Lade Inhalt...

Predictive Analytics als Data-Mining-Verfahren in der Industrie 4.0. Gute Daten, schlechte Daten?

Hausarbeit 2016 31 Seiten

BWL - Allgemeines

Leseprobe

Inhaltsverzeichnis

1. Was steckt hinter Industrie 4.0?

2. HR Intelligence and Analytics
2.1 Predictive Analytics? HR bedeutet People Analytics!
2.2 Vegas, Casinos und das Silicon Valley
2.3 Datenschutz: Doris Day oder Don Alphonso?
2.4 Quo vadis People Analytics?

3. Wie sieht die Arbeitswelt 4.0 in 2025 aus?
3.1 Daten Daten und noch mehr Daten
3.2 Wearables am Arbeitsplatz
3.3 Arbeitnehmer vs. Arbeitgeber
3.4 Konklusion: Was du nicht willst was man dir tu

4. Personalabteilung 4.0

5. Resümee und Forschungsausblick

Literaturverzeichnis

1. Was steckt hinter Industrie 4.0?

Handelsblatt: „Industrie 4.0: Der Schlüssel zum Erfolg“1

Zeit Online: „Industrie 4.0: Schutzbrille ab, Datenbrille auf“2

FAZ: „Industrie 4.0: Die Daten der Industrie werden zum Milliardengeschäft“3

Diese und weitere Schlagzeilen sind derzeit fast täglich der Presse und den Medien zu entnehmen. Doch was ist eigentlich Industrie 4.0? Wie der Begriff bereits anmuten lässt, handelt es sich hierbei um die vierte industrielle Revolution, die durch die ubiquitäre Vernetzung von Informationsund Kommunikationstechnologie untereinander sowie mit dem Menschen geprägt wird. Bis zum Jahr 2025 soll somit die Wirtschaft maßgeblich beeinflusst und sämtliche Aktivitäten innerhalb der Wertschöpfungskette nachhaltig verbessert werden.4 Ein wichtiger Bestandteil von Industrie 4.0 stellen dabei Daten dar. Seit die Dampfmaschine um 1800 Einzug in Fabriken gefunden hat und betriebliche Produktionsabläufe revolutioniert wurden, werden regelmäßig von Unternehmen Daten gesammelt, mit Hilfe derer diverse Kennzahlen zur effizienteren Ausgestaltung von Produktionsprozessen bestimmt werden können. Im Zeitverlauf war jede industrielle Revolution von einer Ausweitung der Datensammlung, -auswertung und -interpretation geprägt, sodass sich Datenanalysen heutzutage längst nicht mehr nur auf Produktion und Logistik beziehen. Im Zeitalter der Industrie 4.0 werden permanent sowohl von jeglichen materiellen sowie maschinellen Objekten als auch von Menschen Daten gesammelt.5 Dabei können die gewonnen Daten mittels moderner Informationstechnologie teils automatisiert ausgewertet werden. Ebenfalls von diesem Wandel und Innovationen tangiert, setzt sich das Personalwesen mit Personalmanagement 4.0 auseinander.6 Im Rahmen von Datenanalysen gilt es zwischen deskriptiven, prädiktiven und präskriptiven Analyseverfahren zu unterscheiden.7

Aufgrund der zahlreichen Analyseverfahren liegt der Fokus dieser Arbeit auf Predictive Analytics. Ziel ist die deskriptive und präskriptive Untersuchung von Predictive Analytics als Bestandteil von HR und dessen Implikation auf die Personalabteilung 4.0. Wie in der Literatur üblich, werden die Begriffe „Daten“ und „Information“ hierbei synonym verwendet.8 Selbiges gilt für die Begriffe „Predictive Analytics“ und „People Analytics“, da letzteres als üblich in der Literatur mit Fokus auf HR herangezogen wird.9

2. HR Intelligence and Analytics

2.1 Predictive Analytics? HR bedeutet People Analytics!

Ein zentraler Begriff der Datenanalyse stellt Predictive Analytics dar, welcher als Teilbereich dem Business Intelligence zuzuordnen ist. Predictive Analytics wird als Methode zur systematischen Erkennung bestimmter Muster auf Basis von historischen und gegenwärtigen Daten definiert, welche prognostische Ergebnisse zur Ableitung zukünftiger Handlungsempfehlungen bereitstellt. Zurückgegriffen wird auf Big Data, ergo eine Datenbasis mit Hilfe derer die permanente Sammlung und Speicherung jeglicher Daten realisiert wird.10

