Psychometrie · 9 min Lesezeit

Predictive Hiring: Bessere Entscheidungen mit Daten

Schluss mit Bauchgefühl-Recruiting. Erfahren Sie, wie Sie Daten und prädiktive 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 Bauchgefühl

Die meisten Hiring-Entscheidungen werden immer noch auf Basis von Bauchgefühl 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 endgültige Entscheidung fällt 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 Bauchgefühl zu vertrauen, nutzen Sie Daten und Modelle, um vorherzusagen, welche Kandidaten am wahrscheinlichsten erfolgreich sein werden. In diesem Artikel erklären 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, können Sie neue Kandidaten auf dieselben Merkmale bewerten und eine fundierte Vorhersage über ihre Erfolgschancen treffen.

Die wissenschaftliche Grundlage

Predictive Hiring ist nicht neu. Die Arbeits- und Organisationspsychologie untersucht seit über 100 Jahren, welche Auswahlmethoden die besten Prädiktoren für Arbeitsleistung sind. Die Ergebnisse sind eindeutig:

AuswahlmethodePrädiktive Validität

|----------------|----------------------|

Unstrukturiertes Interview0,10 - 0,20 CV-Screening0,18 - 0,25 Referenzen0,20 - 0,26 Strukturiertes Interview0,35 - 0,45 Kognitiver Test0,40 - 0,55 Arbeitsprobe0,45 - 0,55 Strukturiertes Interview + Kognitiver Test0,55 - 0,65 AI-gesteuertes Multi-Methoden-Modell0,50 - 0,70

Die prädiktive Validität gibt an, wie stark die Auswahlmethode mit der tatsächlichen Arbeitsleistung korreliert, auf einer Skala von 0 bis 1. Je höher die Zahl, desto besser sagt die Methode voraus, wer erfolgreich sein wird.

Der Unterschied ist enorm. Ein unstrukturiertes Interview ist kaum besser als ein Münzwurf, während ein kombiniertes Modell mit Assessments und AI ein starker Prädiktor ist.

Die vier Schritte des Predictive Hiring

Schritt 1: Definieren Sie Erfolg

Sie können nicht vorhersagen, wenn Sie nicht wissen, was Sie vorherzusagen versuchen. Der erste Schritt ist die klare Definition von Erfolg für jede Rolle:

Quantitative Metriken: Umsatz pro Mitarbeitendem, gelöste Tickets pro Monat, Kunden-NPS, eingehaltene Projekttermine.

Qualitative Metriken: Bewertung durch die Führungskraft, Feedback von Teammitgliedern, Beitrag zur Kultur.

Verbleib: Wie lange bleibt der/die Mitarbeitende, verlässt er/sie das Unternehmen freiwillig oder unfreiwillig.

Wachstum: Wie schnell entwickelt sich der/die Mitarbeitende, wird er/sie befördert, übernimmt 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 übersetzen Sie sie in beobachtbares Verhalten.

Schritt 2: Sammeln und strukturieren Sie Daten

Mit einer klaren Erfolgsdefinition beginnen Sie, Daten zu sammeln. Sie benötigen zwei Arten von Daten:

Prädiktor-Daten: Alle Informationen, die zum Zeitpunkt der Hiring-Entscheidung verfügbar 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 über die Zeit. Performance Reviews, Verbleib, Beförderungen und die quantitativen Metriken, die Sie in Schritt 1 definiert haben.

Die Herausforderung ist, dass Sie für Ergebnis-Daten Geduld brauchen. Sie benötigen mindestens 6 bis 12 Monate nach der Einstellung, um zu wissen, ob jemand erfolgreich ist. Und Sie brauchen mindestens 50 bis 100 vollständige Datenpunkte, Kandidaten, für die Sie sowohl Prädiktor- als auch Ergebnis-Daten haben, um ein zuverlässiges Modell aufzubauen.

Schritt 3: Bauen Sie das prädiktive Modell

Mit ausreichend Daten können Sie ein Modell aufbauen, das die Beziehung zwischen Prädiktoren und Ergebnissen abbildet. Dies kann von einfacher Regression bis hin zu fortgeschrittenem Machine Learning reichen:

Lineare Regression ist das einfachste Modell. Es berechnet Gewichte für jeden Prädiktor und erzeugt einen Score, der die erwartete Leistung widerspiegelt. Vorteil: transparent und erklärbar. Nachteil: erfasst keine komplexen Muster.

Logistische Regression sagt die Wahrscheinlichkeit von Erfolg oder Misserfolg als binäres Ergebnis voraus. Nützlich, wenn Sie wissen möchten, ob jemand erfolgreich sein wird, ja oder nein, mit einer Wahrscheinlichkeitsangabe.

