People Analytics: Ein praxis­orientiertes Umsetzungsmodell

HR-Abteilungen müssen den technologischen Wandel als Fortschritt begreifen. Nur so können sie zum unternehmensinternen Business-Partner werden.

People Analytics verspricht nicht weniger als den entscheidenden Evolutionsschritt der Personalfunktionen mit schlicht-administrativem Fokus hin zu strategischem Personalmanagement. Dieses Versprechen ruht auf der fortschreitenden Digitalisierung von HR-Prozessen sowie den zunehmenden technologischen Möglichkeiten zur automatisierten Nutzung der anfallenden HR-Prozessdaten. Der betriebswirtschaftliche Nutzen eines datenbasierten Personalmanagements zeigt sich sowohl in ersten wissenschaftlichen Untersuchungen (Aral et al., 2012) als auch in konkreten Unternehmensbeispielen und Case-Studies (Van der Tongt und Rasmussen, 2017). Daher geben die Mehrheit der von Deloitte befragten Unternehmen an, dass People Analytics ein wichtiger Faktor für sie ist. Allerdings geben nur acht Prozent derselben Unternehmen an, dass sie bereits starke People-Analytics-Fähigkeiten besitzen (Deloitte, 2017). Diese Implementierungslücke kann durch Meilensteine erklärt werden, die jedes Unternehmen vor Herausforderungen stellen dürften. Diese Herausforderungen führen dazu, dass die Entwicklung und Verbreitung fortgeschrittener Formen von People Analytics in der Unternehmenspraxis gehemmt werden (Minbaeva, 2017). Dies bedeutet allerdings auch, dass die Unternehmen, die diese Herausforderungen meistern, entscheidende Wettbewerbsvorteile erfahren dürften. Dieser Beitrag stellt ein praxisorientiertes Umsetzungsmodell vor, welches die typischen Herausforderungen adressiert und so den Weg zu diesen Wettbewerbsvorteilen ebnet.

Definition und Zielsetzung

Zunächst steht die begriffliche Definition sowie die Klärung der Ziele und Potenziale von People Analytics im Vordergrund. People Analytics bezeichnet gemeinhin die zielgerichtete und softwarebasierte Nutzung von Daten und Datenanalysen im Personalmanagement (Mühlbauer et al., 2017). Etwas spezifischer sprechen Marler und Boudreau (2017, S. 15) vom „Personalmanagement, das mit Hilfe von Informationstechnologie deskriptive, visuelle und statistische Analysen von Daten über Personalprozesse, Humankapital, Unternehmensleistung und externe Benchmarks nutzt, um die eigene Erfolgswirkung und eine datengestützte Entscheidungsfindung zu etablieren“. Wissenschaftlich betrachtet findet People Analytics im evidenzorientierten Management, also der Nutzung empirischer Forschungsergebnisse für elaborierte Managemententscheidungen, seinen hauptsächlichen Ursprung (Barends et al., 2014, Rynes und Bartunek, 2017).

Dabei können unterschiedliche Formen von People Analytics entlang eines Reifegradmodells unterschieden werden (Bersin, 2013). Ausgehend von diesem Modell haben Mühlbauer et al. (2017) ein verhaltenswissenschaftlich fundiertes Reifegradmodell entwickelt. Es unterscheidet drei Entwicklungsstufen anhand der maßgeblich verwendeten Analyseformen. Erstens: Einfaches People Analytics umfasst in der Regel klassische HR-Kennzahlen (z.B. Rekrutierungs- und Fluktuationsquoten, Mitarbeiterzahl, Durchschnittsalter), die anhand ausgewählter Strukturparameter des Unternehmens (z.B. Jobgruppen, Standorte, Fachabteilungen) segmentiert ausgewertet werden. Diese Entwicklungsstufe von People Analytics findet sich in Unternehmen häufig in Form des klassischen Personalcontrollings oder von HR-Reportings (Strohmeier und Piazza, 2015). Zweitens: Fortgeschrittenes People Analytics widmet sich vornehmlich der Identifikation wichtiger Treiber der zuvor erwähnten HR-Kennzahlen. Es unterscheidet sich vom einfachen People Analytics durch die Verwendung fortgeschrittener statistischer Verfahren, die einen ersten Hinweis auf Ursache-Wirkungs-Zusammenhänge unter Einbezug einer Vielzahl von Variablen liefern können (Benninghaus, 2007). Drittens: Prädiktives People Analytics zielt auf die Vorhersage zukünftiger Entwicklungen im HR-Bereich des Unternehmens ab. Prädiktives People Analytics beruht dabei auf den statistischen Verfahren fortgeschrittenen People Analytics, wendet die Ergebnisse aus vergangenheitsbezogenen Analysen dann aber zur Einschätzung zukünftiger Szenarien an. Tabelle 1 gibt einen vergleichenden Überblick über die verschiedenen Entwicklungsstufen von People Analytics in Unternehmen.