Welches Potential Informationen in Verbindung mit Predictive Analytics innewohnt, ist auch dem modernen Human Resource Management nicht verborgen geblieben. Durch die strukturierte und automatisierte Analyse der Daten, können Personalentscheidungen nicht mehr nur intuitiv, sondern vielmehr basierend auf einer fundierten Grundlage getroffen werden.11 An Varietät und Quantität der Quellen zur Sammlung von Informationen rund um den Mitarbeiter, welche zu Analysezwecken digitalisiert werden können oder bereits in digitaler Form vorliegen, mangelt es nicht. Durch Bewerbungsprozesse stellen (potentielle) Arbeitnehmer bereits persönliche Informationen über ihren Typus bereit. Daten über Löhne & Gehälter, Personalentwicklung, Mitarbeiterqualität etc. können unternehmensintern erhoben werden. Darüber hinaus besteht die Möglichkeit verwertbare Informationen aus externen Quellen, wie z.B. Social-Media-Plattformen, zu identifizieren und in das unternehmensinterne Informationssystem einzupflegen. Aufgrund einer persistenten Speicherung, kann sowohl auf die Daten von bereits ausgeschiedenen als auch gegenwärtig aktiven Mitarbeitern zurückgegriffen werden.12 Dabei müssen Daten nicht ausschließlich aus der Personalabteilung stammen. Ferner können Geschäftsbereiche, wie beispielsweise das Qualitätsmanagement, als Informationslieferanten fungieren und mit Hilfe der gezielten Assoziation relevanter Ergebnisse, dem Human Resource Management neue Analysemöglichkeiten offerieren.13

Bereits heute wird Predictive Analytics im Personalmanagement eingesetzt und ist dort besser als People Analytics bekannt. In diesem Rahmen wird versucht, mit Hilfe der zugrundeliegenden Daten, allgemeine Fragestellungen aus dem Personalwesen effizienter antizipieren und beantworten zu können.14

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: HRM Ausschnitt zentraler Fragestellungen15

Basierend auf People Analytics kann das moderne Human Resource Management die Umwelt einschätzen und Trends frühzeitig erkennen. Dadurch besteht die Möglichkeit proaktiv auf neue Umweltanforderungen einzugehen. Am Beispiel der Personalerhaltung bedeutet dies konkret, dass Fluktuation einen berechenbaren Tatbestand darstellt, auf den frühzeitig reagiert werden kann. Im Bereich der Personalentwicklung können High Potentials durch die Datenanalyse identifiziert und so gefördert werden, damit sie effektiv auf künftige Gegebenheiten vorbereitet sind. Auch können Entscheidungen über Personalbedarf, -einsatz, -erhaltung etc. vor der eigentlichen Umsetzung zunächst simuliert und ihre Auswirkungen analysiert werden, um somit für das Unternehmen optimale Personalentscheidungen realisieren zu können.16 Personalbeschaffung bedeutet im Personalmanagement nicht mehr nur die Eignung eines Bewerbers auf eine Stelle abzuschätzen, vielmehr filtert der hinter Predictive Analytics stehende Algorithmus den geeignetsten Kandidaten, mit der für die Zukunft größten Erfolgsaussicht, heraus. Mit Hilfe von People Analytics sind ebenfalls einfache Vorhersagen auf Basis der DNA möglich. So kann beispielsweise prognostiziert werden, mit welcher Wahrscheinlichkeit ein Mensch eine bestimmte Krankheit zu einem bestimmten Zeitpunkt erleiden wird.17 Voraussetzung hierfür ist das Vorhandensein von Gesundheitsdaten, welche unter anderem auf Wearables wie der Apple Watch oder Smartphones vorzufinden sind. Diese Endgeräte enthalten Informationen über körperliche Betätigung, kardiologische Werte bis hin zu den Schlafgewohnheiten des Individuums. Werden diese Daten einem Computer zugänglich gemacht, sind medizinische Prognosen unproblematisch. Mittels der auf den Endgeräten gespeicherten Bilder, kann der Algorithmus überdies Informationen über die emotionale Verfassung des Menschen ableiten.18 In diesem Zusammenhang könnten durch die gewonnenen Informationen unter anderem Rückschlüsse auf die Mitarbeitermotivation gezogen werden. Wichtig ist zudem die Sicherstellung der Datenqualität. Sind Daten nicht vorhanden oder greift ein Algorithmus auf fehlerhafte oder ungenaue Daten zurück (z.B. Sensordaten wie gemessener Puls stimmen nicht mit tatsächlichem Puls überein), so resultieren ebenfalls inkorrekte Ergebnisse auf deren Basis eventuell Entscheidungen getroffen werden.19