Random Forest und Gradient Boosting sind leistungsfähigere Modelle, die komplexe Muster erkennen können, 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 können subtile Muster erkennen, die andere Modelle übersehen. Sie erfordern mehr Daten und sind weniger transparent, können aber besonders genau sein.

In der Praxis beginnt fast jeder mit Regressionsmodellen und wechselt zu komplexeren Modellen, wenn der Datensatz wächst.

Schritt 4: Validieren und implementieren

Ein Modell ist erst brauchbar, wenn es validiert ist:

Kreuzvalidierung testet das Modell an Daten, die nicht für das Training verwendet wurden. Wenn das Modell auch auf neuen Daten gut performt, ist es robust.

Bias-Audit überprüft, ob das Modell unbeabsichtigt diskriminiert. Lesen Sie mehr darüber in unserem Artikel über 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 tatsächlich 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 für ihre Entscheidungen.

Die Rolle von Assessments im Predictive Hiring

Assessments sind der Eckpfeiler des Predictive Hiring. Ohne standardisierte Messungen haben Sie keine zuverlässigen Prädiktor-Daten. Die effektivsten Assessments für Predictive Hiring sind:

Kognitive Fähigkeitstests messen die Fähigkeit zu lernen, Probleme zu lösen und komplexe Informationen zu verarbeiten. Sie sind einer der stärksten Prädiktoren für Arbeitsleistung über praktisch alle Funktionen hinweg.

Persönlichkeitsfragebögen messen stabile Eigenschaften wie Gewissenhaftigkeit, Extraversion und Offenheit. Sie sagen Arbeitsverhalten und Teampassung voraus.

Situational Judgment Tests präsentieren realistische Arbeitsszenarien und messen, wie Kandidaten reagieren. Sie sind stark mit der Leistung in bestimmten Rollen verknüpft.

Arbeitsproben und technische Tests messen direkte Fähigkeiten, die für die Rolle benötigt werden. Sie haben eine hohe Augenscheinvalidität und prädiktiven Wert.

Der Schlüssel ist nicht ein einzelnes Assessment, sondern eine Kombination, die mehrere relevante Dimensionen misst. Wie bereits erwähnt, sind validierte, rollenspezifische Assessments essenziell für zuverlässige Vorhersagen.

Ergebnisse in der Praxis

Unternehmen, die Predictive Hiring implementieren, berichten konsistente Verbesserungen:

MetrikOhne Predictive HiringMit Predictive HiringVerbesserung

|--------|------------------------|----------------------|--------------|

Quality of Hire (nach 12 Monaten)55-65% erfolgreich75-85% erfolgreich25-35% besser Time-to-Hire35-50 Tage20-30 Tage30-45% schneller Recruiter-ProduktivitätBaseline150-200%50-100% höher Verbleib im ersten Jahr70-75%85-92%15-20% höher Cost-per-Hire5.000-8.000 Euro2.500-4.500 Euro40-50% niedriger

Diese Ergebnisse kommen nicht über 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.

Häufig gestellte Fragen

Haben wir genug Daten? Sie brauchen mindestens 50 vollständige Datenpunkte, um zu beginnen. Bei 100+ Einstellungen pro Jahr haben Sie nach 6 bis 12 Monaten genug Daten. Bei weniger Einstellungen dauert es länger, aber Sie können mit breiteren Funktionskategorien beginnen.

Was wenn unser Modell Fehler macht? Jedes Modell macht Fehler. Das Ziel ist nicht Perfektion, sondern Verbesserung gegenüber der aktuellen Methode. Wenn Ihr Modell 75 Prozent der erfolgreichen Einstellungen korrekt vorhersagt gegenüber 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 endgültige Entscheidung. Das Interview und die persönliche Verbindung bleiben wichtig.

Kernaussagen

  • Die meisten Hiring-Entscheidungen werden auf Bauchgefühl getroffen, was zu einer Bad-Hire-Rate von 25 bis 46 Prozent führt
  • Predictive Hiring nutzt Daten und Modelle, um vorherzusagen, welche Kandidaten erfolgreich sein werden
  • Die vier Schritte sind: Erfolg definieren, Daten sammeln, ein Modell aufbauen und validieren
  • Assessments sind der Eckpfeiler: Ohne standardisierte Messungen keine zuverlässigen Vorhersagen
  • Unternehmen, die Predictive Hiring implementieren, sehen 25 bis 35 Prozent bessere Quality of Hire und 40 bis 50 Prozent niedrigere Cost-per-Hire
  • Beginnen Sie mit der Definition von Erfolg und dem Sammeln von Daten, selbst wenn Sie das Modell erst später aufbauen
  • Bereit, mit Predictive Hiring zu starten? Vereinbaren Sie ein Gespräch und entdecken Sie, wie unser AI Hiring System Ihnen hilft, bessere Entscheidungen mit Daten zu treffen.


    Erstgespräch vereinbaren · Unser AI Hiring System ansehen