Verzerrungen im Recruiting erkennen und verringern

Kostenloses Whitepaper anfordern

Maßnahmen für nachvollziehbare Auswahlverfahren und vielfältigere Teams.

Formen der Verzerrung im Recruiting

Der Leitfaden ordnet unbewusste Verzerrungen ein: Bevorzugung ähnlicher Personen, Bestätigungsfehler, Halo- und Horn-Effekt sowie weitere Formen. Laut Quelle enthält er Beispiele aus mehr als 500 Einstellungsprozessen.

Zusammenhang zwischen Vielfalt und Geschäftsergebnissen

Die Quelle beschreibt eine Analyse, nach der Unternehmen im oberen Diversitätsquartil 35% höhere Renditen, 19% mehr Umsatz durch Innovationen und eine bessere Mitarbeiterbindung aufweisen.

KI zur Erkennung von Verzerrungen

Der Leitfaden erklärt, wie maschinelles Lernen verzerrende Formulierungen in Stellenanzeigen erkennt, die Auswirkungen der Lebenslaufsichtung auf verschiedene Gruppen prüft und strukturierte Bewertungen unterstützt.

Rechtliche Anforderungen

Der Leitfaden behandelt EEOC-Richtlinien, Artikel 22 der DSGVO und neue KI-Regelungen. Er enthält Verfahren zur Prüfung ungleicher Auswirkungen, Dokumentationsanforderungen und Vorlagen für Audits.

Ergebnisse messen

Der Leitfaden nennt Kennzahlen, mit denen sich die Maßnahmen prüfen lassen: die Zusammensetzung der Bewerbergruppen je Prozessstufe, das Verhältnis ihrer Auswahlquoten, die Einstellungsqualität nach Gruppe und die Mitarbeiterbindung im Vergleich.

Maßnahmen einführen

Der Leitfaden beschreibt die Umsetzung Schritt für Schritt: Beteiligte einbeziehen, ein Pilotprojekt planen, Schulungen durchführen und die Umstellung im Team begleiten.

Kapitel 1: Verzerrungen im Recruiting verstehen

• Was sind unbewusste Vorurteile?
• 12 Formen der Verzerrung bei Einstellungsentscheidungen
• Praxisbeispiele und Fallstudien
• Kosten homogener Teams

Kapitel 2: Wirtschaftliche Bedeutung von Vielfalt

• Finanzielle Leistungsdaten aus Untersuchungen von McKinsey und BCG
• Auswirkungen auf Innovation und Kreativität
• Beteiligung und Bindung der Beschäftigten
• Zusammenhang mit der Kundenzufriedenheit
• Auswirkungen auf die Arbeitgebermarke

Kapitel 3: Verzerrungen entlang des Recruiting-Prozesses

• Sprache in Stellenanzeigen analysieren
• Muster bei der Lebenslaufsichtung
• Unterschiede bei Interviewbewertungen
• Verzerrungen beim Einholen von Referenzen
• Ungleichheiten bei Angebotsverhandlungen

Kapitel 4: KI und maschinelles Lernen zur Erkennung von Verzerrungen

• Wie KI verzerrende Sprache erkennt
• Anonymisierte Vorauswahl
• Algorithmen zur strukturierten Bewertung
• Fairness-Vorgaben und Verfahren zur Verringerung von Verzerrungen
• Transparenz und Erklärbarkeit

Kapitel 5: Auswahlverfahren auf Verzerrungen prüfen

• Anonymisierte Lebenslaufsichtung einführen
• Strukturierte Interviews entwickeln
• Auswahlgremien vielfältig besetzen
• Einheitliche Bewertungsskalen
• Schulungen für Interviewer

Kapitel 6: Rechtliche Anforderungen und Risikomanagement

• EEOC-Richtlinien und Entwicklung der Durchsetzung
• Analyse ungleicher Auswirkungen mit der 4/5-Regel
• Anforderungen aus Artikel 22 der DSGVO
• Verfahren dokumentieren
• Audits vorbereiten

Kapitel 7: Ergebnisse messen

• Kennzahlen zur Vielfalt
• Übergangsquoten je Bewerbergruppe und Prozessstufe
• Einstellungsqualität vergleichen
• Bindung und Beförderungen verfolgen
• Kennzahlenübersichten und Berichte

Kapitel 8: Fallstudien und praktische Vorgehensweisen

• FinTech Innovations: 45% Verbesserung der Diversitätskennzahlen
• TechCorp: Geschlechtsspezifische Gehaltsunterschiede beseitigen
• RetailMasters: Mehr regionale Vielfalt
• Erfahrungen aus der Umsetzung und vermeidbare Fehler

Verzerrungen in 5 Schritten prüfen

1. Ausgangslage erfassen: Diversitätskennzahlen für jede Stufe des Auswahlprozesses messen.

2. Prozess analysieren: Risiken in Stellenanzeigen, Vorauswahl und Interviews erkennen.

3. Maßnahmen entwickeln: Strukturierte Bewertungen, anonymisierte Vorauswahl und vielfältige Auswahlgremien einführen.

4. Teams schulen und Verfahren einführen: Unbewusste Verzerrungen erklären und neue Abläufe üben.

5. Laufend prüfen: Kennzahlen jedes Quartal auswerten und Maßnahmen anhand der Daten anpassen.

Rechner für ungleiche Auswirkungen

Die Quelle beschreibt eine Excel-Vorlage zur Berechnung der Auswahlquoten verschiedener Gruppen und zur Erkennung statistisch bedeutsamer Unterschiede anhand der EEOC-Richtlinien.

Auswahlquote = Einstellungen aus einer Gruppe / Bewerbungen aus dieser Gruppe. Verhältnis der Auswahlquoten = Auswahlquote der Minderheitsgruppe / Auswahlquote der Mehrheitsgruppe. Die Vorlage markiert ein Verhältnis < 0.80 anhand der 4/5-Regel.

Sarah Johnson

Head of DEI, Talenty.ai • zuvor bei Microsoft und Salesforce

Laut Autorenprofil leitete Sarah 10 Jahre Diversity-Initiativen bei Microsoft und Salesforce. Sie unterstützte mehr als 150 Unternehmen bei der Einführung von Auswahlverfahren, die Verzerrungen berücksichtigen, und spricht regelmäßig über Vielfalt und Teilhabe in Technologieunternehmen.

Dr. Rachel Kim

Chief AI Officer, Talenty.ai • Promotion an der Stanford University

Laut Autorenprofil forscht Dr. Kim zu algorithmischer Fairness und KI-Ethik. Ihre Arbeiten zur Erkennung von Verzerrungen im maschinellen Lernen wurden mehr als 1,000 Mal zitiert und in Nature, Science sowie MIT Technology Review vorgestellt.