Nutzenpotenziale von People Analytics

Generell dient People Analytics der Verbesserung der Entscheidungsqualität im Personalmanagement durch die zielgerichtete Nutzung von Analyseergebnissen zur Entscheidungsbeurteilung und -findung. So zeigt sich laut Bersin (2013), dass Firmen, die mindestens fortgeschrittenes People Analytics einsetzen, eine circa 30 Prozent höhere Aktienrendite aufweisen als Firmen, die nicht auf People Analytics setzen. Dieses generelle Nutzenpotenzial wird durch drei maßgebliche Mechanismen generiert.

People Analytics spart wertvolle Zeit

Erstens: Die Verwendung von People Analytics beschleunigt die Entscheidungsfindung im HR-Bereich und damit die HR-Prozesse von Unternehmen. Exemplarisch können folgende zeitliche Vorteile genannt werden:

  • Beschleunigte HR-Reportingprozesse / -zyklen
  • Einsparung von Arbeitszeit zur Erstellung von HR-Reports durch Automatisierung
  • Beschleunigte Auswahl passender HR-Maßnahmen für gegebene HR-Problemstellungen
  • Verringerung der Prozesszeiten entlang der HR-Wertschöpfungskette (z.B. „time-to-fill“)
  • Hinterlegen Sie für die zeitlichen Einsparungen die jeweiligen Lohnkosten der an den Prozessen beteiligten Mitarbeiter / -innen, lassen sich substanzielle ökonomische Potenziale identifizieren.

People Analytics vermeidet kostspielige HR-Fehlentscheidungen

Entlang der gesamten HR-Wertschöpfungskette werden täglich unzählige Entscheidungen getroffen. People Analytics optimiert die empirische Fundierung dieser HR-Entscheidungsprozesse. So wird die Wahrscheinlichkeit kostspieliger Fehlentscheidungen insgesamt reduziert. Als Beispiel dient hier die verbesserte Personalauswahl, die die Häufigkeit der Rekrutierung von Kandidaten vermeidet, die sich im Nachgang (z.B. während der Probezeit) als ungeeignet herausstellen. Folgekosten für eine erneute Rekrutierung und mangelnde Arbeitsleistung durch die fälschliche Auswahl ungeeigneter Kandidaten werden so verringert.

People Analytics liefert effektive Lösungen für kritische Erfolgsfaktoren

People Analytics eignet sich als Grundlage strategischen Personalmanagements. Es liefert granulare und belastbare empirische Evidenz, die sich insbesondere in den höheren Entwicklungsstufen zur Ausgestaltung maßgeschneiderter (Systeme von) Personalmaßnahmen eignet (Harte, 2017). Die teils immensen Ressourcen des Personalbereichs werden so mit klarem analytischem Blick für den Unternehmenserfolg eingesetzt. Mit People Analytics können Sie die strategische Wirkung einzelner Personalmaßnahmen aufzeigen und, unter gewissen Voraussetzungen, auch prognostizieren und evaluieren.

Die Implementierung von People Analytics

Ein Implementierungsmodell für People Analytics muss sich klar an den typischen Herausforderungen ausrichten und so einen praktikablen Orientierungsrahmen für Unternehmen bieten, die sich mit der Umsetzung von People-Analytics-Projekten befassen wollen. Das „I-CAN-Enable“-Modell (Mühlbauer et al., 2017) umfasst fünf essenzielle Schritte der People-Analytics-Implementierung, in deren Verlauf wichtige Meilensteine für erfolgreiches People Analytics erreicht werden.

