Eine Analyse des Einsatzpotenzials von Data Mining zur Entscheidungsunterstützung im Personalmanagement

Franca Piazza Data Mining im Personalmanagement

GABLER RESEARCH

Franca Piazza

Data Mining im Personalmanagement Eine Analyse des Einsatzpotenzials zur Entscheidungsunterstützung Mit einem Geleitwart van Prot. Dr. Stefan Strahmeier

•

GABLER

RESEARCH

Bibliografische Inform atio n de r Deutschen Nationalbibliothe k Die Deutsche Nationalbibliothe k veneennet oese Publikatio n in der Deutschen Nationalbibliografie; detaillierte bibliografische Date n sind im Internet über abrufbar.

Dissertat ion Unversnät des Saarlandes, 2009

1. Auflage 2010 Alle Rechte vorbehalten © Gabier Verlag I Springer Fachmedien Wiesbaden GmbH 20 10 Lektorat: ute Wrasm ann I Anita Wilke Gabi er Verlag rst ene Ma rke von Springer gachmedie n, Sprin ger Fachmedien ist Teil der Fachverlagsgruppe Sprin ger Scrence-austness Media. www.gabler.de Das Werk ensct ûenucn aller seiner Teûe ist umeberrecntucn qescbützt. Jede Verwertung auBerhalb der engen Grenzen des Urtl eberrec htsgesetzes ist ohne Zustimmung des Verlags unzulässig und strafbar. Das gilt insbesondere für Vervielfältig ungen , Übersetzungen, M ikroverfil mungen und die Einspeicherun g und Verarbeitung in elekt ronischen Syste men . Die Wiedergabe von Gebrauch snamen , Handelsnamen, Warenbezeichnungen usw. in diesem Werk berechti gt auch ohne besondere Kennzeichnung nich t zu de r Annahme, dass serene Namen im Sinne der Warenzeichen - und Mar kenschutz-Gese tzgebung als frei zu betrachten wären und daher von jed ermann benutzt werden dürften. U mschlagg estaltung: KünkelLopka Medienentwicklung . Heide lberg Gedr uc kt auf säuretreiem und chlo rtrei gebleichtem Papier Printed in Germany ISBN 978-3-83 49-2220-5

Geleitwort Die besondere Bedeutung adäqu ater lnform ation für unternehm erische Entscheidungen hat inzwischen als Allgemeinplatz zu gelten , der auf Schritt und Tritt betont wird. Diese besondere Bedeutung adäquater lnfonnation gilt auch für das betriebl iche Personalrnanagement, wo elektronische " Personalinformationssysteme" seit über drei Dekaden zur systematischen lnformationsversorgung eingesetzt werden . Konzeptionell werden hierzu üblicherweise versch iedene Varianten der Datenabfrage verwcndct, die von einfachen Standardabfragen bis hin zu komplexen Mehrd imension en- und Mehrebenen-Abfragen ("Online Ana lytical Processing") reichen können. lnzwischen werden unter dem Oberb egriff des " Data Mining " (auch .Datenrnustererkennung" oder .Wissensenrdeckuug in Datenbank en") seit über eincr Dekade über reine Abfrag cn deutlich hinausgehende Analysemögl ichke iten diskuticrt, die in der Lage sein sollen, neue, valide und potenz iell nützliche lnfonnationen für betriebliche Entsche idungsträger bereitzustellen . Solche Verfahren gehör en etwa im Mark eting zum .Standardanalyseinventar'' . und verschi edentlich wird gefordert, diese Verfahren auch zur lnfonnationsversorgung des betrieblichen Personalmanagements einzusetzen . Allerdings belassen es bisher ige Beiträge meist bei der bloBen Forderung oder verweisen prototypisch auf oft sehr spezifisch e Detailanwcndungen. Eine allgemeine und umfàss ende Ana lyse der M öglichkeiten, aber spez iell auch der (tech nischen , rechtlichen, ...) Grenzen einer person alwirtschaftlichen Datenmu stererkennung fehlt dagegen derzeit. Diese Lücke schlieBt Franca Piazza mil ihrem Werk zum Data Mining im Personalmanagement , in dem sie analysiert •

welche Arten personalwirtschaftlicher Entsche idungen mittels Data Mining unterstüt zt werden können,

•

worin der Beitrag des Data Mining zur personalwirtschafilichen Entsche idungsunterstützung grundsätzlich besteht und

•

wie der Beitrag des Data Mining zur Entsche idungsunterstützung aus person alwirtschaftlicher Perspektive zu bewerten ist.

Die besond ere wissensch aftliche Leistung der vorliegenden Arbeit liegt damit darin, dass sie aggregierte und generelle Aussagen zum Potenzial des Data Mining im Personalmanagement liefert. Sie ist dam it in der Lage, die bisher ige Forschun gsprax is, die nur exemplarische , teils sehr spezifisch e Einzelfälle Data-Mining-basierter Entscheidungsunterstützung im Personal mana gement untersucht , zu überw inden . Zu Recht kann die Schrift daher als " Grundlagen-

V

arbeit" verstanden werden, die als Basis künfliger Forschungsanstrengungen eine erstmalige und systematische Analyse der Fragestellung liefert. Ich wünsche der Arbeit, dass ihr genau diese Funktion zukommt.

Prof: Or. Stefan Strohmeier

VI

Vorwort Die vorliegende Dissertation entstand während meiner Tätigkei t als wissenschaftliche Mitarbeiterin am Lehrstuhl für Management Informationssysteme der Universität des Saarlandes. Mein Dank gilt all denjen igen, die zum Gelin gen der Arbeit beigetragen haben . An erster Stelle danke ich mcinem akadem ischen Lehrer Hcrm Univ.-Prof. Dr. Stefan Strohmeier für die intensive Betreuung und Unterstützung me ines Promotionsvorh abens. Die konstruktive n und e ffenen Diskussionen trugen wcsentlich zum Geling en der Arbeit bei. Einen herzlichen Dank m öchte ich auch an Herm Univ.-Prof. Dr. Christian Scholz für seine Tätigke it als Zwe itgutachter aussprechen. Weiterh in dank e ich meinen Kollegen am Lehrstuhl für die zahlreichen Ratschläge und interessanten und anregenden Diskussionen im Rahmen des Doktorandenseminars. Ganz besonders danke ich Frau Dipl-Kffr. Anke Diederichs en . Sie hat mich nicht nur als Kollegin fachlich unterst ützt, sondem mir auch als Freundin mot ivierend zur Seite gestand en. Mein gröûter Dank gilt meiner Familie . Ihr widme ich diese Arbe it.

Franca Piazza

VII

Inhaltsverzeichnis Geleitwort Verwort

v VII

Inhaltsverzeichnis

IX

A b kü rzun gsverzeichnis

XI 11

A b bild ungsverzeichnis

XV

1.

Ein leit ung

1

l.I .

Mo tivatio n und Zielsetzung

1

\ .2.

Vorge hensweise

5

2.

Entscheidungstheoretische Fundie rung .....•....................................................................... 9

2.1.

Vorbeme r kungen zur Wahl der Th eor ie

2.2.

G rundrichtungen der Entscheid ungstheori e

\0

2.3.

Der Entscheid ungspr ozess

\4

2.4.

Das Entsc heidu ngsmodell

\6

2.5.

Entscheid ungs problemty pen

2.5. \.

9

23

Der Strukturierungsgrad als Ditferenzierungsmerkmal

23

2.5.2.

Wahrnehmungsdefekte Entscheidungsprobleme

25

2.5.3.

Abgrenzungsdefekte Entscheidungsprobleme

26

2.5.4.

Wirkungsdefekte Entscheidungsprobleme

26

2.5.5.

Bewertungsdefekte Entscheidungsprobleme

27

2.5.6.

Zielsetzungsdefekte Entscheidungsprobleme

28

2.5.7.

Lösungsdefekte Entscheidungsprobleme

28

2.5.8.

Zusammenfassung

29

3. 3.1.

Entsc heid ungs unte rstü tz ung mit Data Mining Data Min ing

31 3\

IX

3.1.1.

Grundlagen des Data Mining Definition

31

3.1.1.2.

Die Datenbasis

34

3.1.1.3.

Der Data Mining Prozess

3.1.2. Herleitung einer Kategorisierung von Data Mining Methoden 3.1.2.1. Bestehende Systematisierungsansätze 3.1.2.2.

Aufgaben des Data Mining

42

Klassifikation

42

3.1.2.2.2. 3.1.2.2.3.

Segmentierung Bewertung

45 47

3.1.2.2.4.

Assoziationsfindung

48

3.1.2.2.5.

Abweichungsentdeckung

Prognos e 3.1.2.2.7. Zusammenfassung 3.1.2.3. Verfahren des Data Mining 3.1.2.3.1. Entscheidungsbaumverfahren 3.1.2.3.2. Neuronale Netze 3.1.2.3.3. Clusteranalyseverfahren 3.1.2.3.4. Assoziationsanalyse 3.2.

36 38 38

3.1.2.2.1.

3.1.2.2.6.

Synthese und Ableitung eines Analyseschemas

3.3. Analyse des Entscheidungsunterst ützungspotenzials 3.3.1. Data Mining in wahrnehmungsdefekten Entscheidungsproblemen

50 52 53 53 56 60 65 69 71 75 76

3.3.1.1.

Methoden zur Klassifikation

76

3.3.1.2.

Methoden zur Bewertung

78

3.3.1.3.

Methoden zur Segmentierung

79

3.3.1.4.

Methoden zur Assoziationsfindung

80

3.3.1.5. Fazit 3.3.2. Data Mining in abgr enzungsdefekten Entscheidungsproblemen

81 83

3.3.2.1.

Methoden zur Klassifikation

84

3.3.2.2. 3.3.2.3.

Methoden zur Bewertung Methoden zur Segmentierung

85 87

3.3.2.4.

Methoden zur Assoziationsfindung

88

3.3.2.5.

Fazit

89

3.3.3. Data Mining in wirkungsdefekten Entscheidungsproblemen 3.3.3.1. Methoden zur Klassifikation

92 93

3.3.3.2.

Methoden zur Bewertung

94

3.3.3.3.

Methoden zur Segmentierung

95

3.3.3.4.

Methoden zur Assoziationsfindung

96

3.3.3.5.

Fazit

97

3.3.4.

x

31

3.1.1.1.

Data Mining in bewertungsdefekten Entscheidungsproblemen

100

3.3.4.1.

Methoden zur Klassifikation

100

3.3.4.2.

Methoden zur Bewertung

101

3.3.4.3.

Methoden zur Segmentierung

102

3.3.4.4.

Methoden zur Assoziationsfindung

102

3.3.4.5.

Fazit

3.3.5.

Methoden zur Klassifikation

105

3.3.5.2.

Methoden zur Bewertung

107

3.3.5.3.

Methoden zur Segmentierung

108

3.3.5.4.

Methoden zur Assoziationsfindung

108

3.3.5.5.

Fazit

109

Ergebnisse zur Entscheid ungsunterstü tw ng mit Data Minin g

111

Entscheidungen im Personalmanagement

117

Aufgaben und Ziele des Personalmanagem ents

117

4.1.

Arten von Entscheid ungspro blemen im Personalmanagement 4.2. 4.2.1. Wahmehmungsdefekte Entscheidungsprobleme im Personalmanagement...

5.

103 105

3.3.5.1.

3.4.

4.

Data Mining in zielsetzungsdefekten Entscheidungsproblemen

121 122

4.2.2.

Abgrenzungsdefekte Entscheidungsprobleme im Personalmanagement

123

4.2.3. 4.2.4.

Wirkungsdefekte Entscheidungsprobleme im Personalmanagement. Bewertungsdefekte Entscheidungsprobleme im Personalmanagement

124 125

4.2.5.

Zielsetzungsdefekte Entscheidungsprobleme im Personalmanagement..

125

Data Mining im Personalmanagement

5.1. Prüfung der Anwend ungsvora ussetzungen 5.1.1. Die informatorische Datenbasis des Personalmanagements

127 127 127

5.1.1.1.

Personalinformationssysteme

127

5.1.1.2.

Standardisierungsbestrebungen

131

5.1.2.

Rechtliche Bestimmungen

134

5.1.2.1.

Datenschutz

136

5.1.2.2.

Gleichbehandlung

147

5.1.2.3. 5.1.2.4.

Mitbestimmung Zusammenfassung

148 149

5.1.3.

Implikationen für den Einsatz von Data Mining im Personalmanagement

5.2. Konzeption eines Vorgehensmodells 5.2. 1. Anforderungen an das Vorgehensmodeli 5.2.2.

Ausgestaltung des Vorgehensmodelis

5.3. Beschreibung und Diskussion prototypischer Anwendungsszenarien 5.3.1. Auswahl relevanter Anwendungsszenarien 5.3.2. Anwendungsszenario I: Personalstrukturmanagement 5.3.2.1. Beschreibung des Anwendungsszenarios

150 153 153 154 161 161 164 164

XI

5.3.2.2. 5.3.3.

167 168

5.3.3.1.

Beschreibung des Anwendungsszenarios

168

5.3.3.2.

Personalwirtschaftliche Analyse des Anwendungsszenarios

170

5.3.4.

Anwendungsszenario lil : Personalvorauswahl

5.3.4.1.

Beschreibung des Anwendungsszenarios

5.3.4.2.

Personalwirtschaftliche Analyse des Anwendungsszenarios

5.3.5.

Anwendungsszenario IV: Nachfolgeplanung

5.3.5.1. 5.3.5.2. 5.3.6.

Beschreibung des Anwendungsszenarios Personalwirtschaftliche Analyse des Anwendungsszenarios

Anwendungsszenario V: Gestaltung von Karrieremodellen

172 172 176 181 181 183 187

5.3.6.1.

Beschreibung des Anwendungsszenarios

187

5.3.6.2.

Personalwirtschaftliche Analyse des Anwendungsszenarios

190

5.3.7.

6.

Personalwirtschaftliche Analyse des Anwendungsszenarios

Anwendungsszenario 11: Fluktuationsanalyse

Anwendungsszenario VI: Vergütungsgestaltung

193

5.3.7.1.

Beschreibung des Anwendungsszenarios

193

5.3.7.2.

Personalwirtschaftliche Analyse des Anwendungsszenarios

196

Fazit

199

Literaturverzeichnis

207

Gesetzestexte

227

XII

Abkürzungsverzeichnis Abs.

Absatz

AGG

Allgemeines Gleichbehandlungsgesetz

BDSG

Bundesdat enschutzgcsetz

BetrVG

Betriebsverfassungsgesetz

CAR T

Classification and Regression Trees

CHAID

Chi-square Automatic Interaction Detecto rs

CRM

Customer Relationship Management

DM

Data Mining

DMS

Data Mining System

EP

Entscheidungsproblem

ERP

Enterprise Resource Plann ing

GRNN

Gener al Regression Neural Network

HR

Human Resource s

HRIS

Human Resource Inform ation System

ID

Identifikationsnummer

LDGS

Landesdat enschutzgesetz

LVQ

Lernende Vektorquantisierung

MLP

Multil ayer Perceptron

PIS

Personal inform ationssysteme

PMG

Personalm anagement

PNN

Probabil istische Neuronale Netze

RBF-Netze

Radiale Basisfunkt ionen Netze

TKG

Telekommunikationsgesetz

TMG

Telemediengesetz

TRM

Talent Rclat ionship Manag ement

XML

Extensible Markup Language

XIII

Abbildun gsverzeichnis Abbildung I: Übe rblick Vorgchenswcise Abb ildung 2: Entsche idungsprozess

6 15

Abbi ldung 3: Ergebn ismatrix

19

Abbildung 4: Komponent en eines Entscheidungsmodells und seine Verknüpfungen

22

Abb ildung 5: Entsche idungsprobl emtypen

24

Abbi ldung 6: Zusammenhänge der Entscheidungsprobleme

30

Abbildung 7: Datcnbasis des Data Mining

35

Abbildung 8: Der Data Mining Prozess

36

Abbi ldung 9: Systematisierung von Data Mining anhand der Aufgabe

40

Abbi ldung 10: Klassifikat ionstabelle

44

Abbildung 11: Kategorisierung der Einzelmethoden nach A utgaben und Ver fahren

55

Abbildung 12: Beispiel Entscheidungsbaum

57

Abbi ldung 13: Entsche idun gsbaum verfahren

58

Abbildung 14: Dimensionen eines Neuronalen Netzes

62

Abbildung 15: Beispie1e für Netztopologie n

63

Abbi ldung 16: Aufb au eines Neurons

64

Abbildung 17: Vorgehensweise hierarchi scher Clusteranalyseve rfahren

67

Abbi ldung 18: Clusterbildung

68

Abbi ldung 19: Dimensionen des Data Mining

71

Abbildung 20: Merkma le der Data Mining Method enk atego rien

74

Abbildung 21: Entscheidungsproblemtypen und Data Mining

75

Abbi ldung 22: Eignu ng des Data Mining zur Heilung des Wah mehmungsdefektes

82

Abbi ldung 23: Vorgehen smodell in wahmehmungsdefekten Entsche idungspr oblemen

83

Abbildung 24: Data Mining zur Identifikation von Handlungsaltemativen

89

Abbildung 25: Eignung des Data Mining zur Heilung des Abgrenzungsde fektes

91

Abb ildung 26: Vorgehen smo dell in abgrenzungsdefek ten Entscheidungspro blemen

92

Abbildung 27: Eignung des Data Mining zur Heilung des Wirkung sde fekt es

98

Abbi ldung 28: Vorgehen smodell in wirkun gsdefekte n Entsche idungsproble men

99

Abbildung 29: Eignung des Data Mining zur Heilung des Bewc rtungsde fektes

103

Abbi ldung 30: Vorgehen smodell in bewertungsdefekten Entsche idungsprob lemen

104

Abbi ldung 3 1: Eignun g des Data Mining zur Heilung des Ziel setzungsdefektes

109

Abbildung 32: Vorg ehensmodell in zielsetzungsde fekten Entscheidungsprobleme n

11 0

Abbildung 33: Eignung der Data Mining Method en zur Heilun g der Str ukturd efekte

111

Abbi ldung 34: Einsatz szenario

113

xv

Abbildung 35: Einsatzszenarien des Data Mining zur Entscheidungsunterstützung Abbildung 36: I-Iauptbereiche des Personalmanagements Abbildung 37: Entscheidungsprobleme im Personalmanagement Abbildung 38: Zwischenfazit Abbildung 39: Dimensionen eines personalwirtschaftlichen Anwendungsszenarios Abbildung 40: Vorgehensmodell Data Mining im Personalmanagement Abbildung 41: Konsolidierung der Daten Abbildung 42: Aggregationsproblem Abbildung 43: Prototypische Anwendungsszenarien Abbildung 44: Anwendungsszenario I: Personalstruktunnanagement... Abbildung 45: Mögliche Dimensionen des Personalstrukturmanagements Abbildung 46: Anwendungsszenario 11: F1uktuationsanalyse Abbildung 47: Anwendungsszenario lil: Personalvorauswahl Abbildung 48: Entscheidungsproblem Bewerbervorauswahl Abbildung 49: Eignungskriterien des Anwendungsszenarios 111: Personalvorauswahl Abbildung 50: Lift-Chart Personalvorauswahlentscheidung (Falll) Abbildung 51: Lift-Chart Personalvorauswahlentscheidung (FallII) Abbildung 52: Anwendungsszenario IV: Nachfolgeplanung Abbildung 53: Ergebnis des Anwendungsszenarios IV: Nachfolgeplanung Abbildung 54: Anwendungsszenario V: Gestaltung von Karrieremodellen Abbildung 55: Karrieremodell Abbildung 56: Beispiel I zur Datenbasis des Anwendungsszenarios V: Gestaltung von Karrieremodellen Abbildung 57: Beispiel Il zur Datenbasis des Anwendungsszenarios V: Gestaltung von Karrieremodellen Abbildung 58: Anwendungsszenario VI: Vergütungsgestaltung Abbildung 59: Entscheidungsproblem Vergütungsgestaltung Abbildung 60: Erwartbare Ergebnisse des Data Mining im Personalmanagement