In Zeiten der Industrie 4.0 muss der Mensch Daten nicht manuell aus diversen Endgeräten extrahieren oder auf einem zentralen Rechner hinterlegen. Der Informationsaustausch sowie dessen Organisation finden zwischen den Geräten automatisch statt.20So kommunizieren beispielsweise Wearables und Smartphones untereinander, tauschen Daten miteinander aus und stellen Informationen auch anderen auf dem Smartphone befindlichen Applikationen, Computern oder CloudDiensten zur Verfügung.21

2.2 Vegas, Casinos und das Silicon Valley

Um die theoretische Grundlage hinter People Analytics (Kapitel 2.1) an konkreten Praxisbeispielen zu veranschaulichen, wird in diesem Kapitel näher auf einige Unternehmen eingegangen, die das zuvor erläuterte Instrumentarium bereits einsetzen.

Eines hiervon ist Caesars Entertainment (Namensänderung in 2010 von Harrah’s zu Caesar’s), welches mit zahlreichen Hotels und Casinos zu den größten Unternehmen der USA zählt.22 Caesars setzt zur Optimierung seiner betrieblichen Abläufe auf analytische Verfahren und sammelt daher diverse Daten von seinen Kunden. Unter anderem werden durch eine Kundenkarte die Casinoaktivitäten der Gäste, wie das bei Glücksspielen eingesetzte Vermögen, die aufgewendete Zeit sowie individuelle Spielaktivitäten der Gäste in Echtzeit registriert und automatisch an das angeschlossene Informationssystem übertragen. Diese Informationen werden anschließend, zusammen mit historischen Kundendaten, durch einen Algorithmus dahingehend ausgewertet, dass Kundencluster gebildet werden und z.B. eine Prognose über die zukünftige Nachfrage an Hotelzimmern entsteht.23 Diese Prognosen werden für den Personaleinsatz verwendet, um die entsprechende Quantität und die richtige Allokation der Mitarbeiter zu gewährleisten.

Auch die Stellenbesetzung der Mitarbeiter selbst erfolgt nicht mehr nur basierend auf einem rein intuitiven Konsens, sondern auf der Grundlage von gesammelten Daten. Der Algorithmus kalkuliert dabei, welcher Bewerber den größten Fit mit einer bestimmten Stelle aufweist. Davenport formuliert dies mit den Worten „(...) using insights derived from data to put the right employees in the right jobs and creating models that calculate the optimal number of staff members (...)“.24

Zusätzlich leitet der Algorithmus Vorlieben des Personals ab, um daraus Gesundheitssowie Wellnessprogramme zur Begünstigung der Mitarbeitermotivation und Mitarbeiterretention realisieren zu können.25

Einen weiteren Anwender von Predictive Analytics im Rahmen des Human Resource Managements stellt IBM dar. Einerseits sammelt das Unternehmen von seinen Mitarbeitern gegenwärtige Daten hinsichtlich ihrer Qualifikationen und der Position, die sie aktuell begleiten, um daraus Schlüsselqualifikationen abzuleiten, die die Mitarbeiter sowohl kurzals auch langfristig benötigen. Andererseits werden diese Informationen um historische Daten, unter anderem über die individuelle Personalentwicklung, Beförderungsmaßnahmen sowie die Fluktuation, ergänzt. Diese Kombination bietet IBM die Möglichkeit durch Predictive Analytics Aussagen darüber zu treffen, wie sich die Anpassung und Variation von Personalvergütung, -entwicklung, -beförderungsmaßnahmen etc. auf die zukünftige Fluktuationsquote auswirkt oder welche Faktoren ausschlaggebend für eine positive Beeinflussung der Mitarbeitermotivation sind. Außerdem werden die Mitarbeiter von dem Algorithmus grundlegend anhand ihrer Kompetenzen evaluiert und infolgedessen bestimmt, welcher Mitarbeiter eine Position sowohl gegenwärtig als auch zukünftig mit den entsprechenden Qualifikationen am erfolgreichsten begleiten würde.26