I wie Identify

Laut Levenson und Fink (2017) besteht ein zentrales Problem von People Analytics oft darin, dass der Fokus zu häufig auf der reinen Verbesserung von HR-Prozessen liegt und zu selten auf der Lösung von businessrelevanten Problemen. Es verwundert daher nicht, dass erfolgreiche People-Analytics-Initiativen in Unternehmen eine Problemstellung mit klarer betriebswirtschaftlicher Relevanz adressieren (Green, 2017). Am Anfang eines jeden People-Analytics-Projekts steht daher die möglichst klare Identifikation dieser Fragestellung. Relevanz bedeutet hier betriebswirtschaftliche oder strategische Relevanz (Andersen, 2017). Bestenfalls handelt es sich um eine zentrale Problemstellung, die für den Unternehmenserfolg Ihres Unternehmens entscheidend ist. Damit stellen Sie sicher, dass Ihr People-Analytics-Projekt für die Managementebene Ihres Unternehmen ausreichende Aufmerksamkeit bekommt und in der Folge eine sinnvolle Ressourcenausstattung erlangt. Erstens: Identifizieren Sie ein erfolgskritisches Ziel Ihrer Unternehmensstrategie (z.B. Erhöhung des Umsatzes um 15 % in den nächsten drei Jahren). Zweitens: Leiten Sie daraus kritische Meilensteine zur Erreichung dieses strategischen Ziels ab (z. B. Ausbau der Neukundenakquise und Abwerbung von Kunden der Konkurrenz). Drittens: Klären Sie, auf welche Weise das Personalmanagement einen Beitrag zu diesen Meilensteinen leisten kann (z. B. Rekrutierung zusätzlicher Vertriebsmitarbeiter / -innen). Viertens: Leiten Sie daraus die zentrale(n) Fragestellung(n) für Ihr People-Analytics-Projekt ab. Diese sind nachfolgend entlang des Reifegradmodells beispielhaft aufgezählt:

  • Einfaches People Analytics: Wie viele Vertriebsmitarbeiter werden für eine 15-prozentige Umsatzsteigerung benötigt?
  • Fortgeschrittenes People Analytics: Was sind die wichtigsten Treiber des Rekrutierungserfolgs bei Vertriebsmitarbeitern?
  • Prädiktives People Analytics: Mit welcher Wahrscheinlichkeit werden Sie die nötigen Vertriebsmitarbeiter rechtzeitig und erfolgreich rekrutieren können, um das strategische Ziel zu erreichen?

Dieses Vorgehen steht im Einklang mit der Empfehlung von Rasmussen und Ulrich (2015), eine konsequente „Outside-In“-Perspektive einzunehmen. Es etabliert eine klare „Logik“, über welchen Mechanismus das Personalmanagement die strategischen Ziele Ihres Unternehmens beeinflussen kann (Cascio und Boudreau, 2011).

C wie Collect & Connect

Auf Basis der identifizierten Fragestellung steht im nächsten Schritt die Schaffung der passenden Datenbasis im Mittelpunkt. Das zentrale Element ist hier die möglichst optimale „Messung“ (Cascio und Boudreau, 2011) der relevanten Inhalte für die zuvor identifizierte Fragestellung. Daher müssen die zur Analyse ausgewählten Daten entsprechend bearbeitet, bereinigt und vorbereitet werden, damit sie in nutzbarer Form vorliegen. Es wird deutlich, dass dazu fortgeschrittene Fähigkeiten im Management von Daten vorteilhaft sind (Andersen, 2017). Für die zuvor gewählten Beispiele sind bspw. Daten relevant, die die folgenden Informationen beinhalten.
Einfaches People Analytics: Anzahl der Vertriebsmitarbeiter über die letzten Jahre; mehrjährige Entwicklung des Umsatzes
Fortgeschrittenes People Analytics (zusätzlich): Mehrjährige Rekrutierungs­daten der Vertriebsmitarbeiter (z.B. Rekrutierungskanal, durchlaufene Selektionsprozesse, soziodemografische Informationen der Rekrutierenden, Bewerber und Rekrutierten), Weiterbildungsdaten der Rekrutierenden
Prädiktives People Analytics (zusätzlich): Prozesszeiten der Rekrutierungsabläufe, Fluktuationsdaten der rekrutierten Vertriebsmitarbeiter
Bei diesem Schritt beurteilen Sie die existierenden Datensätze hinsichtlich der Form (quantitativ, qualitativ), der Qualität (fehlende Werte, Messgüte) und des Quellsystems (technischer Zugang).