XVI

114 119 121 151 152 154 157 159 164 165 166 168 173 173 175 179 180 181 185 187 188 191 191 193 195 202

l. Einleitung l.I . Motivation und Zielsetzung Der Einsatz von Infonnationstechnologie (l 'I') im Personalmanagem ent ist mittlerw eile weit verbreitet. Person alinfonnationssysteme unterstützen vielfältige Aufgaben des Personalman agement s wie beispielswei se die Bewerberauswahl, die Personalabrechnu ng, die Mitarbeiterbeurte ilung, das A rbeitsze itma nage ment etc. (vgl. hierzu auch Kapitel 5.1.1.1 ).1 Diese zunehmende IT- Unterstützung und die damit einhe rgehe nde Automatisie rung operativer Prozesse tühren zu einem Anstieg des Datenbestands im Personalm anag ement. Diese Daten zu nutzen und Entscheidungsträgem relevan te Infonn ationen zur Entscheidungsunterstützung zu liefern, stellt eine ze ntrale Aufgabe des Einsatzes von lnformationssysternen dar.' Traditionellerweise werd en diese Infonnationen im Personalm anagement sowie auch in anderen Bereichen der Unternehmen durch Abfr agen (Qu eries) zur Verfiigung gestellt.' Mittlerweile sind darübe r hinaus mit Data Mining Method en innova tive Datenan alysem ethoden ve rfügba r, die explizit auf die Analyse gro Ber Datenbe stände ausgerichtet sind und versprech en, automatisch inter essante Mu ster zu entdecken und dam it den Entsche idungsträge rn neue, valide und potenziell nützliche Informationen zu liefern, die übe r die lnform ationsversor gung trad itioneller Ab tragen hinausgehen." Entsprechend wird in der Literatur die Anwendung von Data Mining im Person almanagement propagiert, urn aus den Datenbe ständen des Person almanagement s wertv olle Infonn ationen zu extrahiere n.' Eine fundierte und differenzierte Analyse des Entsche idungsunterstützungspotenzials von Data Mining Method en im Person alm anag ement steht jedoch aus. Vielmehr wird aus dem Versprech en, dass Data Mining selbstständig neue Infonnatione n aus gro ûen Datenbe ständen entdeckt, auf ein Einsatzpotenzial von Data Mining im Personalmanagement geschlosse n und dieses anhand von Beispielen illustriert." Dabei ist die Verrnutun g, dass Data Mining aueh über Potenzial zur Infonn ation sverso rgun g und Entscheidungsunterstützung im Person alm anagement verfiigen könnte, zun ächst durchaus plausibel. Data Mining Meth oden sind nicht für einen spezifis chen Anwendungskontext prädestiniert, sondern ennöglichen unabhä ngig vom Dateninhalt generelI die exp lorative Analyse gro Ber Datenbestände. Auch wird Data Mining in verschiede nen anderen Bereichen bereits erfolgreich angewandt und gehört dort mittlerweile zum Standardinstrumentarium der Daten analyse. So liegen im Customer Relation-

I

, 3 4

6

Einen umfassenden Überblick ober Infomationssysteme im Personalmanagement bietet Strohmeier 2008. Vgl. Zuboff 1985. Vgl. Strohmeier / Piazza 2008 oder auc h Ranja n / Goya l / Ahson 2007. Vgl. Fayyad / Piatetsky -Shapiro / Smyth 1996b. Vgl. Long / Troutt 2003, Rmljan / Goyal /Ahson 2007, Patterso n / Lindsey 2003, Pemmaraju 2007. Vgl. Long / Troutt 2003, Ranjan / Goya l / Ahson 2007, Patterson / Lindsey 2003, Pemmaraj u 2007.

ship Man agem ent (CRM) mittlerw eile standardisierte Anwendungssze narien vor, in denen im Rahmen des Directmailings zur Opt imierung vo n Respon seraten und im Kreditscoring zur Bewertung von Kred itvergaber isiken Data Minin g eingesetzt wird .' Der erfolgreiche Einsatz von Data Mining in diesen Bereichen gibt Anlass zu der Annahme, dass sich auch im Person almanag ement Einsatzpotenziale für Data Mining ergeben können. Erste Anwendungen von Data Mining zeigen viel versprech ende Ergebnisse und Iiefem erste Erke nntnisse zu spezi fischen Einsatzmöglichkeiten von einzelnen Data Mining Method en im Personalman agemen t. Typ ische standardisierte personalwirtschaftliche Anwendungsszenarien haben sic h jedoch noch nicht herausgebildet. Die einzelnen Anwe ndungen fallen hinsichtlich ihrer personal wirtschaftl ichen Zielse tzung und der verwendeten Data Minin g Method en sehr hetero gen aus. So werden neben Entsche idungsbaumverfahren" auch Neuronale Netze" oder Clusteranalyseverfahren" eingesetzt. Auch das personalwirtschaftliche Erkenntnisziel ist dabei unterschi edlich und reicht von der konkreten Unterstülzung der Personalau swahl entscheidung " über die explorative Analyse des K ündigungsverh altens " , der Leistungserbringung " oder des l.cmvcrhalten s" bis zur Prognose der Akzeptanz von Abfindungszahlungen " . Hinsichtlich des Erke nntnisziels lassen sich grunds ätzlich zwei unterschi edlich e Anwendungsarten von Data Mining im Personalmanagem ent unterscheiden. Zum eine n werd en mit Data Mining Method en Daten explorativ ohne direkten person alwirtschaftlichen Entsche idungs- und Handlungsbezug eingesetzt ." I-lierbei werden ohne Rück griff auf eine wissenschaftliche The orie empirisch explorativ personalwirtschaftlich e Daten, die sowohl aus Befragung en " als auch aus unternehm ensspezi fischen Inform ationssystem en " stammen, mittels Data Mining analysiert. Zie l ist hierbe i in erster Linie die Gewinnung m öglichst allgemein gültiger Erkenntnisse bez. der Zusammenhäng e eines personalwirt schaftl ichen Phänomens wie beispielsweise das Kündigungsverhalten von Mitarbeitern, welches durch die Verw endung von Data Mining umfass end durchdrungen werden solI. Zum anderen, und dies ist der weitaus häufi gere Fall, werden Data

7

JO

II

12 13 14 15 16

17 18

2

Vgl. z. B. Kim / Sohn 2006, Chye / Chin / "eng 2004, Ittner / Sieber / Trautzsch 200 1, Hippner / Rupp 200 1, Berry / LinofT2004, Baetge / UthofT 1998, Ca1deron / Chc / Kim 2003. Vgl. z. B. Chien / Chen 2008, Cho / Ngai 2003, Lee / Drasgow 200 1, Min / Emam 2003, Tung et al. 2005. Vgl. z. B. Huang et al. 200 1, Huang /Tsou / Lee 2006, Lackes / Mac k 1998, Somers 1999, T ung et al. 2005. Vgl. z. B. Scholz 1981, Mumford 2000, Lee / Chen / Lin 2006, Romero / Ventura / Garcia 2008. Vgl. Z. B. Cho / Ngai 2003. Tun g et al. 2005. Vgl. Z. B. Sexto n et al. 2005, Somers 1999, Min / Emam 2003 , Lee / Drasgow 200 1. Vgl. Lee / Che n / Lin 2006. Vgl. hierzu die Beitrage in Romero / Ventura 2006. Vgl.Ramesh /B ui200 1. Vgl. Chien / Chen 2008, Lee / Drasgow 200 1, Min / Emam 2003 , Mumford 2000, Sexton et al. 2005 , Somers 1999, Tung et al. 2005, Gaudioso / Ta lavera 2006, Huang et al. 200 1, Huang et al. 2004, Lackes / Mack 1998, Di Meglio / Grass ia / Misuraca 2006. Vgl. Z. B. M in /E mam2003 oderSomers 1999. Vgl. Z. B. Lee / Drasgow 200 1 oder Sexton et al. 2005.

Mining Methoden für spezifische personalwirtschaftliche Aufgabenstellungen entwiekelt oder es werden verfügbare Standardmethoden angepasst und in einem Prototypen implementiert." Damit dient Data Mining der Entscheidungsunterstützung in einer eng abgegrenzten personalwirtschaftlichen Entscheidungssituation. Ziel hierbei ist die konkrete systemtechnische und methodische Unterstützung spezifischer personalwirtschaftlicher Funktionen in einem Unternehmen. Hierzu werden zum einen bestehende Data Mining Methoden in einem neu entwiekelten System irnplementiert" oder aber es erfolgt die Anpassung oder Neuentwieklung von Data Mining Methoden und deren Implementierung in einem Prototypen" . So werden bekannte Standardmethoden des Data Mining abgeändert und speziell auf datentechnische Gegebenheiten der zu unterstützenden Personalfunktion angepasst" oder auch neue Data Mining Methoden entwiekelt" und unter Verwendung eines individuelI entwiekelten Systems auf Personaldaten angewendet" , Merkmal der Verwendung von Data Mining als Funktionalität eines Softwareprototypen ist die Fokussierung auf eine spezifische Personalfunktion, wobei hier Anwendungen in den Bereichen Personalbescha ffung", Personalvergütung" , Personalentwicklung" und Personalbeurteilung" zu finden sind. Das Potenzial zur Entscheidungsunterstützung gestaltet sieh sehr heterogen und zielt auf verschiedene Aspekte ab. So unterstützt beispielsweise ein speziell für die Versicherungsindustrie entwiekelter Prototyp die Auswahl von Versicherungsvertretern, indem die Eignung neuer Bewerber prognostiziert und entsprechend als Kriterium zur Personalauswahl herangezogen werden kann." Ein weiterer Prototyp unterstützt die Personalfreisetzung, indem eine neu entwickelte Data Mining Methode Informationen zur Akzeptanz der Mitarbeiter hinsichtlieh Abfindungszahlungen liefert und somit für das Personalmanagement wichtige Erkenntnisse zur Bereithaltung von Budgets oder sonstigen SozialIeistungen im Rahmen der Freisetzung von Mitarbeitem bereitstellt." Die Implementierung und Anwendung einer angepassten Clusteranalysemethode. die durch fuzzifizierte Konzepte auch

19

20 21

22

2] 24 25 26

27 28 29 30

Vgl. Malinowski 2006 , Malinowski / Keim 2006, Adriaans / Zantinge 1996, S. 1 02ft~ , Cho / Ngai 2003 , Ta i / Hsu 2006, Hou et al. 2007 , Huang et al. 200 1, Huang et al. 2004, Lee / Chen / Lin 2006, Li / Roesier / Meszlery 2004, Ramesh / Bui 200 1, Kro1l200 1. Vgl. Cho / Ngai 2003, Huang et al. 2001, Huang et al. 2004. Vgl. Hou et al. 2007, Ramesh / Bui 2001, Tai / Hsu 2006. Diese Abänderung umfassen beispielsweise die Modellierung unschar fer Konzepte nach der Fuzzy-Set-Theorie und deren Integration in die Data Mining Methoden (vgl. hierzu Hou et al. 2007, Lee / Chen / Lin 2006, Ta i / Hsu 2006) oder auch die Erweiterung um Filtermöglichke iten (vgl. Tai / Hsu 2006). Vgl. Ramesh / Bui 200 1. Vgl. Cho / Ngai 2003 oder Huang et al. 2004. Vgl. Ma linowsk i 2006, Cho / Ngai 2003, Ta i / Hsu 2006, Huang et al. 200 1, Huang et al. 2004 , Lee / Chen / Lin 2006, Li / Roesler / Meszlery 2004. Vgl. Ramesh / Bui 200 1. Vgl. Adriaans / Zantinge 1996, S. 102ff Vgl. Hou et al. 2007. Vgl. Cho / Ngai 2003. Vgl. Ramesh / Bui 200 1.

3

unscharfe Leistungsb eurt eilungen wie .sehr gut" oder "gut" verarbeiten kann, dient zur

Evaluierung der Leistun g der Mitarbeiter und Ennittlun g von Lcistun gsclu stem." Wird Data Mining in der dargestellten Weise als Funkt ionalität eine s anwendungsspez ifischen Softwareprotot ypen ve rwendet, so dienen die Infonnationen der Entscheidungsunterstützung in einer spez ifischen Anwendungssituation . Die prototypische Anwendung von Data Min ing versp richt dabei insbesonde re ein e effizientere Abw icklun g der operativen Prozesse." Die dargestellten Anwendungen von Data Mining im Person almanag ement dokum entieren damit den erfolgreichen Einsatz von einze lnen Data Min ing Meth oden bzw . Prototypen in spezifi schen Entscheidungssituationen . Somit kann daraus lediglich abgeleitet werden , dass sich die spez ifische Data Mining Method e bzw . der systemtechn isch umgesetzte Prototyp für diese unternehm ens individuelle Entsche idungssituation eignet. Der Erfolg des Einsatzes von Data Mining in diesen Anwendungen wird dabei i. All g. an fonnalen Kriterien festgem acht, d. h. die Argume ntation beschränkt sich in der Regel auf die mathem atischen Anpassunge n der Data Mining Methode bzw . die systemtechnische Implementierun g der Prototypen sowie auf die fonnalen Gütekriterien der erzielten Ergebni sse. Damit findet insbe sondere eine Diskussion der fonnal en Valid ität von Data Mining Method en stalt. Eine inhaltliche Diskussion der personalwirtschaftlichen Relevanz und der inhahlichen Validität der An wendun g von Data Mining zur Entscheidungsunte rstützung im Personalmanagement wird jedoch nicht geftihrt. Gerade an der inhaltlich en Valid ität und dam it dem Entsche idungsunterstützungspotenzial, welch es Data Minin g speziell für den Anwendungsber eich Personalmanagement bieten kann, muss sich jedoch das Einsatzpotenzial von Data Minin g im Personalmanagement me ssen lassen. Die in der Litera tur dargestellten Anwendungen von Data Mining im Personalman agement stellen exe mplarische Einzelfälle dar und lassen keine grundsätzliche n Aussagen darübe r zu, welche Data Mining Methoden sich in welchen personalw irtschafllichen Entschei-

dungssituationen eignen und worin ihr Beitrag zur Entscheidungsunterstützung besteht. Dies zu analysieren ist Ziel der vorliegenden Arbeit. Hierzu ist zum einen explizit der personal wirtscha ftliche Anw endun gsbereich zu ber ücksichtigen, zum anderen ist der Entscheidungsunterstützungsbeitrag des Data Mining zu them atisieren . Das hier zu unter suchende Einsatzpotenzial von Data Mining zur Entscheidungsunterstützung im Personalm anagement ergibt sich damit aus der integrierten Betrachtung der Leistung zur Entscheidungs unterstützung der Data Min ig Method en und den Spezifika des Personalmanage me nts als An wendun gsbereich. Die vorliege nde Arbeit zielt damit auf eine systemat ische und umfassende Analyse des Einsatzpote nzials von Data Mining zur Entsche idungs unterstützung im Personalm anag em ent ab.

31 32

4

Vgl. Hou et al. 2007. Vgl. Cho / Ngai 2003, Kovács / Lizák / Kolcza 2004, Chien / Chen 2008.

Konkret wird dabei analysiert, welche Arten von personalwirtschaftlichen Entscheidungssituationen mithilfe von Data Mining Methoden unterstützt werden können, worin dieser Beitrag zur Entscheidungsunterstützung besteht und wie er aus personalwirtschaftlicher Perspektive zu bewerten ist. Die Arbeit soli auf einer aggregierten Ebene die Möglichkeiten und Grenzen der Anwendung von Data Mining zur Entscheidungsunterstützung im Personalmanagement aufzeigen sowie auf den personalwirtschaftlichen Kontext abgestimmte Empfehlungen zur Anwendung von Data Mining im Personalmanagement geben. Diese Arbeit versteht sich damit als Grundlagenarbeit, die erstmalig das Einsatzpotenzial von Data Minig zur Entscheidungsunterstützung im Personalmanagement systematisch und umfassend untersucht. 1.2. Vorgehensweise Da im Personalmanagement vielfältige Entscheidungen zu treffen sind, bedarf es zunächst einer Kategorisierung von generischen Entscheidungsproblernen, für die das Einsatzpotenzial von Data Mining und damit der Entscheidungsunterstützungbeitrag von Data Mining zu diskutieren ist. Da jedoch eine Vielzahl heterogener Einzelmethoden unter dem Oberbegriff Data Mining subsumiert werden und eine Diskussion jeder einzelnen Methode somit nicht möglich ist, sind zudcm Data Mining Methodengruppen zu bilden, um auf dieser Ebene den Entscheidungsunterstützungbeitrag zu diskutieren. Damit kann zunächst unabhängig vom Anwendungskontext das Einsatzpotenzial von Data Mining zur Entscheidungsunterstützung in verschiedenen generischen Entscheidungsproblemen thematisiert und analysiert werden. Die theoretische Basis bildet dabei die präskriptive Entscheidungstheorie, die eine Ableitung von generischen Entschcidungsproblemtypen aufgrund des Strukturierungsgrades erlaubt. Entsprechend werden zunächst in Kapitel 2 die Wahl der Entscheidungstheorie begründet sowie die Grundlagen der Entscheidungstheorie erläutert. Weiterhin werden die Entscheidungsproblemtypen abgeleitet und dargestellt. In Kapitel 3 erfolgt die Darstellung der Grundlagen des Data Mining sowie die Erarbeitung einer Kategorisierung von Data Mining Methoden. Weiterhin erfolgt hier die Diskussion des Einsatzpotenzials dieser Data Mining Methodengruppen zur Entscheidungsunterstützung. Im Ergebnis sollen damit Erkenntnisse hinsichtlich der Einsetzbarkeit verschiedcner Data Mining Methodengruppen in unterschiedlichen Entscheidungsproblemtypen abgeleitet werden, die Aufschluss darüber geben können, welche Data Mining Methodengruppe für welches Entscheidungsproblem geeignet ist und worin ihr Beitrag zur Entscheidungsunterstützung besteht. Kann davon ausgegangen werden, dass diese Entscheidungsprobleme auch im Personalmanagement vorliegen, so ist zu vermuten, dass diese Erkenntnissc hinsichtlich des Einsatzpotenzials von Data Mining zur Entscheidungsunterstützung auch auf das Personalmanagement übertragbar und dann im Anwendungskontext Personalmanagement zu bewerten sind. Entsprechend werden in Kapitel 4 die Autgaben und Ziele des Personalmanagements

5

dargcstelh und es wird gcprüû, uh bzw.welche der abgeleiteten Entscheidungsproblcmtypcn im Pcrsonalmanagcment vcrliegen könncn,

2. Entsche idungstheorie

1 2. 1-2.4 Grund lagen der Entsc heidungst heo rie

-1 2.5

Entscheidu ngsprohlemtypen

I f

3. Entscheid uugs ur nerst ützung mit Data Min ing 1

..j

3. 1

Grund lagen des Data Mini ng

3.2-3.4 EntscheidungsunterslUtzungspotenzial

I I

4. Entscheidungen im Pe rso na lma nagement

1 4. 1

Gnmd lagen des Persona lrnanagement s

I

1 4.2.

Entscheidungsprobleme im Personalmanagement

~

5. Data Mining im Perso nafmanageme nt

I 5. 1 I 5.2. I 5.3. 6.

