Predictive Hiring: Bessere Entscheidungen mit Daten
Schluss mit Bauchgefuehl-Recruiting. Erfahren Sie, wie Sie Daten und praediktive Modelle einsetzen, um bessere Hiring-Entscheidungen zu treffen und die Quality of Hire messbar zu verbessern.
Door Ingmar van Maurik · Founder & CEO, Making Moves
Das Problem mit Recruiting nach Bauchgefuehl
Die meisten Hiring-Entscheidungen werden immer noch auf Basis von Bauchgefuehl getroffen. Ein Recruiter scannt einen Lebenslauf in 6 Sekunden, ein Hiring Manager bildet sich in den ersten 30 Sekunden eines Interviews eine Meinung und die endgueltige Entscheidung faellt in einem Meeting, in dem die lauteste Stimme gewinnt.
Das Ergebnis ist vorhersehbar: eine durchschnittliche Bad-Hire-Rate von 25 bis 46 Prozent, je nach Quelle. Das bedeutet, dass jede dritte bis vierte Einstellung nicht wie erhofft funktioniert. Bis Sie das entdecken, haben Sie bereits Zehntausende bis Hunderttausende Euro verloren an direkten und indirekten Kosten.
Predictive Hiring bietet eine Alternative. Anstatt auf Bauchgefuehl zu vertrauen, nutzen Sie Daten und Modelle, um vorherzusagen, welche Kandidaten am wahrscheinlichsten erfolgreich sein werden. In diesem Artikel erklaeren wir, wie das funktioniert und wie Sie es implementieren.
Was ist Predictive Hiring
Predictive Hiring ist die Anwendung von Datenanalyse und statistischen Modellen, um vorherzusagen, welche Kandidaten in einer bestimmten Rolle am besten performen werden. Es basiert auf einem einfachen, aber leistungsstarken Prinzip: Muster aus der Vergangenheit sagen die Zukunft voraus.
Durch die Analyse, welche Merkmale erfolgreiche Mitarbeitende gemeinsam haben, koennen Sie neue Kandidaten auf dieselben Merkmale bewerten und eine fundierte Vorhersage ueber ihre Erfolgschancen treffen.
Die wissenschaftliche Grundlage
Predictive Hiring ist nicht neu. Die Arbeits- und Organisationspsychologie untersucht seit ueber 100 Jahren, welche Auswahlmethoden die besten Praediktoren fuer Arbeitsleistung sind. Die Ergebnisse sind eindeutig:
|----------------|----------------------|
Die praediktive Validitaet gibt an, wie stark die Auswahlmethode mit der tatsaechlichen Arbeitsleistung korreliert, auf einer Skala von 0 bis 1. Je hoeher die Zahl, desto besser sagt die Methode voraus, wer erfolgreich sein wird.
Der Unterschied ist enorm. Ein unstrukturiertes Interview ist kaum besser als ein Muenzwurf, waehrend ein kombiniertes Modell mit Assessments und AI ein starker Praediktor ist.
Die vier Schritte des Predictive Hiring
Schritt 1: Definieren Sie Erfolg
Sie koennen nicht vorhersagen, wenn Sie nicht wissen, was Sie vorherzusagen versuchen. Der erste Schritt ist die klare Definition von Erfolg fuer jede Rolle:
Quantitative Metriken: Umsatz pro Mitarbeitendem, geloeste Tickets pro Monat, Kunden-NPS, eingehaltene Projekttermine.
Qualitative Metriken: Bewertung durch die Fuehrungskraft, Feedback von Teammitgliedern, Beitrag zur Kultur.
Verbleib: Wie lange bleibt der/die Mitarbeitende, verlaesst er/sie das Unternehmen freiwillig oder unfreiwillig.
Wachstum: Wie schnell entwickelt sich der/die Mitarbeitende, wird er/sie befoerdert, uebernimmt er/sie mehr Verantwortung.
Je spezifischer und messbarer Sie Erfolg definieren, desto besser wird Ihr Modell funktionieren. Vermeiden Sie vage Definitionen wie gute kulturelle Passung und uebersetzen Sie sie in beobachtbares Verhalten.
Schritt 2: Sammeln und strukturieren Sie Daten
Mit einer klaren Erfolgsdefinition beginnen Sie, Daten zu sammeln. Sie benoetigen zwei Arten von Daten:
Praediktor-Daten: Alle Informationen, die zum Zeitpunkt der Hiring-Entscheidung verfuegbar sind. Dies umfasst CV-Daten, Assessment-Scores, Interviewbewertungen und alle anderen Signale, die Sie zur Beurteilung von Kandidaten nutzen.
Ergebnis-Daten: Die Leistung eingestellter Kandidaten ueber die Zeit. Performance Reviews, Verbleib, Befoerderungen und die quantitativen Metriken, die Sie in Schritt 1 definiert haben.
Die Herausforderung ist, dass Sie fuer Ergebnis-Daten Geduld brauchen. Sie benoetigen mindestens 6 bis 12 Monate nach der Einstellung, um zu wissen, ob jemand erfolgreich ist. Und Sie brauchen mindestens 50 bis 100 vollstaendige Datenpunkte, Kandidaten, fuer die Sie sowohl Praediktor- als auch Ergebnis-Daten haben, um ein zuverlaessiges Modell aufzubauen.