Diese Kriterien bedingen,

  • welche Analysemethoden Sie anwenden können und/oder sollten,
  • welche Verantwortlichkeiten Sie bei der Integration der Daten berücksichtigen müssen,
  • welche technologischen Lösungen und Anbindungen Sie für die Datenintegration benötigen,
  • welchen Reifegrad Ihr People-Analytics-Projekt im ersten Schritt erreichen kann
    und welche Daten Sie ggf. noch erheben oder anlegen müssen.

Dieser Implementierungsschritt zeigt erneut deutlich, dass die Frage nach den notwendigen Informationen und der Datengrundlage Ihres People-Analytics-Projekts immer mit einer möglichst konkreten analytischen Fragestellung beginnen sollte. Zudem bedingt die Fragestellung das benötigte statistische Verfahren und stellt damit auch die Ansprüche an die Qualität und Eigenschaften der Datengrundlage klar. Unternehmen sollten deshalb im Rahmen der voranschreitenden HR-Digitalisierung nicht den Fehler begehen, den Schritt der Datensammlung und Integration vom Schritt der Auswahl der Fragestellung und des Analysemodells zu trennen. Es gilt, eine klare HR-Datenstrategie am Schnittpunkt aus betriebswirtschaftlicher Fragestellung und angestrebtem analytischem Reifegrad zu entwickeln (Andersen, 2017).

Vergleich der drei People-Analytics-Entwicklungsstufen
Vergleich der drei People-Analytics-Entwicklungsstufen

A wie Analyze

Ein wichtiger Schritt jeder People-Analytics-Initiative besteht aus der Auswahl und Durchführung der analytischen Verfahren. Wie bereits erwähnt, erfordern bestimmte Fragestellungen und Datenformate bestimmte Analysemethoden bzw. begrenzen die Auswahl an verfügbaren Methoden (Schnell et al., 2011). Eine zentrale Herausforderung für die Umsetzung der passenden Analysen ist es daher, Projektmitglieder zu gewinnen, die die richtigen statistischen Fähigkeiten mitbringen. Für das vorliegende Beispiel werden folgende Kenntnisse und Fähigkeiten hilfreich.(1)
Einfaches People Analytics: Kenntnisse der deskriptiven Statistik und Testverfahren bivariater Zusammenhänge und Hypothesentests
Fortgeschrittenes People Analytics: Kenntnisse multivariater Analysemethoden, dimensionsreduzierender Verfahren und kausalanalytischer

Designs und Verfahren

Prädiktives People Analytics: Kenntnisse lernender Verfahren und Künstlicher Intelligenz
Der Einsatz dieser Analysemethoden dient der Schaffung belastbarer empirischer Evidenz als Informations- und Entscheidungsgrundlage zur Lösung der identifizierten Fragestellung bzw. zur Erreichung des strategischen Unternehmensziels. Anhand der erlangten Analyseergebnisse erstellen Sie umsetzbare Lösungsstrategien (Van den Heuvel und Bondarouk, 2017). Mit Blick auf das Beispielprojekt stehen je nach Entwicklungsstufe folgende Analyseergebnisse im Vordergrund.

Einfaches People Analytics: Identifikation des Zusammenhangs zwischen der Größe des Vertriebsteams und der Entwicklung des Umsatzes
Fortgeschrittenes People Analytics: Identifikation und Ranking der Haupttreiber der erfolgreichen Rekrutierung von Vertriebsmitarbeitern unter Einbezug der verwendeten Auswahlverfahren und Rekrutierungskanäle

Prädiktives People Analytics: Prognose des Rekrutierungserfolgs für Vertriebsmitarbeiter und deren Rekrutierungsdauer; Prognose der Wahrscheinlichkeit der 15-prozentigen Steigerung des Umsatzes unter Einbezug der Prozesszeiten und Fluktuationsquoten im Vertrieb

Für den Analyseschritt sind exzellente statistische Kenntnisse unerlässlich, wobei der Umfang der erforderlichen Kenntnisse über die Entwicklungsstufen zunimmt (Andersen, 2017). Für die praktische Durchführung ist es eventuell sinnvoll, mit Kolleginnen und Kollegen aus zahlenorientierteren Unternehmensbereichen (z.B. Controlling, Finanzen, Marketing) zu kooperieren und von deren Erfahrungen und Kenntnissen zu profitieren.

