Website-Icon SAATKORN

Active Sourcing Serie Teil 5: Data Analytics

Active Sourcing Serie Teil 5 Data Analytics

Active Sourcing Serie Teil 5 Data Analytics

Im heutigen 5. Teil der saatkorn. ACTIVE SOURCING Serie in Kooperation mit skillconomy dreht sich alles um das schöne Thema Data Analytics. #havefun und auf geht’s:

saatkorn.: Wie definiert Ihr Data Analytics?
Data Analytics ist die Anwendung von statistischen Methoden und die Interpretation der Ergebnisse zur Gewinnung von handlungsrelevanten Insights. Im Active Sourcing haben wir verschiedene Datenpools, aus denen wir Insights gewinnen können: Insbesondere die Kandidatenprofile und die „Ereignisse“ entlang der Candidate Journey bis hin zur Einstellung. Hier können wir Bezüge herstellen zwischen Profilen, Stellenmerkmalen und Candidate Journey.

saatkorn.: Welche Bedeutung hat Data Analytics für Active Sourcing?
Data Analytics ist extrem wichtig für gutes Active Sourcing, oder genauer: zur kontinuierlichen Verbesserung von Active Sourcing. Es gibt sehr viele Faktoren, die den Active Sourcing Erfolg beeinflussen: die Stelle, der Kandidat, die Candidate Journey – alles spielt zusammen. Data Analytics ist das Werkzeug, um Effekte zu isolieren und signifikante Zusammenhänge zu entdecken.

Das menschliche Gehirn arbeitet mit Heuristiken, also sozusagen mit bewährten Daumenregeln. Die führen aber schnell in die Irre, weil sie vordergründig plausible Zusammenhänge finden, die sich bei näherem Hinsehen als unscharf oder falsch erweisen. Wenn so seinen Active Sourcing Prozess ausrichtet, ist einfach die Gefahr groß, viele Fehlentscheidungen zu treffen und sich einem Optimum gar nicht oder zu langsam anzunähern. Mit systematischer Datenanalyse haben wir enorme Performance-Verbesserungen erzielt. Wir haben zum Beispiel Schritt für Schritt die Klickrate in unseren Erstnachrichten nahezu verdoppelt. Da wären wir nur mit Bauchgefühl nicht hingekommen, trotz jahrelanger Erfahrung.

saatkorn.: Wie geht Ihr konkret beim Einsatz von Data Analytics von der Datenerhebung über verschiedene Methoden bis zur Ergebnisanalyse vor?
Jetzt wird’s trocken… 😉

Wir erklären den Prozess mal anhand eines realen Beispiels: Die Nachrichten, die wir über soziale Netzwerke versenden, enthalten einen Link zu einer Jobsite auf der wir die Stelle vorstellen. Wir haben uns gefragt: Wie hängen die Textlänge der Erstnachricht und die Klickrate (also Besucher der Jobsite) zusammen?

1.Datenerfassung implementieren

Im ersten Schritt schauen wir uns die Daten an: Haben wir alle Informationen und Querbezüge, die wir brauchen oder müssen wir zusätzliche Datenerfassungspunkte implementieren. Konkret hieß das: Wir mussten sicherstellen, dass wir die Textlänge für jede einzelne Ansprache kennen.

2. Stichprobe bilden

Als nächstes müssen wir dafür sorgen, dass wir eine valide Stichprobe haben und so gut es geht Nebeneffekte ausschließen. Wir mussten also verschieden Nachrichten formulieren, und zwar auch sehr verschiedene, aber jeweils gleich lange Nachrichten. Wir haben jeweils drei Nachrichten in drei unterschiedlichen Längen formuliert. Diese haben wir dann zufallsgeneriert an mehrere tausend Kandidaten gesendet. Ein Fehler wäre es gewesen, in Projekt A die eine und in Projekt B die nächste Nachricht zu testen: Wir hätten dann die Effekte nicht mehr sauber isolieren können: War jetzt die Nachricht besser oder einfach die Stelle attraktiver?

3. Analyse

Dann ging es in die Datenanalyse: Eine sehr breit einsetzbare Methode ist die sogenannte „multivariate  Regressionsanalyse“: Die rechnet für jede Variable (in diesem Fall die Textlänge) den Einfluss auf das Ergebnis (in diesem Fall die Klickrate) aus und sagt uns, ob es einen Zusammenhang gibt, wie groß er ist und mit welcher Streuung. In diesem Schritt hat man oft schon die ersten, manchmal überraschenden Ergebnisse. Wenn nicht, kann man weiter forschen: Gibt es wirklich keine Zusammenhänge, oder sind die Zusammenhänge so komplex, dass sie von der Methode nicht erkannt werden können.

4. Insights nutzen

Mit den Erkenntnissen, die man – hoffentlich – gewonnen hat, kann man dann arbeiten: Nach unserem Experiment kannten wir die optimale Textlänge und konnten alle weiteren Erstnachrichten entsprechend formulieren. Dann haben wir die Datenerfassung und die Analysen regelmäßig wiederholt und geschaut: Passt die Realität weiter zu unseren Erkenntnissen oder kommen auf einmal Effekte auf, die nochmal Zweifel wecken? Dann hätten wir noch einmal nachforschen müssen. In diesem Fall ist uns das allerdings erspart geblieben…

saatkorn.: Wenn man als HRler ein Grundwissen rund um Data Analytics aufbauen möchte – habt Ihr da Empfehlungen?
Wer die letzte Antwort komplett gelesen hat, hat jedenfalls schonmal gute Voraussetzungen 😉 Das Feld ist beliebig komplex und sehr anspruchsvoll, weil es interdisziplinär ist: Ein Data Analyst braucht sehr viel theoretisches Grundwissen und muss gleichzeitig coden können, um die Daten zu bekommen, in geeignete Form zu bringen und die Analysemethoden anzuwenden. Unsere Empfehlung für einen Einstieg ist ziemlich old school: Ein gutes Buch zu den Grundlagen der Statistik (https://www.amazon.de/Statistik-Weg-zur-Datenanalyse-Springer-Lehrbuch/dp/3662503719/ref=dp_ob_image_bk ) und Excel. Wer nach ein paar Wochen die Lust noch nicht verloren hat, wird seinen Weg zu komplexeren Tools, Programmiersprachen und Methoden dann von allein finden.

saatkorn.: Wie sollte ein Sourcing Team Eurer Meinung nach idealerweise gestaffed sein?
Das hängt sehr von den konkreten Randbedingungen ab. Jedes Unternehmen ist anders, eine pauschale Ideallösung gibt es da sicherlich nicht. Unser eigenes Erfolgsrezept ist die Interdisziplinarität: HR-Expertise, Softwareentwicklung, UX-Design, Data Analytics und Marketing Skills. Nichts davon ist verzichtbar. Je mehr Leute im Team sind, die verschiedene Disziplinen in einer Person vereinen, desto besser. Durch den auf den ersten Blick etwas wilden Mix entsteht ein Team, das wirklich kreativ auf wechselnde Herausforderungen reagieren und innovative Lösungen entwickeln kann. In diesem Sinne kann es nicht schaden, sich als Personaler mal in die Regressionsanalyse reinzufuchsen 😉

saatkorn.: So weit also erstmal zum Thema Data Analytics im Active Sourcing – danke vielmals!

Die bisherigen Teile der ACTIVE SOURCING Serie findest Du hier:

  1. Begriffsklärung
  2. Make or Buy?
  3. Candidate Experience
  4. KI
Die mobile Version verlassen