Überragende Noten sowie ein exzellenter Ruf der Hochschule sind Kriterien, die viele Arbeitgeber bei Bewerbungsverfahren als relevante Maße betrachten und gegebenenfalls sogar ausschlaggeben für eine Anstellung sind. Quantifizierte analytische Auswertungen auf Basis von Daten sind im Gegensatz dazu bei Google entscheidend und gelten dort als die bessere Alternative zur Identifikation von High Potentials.27 Bei mehr als drei Millionen Bewerbungen pro Jahr, übernehmen Algorithmen die Auswertung der Bewerbungsunterlagen und reduzieren die in Frage kommenden Kandidaten auf ca. 1%. Dabei werden Qualifikationen, Talent, aber auch Übereinstimmung mit der Unternehmenskultur vom Informationssystem berücksichtigt. Durch People Analytics kann Google noch vor der Einstellung des Bewerbers zu 86% prognostizieren, ob ein Mitarbeiter in das Unternehmen passt oder nicht.28

Darüber hinaus werden ebenso die eigenen Angestellten analysiert. Historische Daten aus Mitarbeiterbeurteilungen, der individuellen Vergütung sowie Beförderungen etc. bieten dem Unternehmen die Möglichkeit vorherzusagen, welche Mitarbeiter, mit welcher Wahrscheinlichkeit, zu einem gewissen Zeitpunkt die Intention haben könnten aus dem Unternehmen auszuscheiden.29 Neben dem Fluktuationsbzw. Retentionsmanagement wird bei der Optimierung des Personaleinsatzes ebenfalls auf Daten zurückgegriffen. Anhand der individuellen Mitarbeiterperformance werden sowohl Highals auch Low-Performer identifiziert und Gründe für die Unterschiede abgeleitet. Oftmals wird bei den Ergebnissen der Datenanalyse ersichtlich, dass das betreffende Personal ausreichend qualifiziert ist, jedoch die falsche Arbeitsstelle begleitet. Daraufhin werden seitens Google geeignete Interventionsmaßnahmen, insbesondere in Form von Zuteilung einer neuen Aufgabe oder Stelle, zur systematischen Unterstützung der Low-Performer ermittelt.30

Der amerikanische Technologiedienstleister Xerox Services evaluiert seine Bewerber durch ein Online-Assessment. Auf Basis der Antworten sowie dem Antwortverhalten aus dem Online-Test, leitet ein Algorithmus automatisch Daten ab, um mit Hilfe dieser eine Prognose über die Eignung des Bewerbers zu treffen. Anschließend ordnet der Algorithmus die Kandidaten in eines von drei farblich unterteilten Clustern ein, wobei Rot für einen ungeeigneten Kandidaten, gelb für einen mittleren Eignungsgrad des Kandidaten und grün für einen einen äußerst geeigneten Kandidaten steht. Das Management kann infolgedessen den geeignetsten Bewerber identifizieren und zu einem Interview einladen. Daraus resultierend konnte Xerox Services die Fluktuationsquote senken und die Anzahl an Beförderungen ausbauen. People Analytics ist in diesem Unternehmen bereits derart etabliert, dass Teile des Managements keine persönlichen Vorstellungsgespräche mehr führen wollen, sondern ausschließlich auf Basis von Zahlen einstellen möchten: „We’re getting to the point where some of our hiring managers don’t even want to interview anymore“.31

