeitsprobe: Merkmalsbedeutung 0.42.
• Bewertung im strukturierten Interview: Merkmalsbedeutung 0.38.
• Tests kognitiver Fähigkeiten: Merkmalsbedeutung 0.31.
• Lebenslaufmerkmale wie Berufsjahre und Ausbildung: Merkmalsbedeutung 0.14, in der Quelle als schwach eingeordnet.

Verringerung von Verzerrungen

Veränderung demografischer Verzerrungen: -58%.

Die Quelle berichtet von 58% weniger demografischen Verzerrungen gegenüber unstrukturierten menschlichen Entscheidungen, wenn Modelle mit Fairness-Vorgaben trainiert und regelmäßig geprüft werden.

• Geschlechtsbezogene Verzerrungen: -62% bei Optimierung auf gleiche Chancen.
• Verzerrungen nach ethnischer Zuordnung: -54% bei Vorgabe demografischer Parität.
• Altersbezogene Verzerrungen: -51% bei Kalibrierung nach geschützten Gruppen.
• Regelmäßige Prüfung: Fairness der Modelle jedes Quartal untersuchen.

Wirtschaftlichkeit und Einsparungen

Genannte jährliche Einsparungen: $3.8M.

Die Quelle nennt durchschnittlich $3.8M jährliche Einsparungen für Unternehmen mit 500-2,000 Beschäftigten. Als Ursachen nennt sie bessere Einstellungen, weniger Fehlbesetzungen, kürzere Einarbeitung und geringere Fluktuation.

• Vermiedene Fehlbesetzungskosten: $1.8M bei 15 vermiedenen Fehlbesetzungen zu je $120K.
• Produktivitätsgewinn: $1.4M durch kürzere Einarbeitung und bessere Leistung.
• Geringere Fluktuation: $600K bei 8% weniger unerwünschten Abgängen.
• Einführungskosten: $180-350K im ersten Jahr; laufend $80-150K.

Anforderungen an die Datenbasis

Mindestumfang der Datenbasis: 500+ Einstellungen.

Die Quelle nennt mindestens 500 frühere Einstellungen mit späteren Ergebnisdaten als Grundlage des Trainings. Empfohlen werden mehr als 2,000 Datensätze und mehr als 18 Monate Beobachtung.

• Mindestdatensatz: 500 Einstellungen mit Ergebnissen nach 12 Monaten.
• Empfohlener Datensatz: mehr als 2,000 Einstellungen mit Nachverfolgung über 18-24 Monate.
• Datenqualität vor Menge: Bereinigte und strukturierte Daten verwenden.
• Bei fehlenden eigenen Daten: Übertragung von Modellen vergleichbarer Unternehmen prüfen.

Dateninfrastruktur

Der Leitfaden beschreibt eine Architektur zum Sammeln, Bereinigen und Strukturieren von Einstellungsdaten. Enthalten sind ein Schema für eine zentrale Analysedatenbank (Data Warehouse), Verfahren zur Datenübernahme und -aufbereitung (ETL) sowie zentrale Ablagen für Modellmerkmale.

Modelle entwickeln

Schrittfolgen mit Python-Codebeispielen: Merkmale aufbereiten, Algorithmen auswählen, Modellparameter abstimmen und mehrere Modelle kombinieren.

Bewerten und überwachen

Kennzahlen zur Modellbewertung, Verfahren zur Prüfung von Verzerrungen, Überwachung im laufenden Betrieb und regelmäßiges Nachtrainieren.

Zusammenfassung

• Kosten und Nutzen von Prognoseanalysen im Recruiting.
• Forschungsergebnisse und Modellleistung.
• Einführungsplan und ROI.

Kapitel 1: Grundlagen datenbasierter Einstellungsprognosen

• Was bedeutet Einstellungsqualität und warum wird sie prognostiziert?
• Grundlagen des maschinellen Lernens für Leser ohne technischen Hintergrund.
• Wann Prognoseanalysen geeignet sind und wann nicht.
• Ethik und verantwortlicher KI-Einsatz.

Kapitel 2: Datenstrategie und Infrastruktur

• Eine gemeinsame Datenbasis für Einstellungen aufbauen.
• Datenerhebung: Quellen, Anbindungen und ETL-Prozesse.
• Datenqualität: Bereinigung, Prüfung und Vollständigkeit.
• Datenschutz und Anforderungen aus DSGVO, CCPA und EEOC.
• Zentrale Merkmalsablagen und Versionierung von Daten.