Anwendu ngsvo raussetzungen Vorgehensmodell Anwendungsszenarien

I I I

Fazit und Ausb liek

Abbildung I: Oberb liek Vorgchen,"cise

lil Kaphel 5 werden die Erkcnntnlssc hinsichtlich des generellen Einsatzpotcnzi els von Data Mining zur Entschcidungsreucrstützung (Kapilci 3) scwic hinsicbtlich der irn Pcrsonalmanagc-

mcntzu treffenden Fmschciduugcn (K(lpitci -l) zusammcngefllhrt . Einc vclls tändigc Enumera-

6

tion aller Einzelentscheidungen im Personalm anagement ist nicht möglich . Darüber hinaus kann aus der Betrachtun g vieler Einzel entscheidungen im Personalmanagement nicht auf das generelIe Einsatzpotenz ial von Data Minin g im Personalmanagement geschlossen werden, da dies einen induktiven Fehlschluss darstellen wü rde. Der Rückgr iff auf Entsche idungsproblemtypen als theoretisch fundiene Aggregation von Einzelentscheidungen erlaubt dam it eine Diskus sion des Einsatzpotenz ials von Data Mining im Personalm anagement auf Ebene von Entscheidun gsproblemtypen und ermöglicht damit generalisierbare Aussagen zum Einsatzpotenzial von Data Mining zur Entscheidungsunterstützung im Person almanag ement. Zunächst werden die grundlegenden Anwendungsvoraussetzungen für den Einsatz von Data Mining im Personalmanagement diskutiert. Als Treiber und .Enablcr" des Einsatzes von Data Mining im Personalmanagement ist insbesondere die Datenb asis zu sehen. Aufgrund der datengetriebenen Vorgehensweise des Data Mining wird das Einsatzp otenz ial unmittelbar dureh den verfügbaren Datenbe stand determin iert. Entspreehend ist zun ächst zu untersuchcn , auf welch e Datenb asis das Personalmanagement i. Allg. zurückgreifen kann. Au f der anderen Seite können dieser Verwendung insbesondere rechtliche Einschränkungen gegen über stehen. So ergibt sich beispielsweise zun ächst aus dem Bunde sdatenschutz gesetz (I3DSG) grundsätzlich ein Verbot der Verarbeitun g personenbez ogener Daten . Dies ist insofem speziell im Personalmanagement releva nt, da ein GroBteil der potenziell zu analysierenden Daten Mitarbeiter- oder Bewerberdaten darstellen und damit unter den Geltungsbereich des BDSG fallen. Entsprechend werden diese grundlegenden Anwendungsvoraussetzun gen für Data Mining im Personalmanagement in Kapitel 5.1 diskutiert. Weiterhin er/bigt die Ableitung e ines Vorgehensmodells, welches explizit au f die Anwendung von Data Mining zur Entscheidungsunterstützung im Person almanagement ausgerichtet ist (Kapitel 5.2). In Kapitel 5.3 erfolgt die Disku ssion des Einsatzes von Data Mining im Personalmanagement anh and prototypischer Anwendungssze narien. Diese Anwendungssze narien integrieren die Erkenntnisse zum Einsatzpotenzial von Data Minig Methoden gruppen in verschiedenen Entscheidun gsprobl emtypen und decken dabei systematisch und umfa ssend die verschiedenen Bereiche des Personalmanagement s ab. Die Analyse der Anwendungsszenarien erlaubt damit eine kr itische Diskussion und Evaluation des Einsatzpotenz ials von Data Mining im Personalmanagemen t. Die Arbe it schlieBt mit einem Fazit und Ausblick in Kapitel 6.

7

2. Entscheidungstheoretische Fundierung 2.1. Vorbemerkungen zur Wahl der Theorie Die Verwendung einer Theorie ermöglicht grundsätzlich die Strukturierung eines Themenkompiexes und crlaubt als widerspruchsfrcies Aus sagens ystcm die Beschreibung und Erklärung von Zusammenhängen. Eine Theorie beschreibt und erklärt einen Ausschn itt der Realit ät, entsprechend ist eine für die Fragestellung geeignete Theorie zu wählen . Nun existiert wede r eine " Theorie des Data Mining" noch eine " Theorie des Personalmanagements" , die sich unmittelbar zur Bearb eitung der Fragestellung anbieten würde. Vielmehr existieren vielfältige Einzeltheorien, die spezielIe Aspekte im Bereich Personalmanagement oder Data Mining beleuchten. So linden sich im Bereich Personalm anagement zum einen individuelle Verhaltensth eorien, die das Verhalt en von Personen in bestimmt en persona lwirtschaftlich relevanten Situation en beschreiben, erklären und entsprechend die Able itung von Handlun gsempfehlungen für das Personalman agement erlauben." Zum anderen besch äfligen sich personal ökonom ische Ans ätze mit der ökonomischen Ana lyse personalpolitischer Problernc." Data Mining Method en hingegen basieren zwar auf form altheoreti schen Übcrlcgungen" , jedoch gibt es keine Theor ie, die Data Mining auf Anwendungsebene und somit auch im Person almanagement beschreibt und erklärt . Dies ergibt sich aus der Konzeption von Data Mining Method en als generisch e Method en, die unabhängig von einzelnen Anw endungsbereichen entwiekelt wurd en. Die genannten Theorien sind dam it zu spezifisch und stehen einer systematischen und umfassenden Diskussion der Einsatzpoten ziale von Data Mining im Personalman agement entgegen. Als grundsätzliche Herausforderung dieser Arbe it und eine grundsätzliche Anforderun g an die zu wählende Theorie besteht in der Herstellun g der Verbindung von operativen mathematischen Method en mit der Vielfältigkeit von Entscheidungssituationen im Persona lmanag ement. Weiterhin sollte die Theorie eine Zuordnung von Data Mining Method en zu bestimmt en Entscheidungssituationen im Person almanagement erm öglichen, so dass Aussagen zur Eignung von Data Mining unter Berücks ichtigung spezifischer situat ionsabhäng iger Vorau ssetzung en zum Einsatz von Data Mining im Personalmanagement möglich sind . Hier scheint die Entscheidungstheorie als interdisz iplinäre Theorie zur Ana lyse von Entscheidungen geeignet."

33 34 35

36

Vgl. hierzu Oechsler 2006, S. 14fT. Vgl. Scholz 2000, S. 53fT., Oechsler 2006, S. 17f1 So wird beispielsweise die Information stheorie zur Induktion von Regeln herangezogen (Quinlan 1993) oder aufbauend auf der Fuzzy Set Theorie die Verarbeitung vager Werte in Neuronalen Netzen errnöglicht (Huang et al. 2004). Vgl. Bamberg / Coenenberg 2004, Laux 2005, Rommelfanger / Eickemeier 2002, Sieben / Schildbach 1994, Dinkelbach 1982, Rehkugler / Schindel 1990, Simon 1955, Cyert / March 1963.

9

Die Entsche idungstheorie bietet sich zunächst autgrund des expliziten Entscheidungsbez ugs zur Diskussion des Einsatzp otenzi als von Data Mining zur Entsche idungsunterstützung im Personalma nagement an. Der Einsatz von Data Mining ist mil dem Ziel verbundcn, den Entsche idungsträger zu informieren und entsprechend Entscheidungen zu unterstützen. Mithin muss dieser Arbeit eine Theorie zugrunde gelegt werd en, die sich expliz it mit der Darstellung und Gesta ltung von Entscheidungen besch äftigt." Genau dies ist Gegenstand der Entscheidun gstheorie. Die Verwendung der Entscheidungstheorie soli in dieser Arbeit zun ächst der Strukturierung von Entscheidungssituationen im Personalmanagem ent au f einer aggregie rten Ebene dienen , da im Personalmanagement eine Vielz ahl von Entscheidungen zu treffen sind, die im einzelnen nicht durchzudiskutie ren sind. Es exis tiert zwar keine spezielIe personalwirtscha filiche Entscheidungstheorie, aufgrund des interdiszi plinären Ansatzes " der Entscheidungstheorie und ihrer breite n Verwendung in der Betricbswirt sch aftslchrc '" kann jedoch davon ausgegang en werden, dass sie auch im Personalm an agement angewendet werden kann . Gleichwohl ist festzustellen, dass die Entscheidungstheorie keinesfalls eine Theor ie im Sinne des geItenden Theo rieverständni sses als widerspruch sfreies Aussage nsystem, welch es gleich eines Gesetzes die Ursache-Wirkungsbeziehung eine s .Phänomens'' erkl ärt, darstellt. Vielmeh r sind unterschiedliche Ansätze mit dem Begriff Entscheidungstheorie belegt, die sich insbesondere bezüglich der Zwecksetzung und des forschun gstheoretischen Vorg ehens unterscheiden." Zu unterscheiden sind hierbei die beid en Grundrichtung en der Entscheidungstheorie, die präskrip-

live und die deskrip live Entscheidungstheor ie." Aus diesem Grund ist zun ächst eine detaillierte Betrachtun g der Entscheidungstheorie notwendig, urn die theoret ischen Grundlagen dieser Arbeit zu erarbeiten und eine entscheidungstheoretische Position ierung der Arbeit vornehm en zu können, 2.2. Grundrichtungen der Entscheidungstheo rie Die Entsche idungstheorie beinhaltet allgemein die Analyse des rationalen oder intendiert ratio nale n Entscheidungsverhaltens." Unte r Entscheidung wird dabei die bewu sste Auswahl eine r aus mehr eren mögl ichen Handlungsalternativen verstand en, die Entscheidungstheorie befàsst sich dann systematisch mit derartigen Wahlakten ." Entscheidungen lassen sich allge mein dadurch beschreiben, dass ein Entscheidungsträger, dies kann z. B. eine Persen , eine

37 38 39

40 41

42 43

JO

Vgl. Bamberg / Coenenberg 2004, S. I Vgl. Rehkugler / Schindel 1990, S. 11, Sieben / Schildbach 1994, S. 2. Vgl. Sieben /Schildbach 1994, S. 5ff Vgl. Rehkugler / Schindel 1990, S. 11. Vgl. Sieben / Schildbach 1994, Rehkugler / Schindel 1990, Bamberg / Coenenberg 2004. Vgl. Rommelfanger / Eickemeier 2002 , S. 2, Bamberg / Coe nenberg 2004, S. I. Vgl. Sieben / Schildbach 1994, S. I.

Gruppe von Personen, ein Unternehmen, der Staat etc. sein, aus einer zur Verfügung stehenden Menge an Handlungsalternativen die für ihn entsprechend seiner Zielsetzun g optimale Handlungsalternative auswählt." Die von der Entscheidungstheorie thematisierte Analyse des Entscheidungsverhaltens kann dabei zwei unterschiedlichen Intentionen folgen, dies ist zum einen die Gewinnung präskriptiver Aussagen zur Gestaltung von Entscheidungen und zum anderen die Gewinnung dcskriptiver Aussagen über das empir isch beobachtbare Entscheidungsverhalten." Entsprcchend lassen sich die zwei Grundrichtungen der Entscheidu ngstheorie, die präskriptive (vorschreibende) und die deskriptive (beschreibende) Entscheidungstheorie, unterscheiden .

Die präskriptive Entscheidungstheorie, auch Entscheidungslogik genannt, beschäftigt sich mit der Analyse von Richtlinien oder Entscheidungsregeln zur rationalen Auswahl von Handlungsalternativen in Entscheidungssituationen. Es wird der Frage nachgegangen, "w ie das Entscheidungsverhalten der Menschen [... ] sein soll, wenn diese bestimmte Ziele bestmöglich erreichen wollen':" . Mit Methoden und Modellen zur Forrnalisierung und Lösung von Entscheidungsproblemen stellt die präskriptive Entscheidungstheorie dem Entscheidungsträger Hilfsmittel bereit, die ihn in die Lage versetzen sollen, eine dem Zie lsystem entsprcchende Entscheidung zu treffen." Zentrales Hilfsmittel hierbe i ist das so genannte Entscheidungsmodell (vgl. Kapilel 2.4), welches die Entscheidungsprämissen eines Entscheidungsproblems in struktur ierter und formalisierter Form darstellt, so dass die Lösung des Problerns logisch abgeleitet werden kann." Dies setzt das Vorhandensein eines widerspruchsfreien Zielsystems voraus, an dem sich der Entscheidun gsträger in seinem Entscheidungsverhalten orientiert. Die präskriptive Entscheidungstheorie setzt voraus, dass der Entscheidungsträger über unbegrenzte Inforrnationsverarbeitungskapazität verfügt und immer einen optimalen Zielerreichungsgrad anstrebt." Ein den gcnannten Voraussetzungen entsprechendes Entscheidun gsverhalten wird als rationales Entscheidungsverhalten bezeichnet. Damit kommt der Rationalität in der präskriptiven Entscheidungstheorie eine zentralc Rolle zu." In der Literatur wird zwischen objektiver und subjcktive r Rationalität unterschieden. Obj ektive Rationalität ist gegeben, wenn sich die Entscheidungssituation dem Entscheidungsträger so darstellt, dass sie mil der Wirklichkeit bzw. mil den 44 45

'6

'7 48 49 50

Vgl. Dinke lbach 1982, S. 1. Vgl. Romme lfanger / Eickemeier 2002 , S. 2. Heinen 1969, S. 209 . Vgl. Laux 2005, S. 15, Romme lfanger / Eicke meier 2002 , S. 2, Berens / Delfmann / Schmitting 2004 , S. 49. V gl. Bretzke 1980, S. 8. Vgl. Bamberg / Coe nenberg 2004 , S. 311 In diesem Fall wird von formaler Ratio nalität gesproc hen, da keine inhaltlichen Anforderungen, sondem lediglich Anforde rungen an die Form des Zielsystems geste llt werden. Im Untersc hied daz u zielt substanz ielle Rationalität auf die inhaltlichen Aspekte des Zielsystems ab. Dies wird bei der praktischen Anwe nd ung der Entscheid ungstheorie, bezogen auf den jeweiligen spezie llen Anwe ndungsbereic h, von Bedeutung. Vgl. hierzu Rommelfanger / Eickeme ier 2002 , S. 2 und Bamberg / Coe nenberg 2004, S. 3.

11

Infonnationen wie sie e in objekt iver Beobachter enn itteln kann , übereinstimmt und entsprechend eine optim ale Entsche idung getroffen wird." Eine Entscheidung gilt gem äê der subj ektiven Rationalität als optim al, wenn sie mit den subj ektiv wahmehmbaren Infonn ationen des Entscheidungsträgers übereinstimmt. In prakti schen Entscheidungssituationen kann damit eine objekt ive Rationalität nicht erwartet werden." Die präskr iptive Entscheidungstheorie geht also von einer gegebenen Entsche idungssituation aus und will Antw orten auf die Frage geben, wie entsprechend dem Postulat der subj ektiven fonnalen Rational ität Entscheidungen zu treffen

sind." Die deskrip tive Entscheidungstheorie hingegen geht von einer begrenzten Rationa lität im Sinne eine r intendie rten Rationalit ät aus und befasst sich mit der Beschr eibung des mensch lichen Entscheidungsve rhaltens. In Abweichung vom Rationalitätskon zept der präskript iven Entscheidung stheorie geht die deskriptive Entsche idungstheorie von einer begrenzten Infonnationsverarbeitungskap azität des Entscheidungsträge rs aus, so das s die Entsche idungsprämissen a priori nicht vollständig angegeben werden können und entsprechend nicht opt imierende, sondem ledi glich satisfizierende Entsche idungen getroffen werden." Im grundlegenden Unterschied zur präskriptiven Entscheidungstheorie versucht die deskriptive Entschei dungstheorie Antworten zu geben auf die Frage, wie Entscheidungen in der Realität getro ffen werden und warum sie in genau dieser Art und Weise getroffen werden." Zie l ist die Erklärung des tatsächlichen Entscheidungsverh alten s durch Hypothesen, die der Progno se von Entscheidungen in entsprechenden Entscheidungssituationen dienen k önnen." Die deskriptive Entscheidungstheori e umfasst dam it die verha ltensw issenschaftliche Anal yse von Entsche idungs- und Probiem Iöseproze ssen .57 Zusamme nfassend kann festgeh alten werden, dass sich insbesond ere folgende Unterschiede bez . der präskriptiven und deskr iptiven Entscheidungstheorie ergeben :

•

Ziel : Während die präskript ive Entsche idungstheorie auf die Verbesserung des Entsche idungsv erhaltens abz ielt, versucht die deskr iptive Entscheidungstheorie das tatsächliche Entscheidungsverhalten zu beschreiben und zu erklären, um letztendlich die Prognos e von Entscheidungsverhalten zu ennöglich en.

Vgl. Bamberg / Coenenberg 2004, S. 4. Vgl. Romm elfanger / Eickemeier 2002, S. 3. Vgl. Romme lfanger / Eickemeier 2002 , S. 3, Berens / Delfinarm / Schmittin g 2004, S. 49. Vgl. Simon 1955, Simon 1960.

51

" 53 54

55

Vgl. Bamberg/ Coenenberg 2004, S. 4f ,

56

Vgl. Laux 2005, S. 14, Bamberg / Coenenberg 2004, S. 5ff, oder Domschke / Scholl 2005, S. 47. Entsprechend existiert nicht eine deskriptive Entscheidungstheorie, jedoch kann mit der .Behavioral theory of the firm" von Cyert / March 1963 ein Hauptvertreter der deskriptiven Entscheidungstheorie benannt werden .

57

12

•

Menschenbild: Mit der Annahme der unbegrenzten lnformationsverarbeitungskapazität und des rationalen Entscheid ungsverh aItens geht die präskript ive Entscheidungstheorie vom

homo oeconomicus aus. Die deskriptive Entschei dungstheorie hingegen unterstellt eine begrenzte lnformationsverarbeitungskapazität des Menschen und damit eine eingeschränkte intendierte Rationalität. •

Untersuchungsgegenstand: Die präskriptive Entsche idungstheorie geht von gegebenen Entscheidungsprämissen aus und erhebt die Auswahl der optimalen Handlungsalternativen zum Untersuchungsgegenstand. Untersuchungsgegenstand der deskr iptiven Entscheidungstheorie ist der Entscheidungsprozess.

Die Erkenntnisse der deskriptiven empirischen Entsche idungstheorie zeigen, dass die Konzepte der präskript iven Entsche idungstheorie in der Praxis kaum eingesetzt werden . Dies lässt sich insbesondere darau f zurückführen, dass die präskr iptive Entscheidungstheorie von Voraussetzungen ausgeht, die in praktischen Entscheidungssituationen oftmals nicht erfüllt werden können." Dennoch ist die Fragestellun g, die die präskript ive Entscheidungstheorie zu beantworten sucht, eine für die Praxis sehr bedeutend e Fragestellung. Eine erfolgreiche Unterstützung von Entscheidungsträge rn im Entscheidungsprozess durch geeign ete lnstrumente und Modelle , wie von der präskriptiven Entsche idungstheorie postuliert, wird benötigt." Ziel der präskriptiven Entscheidun gstheorie ist die Entw icklun g norm ativer Entsche idungsmodelle, die eine logische Ableitung der zu ergreifenden Handlung in einer konkreten Entsche idungssituation ermöglichen. Dazu ist aber zunächst eine Erklärungsaufgabe zu bew ältigen, die Aussagen über die relevanten Ziele, die möglichen Handlu ngsaIternativen und die entsprechend en Handlun gskonsequ enzen erlaubt." lnsofern ist eine Synthese der beiden Richtun gen erforderl ich, indem in den normativen Modellen ein adaptiver Entscheidungsprozess integriert und das beschr änkt rationale Verha lten von Entscheidungsträgern berücksichtigt wird." lm Rahmen dieser Arbeit wird das Einsatzpotenzial von Data Minin g zur Entscheidungsunterstütz ung im Personalmanagement analysiert. lnso fern könn en die Data Minin g Method en als potenz ielIe lnstrumente zur Unterstützung von Entscheidungsträgern im Entscheidungsprozess gesehen werden, die eine Verbesserun g des Entscheidungsverhaltens ermöglichen sollen. Entsprechend kann sich die in dieser Arbeit durchzu führende Analyse au f die präskriptive Entscheidungstheorie stützen. lnsbesondere das Entscheidungsmodell als zentrales Hilfsmittel

58 59

611

61

Vgl. Rommelfanger I Eickemeier 2002, S. 8. Vgl. Rommelfanger I Eickemeier 2002, S. 8. Vgl. Bamberg I Coenenberg 2004, S. 12, Heinen 1976, S. 232IT. Insofem ist nicht von einer Rivalität der beiden Richtungen auszugehen, vielmehr ergänzen sich präskriptive und deskriptive Entscheidungstheorie (vgl. auch Sieben l Schildbach 1994). Vgl. Rommelfanger I Eickemeier 2002, S. 8.