Viele weitere Global Player, darunter auch Microsoft, greifen ebenfalls auf People Analytics zurück und konnten von Fluktuation, über Motivation bis hin zu Entwicklungsmaßnahmen zahlreiche HR-Einsatzgebiete effizienter gestalten. Nach wie vor wird seitens der Unternehmen ein Fokus auf das persönliche Vorstellungsgespräch gesetzt und die persönliche Kommunikation mit den Mitarbeitern gesucht, jedoch tritt People Analytics zunehmend komplementär oder gar partialsubstituierend in Erscheinung.32Als Konklusion wird anhand der beschriebenen Beispiele einerseits ersichtlich, wie präsent datenbasiertes Human Resource Management bereits in der Praxis ist. Andererseits wird deutlich, dass vor allem größere Unternehmen, vorwiegend aus den Vereinigten Staaten, Predictive Analytics im Personalmanagement einsetzen. Ein Grund hierfür ist sicherlich, dass Akteure aus der Branche der Computerund Kommunikationstechnologie ohnehin eine Vielzahl an Daten beherbergen und an Standorten wie dem Silicon Valley vorzufinden sind. Eine weitere Erklärung könnten jedoch auch unterschiedliche rechtliche Normen bezüglich des Datenschutzes in Ländern wie Deutschland sein.

2.3 Datenschutz: Doris Day oder Don Alphonso?

Eine notwendige Bedingung für den praktischen Einsatz von People Analytics ist das Vorhandensein von Daten über Menschen. Diesbezüglich hat der Gesetzgeber entsprechende Restriktionen formuliert, die es als Arbeitgeber einzuhalten gilt. In diesem Kapitel wird ausschnittsweise Gegenübergestellt, ob hinsichtlich der Datensammlung gravierende Gesetzesunterschiede zwischen Deutschland und den USA bestehen.

Generell ist in Deutschland das Sammeln anonymisierter Daten unproblematisch, vorausgesetzt es sind dadurch keinerlei Rückschlüsse auf das Individuum möglich. Beispielsweise stellen anonymisierte Mitarbeiterbefragungen eine gängige Praxis dar.33 Darüber hinaus ist es jedoch nicht ausgeschlossen auch personenbezogene Informationen zu sammeln. Willigt die betroffene Person eindeutig und degagiert ein, ist eine Datenverarbeitung mit Rückschlüssen auf das Individuum anwendbar.34

Solch eine Einwilligung kann direkt durch die eigenständige Abgabe einer Willenserklärung erfolgen. In diesem Fall wird von einem Opt-In-Ansatz gesprochen (z.B.: Bewerber kreuzt im Arbeitsvertrag an, mit der Nutzung personenbezogener Daten einverstanden zu sein). Das Pendant ist der sogenannte Opt-Out-Ansatz, bei dem eine Willenserklärung bereits in einem Kontrakt vordefiniert ist und das Individuum bei Nichteinverständnis diese aktiv widerrufen muss (z.B.: Bewerber streicht explizit diejenige Vertragsbedingung durch, welche die Nutzung personenbezogener Daten vorsieht. Andernfalls wird die Bedingung konkludent akzeptiert).35

[...]


1 Handelsblatt, Industrie 4.0: Der Schlüssel zum Erfolg, in: www.handelsblatt.com/technik/das-technologieupdate/energie/industrie-4-0-der-schluessel-zum-erfolg/11114444.html, 12.12.2014, abgerufen am 02.05.2016.

2 Zeit Online, Industrie 4.0: Schutzbrille ab, Datenbrille auf, in: www.zeit.de/2015/37/industrie-4-0-robotermaschinen, 06.10.2015, abgerufen am 02.05.2016.

3 Frankfurter Allgemeine Zeitung, Industrie 4.0: Die Daten der Industrie werden zum Milliardengeschäft, in: www.faz.net/aktuell/wirtschaft/unternehmen/industrie-4-0-die-daten-der-industrie-werden-zummilliardengeschaeft-13619259.html, 31.05.2015, abgerufen am 02.05.2016.

4Vgl.Roth, Armin, Industrie 4.0 Hype oder Revolution?, in:Roth, Armin(Hrsg.), Einführung und Umsetzung von Industrie 4.0. Grundlagen, Vorgehensmodell und Use Cases aus der Praxis, Berlin (Gabler) 2016, 5-6.

5 Vgl. Holthaus, Christian/Park, Young-kul/Stock-Homburg, Ruth, People Analytics und Datenschutz Ein Widerspruch?, in: Datenschutz und Datensicherheit 39 (10/2015), 677.