Schritt 3: Bauen Sie das praediktive Modell
Mit ausreichend Daten koennen Sie ein Modell aufbauen, das die Beziehung zwischen Praediktoren und Ergebnissen abbildet. Dies kann von einfacher Regression bis hin zu fortgeschrittenem Machine Learning reichen:
Lineare Regression ist das einfachste Modell. Es berechnet Gewichte fuer jeden Praediktor und erzeugt einen Score, der die erwartete Leistung widerspiegelt. Vorteil: transparent und erklaerbar. Nachteil: erfasst keine komplexen Muster.
Logistische Regression sagt die Wahrscheinlichkeit von Erfolg oder Misserfolg als binaeres Ergebnis voraus. Nuetzlich, wenn Sie wissen moechten, ob jemand erfolgreich sein wird, ja oder nein, mit einer Wahrscheinlichkeitsangabe.
Random Forest und Gradient Boosting sind leistungsfaehigere Modelle, die komplexe Muster erkennen koennen, wie Interaktionen zwischen Variablen. Ein Kandidat mit hohen technischen Scores und durchschnittlichen Kommunikationsscores kann anders bewertet werden als ein Kandidat mit durchschnittlichen Scores in beiden Bereichen, je nach Team und Rolle.
Neuronale Netze sind die fortgeschrittenste Option und koennen subtile Muster erkennen, die andere Modelle uebersehen. Sie erfordern mehr Daten und sind weniger transparent, koennen aber besonders genau sein.
In der Praxis beginnt fast jeder mit Regressionsmodellen und wechselt zu komplexeren Modellen, wenn der Datensatz waechst.
Schritt 4: Validieren und implementieren
Ein Modell ist erst brauchbar, wenn es validiert ist:
Kreuzvalidierung testet das Modell an Daten, die nicht fuer das Training verwendet wurden. Wenn das Modell auch auf neuen Daten gut performt, ist es robust.
Bias-Audit ueberprueft, ob das Modell unbeabsichtigt diskriminiert. Lesen Sie mehr darueber in unserem Artikel ueber AI und Bias im Hiring.
A/B-Testing vergleicht die Ergebnisse von AI-gesteuertem Hiring mit traditionellem Hiring. Dies ist der ultimative Test: Liefert das Modell tatsaechlich bessere Einstellungen?
Nach der Validierung implementieren Sie das Modell in Ihren Hiring-Workflow. Kandidaten werden automatisch bewertet und eingestuft, und Recruiter nutzen die Scores als Input fuer ihre Entscheidungen.
Die Rolle von Assessments im Predictive Hiring
Assessments sind der Eckpfeiler des Predictive Hiring. Ohne standardisierte Messungen haben Sie keine zuverlaessigen Praediktor-Daten. Die effektivsten Assessments fuer Predictive Hiring sind:
Kognitive Faehigkeitstests messen die Faehigkeit zu lernen, Probleme zu loesen und komplexe Informationen zu verarbeiten. Sie sind einer der staerksten Praediktoren fuer Arbeitsleistung ueber praktisch alle Funktionen hinweg.
Persoenlichkeitsfrageboegen messen stabile Eigenschaften wie Gewissenhaftigkeit, Extraversion und Offenheit. Sie sagen Arbeitsverhalten und Teampassung voraus.
Situational Judgment Tests praesentieren realistische Arbeitsszenarien und messen, wie Kandidaten reagieren. Sie sind stark mit der Leistung in bestimmten Rollen verknuepft.
Arbeitsproben und technische Tests messen direkte Faehigkeiten, die fuer die Rolle benoetigt werden. Sie haben eine hohe Augenscheinvaliditaet und praediktiven Wert.
Der Schluessel ist nicht ein einzelnes Assessment, sondern eine Kombination, die mehrere relevante Dimensionen misst. Wie bereits erwaehnt, sind validierte, rollenspezifische Assessments essenziell fuer zuverlaessige Vorhersagen.
Ergebnisse in der Praxis
Unternehmen, die Predictive Hiring implementieren, berichten konsistente Verbesserungen:
|--------|------------------------|----------------------|--------------|
Diese Ergebnisse kommen nicht ueber Nacht. Es dauert typischerweise 6 bis 12 Monate, um ausreichend Daten zu sammeln und ein erstes Modell aufzubauen, und weitere 6 Monate, um es zu validieren und feinzutunen.
Haeufig gestellte Fragen
Haben wir genug Daten? Sie brauchen mindestens 50 vollstaendige Datenpunkte, um zu beginnen. Bei 100+ Einstellungen pro Jahr haben Sie nach 6 bis 12 Monaten genug Daten. Bei weniger Einstellungen dauert es laenger, aber Sie koennen mit breiteren Funktionskategorien beginnen.
Was wenn unser Modell Fehler macht? Jedes Modell macht Fehler. Das Ziel ist nicht Perfektion, sondern Verbesserung gegenueber der aktuellen Methode. Wenn Ihr Modell 75 Prozent der erfolgreichen Einstellungen korrekt vorhersagt gegenueber 55 Prozent mit der traditionellen Methode, ist das ein enormer Gewinn.
Ersetzt dies den Recruiter? Nein. Das Modell liefert Scores und Empfehlungen, aber der Recruiter trifft die endgueltige Entscheidung. Das Interview und die persoenliche Verbindung bleiben wichtig.
Kernaussagen
Bereit, mit Predictive Hiring zu starten? Vereinbaren Sie ein Gespraech und entdecken Sie, wie unser AI Hiring System Ihnen hilft, bessere Entscheidungen mit Daten zu treffen.