13

der präskriptiven Entscheidungstheorie (vgl. Kapitel 2.4) scheint au fgrund seines fonn alen Charakters die Möglichke it zu bieten , die fonn alen Data Minin g Meth oden mit anwendungsbezogenen Entsche idungssituationen zu verknüpfen. Die präskriptive Entsche idungstheorie geht jedoch von einer gegebenen Entscheidungssituation aus, thematisiert die Ennittlung der Entscheidungsprämissen nicht und fokuss iert vomehmlich au f das Lösen eines gegebenen Entschcidungsproblems.? Urn das Unterstützungspo tenzial von Data Mining umfassend analysieren zu können, soli auch das Einsatzpotenz ial von Data Mining zur Entscheidun gsvorbereitung, d. h. zur Ermittlung der Entsche idungsp rämissen analysiert we rden. Insofem ist auch das Einsatzpotenz ial von Data Mining im gesamten Entsche idungsprozess zur Ennittlung der Entscheidun gsprämissen in die Analyse zu integrieren . Wie noch dargestellt wird (vgl. Kapitel 2.3 und Kapitel 2.4), repräsentiert das Entsche idungsmodell die im Rahmen des Entscheidungsprozesses zu konkretisierende Entsche idungssituation und stellt damit das Ergebnis der Ent-

scheidungsvorbereilung dar. Das letztendliche Lösen des modellmäûig abgebildeten Entscheidungsprobl ems stellt dam it ein weiteres, aber eben nicht einziges zu analysierendes Einsatzpotenzial von Data Mining dar. In diesem Sinne erfolgt die Analyse des Einsatzpotenzials von Data Mining zur Entsche idungsunterstützung auf Basis einer erwe iterten präskriptiven Entsche idungstheorie. Es wird analysiert, inwiefem sich Data Minin g dazu eignet, die in einem Entscheidungsmodell abzubild enden Entsche idungsprämissen und letztlich die optimal e Handlun gsaltemative zu enni tteln. Damit ergibt sich zunächst die Notwendigkeit der Darstellung des Entscheidungsprozesses, der die zu absolvierenden Schritte zur Enn ittlung der Entscheidungsprämissen strukturiert. Im Anschluss daran erfolgt die Vorstellun g des Entscheidungsmodells als fonnalisierte Grundlage zur Lösung eines Entscheidun gsproblem s. In diesem Kontext werden die zu ennittelnden Entscheidungsprämissen und ihre Zusammenhänge in forrn alisierter Fonn erläutert. Dies erlaubt die Verknüpfung zu den Data Minin g Meth oden .

2.3. Der Entscheid ungsprozess Der Entscheidungsprozess kann als einfaches Phasenmodell mit den vier Hauptphasen Pro-

blemerkennung, Alternativenermittlung, Entscheidungsfin dung und Realisierung dargestellt werden (vgl. Abbildung 2).63

62 63

14

Vgl. Bamberg / Coenenberg 2004, S. 211 Vgl. Pfohl 1977, S. 25, Berens / Delfmann / Schmitting 2004 , S. 28ff., Domschke / Scholl 2005, S. 24ff., Heinen 1985, S. 49ff., La ux 2005, S. 8. Die Anzahl der Phasen des Entscheidungsprozesses variiert in der Literatur. Dies ist jedoch lediglich auf eine difTerierende Zusammenfassung der Aktivitäten innerhalb des Entscheidungsprozesses zurückzuführen, inhaltliche Unterschiede bestehen nicht. Synonym für den Entscheidungsprozess wird auch der BegrifTProblemlösungsprozess verwendet.

Abbildung 2: Entscheidungs prozes s

Das dargestellte Phasenmodell ist dabei nicht als streng sequentielle Abfolge zu sehen, sondem in der Realität existie ren vielfältige Rückkopplun gen. Grundsätzlich wird ein Entscheidungsprozess durch Anregungsinformationen initiiert, die beim Entscheidungsträger ein Problembewusstsein schaffen und auf die Existenz eines zu lösenden Entscheidun gsproblem s hindeuten . Diese Anregungsinfonnationen können dabei aus unterschiedlichen Ursachen heraus ent-

stehen:" •

Im Rahmen der KontrolIe von realisierten Entscheidungen ergibt sich eine Soll-Ist-Abweichung.

• •

Die zu verfolgenden Ziele haben sich geändert. Es ergeben sich neue Handlun gsmöglichkeiten beispielsweise aufgrund von neuen Technologien, die in der Entscheidungsfindung zu betracht en sind.

•

Die Daten, die bei der bisherigen Entscheidungsfindung berücksichtigt wurden, haben sich im Zeitabl aufpräzisiert.

•

Realisierte Entscheidungen führen zum Entstehen von weiteren Entscheidungsproblemen.

Auf Basis der Anregungsinfonnationen wird im Rahmen der Problemerkennungsphase das Entscheidungspro blem analysiert, inhaltlich defin iert und verbal fonnuliert. Ziel hierbei ist die Entwicklung eines grundsä tzlichen Verständnisses für die Problemursachen und die Beschreibun g der angestrebten Ziele." Die Phase Alternativenermittlung umfasst dabei die Suche bzw. Entwicklung von Handlungsalternativen, die sich potenz iell zur Lösung des Entscheidungsproblem s anbieten. An dieser Stelle werden häufig Kreativitätstechn iken eingesetzt, die es erlauben, neue Handlun gsaltemativen zur Lösung des Problems zu entwickeln."

64 65 66

Vgl. PfohI 1977, S. 84ff. Vgl. Pfohl / Stölzle 1997, S. 57. Vgl. Klein / Scholl 2004, S. 138ff.

15

In der Phase der Entscheidungsjindung werde n Ziele, die durch die Problernlösung errei cht werden sollen, sowie ggf. zu beachtende vom Entscheidungsträger nicht beeintlu ssbare Faktoren und die sich mit der Ergreifun g einer Handlungsaltema tiven ergeben den Konsequenzen ermittelt und strukturiert in einem Entsche idungsmodell (vgl. Kapitel 2.4) zusa mmengeste llt. Dies beinhaltet zudem die Analyse der Zusammenhänge der genannten Aspekte sowie die Bewertun g der Handlun gsaltemativen . Die Strukturierung des Entscheidungsproblem s in einem Entscheidun gsmodell erm öglicht schlieBlich die Auswahl einer möglichst guten Handlungsaltcmativcn. Im Rahmen der Realisierungsphase erfolgt die Durchführung der ausgewählten Handlun gsalternativen. Darüber hinaus wird anhand von Soll-Ist-Abweichungsanalysen überprüft, inwiefe m die Realisicrung der Entscheidung zum Erreichen der Ziele tührt. In allen Phasen können sich Änderungen ergeben, die wiederum als Anregungsinformationen neue Entscheidungsprozesse initiieren. So können beispielsweise neue Produktionstechnologien dazu führen, dass das derzeitige Produkt ionsprogramm erwe itert werden kann. Neue Produkte des Wettbewerbers machen cin Übe rdenken der eigenen Produktstrategie notwendig , der Fachkräfiemangel am Arbeitsma rkt erfordert eine Neuausrichtung der Rekrut ierun gsma Bnahmen etc. Das obige Phasenschem a kann damit als Katalog von generischen Aufgaben gesehen werden, der zur Bewältigung eines Entscheidungsproblems abzuarbeitc n ist. Die zeitliche Reihen folge und damit die Abarbeitung der einzelnen Aufgaben sind nicht zwingend festgelegt und führen wie erwähnt zu Rückkopplungen. Ziel ist es, die Problemsituation soweit zu strukturieren, dass eine Entscheidung im Sinne der Auswahl einer möglichst guten Handlungsalternativen möglich

ist, Die Strukturierung eines Entscheidungsproblems findet dabei ihren Niederschlag in einem forrnalisierten Entschcidungsmodcll' ", welches eine der wichtigsten Entscheidungshilfen dar-

stellt." 2.4. Das Ent scheidungsmodell Einer gängigen Definition zufolgc kann dabei das Entscheidungsmodell allgemein bezeichn et werden als " das Ergebnis eines Versuches, die für wesentlich gehaltenen Elemente und Beziehungen einer als ' Problern' empfundenen Handlun gssituation in einer forrnalisierten Sprach e so zu definieren, dass aus dem resultierenden Strukturkomplex die Problemlösung als logische Impl ikation abgeleitet werden kann.?" Das Entsche idungsmodell hat dam it den Anspruch, das

67 68 69

16

Vgl. Rieper 1992, S. 63. Vgl. Laux 2005, S. 16. Bretzke 1980, S. 8.

komp lexe Entscheidungsproblem dem Entscheidungsträger übersichtlich und lösbar darzustellen. Das Entscheidungsmodell besteht grunds ätzlich aus dem Entscheidungsf eld und dem Zielsystem." Das Entscheidungsfeld subsum iert Informationen über die Gestaltungsmö glichkeiten des Entsche idungst rägers sowie die sich unter Beachtung von nicht behe rrschb aren Einflussfaktoren ergebenden Konsequen zen der Handlungen. Die Zielfunktion hingegen reflektiert die Ziele des Entscheidungsträgers und bildet som it den angestrebten Soll-Zustand ab, der durch Ergreifung von Handlungsaltemativen erreicht werden soll." Damit flieBen in das Entschei dungsmodell grundsätzlich zwei unterschiedl iche Kategorien von Informat ionen ein . Zum einen beinhaltet das Entscheidungsfeld Informationen über die Umwelt und die sich real ergebenden Handlungsalternativ en, zum anderen reflektieren die Zielinformationen die Präferenzen des Entscheidungsträgers, an denen die Entsche idung für eine Handlungsaltemative letztlich auszurichten ist. Im Folgenden werden die Elemente des Entscheidungsfelds und des Zielsystems vorge stellt . Das Entsche idungsfeld setzt sich zusammen aus den Handlungsalternativen, den Ergebni ssen und den Umweltzust änden." Handlungsalternativen oder Aktion en a stellen die einem Entscheidungsträger in einer Entsche idungssituation zur Verfügun g stehenden Gestaltung smöglichkeiten dar." Sie werden auch als (Entscheidungs-)Variablen bezeichnet." Grundsätzlich sind alle Handlungsalternativen aufzuführen, die sich zur Erreichung des angestr ebten Soll-Zustands anbieten . Dabei kann der Entsche idungsträger natürlich nur jene Handlungsaltemativen in die Entscheidungsfindung einbez iehen , die ihm aus seiner Erfahrung herau s oder in der Diskussion mit anderen Person en, ganz allgemein in einem kreativen Prozess der Altemativenerm ittlung, als relevant erscheinen. Unabhängig davon, müssen die Handlungsaltemati ven •

sich gegenseitig ausschlieBen und

•

nur eine von ihnen kann letztlich realisiert werden."

Damit stellt das Entscheidungsmodell als Grundmodell der Entsche idungstheorie ein Auswahlmodell dar, für das die Menge der Handlun gsaltemativen a expl izit angegeben oder ermittelt werden kann ."

70 71

72 73

74 75

Vgl. Laux 2005, S. 19f , Bambe rg / Coenenberg 2004, S. l Sff Vgl. Sieben / Schildbach 1994, S. 15. Vgl. Laux 2005, S. 19lf, Bamberg / Coenenberg 2004, S. 15lf Vgl. Dinkelbach 1982, S. 1. Vgl. Domschke / Scholl 2005, S. 24. Vgl. Bamberg / Coenenberg 2004, S. 16 oder Laux 2005, S. 36.

17

Die Ergreifung einer Handlung salternativ en führt zu Konsequenzen, welche als (Handlungs-)Ergebnisse e im Entscheidun gsmodell festgehalten werden. Die I-Iandlungsergebnisse müssen nicht zwingend reellwert ige Gröûen sein, sondern können auch nominale Gröûen darstellen .? Im Hinblick auf eine Unterscheidung zu den noch näher zu erläuternden Zielbeiträgen wird im r olgenden davon ausgegangen, dass Handlungs ergebnisse als nominale Gröl3en im Entscheidungsmodell festgehalten werden ." Es werden alle diejenigen Ergebnisse in das Entscheidungsmodell integriert, die sich in Bezug auf das Zielsystem als relevant erweisen." Insofern können Ergebnisse bei Vorliegen mehrerer Ziele auch vektorwertige Gröl3en darstellen. Weiterhin sind für die Realisierung eines Ergebni sses auch Informationen von Bedeutung, die vom Entscheidungsträger nicht beeinf1usst werden können. Diese werden in das Entscheidungsmodell als so genannte Umweltzust ände u integriert." Umweltzustände repräsentiercn dabei eine Wertekombinat ion aller relevanten Informati onen über das Umfeld und damit den durch den Entscheidungsträger nicht beeinf1ussbaren Kontext der Entscheidungssituation. Dabei ist zu unterscheiden, ob dem Entscheidungsträger die Realisierung eines Umweltzustandes bekannt ist oder nicht. Ist die Realisierung bekannt, so handelt es sich urn ein determin istisches Entscheidungsproblem. Ein Entscheidungsproblem bei Unsicherheit liegt vor, wenn mindestens zwei Zustände möglich sind. In diescm rail wird zwischen der Entscheidung unter Ungewissheit, d. h. der Entscheidun gsträger kann sich kein Urteil über die Eintrittswahrscheinlichkeit der Umweltzu stände bilden, und der Entscheidung unter Risiko unterschieden . Das Entscheidun gsfeld lässt sich als Ergebnismatr ix mit den Elementen a, e und u darstellen (vgl. Abbildung 3).81

76

77 78

79

80

81 18

Vgl. Klein / Scholl 2004, S. 37f Gegenstand der pr äskriptiven Entscheidungstheorie sind die Eigenschaften von Auswahlmodellen und die Ableitung von Empfehlungen zur Lösung dieses Auswahlproblems. Zu unterscheiden von den Auswa hlmodellen sind die Optimierun gsmodelle, für die die Handlungsaltemat iven implizit durch Nebenbedingungen angegeben werden. Die Menge der Handlungsaltemat iven ist damit durch diese Nebenbedingungen eingeschränkt und es gilt, die beste zulässige Altemat ive zu ermitteln. Die effiziente Lösung von Optimierungsmode llen ist Gege nstand des Operations Research. Vgl. zu diesen Ausführungen Klein / Scholl 2004, S. 37ff Im Rahmen dieser Arbe it wird daher auf die durch die Entscheidungstheorie definierte Klasse der Auswahlmodelle fokus siert. Vgl. Dinkelbach 1982, S. 5f Die Kermtnis der Ergebnisrealisationen ermöglicht dahe r nicht, diese in eine Rangordnun g zu bringen, dies erfolgt erst durch die Bewert ung der Ergeb nisse anhand von Zielen, welche sich darm in den so genarmten Zielbeitr ägen manifestieren. Ergebnisse, die nicht mit den angestrebten Zielen in Zusam menhang stehen, sind für die L ösung des Entscheidungsproblems irrelevant und k önnen entsprechend bei der Entscheidungsproblemformulierung vernachlässigt werden. Vgl. Bamberg /Coenenberg2004,S. 18. Vgl. zu den Ausführungen zum Emscheidungsmodell auch SchneeweiB 1966, S. 125ff

~ld

Aktionen a

", Cu /,,\<11.11 1)

...

u,

...

Ci .o / ,,(a l.ll. )

f

'"

f

1 1,1= H(a l. IJ I.C L I )

Z IJ,= B( al,Uo,C I,n)

..

...

Cm l

f ,,(3m. ll j)

..

t m.l=!B(a.,,,IlI.Cm. I)

,~

' " (llm.Un)

f

LU = B(a m.u" .Cm n)

Abb,ldulig 3: Erb'<:bmsnmlm '"

Wcitcrhin kann in die Etgcbnisrncs sung der lIandlungsaltcmath cn auch der Zeitaspekt intcgricrt werden. Dies hal die Diffc rcnzic rung der Ergcbnisrca li sanoncn und Ziclbciträgc in Ah-

hênglgkcit der Ze il ZUT Folgc und damit d ie Zuordnung eim..'S Ergebaisses und Ziclbcitrags zu

jCUL'T1l Zcitpunkt bzw. Zeitintervall." Nehen dcrn Entscheidungsfcld srcllr w il.' berelts crwähn r das Zietsvstem cine zcmrale Kemponcntc d c"S Entschcld ungsmodclls dar. Ziele brtngen den gcwûnsc htcn Endzustand des Entschei-

dungsträgcrs zum Ausdruck." wclcher übcr die Ergrcifung \'011 llandlungsahcrmnivcn crrciclu werden soli. Das Ziclsysrcm bcinhaltct zum eincn d ie

äl'!~r6pl'll.

die tlir die Lösung des Ent-

schcidungsprchlcms releva nt sind. ZUil] andere n die Preferenzen des Entschcidungsträgcrs.

wclchc Aufschluss übcr d ie Einsrcllung des Emschcidungsträgcrs zu Ergcbnisscn von HandIungsaltcrnativcn gchcn." Zielgriilkn gcbcn an , wclchc llandtungscrg chnis sc für die Bcwcrtung

der Handlungsalrcmativcn her engezogen werden 5011<.11. Handlungsergebnisse. dencn keine Zic1gröl3c cntspriclu. sin d fü r die l.ösung des Entschcidungs pmbler ns nicht relevant und mussen

dalter auch nicht im Emschcidungsmodcll crfassr werden. Debci kön nen die Ziclg röl3cn sowohl quentitative Gröêcn wie z.H, Umsav odcr Marktuuteil als auch qu alitative Gröêcn wie I . B. Mitarbeitcrzufricdcnhcit odc r Arbcitgcbcrimagc darstel ten....' Die Präfcreuze n werden in Prä-

fcrcnzrclmioncn abgcbildct. die

<.'S

hand ihrer Ziclcrrcichu ngsbcirrägc

crmögfichcn, die versebiedenen Ergcbnisrcalisarioncn miI.U

bewe ne n. Dazu wird jcdcs rculisicrtc Ergebuis

cincs [odc r mchrercr) Zic1(e) bewener und in eincm drttckt. hn Untcrschicd zum Ergchnis

I'

Zielheirra~

I'

anhand

z als Ziclcrrcichung ausgc-

erfolgt hier die Hcwertung hinsichtlich einer Z iclgrütk

'" Vgl, Hamocrg l Coe ,...,nOCrg 2004. S 27 oder Dinkclhach 1982. S. 6, " A", GrO.nden der Übcrsichllichkei! wird anf e;ne Oitfercnzienlng der lIandt llllgsaltemati"en in AhM ngigke lt der Zeil in ohiger Ergehnismani \' \'el7ichlet. Es sc; an die", r Stelle auf Rallloc 'll i Coe ncnocrg 2004. S. 27 ",," ie-'On .. Vgl Dinkclbach 1982. S. 20 " VI'I HllInocrg l Coc ,...,nocrg 20114. $ , 28. Klein I Schol! 2004. S 4 t , ... VI'I, Kleill / $c1wl12004. S, 90,

19

als reellwert ige GrÖBe.87 Der Zusammenhang zwischen den Handlungsaltemativen und den Zielen wird über die Zielfunk tion abgebildet." Sie ordnet jeder Handlun gsaltemative einen Nutzwert n zu" , wobe i der Nutzwert n eine reellwertige Gröûe darstellt?", Bei Vorliegen mehrerer Ziele impliziert die Ermittlung der Zielfunktien die Feststellung von Präferenzen des Entscheidungsträgers bez. der Vorziehenswürdigkeit von einzelnen Zielen, sod ass letztlich eine Zielgewichtung innerhalb der Zielfunktion stattfinden muss. Aber auch Präferenzen bez. der Höhe von Zielbeiträgen, bez . des Zeitpunkt s der Realisierung von Zielbe iträgen oder auch bez . Risikosituationen sind bei bestimmten Entscheidungsproblemen zu formul ieren." Die Zielfunkt ion erlaubt damit eine Bewertun g der Handlun gsaltemativen a. Für den Fall, dass lediglich eine Zielgröûe relevant ist und ein determ inistische s Entscheidun gsproblem vorliegt, stellt der Zielbeitrag z zugleich den Nutzwert n dar. Urn als Grundl age für die Lösung von Entsche idungsproblemen dienen zu können, muss das Zielsystem zunächst drei zent ralen Anforderungen genügcn:" •

VolIständigkeit: Urn eine rational e, den Z ielen entsprechende Entsche idung treffen zu können, müssen alle verfolgten Z iele und damit die Zielbeiträge sowie die Präferenzrelationen erfasst werden. Ist dies nicht der Fall, können die Handlun gsaltem ativen nicht in eine eindeutige Rangfolge gebracht werden und damit ist eine rationale Entscheidung nicht möglich.

•

Operation alität: Zur Bestimmung der im Hinblick auf das Z iel optimal en Handlungsalternativen ist es notwendig , das Ziel derart zu operationalisieren, dass für die Handlungsalternativen ein Zielerreichungsgrad angegeben werden kann. Auch aus der Notwendigkeit heraus, Entsche idungsproz esse arbeitsteilig in der Organisation zu vollzichcn, ist eine Operationalisierung von Zielen, die nicht beliebig interpretierbar sind, erforderlich.

•

Koord inationsgerechtigkeit: Das Entsche idungsfeld ist meist in sachlich und zeitlich begrenzte Teilentsche idungsfelde r zu zerlegen. Das Zielsystem muss nun die Abstimmun g dieser Teilentsche idungen in eine insgesam t zufrieden stellende Lösung erm öglichen .