6 Vgl. Christ, Oliver/Ebert, Nico, Predictive Analytics im Human Capital Management: Status Quo und Potentiale, in: HMD Praxis der Wirtschaftsinformatik 52 (6/2015), 1.

7 Vgl. Delen, Dursun/Demirkan, Haluk, Data, information and analytics as services, in: Decision Support Systems 55 (1/2013), 361.

8 Vgl. z.B. Müller, Jochen, Transformation operativer Daten zur Nutzung im Data Warehouse, Wiesbaden (Gabler) 2000, 5.

9 Vgl. z.B. Christ, Oliver/Ebert, Nico, Predictive Analytics im Human Capital Management: Status Quo und Potentiale, in: HMD Praxis der Wirtschaftsinformatik 52 (6/2015), 7.

10 Vgl. Christ, Oliver/Ebert, Nico, Predictive Analytics im Human Capital Management: Status Quo und Potentiale, in: HMD Praxis der Wirtschaftsinformatik 52 (6/2015), 2-3.

11 Vgl. Kapoor, Bhushan/Sherif, Joseph, Human Resources in an enriched environment of business intelligence, in: Kybernetes 41 (10/2012), 1630.

12 Vgl. z.B. Christ, Oliver/Ebert, Nico, Predictive Analytics im Human Capital Management: Status Quo und Potentiale, in: HMD Praxis der Wirtschaftsinformatik 52 (6/2015), 6.

13 Vgl. Holthaus, Christian/Park, Young-kul/Stock-Homburg, Ruth, People Analytics und Datenschutz Ein Widerspruch?, in: Datenschutz und Datensicherheit 39 (10/2015), 677.

14 Vgl. Christ, Oliver/Ebert, Nico, Predictive Analytics im Human Capital Management: Status Quo und Potentiale, in: HMD Praxis der Wirtschaftsinformatik 52 (6/2015), 6-7.

15Aus dem Gedankengang von:Christ, Oliver/Ebert, Nico, Predictive Analytics im Human Capital Management: Status Quo und Potentiale, in: HMD Praxis der Wirtschaftsinformatik 52 (6/2015), 6-7; Strohmeier, Stefan, Analysen der Human Resource Intelligence und Analytics, in: Strohmeier, Stefan/Piazza, Franca (Hrsg.), Human Resource Intelligence und Analytics. Grundlagen, Anbieter, Erfahrungen und Trends, Wiesbaden (Gabler) 2015, 14.

16 Vgl. Albrecht, Christa/Bonifer, Gertrud-Elisabeth, Zukunftsorientiertes Personalmanagement mit SAS als Garant wertorientierter Unternehmensführung, in: Strohmeier, Stefan/Piazza, Franca (Hrsg.), Human Resource Intelligence und Analytics. Grundlagen, Anbieter, Erfahrungen und Trends, Wiesbaden (Gabler) 2015, 226-230.

17Vgl.Al-Ani, Ayad, Ist Widerstand möglich? Souveränität in Wirtschaft und Politik, in:Friedrichsen, Mike/Bisa, Peter J.(Hrsg.), Digitale Souveränität: Vertrauen in der Netzwerkgesellschaft, Wiesbaden (Springer VS) 2016, 76.

18 Vgl. Hänisch, Till, eHealth Eine Begriffsbestimmung, in: Andelfinger, Volker P./Hänisch, Till (Hrsg.), eHealth. Wie Smartphones, Apps und Wearables die Gesundheitsversorgung verändern werden, Wiesbaden (Gabler) 2016, 8.

19Vgl. z.B.Mielke, Michael, Prinzipien erfolgreichen Informationsqualitätsmanagements im Lichte von Industrie 4.0, in: Hildebrand, Knut/Gebauer, Marcus/Hinrichs, Holger/Mielke, Michael (Hrsg.), Datenund Informationsqualität. Auf dem Weg zur Information Excellence, Wiesbaden (Springer) 3. Aufl. 2015, 314.

20 Vgl. Otto, Boris/Österle, Hubert, Corporate Data Quality. Voraussetzung erfolgreicher Geschäftsmodelle, Wiesbaden (Gabler) 2016, 5-6.