N wie Navigate

Ein häufig vernachlässigter Schritt ist die Möglichkeit zur selbstständigen Navigation der Daten und Datenanalysen durch relevante Anspruchsgruppen im Unternehmen. Wie eingangs erwähnt, dient People Analytics der bestmöglichen Entscheidungsfindung im strategischen Personalmanagement. Erfolgreiche People-Analytics-Projekte umfassen daher die gut konsumierbare und verständliche Kommunikation der Ergebnisse für die Entscheider / -innen (Andersen, 2017; Green, 2017). Der volle Nutzen des People-Analytics-Projekts entfaltet sich demnach durch die Automatisierung der Analyseroutinen und deren unternehmensweite Bereitstellung im Selbstservice. So ermöglichen Sie bspw. den Führungskräften im Vertrieb Ihres Unternehmens die entsprechenden Analysen dezentral für Ihre Vertriebsteams selbst zu erstellen. Diese Erkenntnisse können dann zur gemeinsamen Herleitung entsprechender Führungsstrategien genutzt werden. Kennt eine Führungsperson den voraussichtlichen Zuwachs im Vertriebsteam durch die errechneten Rekrutierungsszenarios, können Maßnahmen zum möglichst erfolgreichen Onboarding neuer Mitarbeiter / -innen vorbereitet werden. Ein großer Vorteil des breiten Zugangs zu People Analytics liegt genau in dieser proaktiven Gestaltung von Personalmaßnahmen und damit in der Abkehr von reaktiver Personaladministration. Aus dieser Verbreitung von Datenanalysen als Entscheidungsgrundlage kann auch eine unternehmensweite Förderung der analytischen Kultur folgen. Diese ist für die nachhaltige Transformation des Personalmanagements unerlässlich. Dabei ist meine Erfahrung, dass der Einsatz von softwarebasierten Lösungen mit dezentral nutzbaren Analyseoberflächen und präzisen Rollenkonzepten und Zugriffskontrollen wesentlich zum Erfolg von People-Analytics-Projekten beiträgt.

Enable

Zusätzlich zu den vorangegangenen Schritten nutzen erfolgreiche People-Analytics-Initiativen die erlangte empirische Evidenz, um proaktives Personalmanagement mit strategischem Weitblick umzusetzen. Dazu finden die Analyseergebnisse auf verschiedenen Ebenen Einzug in die Entscheidungsprozesse. Auf der oberen Managementebene fließen sie zumeist bei strategischen Richtungsentscheidungen ein, der mittleren Managementebene erleichtern sie die Ausrichtung von Personalmaßnahmen an diesen strategischen Stoßrichtungen und auf der Mitarbeiterebene nutzen sie dem Verständnis für und der Begründung von Entscheidungen im Personalmanagement. Es wird offenbar, dass es darauf ankommt, über versierte Fähigkeiten in den Bereichen Organisationspsychologie, Veränderungsmanagement und Unternehmenspolitik zu verfügen. Ein zentraler Baustein für ein wirksames „Enablement“ durch People Analytics ist eine konsequente Kosten-Nutzen-Analyse der strategischen Szenarien und der damit verbundenen möglichen Personalmaßnahmen (Cascio und Boudreau, 2011).


Definition

People Analytics bezeichnet die zielgerichtete Nutzung von Daten und Datenanalysen im Personalmanagement. Es umfasst drei Entwicklungsstufen, die sich hinsichtlich ihrer Zielsetzung, der verwendeten Analyseverfahren sowie ihres strategischen Nutzens unterscheiden lassen. People Analytics erfolgt dabei zumeist softwarebasiert.