In der Literatur erfolgt an dieser Stelle zumeist keine explizite Trennung der Ergebnisse e und der Zielbeitrage z durch eigene Variablen. Da wie bereits erwähnt lediglich zielrelevante Ergeb nisse im Entscheidungsmodell erfasst werden sollen, impliziert diese Erfassung auch eine Bewertung des Ergebnisses hinsichtlich der Zielerreichung (vgl. hierzu beispielsweise Bambe rg / Coene nberg 2004, S. 26). Im Vorgriff auf die zu unterscheidenden Entscheidungsproblemtypen (vgl. Kapitel 2.5 ) ist jedoch eine explizite Trennung in e und z im Rahmen dieser Arbeit zweckm äêig. ss VgL Dinkelbach 1982, S. 2. 89 V gl. Rieper 1992, S. 48. 90 VgL Dinkelbach 1982, S. 20f 91 Diese unterschiedlich en Präferenzrelationen hinsichtlich der gena rmten Merkmale werden als Artenpr äferenzrelation, Höhenpräferenzrelation, Zeitpräferenz und Risiko- bzw. Unsicherheitspräferenzre lation bezeichnet (vgl. stellvertretend Bamberg / Coe nenberg 2004, S. 9f oder Sieben / Schildbac h 1994, S. 27ff ) 92 VgL Bamberg / Coe nenberg 2004, S. 3 1f 87

20

Neben den hier aufgeftihrten eher allgemeinen Anforderungen sind zusätzlich messtheoretische Aspekte zu betrachten. Letztendlich soli über das Zielsystem und dessen Verknüpfung mit dem Entscheidungsfeld eine Bewertung der Handlungsaltemativen dergestalt erfolgen, dass diese in eine eindeutige Rangfolge bez. ihrer Wertigkeit gebracht werden können. Diese Wertigkeil wird durch den Nutzwert n festgehalten, der eine reellwertige Gröûe darstellt. Jeder Handlungsalternativen wird damit eine reelIe Zahl zugeordnet, deren natürliche Anordnung damit der Wertigkeit der I-landlungsaltemativen entspricht." Wie aus den vorangegangenen Erläuterungen deutlich wird, stehen die hier dargestellten Komponenten eines Entscheidungsmodells in einem gewissen Zusammenhang zueinander:" •

die Menge aller Umweltzustände U, mit U E U als einzelner Umweltzustand

•

die Menge aller Handlungsaltemativen A, mit a EA als einzelne Handlungsaltemative

•

die Menge aller Handlungsergebnisse E, mit eE E als einzelnes Handlungsergebnis

•

die Menge aller Zielbeiträge Z, mit ZEZ als einzelner Zielbeitrag

•

die Menge aller Nutzwerte N, mil n EN als einzelner Nutzwert

Abbildung 4 verdeutlicht die Komponenten des Entscheidungsmodells und ihre Verknüpfungen. Die Verknüpfung zwischen Handlungsaltemative a, Umweltzustand u und Handlungsergebnis e wird als Wirkungszusammenhang oder Wirkungsfunkt ion f w bezeichnet. Die Wirkungsfunktion ordnet jeder Handlungsaltemativen a in Verbindung mit je dem Umweltzustand u ein Handlungsergebnis e zu." Die Kenntnis des Handlungsergebnisses e ermöglicht jedoch nicht, diese in eine Reihenfolge hinsichtlich ihrer Vorziehenswürdigkeit zu bringen. Hierzu ist das Handlungsergcbnis zu bewerten. Die Bewertungsfunktion fR wiederum ordnet jedem Wirkungskomplex (a,u,e) einen Zielbeilrag Z zu. Wirkungszusammenhang und Bewertungszusammenhang lassen sich auch zur Zielerreichungsfun ktion f- i: dabei wirdjeder Handlungsaltemativen a in Verbindung mil jedem Umweltzustand u ein Zielbeitrag Z zugeordnet. Schlieûlich stellt die Zielfunktion .!z eine letzte Verknüpfung der Elemente des Entscheidungsmodells dar. Sind mehrere Umweltzustände und Zielbeiträge zu unterscheiden, so ordnet die Zielfunktion der Menge der Zielerreichungskomplexe (a,u],zl), (a,uz,zz),... ,( a,um,zn)} einen Nutzwert n Z U.96

93

94 95 96

Vgl. Bamberg / Conenberg 2004. S. 33fT. Vgl. zuder Darstellung und den nach folgenden Erläuter ungen Rieper 1992, S. 49fT. Vgl. Rieper 1992, S. 48. Vgl. Rieper 1992, S. 49fT

21

Umweltzustände UEU

!

Handlungsalternative aEA

!

Handlungsergebnis eEE

!

Zielbeitrag

Nutzwert

ZEZ

nEN

Wirkungsfunktion e = f ,,{a,u)

! Bewertungsfunktion z = f B(a,u,c)

! Zielerreichungsfunktion z = f B[a,u,f,J a,u)]= fz E(a,u)

! Zielfunktion n = f,[( a,u" z,), (a,uz,zz), ..,(a,u"" zntl] Abbildung4: Komponenteneines Entscheidungsmodells und seine Verknüpfungeu' " Wie bereits erläutert, stellt das Entscheidungsmodell das Ergebnis der Strukturierung eines Entscheidungsproblems dar und repräsentiert dieses in einer Form, die die Problemlösung als Ableitung einer logischen Implikation erlaubt." Praktische Entscheidungsprobleme und damit auch personalwirtschaftliche Entscheidungsprobleme weisen jedoch in der Regel Strukturdefekte" auf d. h, die Komponenten des Entscheidungsmodells und deren Zusammenhänge sind dem Entscheidungsträger nur zum Teil oder gar nicht bekannt.'?" Der Entscheidungsträger benötigt entsprechend Informationen, die es ihm erlauben, das Entscheidungsproblem zu strukturieren und in eine durch ein Entscheidungsmodell darstellbare Forrn zu bringen. l ede lnformation, die der Strukturierung eines Entscheidungsproblems und damit der Identifikation der Komponenten eincs Entscheidungsmodells und deren Zusammenhänge dient, wirkt damit entscheidungsunterstützend. Das Entscheidungsunterstützungspotenzial der Data Mining Methoden muss sich dann an der Fähigkeit messen lassen, diese Defekte zu heilen, d. h, den Entscheidungsträger bei der ErmittIung der Komponenten des Entscheidungsmodells und entsprechend der Strukturierung des Entscheidungsproblems zu unterstützen. Denn nicht nur das Lösen eines vorstrukturierten 97 Rieper 1992, S.49. ss Vgl. Bretzke1980, S.8. 99 Vgl. Adam/ Witte 1979, S. 130. 100 Vgl. Adam 1980, Klein / Scholl 2004, S. 52, Berens / Delfmann / Schmitting2004, S. 16ff., Rieper 1992, S.57.

22

Entscheidungsproblems, sond ern auch jede lnformat ion, die zur Konkr eti sierun g und damit Strukturierung des Entscheidungsproblem s dienl ich ist, bietet letztendlich Entscheidungsunterstützung. Im Folgenden werden basierend auf diesen Strukturdefekten Entsche idungsproblemtypen definiert. 2.5.

2.5.1.

Entscheidungsproblemtypen

Der Strukturi erungsgrad als Differenzierungsmerkmal

In der Literatur lassen sich fünf verschiedene Defekt e finden, die sich auf die Komp onenten des Entschcidungsmodells beziehen. So lassen sich Entschcidungsprobleme grund sätzlich in ab-

grenzungsdefekte, wirkungsdefekte, bewertungsdefe kte, zielsetzungsdefekte und läsungsdef ekte Entscheidungsprobleme unterscheiden.'?' Die Defekte spiegeIn dabei die Unbekanntheit bzw. den unzur eichend en Informationsstand bez. der einze lnen Kompon enten des Entscheidungsmodells wider und verweisen som it au f die Notwe nd igkeit der Ermittlung von Handlun gsaltern ativen , Umwcltzuständen, Handlungsergebni ssen , Zielen und Zielbeiträgen sowie der Wirkun gs-, Bewertungs- und Zielfunktion, urn letztendlich das Entsche idungsproblem lösen zu können. Liegen die genannten Defekte vor, so wird ein Entscheidungsprobl em als schlechtstrukturiert beze ichne t. Ein gutstrukturiertes Entscheidun gspr oblem liegt vor, wenn alle Defekt e geheilt sind, d. h. wenn sich das Entsche idungsproblem in einc m Entsche idungsmodell formalisieren und letztendlich lösen lässt."" Ge nereIl ergibt sich der Strukturierun gsgrad eines Entscheidungsprobiems aus der Beziehun g des Entsche idun gsträger s und dem Problem und ist nicht per se als Merkmal eines Entschei dun gsproblems gegeben. Er ist im Speziellen eine Eigenschaft der Problemsicht des Entscheidungsträgers' " und damit an den Informationsstand des Entscheidungsträgers gekoppelt. Bei den aufgeführten fünf Defekten wird grunds ätzlich davon ausg egangen, dass das Vorliegen eines Entsche idungsproblems bzw. die Notwendigkeit zur Entscheidun g vom Entscheidungsträge r bereits wahrge nomme n wurd e. Erst anschlieBend kann es zur Erstellung eines Entschei-

101

102 103

Adam 1996, S. 7ff , Adam / Witte 1979, S. 128ff unterscheiden lediglich Wirkungs-, Bewertungs-, Zielsetzungs- und Lösungsdefekt, wobei der Abgrenzungsdefekt hier im Wirkungsdefekt integri ert ist, während Berens / Delfmann / Schmitting 2004, S. 16ff , Domschke / Scholl 200S, S. 40ff und Klein / Scholl 2004, S. S l ft~ explizit den Abgrenzungsdefekt benennen. Im Folgenden wird aus Gründen der Übersicht1ichkeit der letzten Alternative gefolgt und eine separate Betrachtung abgrenzungs- und wirkungsdefekter Entscheidungsprobleme vorgenommen. Vgl. zur Einteilung in gutstrukturierte und schlechtstrukturierte Entscheidungsprobleme Rieper 1992, S. S7f und Adam 1996, S. ISff Vgl. Rieper 1992, S. 63 und Witte 1979, S. 82.

23

dungsmodells kommen. welchcs die Heilung diescr fünf Dcfckre erforden. Es wird dabci umcrstellt. dass dem Emschcidungsträgcr bercits lnform ationcn bekannI sind. die aufdas Vcrliegen

cincs Iauschcidungsproblcms hindeuren und damit diesen in die La ge vcrserzen. die Existcnz eiues Entscheidungspruhler ns ûhcrhaopr wehrzunchrnen. Jedoc h kann auch im Fchlen chcn dicser Anrcgungsinfortnation dil Defekt bcgründct sein. Inscfcrn kann sich cin Defekt für den Emschcidnngsträgcr auch hinsiclulich der Wahmehmung der Existcnz cincs Entschcidungsproblcms crgcbcn.'?' Aus diesom (Irund wird cin wcircrcr Defekt. der lI"ahrnellllllllJgsd"jekl.

cingcführt. der den unzurcichcndcn lnformationsstand binsichtlich der Problcmwahrnchmung widcrspicgch. Die einzclnen Dcfekte lassen sich in eine Ru ngfolge bringcn'?', sodass der Strukturicrungsgrad cincs Entschcld ungspm hlcms vom Wahrnchmungsdcfckt liber den Ahg rcnzung s-, den Wirkungs-. den Bcwcnungs-, den Zielscizungs- und den l.ösungsdcfckr bis sehlie61ich I UIll gUIsuukturicrtcn Emscheidungsprohlcm zunimmt (vgl. Ahbildung 5). "~ S".h ..,.;..... .,;'

,'ruk, ""..... g>-

-"

Inl<'P'' '' . OO

k";n

s""'' '-I d
&fol.,

M."

~I!S - 1 ~i.t_""l!S-1 P"'~""I!S- 1 w;'k""g<. I ,AbS'' '''''''''''- 1 ,Wahn>e""' ,,"l'Sdd. " &f.k, W.k, Wek,

[ ";rIIlcu' il:

v. lTIlut .... E,nsa"JlOl..., iill "'" Dal, Mln;n,

n>c/lrdcutig

J

Abbildung Sc Emsc"" idung,problem'JPI'n'O?

Die Grenzen zwischcn gutstrukurricrtcn und schlcchtstrukt uricrtcn Entschcidungsproblcrncn sind in der Praxis llieBcnd und bängcn von dcm zur Yerfilgungstehenden und genneten WiSSl'11 ab. t'~ De r gnmdlcgemle Unterschied der Entscheidungsproblemtypen e rgibt sich in s be soude re im Hin blick uuf den lntcrprctatiunsspiclreum. Währcnd gutstrukturicrtc Problcmc cindcutig (merbcmatiscbj lösbnr und daruit eindeuiig interprctierbar sind. zcichncn sich schlccht-

,,~ Vgl, hicr1.Udie Phasc der uur den Anr"g lmgsin!illmutio t...,n ba
' ·orge;td lten Emschcid lmg.'PIOJÇ<ses-

,,~ Vgl, !k rel" / Ddrmann / Schm;p;ng2004 , S, 19f ww i" Riepcr 1992. S 58

,,~ In der Litcrat", wird neben der glOben Einteilw,g in gUNmktwiene uoo schleç hN ruklUriene Emsc l...,id ung'"

problcmc auch cine differcnzienc rc Eimcilung in m,hl.do:finicn e wJd scharf..:ld iniene Emschc idungsp roblcmc , orl,1cnommcn (Yl,1I. (krcns / Ddlil1ann ISchmilting 2004, s . 20f). lm Fol~",ndon " in! dcr crstcn Einlcitung ~", lolgt, in de.,- schk", hlsl ru ~\I tricrtc I'rot>cl1..., j cne dars ld lcn, bei dene n minde,lc", cin<..,-der Deleklc vor1 i"~1. 1117 In Anlclltlung an Her.:ns / Iklfilllll1n/ Schnlltting 2004. S. 20, 100 Vgl, Ikr.:ns / Ddlinann / Scbl11;II;I1g 2004. S, 20.

strukturierte Probleme durch Interpretationsspielräume aus, die verschiedene Möglichkeiten zur Strukturierung des Entscheidungsproblems erlauben."? Das Einsatzpotenzial für Data Mining wird dabei hauptsächlich in schlechtstrukturierten Entscheidungsproblemen vermutet."" Inwiefem Data Mining zur Heilung der einzelnen Defekte tatsächlich geeignet ist, wird in Kapitel 3.3 analysiert. Zunächst gilt es jedoch, die einzelnen Defekte näher zu bestimmen. In der Literatur werden zwar die verschiedenen Defekte dargestellt, jedoch ist ihre Definition nicht einheitlich. So besteht darüber, welche fehlende Entscheidungsmodellkomponente welchen Defekt impliziert, kein Konsens. Beispielsweise wird in der Literatur die Unbekanntheit der Umweltzustände zum einen dem Abgrenzungsdefekt zugcrcchnet'", zum anderen erfolgt die Zuordnung ebendieser zum Wirkungsdefekt'" . Aus diesem Grund ist zunächst eine eindeutige Definition der einzelnen Defekte notwendig, urn ein einheitliches Verständnis der Entscheidungsprobleme zu schaffen. 2.5.2.

Wahrnehmungsdef ekte Entscheidungsprobleme

Ein Entscheidungsproblem ist wahrnehmungsdefe kt, wenn die Anregungsinformationen, die das Vorliegen eines Entscheidungsproblems indizieren, nicht bekannt sind. Ein wahmehmungsdefektes Entscheidungsproblem zeichnet sich dadurch aus, dass dem Entscheidungsträger keine Indizien vorliegen, die einen Handlungsbedarf notwendig erscheinen lassen. An dieser Stelle kann im Grunde nicht von einem Entscheidungsproblem im eigentlichen Sinn gesproehen werden, da sich das Problem des Entscheidens als bewusste Auswahl einer Handlungsaltemativen noch nicht stellt. Der Enn ittlung von Informationen, die auf ein möglicherweise in der Zukunft bestehendes Entscheidungsproblem hindeuten, kommt jedoch eine groûe Bedeutung zu. Werden diese Probleme frühzeitig erkannt, so können sie proaktiv positiv beeinflusst werden. In diesem Sinne kann auch von einer Entscheidungsmöglichkeit gesproehen werden, die es zu identifizieren gilt.'!' Aus Gründen der Konsistenz der im Zusammenhang mit den Defekten verwendeten Begriffe wird im Folgenden an dem Begriff Wahrnehmungsdef ektes Entscheidungsproblem festgehalten. Wie bereits in Kapitel 2.3 dargestellt, können sich die Anregungsinfonnationen zum einen aus Kontrollaktivitäten der realisierten Maênahmen ergeben oder aber Änderungen von entscheidungsrelevanten Parametem (wie Handlungsalternativen, Ziele, Umweltzustände) führen dazu, dass sich ein neues Entscheidungsproblem ergibt.

109 110 III

112 113

Vgl. Berens I Delfmann I Schmitting 2004, S. 20. Vgl. Z. B. Tung et al. 2005, S. 79 1. Vgl. Berens l Delfmann l Schmitting2004, S. 18. Vgl. Klein I Scholl 2004, S. 5 1f oder Adam 1996, S. lOf Vgl. Klein I Scholl 2004, S. 65.

25

Damit bleibt hinsichtlich des Einsatzpotenzials von Data Mining zur Heilung des Wahrnehmun gsdefektes zu diskut icren , ob mit Hilfe von Data Mining Methoden diese Anre gungsinformationen erm ittelt werden können, 2.5.3.

Abgrenzungsdef ekte Entscheidungsprobleme

Hinsichtlich des Abgrenzungsde fektes lassen sich in der Literatur unterschi edlich breite Definitionen finden.!" Um j edoc h eine m öglich st trenn scharfe Definiti on des Abgrenzun gsdefektes im Hinblick auf die übrige n Defekte zu erreiche n, wird im Folgenden eine ausschlieBl ich die Handlun gsalte rnativen betreffende Defin ition verwendet. Somit kann ein abgrenzungs defektes Entscheidungsproblem wie folgt definiert werden: Sind die Art und / oder die Anzahl der Handlungsaltern ativen A nicht (vollst änd ig) bek annt, so handelt es sich urn ein abgrenzungsdefektes Entscheidungsproblern.!" Ein abgr enzungsdefektes Entscheidungsproblem zeichnet sich dadurch aus, dass sich der Entscheidungsträger zw ar generelI einern Problern gegenübersieht, aber nicht in der Lage ist, die in Frage kornrnenden Handlun gsaltern ativen zu konkretisieren . Es handelt sich demnach in diesem Stad ium des Entscheidungsprozes ses urn ein Probl emb ewu sstsein des Entscheidungsträgers basierend auf Anre gungsinform ationen , aus dem sich ein noch zu spezifizierender Handlun gsbedarf ergibt.!" lrn Hinbl ick auf das Einsatzpotenz ial von Data Min ing zur Heilung des Abgrenzun gsdefektes bleibt damit zu analysieren, inwiefern die Ermittlung von (problemrelevanten) Handlun gsalternativen durch Data Min ing erfolgen kann. 2.5.4 .