21Vgl.Federrath, Hannes, «Mein Smartphone weiß mehr als ich» Beobachtung und Sammlung von Nutzeraktivitäten, in:Lichdi, Johannes(Hrsg.), Digitale Schwellen Privatheit und Freiheit in der digitalen Welt, Sachsen (Heinrich-Böll-Stiftung) 2015, 57.

22Vgl.Forbes, America's Largest Private Companies. #31 Caesars Entertainment, in: www.forbes.com/lists/2011/21/private-companies-11_Caesars-Entertainment_K1N2.html, 16.11.2011, abgerufen am 26.03.2016.

23 Vgl. Liberatore, Matthew J./Luo, Wenhong, The Analytics Movement: Implications for Operations Research, in: Interfaces 40 (4/2010), 317-318.

24 Davenport, Thomas H./Harris, Jeanne/Shapiro, Jeremy, The Big Idea. Competing on Talent Analytics, in: Harvard Business Review 88 (10/2010), 54.

25 Vgl. Davenport, Thomas H./Harris, Jeanne/Shapiro, Jeremy, The Big Idea. Competing on Talent Analytics, in: Harvard Business Review 88 (10/2010), 54.

26 Vgl. Dietrich, Brenda L./Plachy, Emily C./Norton, Maureen F., Analytics Across the Enterprise: How IBM Realizes Business Value from Big Data and Analytics, Indianapolis (IBM Press) 2014, 22-23.

27 Vgl. Davenport, Thomas H./Harris, Jeanne/Shapiro, Jeremy, The Big Idea. Competing on Talent Analytics, in: Harvard Business Review 88 (10/2010), 54.

28 Vgl. Workforce, Laszlo Bock: Just Google Him, in: www.workforce.com/articles/21168-laszlo-bock-justgoogle-him, 22.03.2015, abgerufen am 29.03.2016.

29 Vgl. Harvard Business Review, Predict What Employees Will Do Without Freaking Them Out, in: www.hbr.org/2014/09/predict-what-employees-will-do-without-freaking-them-out, 05.09.2014, abgerufen am 29.03.2016.

30 Vgl. Davenport, Thomas H./Harris, Jeanne/Shapiro, Jeremy, The Big Idea. Competing on Talent Analytics, in: Harvard Business Review 88 (10/2010), 57.

31 The Atlantic, They're Watching You at Work, in: www.theatlantic.com/magazine/archive/2013/12/theyrewatching-you-at-work/354681/, 22.11.2013, abgerufen am 04.04.2016.

32Vgl.The Atlantic, They're Watching You at Work, in: www.theatlantic.com/magazine/archive/2013/12/theyre-watching-you-at-work/354681/, 22.11.2013, abgerufen am 04.04.2016.

33 Vgl. Gola, Peter, HR Intelligence und Analytics Datenschutzrechtliche Grenzziehungen, in: Strohmeier, Stefan/Piazza, Franca (Hrsg.), Human Resource Intelligence und Analytics. Grundlagen, Anbieter, Erfahrungen und Trends, Wiesbaden (Gabler) 2015, 133.

34Vgl.Tinnefeld, Marie-Theres/Buchner, Benedikt/Petri, Thomas, Einführung in das Datenschutzrecht. Datenschutz und Informationsfreiheit in europäischer Sicht, München (Oldenbourg) 5. Aufl. 2012, 349.

35 Vgl. Tinnefeld, Marie-Theres/Buchner, Benedikt/Petri, Thomas, Einführung in das Datenschutzrecht. Datenschutz und Informationsfreiheit in europäischer Sicht, München (Oldenbourg) 5. Aufl. 2012, 353.

Details

Seiten
31
Jahr
2016
ISBN (eBook)
9783668297401
ISBN (Buch)
9783668297418
Dateigröße
1.3 MB
Sprache
Deutsch
Katalognummer
v339868
Institution / Hochschule
Universität des Saarlandes
Note
1,3
Schlagworte
Predictive Analytics Datensammlung Arbeitswelt 2025 industrie 4.0 Analyseverfahren Datenanalysemethoden

Autor

Zurück

Titel: Predictive Analytics als Data-Mining-Verfahren in der Industrie 4.0. Gute Daten, schlechte Daten?