Kapitel 3: Einstellungsqualität definieren

• Ergebniskennzahlen zu Leistung, Bindung und Produktivität.
• Zusammengesetzte Werte und einzelne Kennzahlen vergleichen.
• Beobachtungszeiträume: Ergebnisse nach 6, 12, 18 und 24 Monaten.
• Qualitätskriterien für konkrete Rollen festlegen.

Kapitel 4: Modellmerkmale aufbereiten

• Bewerbermerkmale aus Lebenslauf, Kompetenztests und Interviews.
• Stellenmerkmale: Rollentyp, Erfahrungsstufe, Abteilung und Standort.
• Prozessmerkmale: Einstellungsdauer, Kontakte und Recruiter-Notizen.
• Wechselwirkungen zwischen Merkmalen und fachliche Kenntnisse berücksichtigen.
• Fehlende Werte behandeln und Kategorien codieren.

Kapitel 5: Modelle entwickeln

• Algorithmen auswählen: logistische Regression, Random Forests, XGBoost und neuronale Netze.
• Daten in Trainings-, Validierungs- und Testmengen aufteilen; Kreuzvalidierung durchführen.
• Parameter mit GridSearch oder bayesscher Optimierung abstimmen.
• Ensemble-Verfahren und Kombination mehrerer Modelle.
• Python-Codebeispiele und Jupyter-Notebooks.

Kapitel 6: Modelle bewerten und validieren

• Klassifikationskennzahlen: Genauigkeit, Präzision, Trefferquote, AUC-ROC und F1.
• Kalibrierung und Auswahl der Schwellenwerte.
• Merkmalsbedeutung und Erklärbarkeit mit SHAP und LIME.
• Prüfverfahren: zeitlich getrennte Testdaten und A/B-Tests.

Kapitel 7: Fairness und Verringerung von Verzerrungen

• Formen algorithmischer Verzerrung bei Einstellungen.
• Fairness-Kennzahlen: ungleiche Auswirkungen, gleiche Chancen und demografische Parität.
• Vorverarbeitung: Ausgleich der Datenbasis und erneute Stichprobenziehung.
• Modelltraining: Fairness-Vorgaben und Regularisierung.
• Nachverarbeitung: Schwellenwerte nach Gruppen überprüfen und optimieren.
• Laufende Prüfverfahren auf Verzerrungen.

Kapitel 8: Modelle im Betrieb bereitstellen

• Bereitstellung über REST-APIs und stapelweise Bewertung.
• Anbindung an ATS und HRIS.
• Berechnung in Echtzeit und Optimierung der Antwortzeit.
• Versionierung, Rücknahme von Änderungen und parallele Bereitstellungsumgebungen.

Kapitel 9: Überwachung und Wartung

• Leistung, Antwortzeit und Fehler im Betrieb überwachen.
• Veränderungen der Modellgüte erkennen und melden.
• Zeitplan für Nachtraining und schrittweises Lernen.
• Rückmeldungen nutzen und Modelle regelmäßig verbessern.

Kapitel 10: Fallstudien und praktische Erfahrungen

• Technologieunternehmen: laut Quelle 75% AUC für die Prognose der Einstellungsqualität im Engineering.
• Finanzdienstleistungen: unerwünschte Fluktuation laut Quelle um 35% reduziert.
• Gesundheitswesen: Leistung klinischer Neueinstellungen laut Quelle um 40% verbessert.
• Erkenntnisse aus der Umsetzung und häufige Fehler.

Dr. Rajesh Kumar

Principal Research Scientist, Stanford AI Lab • Hauptautor

Laut Autorenprofil forscht Rajesh zu fairem und erklärbarem maschinellem Lernen in der Personalanalyse. Seine Arbeiten zu algorithmischen Verzerrungen wurden in Nature, Science und ACM FAccT vorgestellt. Die Quelle nennt eine Promotion in Computer Science an der Stanford University und eine frühere Leitungsrolle bei LinkedIn Talent Analytics.

Dr. Sophia Lee

Associate Professor, MIT CSAIL • Forscherin für maschinelles Lernen

Laut Autorenprofil arbeitet Sophia zu angewandtem maschinellem Lernen für Entscheidungen in Organisationen. Sie veröffentlichte mehr als 30 Beiträge zur HR-Prognoseanalyse und beriet Fortune-500-Unternehmen bei der Einführung. Die Quelle nennt eine MIT-Promotion und einen NSF CAREER Award.

Marcus Brown

Head of People Analytics, Stripe • Praxisbeiträge

Laut Autorenprofil baute Marcus bei Stripe eine Plattform für Einstellungsprognosen mit mehr als 200K Bewerbern pro Jahr auf. Er bringt Erfahrungen mit produktiven ML-Systemen, Dateninfrastruktur und der organisatorischen Einführung von KI ein.