Wirkungsdef ekte Entscheidungsprobleme

Es besteht ein Wirkungsdefekt , wenn der Wirkun gszusammenhang zwischen den Handlungsalternativen a, den Urnweltzuständen u und den Handlun gsergebn issen e bzw. deren Ausprägungsniveau nicht bekannt bzw . nicht ermitte lbar ist."? Dem Entscheidungsträger sind dem-

So führen Klein und Scholl 2004, S. 53 und S. 62 die Ermittlung des Zielsystems neben der Ermittlung von Handlungsaltemativen als notwendige Aktivitäten zur Heilung des Abgrenzungsdefektes auf Stehen diese Aktivitäten noch aus, so handelt es sich demnach urn ein abgrenzungsdefektes Entscheidungsproblem. Berens / Delfmann / Schmitting 2004, S. 18 hingegen führen den Abgrenzungsdefekt auf das Fehlen von Handlungsalternativen und / oder Umweltzuständen zurück. Domschke / Scholl 2005, S. 40 beziehen den Abgrenzungsdefekt lediglich aufdie Handlungsaltemat iven. ns Vgl. Domschke / Scho1l2005, S. 40. 116 Es ist unmittelbar einsichtig, dass die Ermittlung von Handlungsaltemativen nicht völlig losgelöst von Zielvorstellungen liber den mit der Realisierung der Entscheidung angestrebten Soll-Zustand stattftnden kann. Voraussetzung für die Ermittlung von problemrelevanten Handlungsalternativen ist damit das Vorhandensein von Vorstellungen liber den anzustrebcnden Soll-Zustand und damit liber das Zielsystem. Die Definition der ZielgröBen wird im Rahmen des zielsetzungsdefekten Entscheidungsproblems thematisiert (vgl. Kapitel 2.5.6). 117 Vgl. Adam 1996, S. 14f oder Berens / Delfmann / Schmitting 2004, S. 18. 114

26

nach die Handlungsalternativen bekannt, je doch fehlt die Kermtnis über mögliche Handlungsergebnisse oder Umweltzustände oder die Verknüpfung zwischen Handlungsalternativen, Umweltzuständen und Handlungsergebnissen ist nicht transparent.!" Damit kann die I-1eilung des Wirkungsdefektes bei einem abgrenzungsdefinierten Entscheidungsproblem folgende zwei Aufgaben umfassen: •

Ermittlung der Umweltzustände u und

•

Ermittlung der Wirkungsfunktion Z, (a.u) und damit einhergehend von e

Der Wirkungsdefekt ist dann behoben, wenn Umweltzuständc, Wirkungsfunktion und damit die Handlungscrgcbnisse ermittelt sind. Bezüglich des Einsatzpotenzials von Data Mining zur Heilung des Wirkungsdefektes ist zu diskutieren, ob die Umweltzustände u oder die Wirkungsfunktion z, (a.u) und damit einhergehend das Handlungsergebnis e durch Data Mining ermittelt werden können. 2.5.5.

Bewertungsdefekte Entscheidungsprobleme

Ein Bewertungsdef ekt liegt dann vor, wenn sich die Handlungsergebnisse e nicht anhand ihrer Zielbeiträge bewerten lassen.!" d. h. die Ermittlung des Zielbeitrags z steht noch aus. Damit ist nicht klar, welchc Zielbeiträge die einzelnen Handlungsalternativen in Verknüpfung mit den Umweltzuständen realisieren. Wie bereits erwähnt, kann es sich dabei urn Zielbeiträge bezogen auf ein Ziel oder mehrere Ziele handeln. Damit erfolgt die Bewertung der I-1andlungsergebnisse e unter Beachtung einer oder mehrerer Zielgröûen. Die Heilung des Bewertungsdefektes umfasst demnach folgende Aufgabe: •

Ermittlung der Bewertungsfunktion h (a,u,e)

•

oder der Zielerreichungsfunktion h E(a,u)

•

und damit einhergehend der Ermittlung des Zielbeitrags z

Eine Bewertung kann nur dann stattfinden, wenn die operationalen Zielsetzungen bekannt sind, anhand derer die Bewertung erfolgen soll, d. h. über die Angabe des Zielbcitrags z muss ersichtlich werden, bis zu welchem Ausmaf das Ziel errcicht wurde.'" Damit wird deutlich, dass an dieser Stelle der Zielsetzungsdefekt zumindest teilweise geheilt sein muss, da zumindest bez.

liS

119 120

Vgl. Rieper 1992, S. 62. Vgl. Rieper 1992, S. 61. So wird in diesem Zusammenhang stalt von Zielbeitrag a uch von Zielerreichungsgrad (vgl. Klein / Scholl 2004, S. 5 1f ) gesproc hen.

27

der zu berücksichti genden operationalen Zie lgröl3en Klarheit herrschen muss (vgl. zum Zie lsetzungs defekt Kapitel 2.5.6).121 Das Entscheidungsunterstützungspotenzial von Data Mining zur Heilung des Bewertun gsdefekte s muss sich entsprec hend an der Fähigkeit von Data Mining zur Errnittlung der Bewertungs funktion

JB oder

der Zie lerreichungsfunktion h

E und damit des Zielbeit rags z be urteilen

lassen .

2.5.6.

Zielsetzungsdefe kte Enlscheidungsprobleme

Spielen in eine r Entscheidungssituation mehrere konfliktäre Zielsetz ungen eine Rolle, ist die Zielgröl3e selbst oder das anzustrebende Nivea u der Zie lgröl3e bzw. mehrerer Zielgrö l3en nicht bek annt, so handelt es sich urn eine n Zielsetzungsdefe kt. Der Entscheidungsträger ist in der Konsequenz nicht in der Lage, jeder Handlun gsaltemative unter Berücksichtigung der reIevanten Umweltzustände und der jeweiligen Zielbe iträge einen bestimmten Nutzwert n zuzu ordnen.!" Entsprechend dieser Definiti on des Zielsetzun gsdefekte s umfasst die I-1eilung des Bewertungsd efektes folgende Aufgabe n: •

Ermittlung der Zielgröl3en

•

Ermittlung der Zielfunktionfz und mithin des Nutzwcrts n

Mit der Heilung des Ziel setzun gsdefektes ist der Entsche idungsträger in der Lage, den Handlungsaltemativen a einen Nutzwert n zuzuordnen. Das Einsatzpotenz ial von Data Min ing Meth oden zur Heilung des Ziel setzungedefektes ist damit bez. der Leistungsfähigkeit dieser Method en hinsichtlich der Errnittlung der Zielgrö l3en und der Zie lfunktion zu analysieren.

2.5.7.

Losungsdefekte Enlscheidungsprobleme

Der Läsungsdefekl schliel3li ch indizie rt das Fehlen einer effizienten Lösungsmethode. Eine Lösungsmethode ist dann effiz ient, wenn sie die optimale Lösung in annehmbarer Zeit erm ittelt.!" Mit der Heilun g des Ziel setzun gsdefektes liegt jedoc h zugleich ein lösung sdefiniertes Entsche idungsprobl em

VOL

I24

Durch die Z uordnung eines Nutzwertes n zu jeder Handlun gsalterna tiven

und damit der Heilung des Zielsetzungsdefektes, können die Handlun gsaltemativen in eine

121

122 123

124

28

Vgl. Rieper 1992, S. 61. Auch an dieser Stelle wird de utlich, dass der Entscheidungsprozess keineswegs als sequenzieller Prozess zur Ermittlung der hier vorgestellten Elemente des Entscheidungsmodells gesehen werden kann, vielmehr bestehen Interdependenzen, die dazu führen, dass einzelne Schrille wiederholt durchgeftihrt werden m üssen. Vgl. Rieper 1992, S. 60. Vgl. Adam 1996, S. 101f, Berens / Delfmann / Schmitting 2004, S. 18f , Domschke / Scholl 2005, S. 42. Vgl. Klein / Scho1l2004 , S. 52.

Rangfolge gebracht werden und som it ist die Auswahl der besten Handlun gsalternative und damit der optim alen Lösung mög lich. Damit erübrigt sich die Betrachtun g des Lösungsdefektes im Rahme n dieser Arbeit.!"

2.5.8.

Zusammenfassung

Auf Basis der Entscheidungstheorie lassen sich mit wahrnehmungsdefek ten, abg renzungsdefekten, wirkun gsdefekten , bewertungsdefekten und zielsetzun gsdefekten Entscheidun gsproblem en fünf Kategorien von Entscheidungsproblemen able iten, die kontextunabhä ngig die Inform ationsdefizit e expl izieren, an denen sich die Entscheidun gsunterstützun g grundsätzlich man ifestiert. Damit kann all jenen Methoden Entsche idungsunt erstützun gspotenzi al zugebilli gt werden, die diese Infonnationsdefizite beseitigen können. So besteht die Entscheidungsunterstütz ung •

bei wah rnehmungs defekten Entsche idungsproblemen in der Identifik ation von Anregungsinforma tionen,

•

bei abgrenzungsdefekten Entscheidun gsproblemen in der Identifikation von (proble mrel evanten) Handlungsaltern ativen a,

•

bei wirkungsdefekten Entscheidungsproblemen in der Identifi kation von Umweltzu ständen

u, der Wirkun gsfunkti on Z, und den Handlungs erge bnissen e, •

bei bewertungsdefekten Entscheidungsproblemen in der ldent ifikation der Bewertungsfunktion

•

ó,

respektive der Zie lerreichungsfunktion

ó -

und der Zie lbeiträge z und

bei z ielsetzungsde fekten Entscheidungsproblemen in der Ident ifikation von Zielgröûen, Zie lfunktionj; und Nutzwe rten n.

Diese Tätigkeite n können in den organ isatorischen Rahmen des Entscheidungsprozesses eingebettet werden. Abbildung 6 fasst die erarbeiteten Z usamme nhänge übe rsichtlich zusamme n.

125

Gibt es aufgrund gleicher Nutzwerte mehrere beste Handlungsalternativen, so gibt es keine eindeutige Lösung. Daran würde jedoch auch eine "e ffiziente L ösungsmethode" nichts ändern, insofern erübrigt sich die Betrachtung des Lösungsdefektes auch bei mehreren besten Handlungsalternativen. Der Lösungsdefekt kommt grundsätzlich nur bei Optimierungsproblemen zum Tragen (vgl. Klein / Scholl 2004, S. 52), welche je doch nicht Gegenstand dieser Arbeit sind.

29

-1 .,

I wahrncbmungsdcfcktc

erkcnnun g

Eruscbeidun gsproblcmc

I

ahgrcnl.ung.,lkfcklc

I I

j Altemali" .:ncrmmlu ng

I

Enlschcidungsfindun g

Entschcidungsprohlcmc

H H H

wirkungsdcfcktc Emschcidungsproblemc

be.... crtung>dcfeklc Entschcidungsprohlcmc

zid sclZungsdcfcklc Emschcidun gsprcblcm c

I

--1

I

Problcm-

I I

I

r............ .1 Anrcgungsr nformationcn

,, ,, ,

Ilan d lung!'al temali"c n

,, ,, ,,,

I

, , ,, ,

I I

, ,

Urnweltzus tandc,

wirk ungsfunknon , IlanJl ung~ rgcbnisse Ik wc rtungsfunktion I Iiclc lTcichung, funkt inn. Zic1bcitragc

ZiclgroJlcn. Z icl funkl ion. Nu \Zwcrtc. ,lplimalc lIa ndl ungsalternative

------ ---------

Rcalisicrung

Abbildllng 6: Zus
lil der Phasc der Problc mcrkcnnun g c rfolgt die Ilcitung des Wa hrnchmungsdcfcktcs. indcm All-

rcgungsinfonnationcn bcschafft werden. 1111 Raluncn der Phasc Altcrnativcncrminlung werden für abgrenzungsdefekte Entschcidungsproblem e Handlungsaltcmativen crminelr. Die Entscheidungsfindung er forden die ll cilllug des Wirk ungs-. Hcwcrtungs- und Ziclsctzungsdcfcktcs. iudcru Umw cltzusrändc, Wirkungsfunktioncn, Hendlungscrgcbuissc, Ziclbeiträgc. Hcwcrtungsluw. Ziclc rrcichungsfunktioncn. Ziclgröêcn. Zielfun ktienen und schlicBlich Nutzwertc idcnri-

fizfcrt werden müsscn. um die optimale Handlung saltcrnativc auswählcn zu könncn. Die optimale Hendlungsahe rnanve wird schfieûlich rculisicn, Mil den vorgcstclhcn Entscheidengsproblomtypen licgt zunächst einc thcoricbasicrtc Kategorisic nm g lor, mit deren l lilfc die Data Mining Meiheden unabhllngig von dcm konkreten Emschcidungsproblcm im Pcrsonalrnaaagement aufihr Potenzial zur Entscheidungsunterstützung hin analysiert werden können.

Dazu werden zunëchst irn felg enden Kapttel die Data Mining Methoden vorgcstcllt und dicsc dann auf ihr

30

Enl~chci du ngs untcrstü\Zu ngs polenJ.ial

h in untcrsuc ht.

3. Entscheidungsunterstützung mit Data Mining 3.1.

Data Mining

3.1.1.

Grundlagen des Data Mining

3.1.1.1.

Delinition

Data Mining, im Deutsehen aueh als Datenmu stererkennung übersetzt'" , wird als Oberbegriff für reehnergestützte Analyseverfahren verwcndet, die aus groBen Datenbeständen eigenständig und datengetrieben'" , d. h. ohne Hypothesen des Entseheidungsträgers über Zusammenhänge in den Daten, unbekannte Muster entdecken.!" Data Mining wird häufig in den Knowledge

Discovery in Databases (KDD)-Pro zess eingeordnet. Dem KDD-Prozess werden neben der Entdeekun g von Mustem aueh die Phasen der Datenauswah ], -vorbereitung und -transformation sowie der Interpretation der Analyseergebnisse zugereehnet werden .!" In diesem Zusammenhang wird Data Mining auf die reine Anwendung von Analysemethoden auf einen Datenbestand reduziert. Daneben ist jedoeh aueh die synonyme Verwendung der Begriffe Data Mining und Knowled ge Diseover y in Databases üblich,"" welehe aueh für diese Arbeit geiten soli. Einer anerkannten Definition zufolge stellt Data Mining den nieht-trivialen Prozess der Identifikation valider, neuer, potenziell nützlieher und verständlieher Muster in groBen Datenbeständen dar.!" Die mithil fe von Data Mining ermittelten Muster in den Daten müssen damit den Gütekriterien Validität, Neuheit, (potenzielIer) NützIichkeit und VerständIichkeit gcnügen.!" Es stellt sich daher zunächst die Frage, was als Muster bezeichnet wird und wie die einzelnen Gütekriterien definiert sind. Mit Muster wird ein der Form her beIiebiger Zusammenhang in den Daten bezeiehnet. Das Muster stellt dabei eine zusammenfassende Aussage über Einzelheiten in den Daten dar.!" d. h. es aggregiert Detailmerkmale des analysierten Datenbestands. Damit wird zunächst eine Komplex itätsredukt ion erreicht, die grundsätzlich dem Entseheidun gsträger einen vereinfaehten Zugang zu den Inhalten des Datenbestands ermöglichen soli. Ein solches Muster muss dabei den genannt en Anforderungen genügen. Die Validität zielt dabei auf die

126 127

128 129

130 131 132 133

Vgl. Hagedorn / Bissantz / Mertens 1997, S. 601. Vgl. Knobloch 2000, S. 9tT. Vgl. Adriaa ns / Zantinge 1996, S. 5, Säuberlich 1999, S. 10. Vgl. Adriaa ns / Zantinge 1996, S. 5 und Fayyad / Piatetsky-Shapiro / Smyth 1996a, S. 9tT. Vgl. Z. B. Klippers 1999, S. 24 oder atle / atle / Kaiser 2004 , S. 17. Vgl. Fayyad / Piatetsky-Shapiro / Smyth 1996a, S. 6 und Fayyad / Piatetsky-Shapiro / Smyth 1996b, S. 30. Vgl. Fayyad / Piatetsky-Shapiro / Smyth 1996a, S. 6 und Knobloch 2000, S. 14. Vgl. Hagedorn / Bissantz / Mertens 1997, S. 60 1.

31

inhaltliche und fonnal e Gült igkeit eines Mus ters ab. 134 Die inhaltliche Gültigkeit ist von einem Experten mit entspreche nder Kenntn is der Anwendungsdom äne sowie der I-Ierkunft und Struktur der verw endeten Daten festzustellen .!" Darüber hinaus wird die Gültigkeit eines Musters fonnal durch ein Gütem af angegebe n. Dieses gibt Aufschluss übe r die Güte des enni ttelten Zusamme nhangs und die fälschl icherw eise einem bes timmte n Mu ster zugeordneten Daten und wird von der Data Mining Methode automatisie rt mitberechnet. Neben der Validität müssen die mithilfe von Data Min ing ermittelten Muster dem Kriterium der Neuheit genüg en. Es ist unm ittelbar einsichtig, dass Neuheit kein eindeutig definiertes absolutes MaB darstellt, sondem vielmehr relativ im Vergle ich zu verga ngenen Daten oder zum lnform ationsstand des Entscheidungsträgers zu evalu ieren ist. Mu ster können sich damit zum einen als (objektiv) neu im Vergl eich zu vergangenen Daten erweisen oder aber sich als (subj ektiv) neu dem Entscheidungsträger darstellen. Entsprechend lassen sich in der Literatur untersch iedliche Maûe für Neuheit finden .!" Der Anforderung der (potenziellen) Nützlichkeit genügen Muster dann, wenn sie zu Handlungen führen können, die zum Nutzen des Entsche idungsträge rs beitragen.!" Demn ach sind solch e Muster nützlich, die dem Entscheidungsträger zur Ermi ttlung einer optimalen Handlungsaltemativen a dienlich sind, d. h. die Strukturierung eines EntscheidungsprobIems und damit die Heilung der Strukturdefekte von Entscheidungsproblemen unterstützen. Das Güte kriterium Verständlichkeit schl ieêlich z ielt insbesond ere au f die Präsent ation der Muster in e iner für den Anwe nder nach vollziehbaren Fonn ab.138 Auch für die Messung der Verständlichkeit existieren verschiedene Ansätze, die beispiel sweise die Einfachheit von Mustem oder die Erklärbarke it durch Dom änenwissen operationalisieren.!" Die genarmten Kriterien Validität, Neuheit, Nützlichke it und Verst ändlichkeit spiegeIn letztlich Facette n eines übergeordneten lnte ressantheit smaêes für Muster wid er'" und können zu dies em allgemeineren MaB kombinie rt werden." ! Charakterisierend für die Analysemethoden des Data Minin g ist wie bereits erw ähnt die eigenständige datengetriebene Vorgehen sweise. Damit sind für Data Mining zwei konstituierend e Merkm ale genann t: die Automatisierung und das exp lorative Vorgehen. Die Automatisierung ergibt sich aus der zwin genden Verknüpfung der Data Mining Methoden mit l'I-Systemen , die letztendlich erst eine eige nstä ndige Musterentdeckung in groûen Datenbeständen ermöglicht.

134 135 136 137 138 139 140 141

32

Vgl. Knob loch 2000 , S. 15. Vgl. Stro hmeier / Piazza 200 5, S. 133fT Vgl. Mü ller / Haus dorf / Schneebe rger 1998, S. 250. Vgl. Fayyad / Piatetsky-S hapiro / Smyt h 1996a, S. 8, Knobloch 2000 , S. 15, Müller / Hau sdorf / Schneeberger 1998, S. 250 oder Elov ici / Braha 2003. Vgl. Knobloch 2000 , S. 15. Vgl. Mül ler / Haus dorf / Schneebe rger 1998, S. 250. Vgl. M üller / Hausdorf/ Schneeberg er 1998, S. 250. Vgl. Gebhar d 1994 oder M üller / Hau sdorf / Schneeberger 1998.