Überwindung der Herausforderungen von People Analytics durch das "I-CAN-Enable"-Modell
Überwindung der Herausforderungen von People Analytics durch das „I-CAN-Enable“-Modell

Weitere Meilensteine für erfolgreiches People Analytics

Neben dem skizzierten Orientierungsrahmen des „I-CAN-Enable“-Modells sind weitere Faktoren für die zukünftige Entwicklung von People Analytics entscheidend.

Erstens: Durch die Natur der verwendeten Daten sind People-Analytics-Projekte besonderen Datenschutzregelungen unterworfen (Holthaus et al., 2015). Diese Regelungen können durch die Verwendung von Technologien zur Datenanonymisierung gestützt werden. Dies ist insbesondere dann unproblematisch, wenn der einzelne Beschäftigte sowieso nicht das unmittelbare Ziel der Analyse ist. Zudem können viele strategisch relevante Analysen auch auf Basis von aggregierten Daten erfolgen und dennoch wichtige Erkenntnisse liefern. Die Analysen können z.B. für Beschäftigtengruppen, Abteilungen oder Standorte des Unternehmens und nicht für einzelne Beschäftigte durchgeführt werden. In jedem Fall empfiehlt sich aber ein frühzeitiger und transparenter Austausch mit den Gremien der Mitarbeitervertretung.

Zweitens: Es zeichnet sich durch die rapide Zunahme der Nutzung von Technologien und Softwareprodukten im Personalmanagement ein Mangel an Fachkräften mit entsprechenden analytischen Fähigkeiten ab. Insbesondere die Berufsgruppe der „Data Scientists“ benötigt bereits heute dringend Nachwuchs. Unternehmen könnten sich hier in die Kooperation mit Aus- und Weiterbildungseinrichtungen begeben, um die entsprechenden Talente frühzeitig zu sichten und ggf. zu sichern. Zudem böten sich unternehmensinterne Weiterbildungsmöglichkeiten in den Bereichen Softwareprogrammierung, Datenwissenschaften und Statistik an. Der Erfolg jeder People-Analytics-Initiative entwickelt sich mit einer entsprechend ausgebildeten Projektleitung. Hier bietet es sich für Führungskräfte des HR-Bereichs an, einschlägige People-Analytics- Zertifikate zu absolvieren, um so die notwendigen Fähigkeiten zu erlangen.

Drittens: ist die personelle Ausstattung Ihres People-Analytics-Projektteams sowie dessen Verantwortungsbereich und strukturelle Verankerung entscheidend. Die in Tabelle 2 skizzierten Kompetenzen zeigen deutlich, dass People Analytics ein Teamsport ist. Es handelt sich grundlegend um eine „Make-or-Buy“-Entscheidung. Entweder Sie integrieren diese Fähigkeiten, indem Sie funktionsübergreifende Teams bilden, oder Ihre internen derzeitigen Talente werden gezielt weitergebildet. Die Kompetenzen des Datenmanagements und der statistischen Analyse sind schließlich Querschnittskompetenzen und damit keinesfalls an fundierte HR-Expertise gebunden. Oder Sie entscheiden sich, diese Fähigkeiten extern über den Arbeits- oder Softwaremarkt zu erhalten. Insbesondere im letzten Fall sollten Sie darauf achten, dass der jeweilige Softwareanbieter folgende Eigenschaften mitbringt:

  • Angebot aller Entwicklungsstufen des People Analytics
  • Bestmögliche Integration in Ihre bestehende IT-Infrastruktur
  • Flexible Analysemöglichkeiten im Selbstservice für Nutzer / -innen Ihres Unternehmens
  • Unterstützung bei allen Implementierungsschritten des „I-CAN-Enable“-Modells

Die Prüfung möglicher Softwareanbieter entlang dieser Kriterien ist insbesondere deshalb unerlässlich, weil eine Vielzahl von Lösungen das Label „People Analytics“ tragen, die statistisch betrachtet jedoch maximal grundlegende Formen von HR-Reporting ermöglichen.
Über seine fünf Prozessschritte bildet das „I-CAN-Enable“-Modell einen wirksamen Orientierungsrahmen, um die generellen Herausforderungen der Implementierung von People-Analytics-Projekten zu bewältigen. Sie können dieses Modell auch zur internen Evaluation der „People Analytics Readiness“ Ihres Unternehmens heranziehen. Tabelle 2 fasst die wichtigen Schritte der Implementierung nochmals zusammen, stellt die Verbindung zu den typischen Herausforderungen her und gibt erste Hinweise zu den benötigten Kompetenzen innerhalb der Projektschritte.

von Dr. Daniel Mühlbauer

Literaturhinweise:

  • Andersen, M. K. (2017): Human capital analytics: the winding road. Journal of Organizational Effectiveness: People and Performance, 4(2).
    Aral, S.; Brynjolfsson, E. und Wu, L. (2012): Three-Way Complementarities: Performance Pay, Human Resource Analytics, and Information Technology. Management Science, 58(5), S. 913-931.
  • Barends, E.; Rousseau, D. M. und Briner, R. B. (2014): Evidence-Based Management: The Basic Principles. Amsterdam: CEBMa.
    Benninghaus, H. (2007): Deskriptive Statistik: Eine Einführung für Sozialwissenschaftler (11. Aufl.). Wiesbaden: VS Verlag.
    Bersin, J. (2013): Big Data in Human Resources: A World of Haves And Have-Nots. Forbes. https://www.forbes.com/sites/joshbersin/2013/10/07/big-data-in-human-resources-a-world-of-haves-and-have-nots. Zugegriffen: 5.7.2017.
  • Cascio, W. F. und Boudreau, J. W. (2011): Investing in People: Financial Impact of Human Resource Initiatives. New Jersey: Pearson.
    Deloitte (2017): Global Human Capital Trends. https://www2.deloitte.com/global/en/pages/human-capital/articles/introduction-human-capital-trends.html. Zugegriffen: 25.7.2017.
  • Green, D. (2017): The best practices to excel at people analytics. Journal of Organizational Effectiveness: People and Performance, 4(2).
    Harte, Z. (2017): People Analytics: The New HR Tool That’s Better Than a Crystal Ball. HR Daily Advisor. http://hrdailyadvisor.blr.com/2017/07/13/people-analytics-new-hr-tool-thats-better-crystal-ball/. Zugegriffen: 25.7.2017.
  • Holthaus, C.; Park, Y. und Stock-Homburg, R. (2015): People Analytics und Datenschutz – Ein Widerspruch? Datenschutz und Datensicherheit, 39(10), S. 676-681.
  • Levenson, A. und Fink, A. (2017): Human capital analytics: too much data and analysis, not enough models and business insights. Journal of Organizational Effectiveness: People and Performance, 4(2).
  • Marler, J. H. und Boudreau, J. W. (2017): An evidence-based review of HR Analytics. International Journal of Human Resource Management, 28(1). S. 3-26.
  • Minbaeva, D. (2017): Human capital analytics: why aren‘t we there? Journal of Organizational Effectiveness: People and Performance, 4(2).
  • Mühlbauer, D.; Huff J. und Süß, J. (im Erscheinen): People Analytics und Arbeit 4.0. In: Werther (Hrsg.) Arbeit 4.0 aktiv gestalten – Die Zukunft der Arbeit zwischen Agilität, People Analytics und Digitalisierung. Springer Verlag.
  • Rasmussen, T. und Ulrich, D. (2015): Learning from practice: how HR analytics avoids being a management fad. Organizational Dynamics, 44(3), S. 236-242.
  • Rynes, S. L. und Bartunek, J. M. (2017): Evidence-based management: Foundations, development, controversies and future. Annual Review of Organizational Psychology and Organizational Behavior, 4, S. 235-261.
  • Schnell, R.; Hill, P. B. und Esser, E. (2011): Methoden der empirischen Sozialforschung (9. Aufl.). München: Oldenbourg.
    Strohmeier, S. und Piazza, F. (2015): Human resource intelligence und analytics: Grundlagen, Anbieter, Erfahrungen und Trends. Saarbrücken: Springer.
  • Van den Heuvel, S. und Bondarouk, T. (2017): The rise (and fall?) of HR analytics: a study into the future application, value, structure, and system support. Journal of Organizational Effectiveness: People and Performance, 4(2).
  • Van der Tongt, J. und Rasmussen, T. H. (2017): Toward evidence-based HR. Journal of Organizational Effectiveness: People and Performance, 4(2).