Die explorative Vorgehensweise referenziert auf die dateng etriebene Ermittlung der Muster dureh Data Mining, die ohne Hypothesen des Entseheidungsträgers über bestimmte Zusammenhänge allein aus der zugrunde liegenden Datenb asis explorativ ermittelt werden. Nae hfolgend werden kurz diese beiden Charak teristika von Data Mining dargestellt. Obwohl die Automatisierung ein konstituierendes Merkmal von Data Mining darstellt, ist grund sätzlieh die Anwendung von Data Min ing nicht an den Einsatz eines bestimmt en Systems oder eine Systemart gekoppelt.'" So lassen sieh Systeme linden, die lediglieh einzelne Methoden anbieten oder Data Mining Suites, die eine Vielzahl untersehiedlicher Data Mining Meth oden in einer Software bereitstellen .!" Zudem sind Data Mining Meth oden zunehmend in Data Warehou se Systemen integr iert.!" Data Warehou se Systeme sind Systeme, die speziell der Speieherung von groBen Datenbeständen zur Analyse dienen. Hierzu we rden die Daten in spezifiseh auf die Anal yse ausger iehteten relationalen oder mult idimen sionalen Strukturen gespeiehert. Darüber hinaus linden Data Mining Method en zunehmend Einsatz in domänenspezifisehen Systemen wie z. B. in Systemen für das Customer Relationship Management, die für Kunden- und Marktanalysen integrierte Data Mining Meth oden bereitstellen '" oder in Betrugserkennungssystemen, die der Aufdeekung von Kred itkartenmi ssbraueh dienen'". So wird aueh für das Personalmanagement ein System am Markt angeboten, welches die Personal vorauswahl mit Data Mining Meth oden unterst ützt.!" Des Weiteren lassen sieh Systeme dah ingehend unterseheiden, ob es sieh urn Freew are'" oder kommerzielle So ftware!" handelt sowie über die Implementierun gsart als einfaehe s oder verteiltes System.!" Damit ist eine Vielzahl an Systemen verfügbar, die aueh unabhän gig vom Anwendungskontext einsetzbar sind und somit aus syste mteehniseher Perspektive grundsätzlieh aueh im Personalmanagement den Einsatz von Data Mining ermögliehen würden. Das explorative Vorgehen von Data Min ing zielt auf die datengetriebene Ermittlung von Mustem ab, d. h. Data Mining Method en ermitteln Zusammenhänge unterseh iedlieh er Art aus der gegebenen Datensituation heraus, ohne auf Annahmen des Entsehe idungsträgers bez. m öglieherwe ise bestehender Zusamme nhänge zurüekzugreifen . Letztendlich bedeutet dies, dass der Vgl. Giraud-Carrier / PoveI2003. Vgl. Schinzer / Bange / Mertens 1999 oder Düsing 2006. 144 Vg!. stellvertretend Kieûwetter / Vah1kamp 2007 oder Schinzer / Bange / Mertens 1999, S. 133ff 145 Zu nennen sind hier beispielsweise Impact" Database Marke ting System (vg!. KnowledgeBase Marketing 2009) oder Fulcram Analytics (vg!. Fulcram 2009). Weitere Syste me finden sich beispielsweise in KDN uggets 2009a. 146 Beispielsweise LEADM iner (vg!. Data Mining International, Inc. 2009) oder Aust in Logistics FraudAlert (vg!. Austin Logistics 2009). Eine Übersicht über entsprechende Systeme findet sich in KDNuggets 2009b. 147 Vgl. America n Heuristics Corporation 2009. 148 Weit verbreitet sind Weka (vg!. Witten / Frank 2000 ) und R (vg!. Ihaka / Gentleman 1996). 149 Zu nennen sind hier. beispielsweise SPSS Clementine® (vg!. SPSS GmbH 2008), SAS® Enterprise Miner" (vg!. SAS Institute GmbH 2009) oder DeltaMas ter (Bissantz & Company GmbH 2009). 150 Vg!. Düsing 2006, S. 257. 142 143

33

Entscheidungsträger keine Annahmen über Verteilungen der Daten trim, sondem diese durch die Anwendung von Data Mining Meth oden ermitt elt. Der musterentdeckende Prozess der einzelnen Data Mining Methoden wird dabei zum einen durch methoden imm anente Gütekriterien gesteuert, d. h. jede Data Mining Method e ver fügt über formale Gütekr iterien, deren Erreichung das Verhalten der Method e bei der Such e nach Mustem beeinf1usst. Zum anderen gibt der Entscheidun gsträger selbst Parameter vor, über die er aktiv den Entdeckungsprozess beeinf1ussen kann . Dabei existieren keine allgeme in gültigen Vorgaben, welche Parametereinstellunge n bei wclcher Data Mining Method e zur Entdcckung guter Muster führen. 3.1.1.2.

Die Datenb asis

Unabhängig von der systemtechnischen Umsetzung werden im Folgenden die Begr ifllichkeiten zur konzeptionellen Beschreibung des Datenb estandes, aus dem Data Mining Method en unbekannte Muster entdecken sollen, eingeführt. Diese Begriftl ichkeite n sind grundlegend für die weiteren Ausführun gen in der Arbe it. Üblicherweise wird Data Minin g auf Daten angewandt, die fü r andere Zwecke als die Data Min ing Analyse erhoben wurden.!" Diese Daten gilt es dann so aufzubereiten, dass Data Mining Method en in der Lage sind, diese zu analysieren. Data Mining Methoden sind dabei überwi egend für die Mustererkennun g in einzelnen Tabellen (vgl. Abbildung 7) konzipiert.'? Entsprechend müssen die Daten in einer einzigen Tabelle zusammengeführt werden, urn sie mit Data Mining analysiere n zu k önnen.!" Grundsätzlich wird damit Data Minin g auf einer Dalenbasis in Tabellenform angewandt, die eine Ansammlung an strukturgleichen Datensätzen, den Obj ekten, darstellt . Die einzelnen Objekte werden durch

Attribute beschrieben, die Werte der Attribute stellen die Auributsauspr ägungen dar. Abbildung 7 verdeutli cht den Zusammenhang der eingeführten Begriftlichkeiten. Data Mining Methoden sind dann in der Lage, in e iner entsprechend vorberciteten Datenba sis automatisiert Zusammenh änge zwischen Objekten, Attributen und Attributsausprägungen zu identifizieren. Üblicherweise liege n die Daten j edoch nicht in einem einheitlichen Format vor, d. h. Attribute weisen untersch iedliche Wertebereiche auf. Einze lne Data Mining Meth oden sind jed och ausschlieBlich für bestimmte Datenformate geeignet, so dass sich entspre chend die Notwendig keit zur Transform ation ergibt.

151 152

153

34

Vg!. Hand /Mannila /Smyth200 1,S. I, Hand 1998, S.11 2. Vg!. Dzeroski 2005, S. 88 1. Im Forschungsbereich der Datenbanksysteme erfolgt unter dem Thema .Relational Data Mining" die Entwicklung von Data Mining Methoden, die Obermehrere solcher Tabellen agieren können (vgl. die Beiträge in Dzeroski / Lavrac 200 1). Die groBe Mehrheit der existierenden Data Mining Methoden sind j edoch für die Mustererkennung in einzelnen Tabellen konzipiert (vgl. Dzeroski 2005, S. 88 1).

Attribute

Objekte

Attr ibutsausprägun gen Abbildung 7: Datenbasis des Data Mi ning !"

Bez üglich des Skalenniveaus lassen sich grundsätzlich Nominal-, Ordinal , Intervall- und Verh ältnisskalen unterscheiden, wobe i die Nominalskala das niedr igste und die Verhältn isskala das höchst e Skai enniveau darstellt.!" Nominalskalen drücken eine Klassenzugehör igkeit aus, d. h. Ausprägun gen eine s nom inalskalierten Attribut s sind als gleichwertig anzusehen. Als Beispiel sei hier das Attribut Geschlecht mit den Ausprägun gen männlich und weiblich genannt. Nominale Attributsausprägungen können als Kategotien. Zahlen, alphanumerische Informationen oder Symbol e vorli egen. Werden beispielsweise die Attributsausprägunge n männlich und weiblich mit 1 und 2 kod iert, so ändert dies nicht s am Messniveau.!" Ordin alskalierte Attribute geben eine Rangfolge an, ohne jedoch den Abstand zwi schen den einzelnen Ausprägungen zu quantifizieren. Als Beispiel sei hier die Gehaltskl asse mit den Ausprägungen .Jioch", .rnittel" und .niedrig'' genannt, die zwar einen Vergl eich von Mitarbe item anhand der Gehalt skla sse erm öglicht , jedoch kann das Ausmaf des Gehaltsunters chieds nicht angegeben werden . Nominalund ordinalskalierte Daten werd en auch als kategoriale Daten bezeichnet.' ? Die Intervallskal a

154 155 156 157

Vgl. auch Kantardz ic 2003, S. 11. Vgl. Backhaus et al. 2003, S. 4. Vgl. Grim mer / Mucha 1998, S. 112 oder Backhaus et al. 2003, S. 4f Vgl. Backhaus et al. 2003, S. 6. Daneben existiert auch die Bezeichnung als quan titative Daten (vgl. z. B. Klein / Scholl 2004, S. 34). Hierbe i werden die Begrifflichkeiten jedoch nicht einheitlich verwe ndet (ebenda). So bezeichnen beispielsweise Grimme r / Mucha 1998, S. 113 ausschlieBlich nominale Daten als qualitative Daten. Im Folgenden steht der Begriff .k ategoriale Daten" für nom inale und ordi nale Daten. Aufgrund skalierungs-

35

ist in gleichgroû e Skalenabschnitte eingete ilt und erlaubt dam it im Unterschied zu nom inal- und ordinalskalierten Daten die Bildun g von Differenzen. Als Beispiel sei hier die Temperaturmessung mithilfe der Celsius-Skala gcnannt.!" Die Verh ältn isskala schlie ûlich stellt das höchste Messniveau dar. Es existie rt ein absoluter Nullpunkt, sodass neben der Subt raktion und Addition aueh die Mult iplikation und Division möglich sind, wie z. B. bei Umsatz oder Gewicht.!" Interv all- und verhältni sskalierte Daten werden auch als metrische Daten bez eichnet .''" Die Skalierung der Attribute ist bei der Analyse des Einsatzpotenzials von Data Mining im Person alm anagement aus zwe i Gründen zu beachten. Zum einen ist der Einsatz von spezifischen Data Mining Meth oden an die Skalierung der Attribute der Datenb asis gekoppelt (vgl. z. B. Kapitel 3. 1.2.2. 1), d. h. um bestimm te Data Min ing Methoden einsetzen zu können, müssen die Attribut e in cine r spezifischen Skalierun g vorliege n. Zum anderen ist zu prüfen, inwiefem sich aus entscheidungstheoretisc her Sicht aufgrund der Skalierung der Daten Implik ationen für die Heilung bestimmter Defekte erge be n. Grundsätzlich bleibt an dieser Stelle festz uhalten, dass eine Tr ansform ation von einem höheren auf ein nied rigere s Skalenniveau m öglich ist, umgekehrt ist diesjedoch nicht der Fall.161 3.1.1.3 .

Der Data Mining Prozess

Die vorangegangenen Ausftihrungen haben gezeigt, dass zur Data Mining Analyse versch iedene Aktiv itäten durchzuftihren sind. Diese werden üblicherweise in Proze ssmodellen strukturiert . Es existiert eine Vielzahl an Prozessmodellen '" , die alle im Wesentl ichen die folgende n Schritte um fassen (vgl. Abbildung 8).

Fokuss ierung

Abbildung 8: Der Data Mining Prozess

In der Phase Fokussierung erfolgt unter Ber ücksichtigun g des spezifischen Anwendungswissens und -kont extes die Definition der Zie le, die mit der Data Mining Analyse ve rfolgt bezogener Anforderungen, die Data Mining Methoden an die Datenbasis stellen, ist ein einheitliches Ver-

ständnis dieser Begrifflichkeiten notwendig. 158 159

160 161 162

36

Vgl. Backhaus et al. 2003, S. 5. Vgl. Grimmer / Mucha 1998, S. 112f Vgl. Backhaus et al. 2003, S. 6. Vgl. Backhaus et al. 2003, S. 6. Vgl. beispielsweise Fayyad / Piatetsky-Shapiro / Smith 1996a, Beny / Linoff 2004, S. 54ff, Chapman et al. 2000, Gaul / Säuberlich 1998, S. 146f

werden sollen. Es er/bigt die Festlegung der Data Mining Methode(n), die zur Anwendung kommen soll(en). Weiterhin werden die relevanten und verfügbaren Daten bestimmt, d. h. es werden sowohl die Dateninhalte definicrt, die zur Analyse herangezogen werden sollen, als auch die Orte (d. h. spezifische Systerne, Dateien etc.) bestimmt, an denen die Daten gespeichert sind. Ziel der Vorverarbeitung ist die lntegration, Konsistenz und Transformation der Daten. Wie bereits erwähnt ist es erforderlich, die zur Analyse benötigten Daten in eine Datenbasis zu integrieren. Weiterhin sind lnkonsistenzen, die sich beispielsweise durch Homonyme oder Synonyme oder auch Schreibfehler in den Daten ergeben, zu eliminieren. Auch fehlende Attributsausprägungen müssen genauer spezifiziert werden und der Umgang mit ihnen in der Analyse muss festgelegt werden. Ein fehlender Wert kann bedeuten, dass der Wert nicht erhoben wurde oder aber dass ein Erfassungsfehler vorliegt. Darüber hinaus sind in der Phase der Vorverarbeitung Transformationen der Daten vorzunehmen, damit diese in ein für die Data Mining Methode verarbeitbares Format vorliegen. So können einzelne Methoden keine metrischen Daten verarbeiten, so dass diese in ein kategoriales Format transformiert werden müssen (vgl. hierzu auch Kapitel 3. 1.2.2). Im Rahmen der Analy se werden die Data Mining Methoden auf der vorbereiteten Datenbasis

angewandt. Anschlieûend erfolg die Evaluation und lnt erpretation der Ergebnisse hinsichtlich der bereits genarmten Kriterien Gültigkeit, Verständlichkeit, Neuheit und Nützlichkeit. Der Data Mining Prozess stellt jedoch keinen streng sequentiellen I'rozess dar, vielmehr sind bei der Durchführung der einzelnen Phasen Rückkopplungen mit vorgelagerten Phasen notwendig. So kann beispielsweise die Evaluation der Ergebnisse dazu lühren, dass weitere Daten mit in die Analyse einbezogen werden sollen oder aber auch dass eine emeute Transformation einzelner Attribute erforderlich ist, Damit bietet das Data Mining Prozessmodell einen strukturierten Katalog an generischen Autgaben, die zur Durchführung von Data Mining notwendig sind. Darüber hinaus existiert ein heterogener Fundus an Methoden des Data Mining, ein Umstand, der sich aus der Vereinigung unterschiedlicher Forschungsrichtungen wie Datenbanksysteme, Maschinelles Lemen, Statistik, Künstliche Intelligenz, Visualisierung'" im Forschungsgebiet Data Mining ergibt. Regelmäl3ig werden neue Algorithmen entwickelt, die performanter sind und genauere Ergebnisse ermitteln.

163

Vgl. Fayyad / Piatetsky-Shapiro / Smyth 1996a, S. 12 und Adriaans / Zantinge 1996, S. 5.

37

3.1.2.

Herleitung einer Kategorisierung von Data Mining Methoden

Die Vielfältigkeit der Data Mining Method en führt zur Notwendigke it der Strukturi erung und Systemati sierung dieser Method en. Zur Analyse des Einsatzpotenzials von Data Mining zur Entscheidungsunte rstützung im Personalmanagement ist es aufgrund der Vielfältigkeit der Data Mining Meth oden und ihren grundsätzlich untersch iedlichen Vorgehenswei sen nicht m öglich , jedc Method e einzeln zu diskutieren. Vielm ehr ist eine Kategoris ierung er forderlich, die es erlaubt, auf einer aggregie rten Ebene die Einsatzpotenziale des Data Mining im Personalman agement zu analysieren . 3.1.2.1.

Bestehende Systematisierungsansätze

Es existiert in der Literatur cine Vielzahl verschiedencr Ansätze zur System atisierung von Data Mining. So werden z. B. Methoden gruppen nach dem zugrunde liegenden Forschun gsgeb iet wie Statistische Verfahren, Maschin elles Leme n, Künstl iche Intell igenz etc. gebildet."! Diese Einte ilung ist jedoch nicht adäquat, da einzelne Method en auf Erkenntn issen aus versch iedenen Forschun gsgebieten autbauen und ein e Einteil ung nach Forschun gsgebiet demnach nicht sinnvoll iSt.165 Zudem ist eine Kategorisierung der Methoden des Data Mining nach den Forschungsgebiete n zur Diskussion der Einsatzpotenziale im Person alman agem ent nicht ziel-

führend. Weiterh in kann die Unterscheidung getro ffen werd en, ob Data Mining Method en als Ergebnisse Beschreibungen oder Erklärungen'" licfem. Währcnd Besch reibun gen lediglich die in der Datenbasis gefundenen Zusammenhänge dar stellen , liefem Erkl ärungen Informati onen über das Zustandek ommen und dam it die Ursachen der Zusammenhänge . Dieser Ansatz ist jedoch nicht geeignet Data Mining Method en zu strukturieren, da eine Method e weder eine Beschreibung noch eine Erklärung irnplizie rt, was letztendlich der explorative n Vorg ehensweise von Data Mining geschuldet ist. Ob ein durch Data Minin g ermittelter Zusammenhang eine Beschreibung oder e ine Erklärung darstellt, ist durch einen Experten für den konkreten Anwcndungsfall gg f. unter Zuhilfenahme von statistische n Method en zu überprüfen und stellt keine Eige nscha ft des Ergebni sses dar." ? In diesem Zusammenhang kann allenfalls auf die Verständlichkeit der Muster abgezielt werden, d. h. inwi efem diese transparent sind und sich überhaupt für eine Erklärung anbieten. Dies scheint auch im I-Iinblick auf die in dieser Arbe it zu unter suchenden

164 165

166 167

38

Vgl. etwa Knobloch 2000, S_ 23 oder Pietsch / Memmler 2003, S. SO. So beruht etwa der CS.O als Entscheidungsbaumver fahren auf infonna tionstheoretischen sowie statistischen Berechnun gen, was eine exklusive Zuordnung zur Gruppe der Statistischen Verfahren oder zum Maschinellen Lem en nicht rnöglich macht. Vgl. Witten / Frank 2000, S. 7 oder Berry / Lino 1T 2004, S. 12 und Strohrneier / Piazza 200S, S. SSfT. Vgl. exemplarisch zum Erklärungsbeitrag von Data Mining am Beispiel der Regelinduktion Strohmeier / Piazza 200S, S. 133fT. , Strohmeier / Piazza 200S.

Entscheidungsproblemtypen von Bedeutung, da im Personalmanagement eine Fülle von Entscheidungen Personen betreffen, gegenüber denen das Zustandekommen der Entscheidung verantwortet werden muss. Die Transparenz ist dabei eng an die Vorgehensweise von Data Mining Methoden gek nüpft, d. h. wird beispielsweise ein Neuronales Netz verwendet, so er/bigt die Musterentdeckung als Black-Box-Mechanismus und die Struktur des Musters wird nicht dargestellt'" , während die Anwendung von Methoden zur Regelinduktion die Struktur der Muster in einer fiir den Anwender verständlichen Darstellung in Form von Regeln präsenticrt."? Somit ist eine Diffèrenzierung von Data Mining nach Erklärungsbeitrag und Beschreibung nicht sinnvoll, vielmehr scheinen im Kontext der Entscheidungsunterstützung die unterschiedlichen Vorgehensweisen von Data Mining Methoden und damit der Aspekt der Transparenz und Verständlichkeit für den Entscheidungsträger von Bedeutung zu sein. Eine weitere Einteilung der Methoden in der Literatur erfolgt in überwachte und unûberwachte Verfahren nach den in der Künstlichen Intelligenz verwendeten Begrifflichkeiten.'?" In diesem Fall wird unterschieden, ob mittels Data Mining ein Muster hinsichtlich eines vom Anwender anzugebenden Kriteriums entdeckt werden soli tûberwachtï, oder ob die Entdeckung ohne Richtungsweisung des Entscheidungsträgers erfolgt (unüben vacht) . In ersterem r ail gibt der Anwender der Data Mining Methode ein Attribut als Zielattribut an, hinsichtlich dessen die Methode eigenständig Muster ermittelt, d. h. es werden jene Zusammenhänge in den Daten ermittelt, die sich in Bezug auf das angegebene Zielattribut in den Daten befinden. Überwachte Methoden erlernen damit die Muster anhand von so genarmten Trainingsdaten mit dem Ziel, diese erlemten Muster auf neue Daten anzuwenden und somit die Zielattributsausprägung zu prognostizieren. Als Beispiele für überwachte Verfahren werden Methoden zur Klassifikation und Bewertung genannt.!" Unüberwachte Verfahren hingegen analysieren die Daten nicht im Hinblick auf ein bestimmtes Zielattribut, sondem ermitteln Zusammenhänge zwischen allen in der Datenbasis vorhandenen Attributen. I-1ierunter fallen Methoden zur Assoziationsfindung und Scgmenticrung.!" Bei der Unterscheidung in überwachte und unüberwachte Methoden handelt es sich urn eine sehr grobe Systematisierung, welche zur Kategorisierung der Data Mining Methoden für die weitere Diskussion des Entscheidungsunterstützungspotenzials von Data Mining im Personalmanagement nicht ausreicht. Vielmehr stellen diese Begriffe Merkmale von Methoden zur Erfüllung bestimmter Aufgaben dar.

168 169

170 171 172

Vgl. Backhaus et al. 2003, S. 738. Vgl. Strohmeier / Piazza 2005. Vgl. Pietsch / MemmIer 2003, S. 80fT. oder Holsheimer / Siebes 1994, S. 8. Vgl. Berry / Linoff2004 , S. 57. Vgl. Berry / Linoff2004 , S. 57.

39

Die Strukturicrung der Duta Mining Methoden nach den durch Data Mining zu crûutcndcn Aufgabcn ist in der Literatur vcrglcic hswcisc häu tig vorz ufinde n. DÎt.'Se Sj stematisicrungbielet sich nuch im vcrliegenden Kontext an. da mit dcm Pcrsonalmanagcmcnt cin konkrctcr Auwendungsbezug bestebt. in dcm durch Data Mining porenzicll verschiedcne Aufgaben I U erfllllen sind. Auch hebt die Aufgabc von Data Mining Methoden zudcm uuf die Mustertypen ab. die durch cntsprcchcndc Data Mining Methoden crrninclr werden k ënncn.!" Da dicsc Mustertypen Z usa mmcnh ä ngc in den Dat en rcpr äscntiercn. schcint hierbei ein Übcrtreg IU den Entschcidu ngs modcllkomponcntcn und ihrcn Ycr knüp fungcn mögfich. Die Systcmutisicrung V01\

Daa Mining anhnnd der Aufgabcn srcllr sich in der Litcnuur jcdoch schr umcrschicdlich dar. Abbildung 9 zcig t Sys tcrnatisic rungse nsätzc. die Data Mining Methoden an hand ibrcr Au fgabcn

eintcilcn.

Erkcnnbar lassen sich cinigc Aufgabcn wie Aï assi/i kal iun. Sf!1{//Ie/lliefung und Ahhiingig· keitsamdyse bzw. Ahluï/lgiKkeilSl'IIldf!ckulIg idcntifizieren, die bei allen aufgefühn en Systcmu-

tisicru ngsa rrsätzcn zu den Autgabc n des Data Mining gczählt werden. Die Bcgriffc Ab hängig -

keusanalyse bzw. •entdeckeng fokussicrcn dabci auf Methoden lur Assoziaticnsa nalysc. 1111 Felgenden wird daher der Hegriff Assoziationsfindung vcrwender. Quel1e

Aufgehcu des Data Mining

Hcrr y I

s.srr;

l.inoff 200·t

He\\ ertung. Klassiflkation. Prognose. Scgmcnticrung, Ahhängigkcitsanalyse . Beschreihung { Profllgencrierung

Fayyad er , I. 1996b. Klassiflkntion. Regression. Scgmcmicrung, Zusarnmcnfassung. S.12tf. Abhängigkcitsanalysc. Abwcichungsanalysc'" Alpar I Nicdcrc ichholz Klassiflkntinn. Scg menticrung . 2000. S.9tT. analyse. Abwcichungsa nalysc

Säubcrfich S..fOIT.

Progn ose.

A hhängigkeits-

2000. Klassiflkation I Prognose. Scgmcntie nmg, Abhëngigkcitscutdcckung. Abwcichnngscrkcnnuug,

Bee kmenu I Char noni

Klassiflkation. Regres sion. Clustcrn. Abhängigkcitscntdcckung

2006. S. 264ff. Abb,ldnng 9; $yslcmal ,slcrnng von Data M,mllg anh/md der Antgabc

Die Aufgabe Beschreibung I l' rolilgenerit.·nmg'" isr nicht trennscharf und lässt sich in andere Aufgabcn wie Scgmcnticrung odcr Klassiflkatkm ûbcrfllhrcn . Sie wird dahcr im Tolgenden nicht mchr scpa-at aufgefUhrt. In der L.i1t.'fUIU r unciuhcirlich isr da~ Vcrsrändnis hinsichtlich der

'" Vgl Knobloch 2000. s 17. 17. [l.:r Ansalz nach Faypd is! weil ,·crnrc ,M "Hl z. B. Nakhac i7.1.dch I Reinartz I Wirth 19'18. $ . 711, Kanlarnzi c 2003, 2. odcrTiffmanns 2003, s. 17. '" Vgl, Ik rry I l.i nutf 2004. s 12,

s.

Prognoseaufgabe von Data Mining. Zum einen wird die Prognose gleichgesetzt mit der Vorhersage kontinuierlicher quantitativer Werte'" , zum anderen wird unter Prognose die Vorhersage von Werten unabhängig von ihrer Skalierung auf Basis von Vergangenheitsdaten verstanden!" . GenerelI umfasst Prognose die Ermittlung und Vorhersage von lnforrnationen, die zukünftige Sachverhalte betreffen.!" Sie ist damit nicht beschränkt auf eine bestimmte Skalierung der zu prognostizierenden Information, sondem setzt voraus, dass bestimmte Zusammenhänge bekannt und gültig sind, um diese dann zur Prognose heranzuziehen. Da Data Mining generelI der Ermittlung von Zusammenhängen belicbiger Art in den Daten dient, ist zu evaluieren, inwiefern bestimmte Methoden Zusammenhänge in den Daten entdecken, die auch zur Prognose herangezogen werden können. Die in Abbildung 9 genarmten Aufgaben Bewertung'" und Regression'" von Data Mining Methoden zielen beide auf die Ermittlung einer reellwertigen Zahl als Repräsentant eines Musters ab. Somit können diese beiden Aufgaben zusammengefasst werden. Im Folgenden wird der Begriff Bewertung verwcndct, da der Begriff Regression bereits eine enge Affinität zu Regressionsverfahren herstellt, die jedoch nicht die einzigen Methoden zur Bcwertung darstellen."! Auch die Aufgabe der Abweichungsentdeckung bzw. Abweichungsanalyse wird in der Literatur als genuine Aufgabe des Data Mining benannt (vgl. Abbildung 9). Im Folgenden wird der Begriff Abweichungsentdeckung verwendet. Demnach können zunächst aus der Literatur die grundlegenden Data Mining Aufgaben Klassifikation, Seg mentierung, Bewertu ng, Assoziationsfin dung , Abwe ichungsentdec kung und Progno se abgeleitet werden.

Die Systematisierung des Data Mining nach den durch die Methoden zu erfüllenden Aufgaben scheint viel versprechend, da hierdurch eine Verknüpfung mit den Defekten der Entscheidungsproblemtypen sowie die Herstellung des Anwendungsbezugs zum Personalmanagement möglich scheint. Gelingt eine differenzierende und trennscharfe Definition der Aufgaben von Data Mining Methoden, so ist es möglich, neu entwickelte Aigorithmen jeweils einer dieser Aufgaben und entsprechend einer Methodenkategorie zuzuordnen, ohne dass die Systematisierung geändert werden muss. Die Ergebnisse dieser Arbeit geiten dann auch für eventuelle neue Algorithmen. Im Folgenden werden daher die zuvor genannten Aufgaben näher erläutert

Vgl. AIpar / Niedereichholz 2000, S. 10. m Vgl. Berry / Linoff 2004, S. ior 178 Vgl. Klein / Scho1l2004, S. 263. 179 Vgl. Berry / Linoff 2004, S. 9f 180 Vgl. Fayyad / Piatetsky-Shapiro / Smyth I996b, S. 44. 181 Der Begriff Bewertung hebt an dieser Stelle ausschlielllich auf die Ermittlung einer reellwertigen Zahl als Repräsentant eines Musters ab und stellt in keiner Weise eine Bewertung des Musters anhand beispielsweise betriebswirtschafilicher Kriterien dar. Im Unterschied jcdoch zur Aufgabe der Klassifikation erm öglicht die Bewertung unmittelbar die Erstellung einer Rangreihenfolge der Objekte (vgl. Kapitel 3. 1.2.2.3) und scheint somit ein geeigneter BegritTz ur Beschreibung dieser Aufgabe. 176

41

und de finiert. Dabei werden auch forrnale Gütem aBe eingeführt, die eine Beurteilung der Leistungsfähigkeit des Data Mining zur Erfüllu ng der j eweiligen Aufgaben errnöglichen . Darüber hinaus ist in der dieser Arbeit zugrunde zu legenden Systematisierung der Data Min ing Methoden die Verständl ichkeit der Muster zu ber ücksichtigen, die sich aus den unterschiedlichen Vorgehen swei sen der Meth oden ergibt. Au s diesem Grund erfolgt nach der Diskussion der von Data Mining Methoden zu erfüllenden Aufgaben eine Diskussion von Data Mining Ver fahren. Abschlie Bend kann dann eine Kategori sierung von Data Mining Method en vorgestellt werden , welche als Grundlage für die Diskussion des Einsatzp otenz ials der verschiedenen Kategorien von Data Mining Meth oden zur Heilun g der Defekte der Entscheidun gsproblemtypen herang ezogen wird. 3. 1.2.2. 3. 1.2.2. 1.

Aufgaben des Data Min ing Klassifikat ion

Die Klassifikalion beinh altet die automatische Zuordnun g von Objekten anhand ihrer Attribute zu vom Anwender vorgegebenen Klassen.!" Das Ziel besteht darin, Zusammenhänge in der Datenba sis zu ermitteln, die die Zugehörigkeit der Objekte zu einer Klasse beeinflussen und diese für die automatisierte Zuordnun g der Objekte zu den Klassen zu verwenden. Method en zur Klassi fikation gehören damit zu den überwachten Method en, da sie Muster zur Zuordnun g anhand von Trainingsdaten lemen , für die die Klassenzugehörigkeit bekannt ist. Diese Klassenzugehörigkeit wird durch ein Attribut repräsentiert, welches vom Anwender vorgegeben und als Zielattribut bezeichnet wird. In diesem rail muss die Klasse als Attribut in den Daten gespeichert sein, wobei die Attributsausprägungen die jeweiligen Klassen darstellen. Data Mining Method en zur Klassifikation ermitteln nun in der zur Verfügung stehenden Datenbasis Zusammenhänge und bilden auf Basis der Objektattribute die Klassenzugehörigkeit der Objekte ab. Die Ausprägungen des Zielattributs stellen entsprechend die Klassen dar, d. h. das Zielattribut muss bez. der Skalierung eine kategori ale Gröûe sein. Die Skalierung der sonstige n Attribute ist bei der Anwendung spezi fischer Method en von Belang. Gegebenen falls erfordert der Einsatz bestimmter Methoden die Transforrnat ion von Daten, die entweder innerh alb der Data Mining Method e automatisiert durchgeführt wird oder im Vorfeld durch den Anwender zu tätigen ist. Indem der Anwender ein Attribut als Zie lattribut angibt, ermittelt die Data Mining Methode über die Ausprägun gen der übrigen Attr ibute eine Zuordnun gsvorschr ift, die ein

182

42

Es sei hier angemerkt, dass in der Data Mining Com munity unter Klassifikation wie hier dargestellt ausschlieûlich die Zuordnung von Obje kten zu vorgegebenen Klassen verstanden wird. Sie ist grundsätzlich Zll linterscheiden von der Segmentierung (vgl. Kapitel 3.1.2.2.2), die je doch teilweise auch mit Klassifikation bezeichnet wird.

Objekt einer Klasse zuordnet. Damit impliziert die Klassifikation die Erm ittlung eine r emp irischen Funktion zur Klassenzu ordnung über die Objekte.!" Die Klassifikation besteht dam it aus zwe i Te ilaulgabe n: •

Identifikation der Einjlussf aktoren: Ermittlung der Attribute und Attributsa usprägungen, die die Zuordnung eines Objekts zu einer Klasse beeinflussen

•

Klassenzu ordnun g: Zuordnung der Obj ekte auf Basis der erm ittelten Einflu ssfakt oren zu den Klassen

Von einer eindeutigen Zuordnung j edes Objekts zu einer Klasse kann dabei im Allgemei nen nicht ausgeg angen werden. Dies ist in der Vor gehensweise überwachte r Method en begründet und ist dann der Fall, wenn in der Datenb asis Objekte mit den gleichen Attributsauspräg unge n der als Einflu ssfaktoren identifiz ierten Attribute unterschiedlichen Klassen angehören . In diesem Fall k önnen Data Mining Methoden zur Klassifikation keine eindeuti ge Zuordnun g zu eine r Klasse anha nd dieser Daten lem en. Die auto matisierte Zuordnung der Klasse durch Data Mining ist dann mit einer Wahrscheinl ichkeit beha ftet und hat zur Folge, dass nicht alle Obj ekte richtig klassifiziert werden können und für diese die durch Data Mining ermittelte Klasse von der tatsächli ch vorliegenden Klasse abweicht. Entsprechend werden Gütemaûe zur Beurteilung der Klassifikationsleistung benötigt. Die Güte der Klassifik ationsleistun g wird dabei in der Regel auf separaten Testdat en ermittelt. Zun ächst ka nn für die Beurteilung der Klassifikationsleistung die zuvor ge nannte Wahrscheinl ichkeit, dass ein einze lnes klassifiziertes Obj ekt tatsächlich der ermittelten Klasse angeh ört, herangezogen werd en. Diese Wahrsche inlichkeit wird auch Konfidenz gcnarmr."" Darüber hinaus dient auch die gesamte Fehlerrate als MaB der Klassifikationsleistung, die den Anteil der falsch klas sifizie rten Objekte an der Ges amtzahl der anal ysierten Objekte angib t. Eine nach den einzelne n Klassen differenziertere Betrachtung des Fehlers erlaubt die Klassifik ation stabelle '" , in der die tatsä chlich in der Datenbasis vorli egende Klasse der Objekt e mit der durch eine Data Mining Method e ermittelten Klassenzugehörigkeit vergliche n wird. Abbildung 10 ze igt die Klassifikationstabelle für die Klassifikat ion von Objekten in die zwe i Klassen

183

184 185 IRG

Cl

und

C2 .

IS6

Vgl. Fayyad / Piatetsky-Shapiro / Smyth I996b, S. 44. Vgl. Berry / LinofT2004 , S. 167. Vgl. Bonne / Arminger 2001, S. 228fT. sowie unter dem Begriff confusion matrix Berry / LinofT2004 , S. 79fT. und Witten / Frank 2000, S. 137fT. Im Fall von n Klassen ergibt sich denmach eine n x n-Matrix zur Gege nüberstell ung der Klassifikationsleistung.

43

cr mittcltc Klasscnzugchörigkcit

nusächlichc Klassen1_lIgehörigkcit

c

ca

L

e,

X II

X I~

x

ca

X21

X~~

X~

L

"

X2

Abblldung 10: KIa..'S ifikalionslabcllc

Die Anzahl dcrj cnigcn Objcktc. die der Klasse Cl angc hören und uuch liber die Anwendun g ve n Data Mining Methoden zur Klassiflk ation der Klasse Ubjcktc Xn

,

Cl

zugcord nct wu rdcn. isr mit X II enge-

und d ie ernsprcchcndc Anzah l richtig zugcordnercr Die Anzahl der falsch klassifizicrtcn Ubjcktc. d. h. der Dbjcktc. die tats ächlich der

gcbcn. Anclog gilt dies für die Klasse

Cl

nngchörcn, uhcr Ober Data Minin g der Klasse Cl zugcordnct wurdcn und vice versa sind mit X I] respektive X li angegcbcn. Dies e Gcgenübcrsrcllung crtaubt cinc diûcrcnzicnere BeKlasse

Cl

trachiung der Gürc de r Klassiflkutionsfcistung im llin blick auf die Zuordnung der einz elncn Klassen und trägt somir der Tetsachc Rcchnun g. dass cinigc Fehler sc hwcrcr wiegen könucn als

andere."

Eine weuer e wichtig e GröLlc zur Hcurtcilung der Gü le der Klassifi ketionsfcistun g ist der so Lift"" Dics cr wird daz u vcrweuder. die v crändcmng des Antcil s cinc r Klasse untcr Anwcnd ung von Data Mining Methoden zur Klassifikarion im v ergleich zurn An tcil eincr Klasse in der gesaruren analy sicrtcn Datcubasis I U betrachten. Die zu vor aufg cfühnc Klassifika-

gcnannrc

tienstabelle zeigt. das> sich in der anal ysierten Durenbasis insgesam t X I (Somme ven " 121 Objc ktc der Klasse wurdcu

XI

(Summc I o n

Cl

XII

und

befinden. Mithilfc dL'T Data Mining Methoden zur Klassiflketion

"IJ und

" 21)

Ohjcktc der Klasse Cl cnninclr. Dcr Lif vcrglcic hr nun den

Ameil der Objckrc mit der unsüchlic hcn Klasse

Cl

in der Menge de r Ubjckte . die mirhilfc von

Data Mining als zur Klasse c i l uge hö rig crmhtclt wurdcn. mit dcm Antcil der Objcktc m il der tats ächlichcn Klasse Cl in der anely sicrtcn Darcnhasis. Er bereehne t s ich wie folgt: ( I)

<" Vgl. [krry I Lioot1" 2004. S. 79_ Dl:lItlicli wim d ies an eine m nlOO il.inisclien [ki,p ieL Wahrend ein falsclier

ncg.a1i\'Cf Te.. auf einc lebellSb,., t~hrl i ehc Knmklieit bedcll1en \..:an n. dass eincm PJlienten tebensretlende Ma6nah mell ' 'Cr" eige n " e,den. tllhrt ein f. lschcr JIO, inwr Tesl1c-diglieh I.U " " ilCren Umer; uetnJllgell llnd eincm "eile",n T~l

,.. Vgl. Winen I Frank 2000, S 13'1tT., l:kll)' I Lin" t1"2004. S 8111" 00,,' Hippner I Wilde 2(Xl l. S. 77f

Die zu analysierende Datenb asis besteht beispielsweise aus insgesamt 10 % an Obj ekten der Klasse

Cl .

Mithilfe von Data Min ing Meth oden zur Klassifik ation werden nun eine bestim mte

Anzahl der Objekte der Klasse

Cl

zuge ordnet , wo bei diese Zuordnung nicht fehlerfre i ist, d. h.

in dieser Teilme nge befind en sich z. B. 60 % Obj ekte der Klasse

Cl .

So ergibt sich in diesem

Fall ein Lilt von 6. Der beste zu erreiche nde Li ft in diesem Beisp iel ist 10, dies ist dann der Fall, wenn die Data Min ing Methoden zur Klassifik ation alle Objekte der Klasse

Cl

richtig erm itteln .

Wurde ein hinrcichend gutes Muster zur Klassifikation entdeckt, so kann dieses dazu verwendet werden, die Klassenzu gehörigkeit von neuen Objekten, deren Klassenzu gehörigkeit nicht bekannt ist, zu prog nostizieren. Die Klassifikationsaufgabe wird von verschiedenen Meth oden unter stützt wie z. B. C5.0 189, CA RT I9I" CHA ID 19 \ Lem ende Vektorqu antisierun g (LVQ) I92, Probabilistische Neuronale Netze (PNN) I93, Iinear e Diskr iminanzan alyse!" etc. 3.1.2 .2.2 .

Seg me ntierung

Die Aufgabe der Segmenlierung beinh altet die automatisierte Gruppierung von Objekten anhand eines Ähnlichkeitskriteriums in verschiedene Gruppen (Cluster), sodass Objekte einer Gruppe möglichst ähnlich (Interhomogenität) und Objekte verschiedener Gruppen möglichst unähnlich (Intr ahete rogen ität) sind.!" Im Gegensatz zur Klassifikati on sind bei der Segmentierung die Grupp en a priori nicht bekannt und werden erst durch die Anwendung von Methoden zur Segm ent ierung gebilde!. Damit gehören diese zu den un überwa chten Data Mining Methoden . Die Gruppenzugehör igkeit ergibt sich aus der Ähnl ichkeit der Objekte zueinander und wird selbständig durch die Meth ode durch geftihrt . Hierzu erfolgt ein automatisierter Vergleich der Attributsausprägunge n der zu untersuch enden Obj ekte anhand eines spezifisch en Ähnlichkeitskrite riums. Sollen inhaltlich unterschiedliche Obj ekte grupp iert werden, so stellt die Strukturgleichkeit, d. h. die Objekte verftigen über die gleichen Attr ibute, eine grundsätzliche Voraussctzung der Scgmc ntie rung dar. Sind beispielsweise Bewerbcr und Stellen zu gruppieren. so müssen die Objekte Bewerb er und Stellen durch die gleiche n Attribute besch rieben sein, dam it ein Vergle ich der Ausprägungen dieser Attribute und damit die Feststellun g einer Ähnl ichkeit überh aupt erst m ögli ch ist. Es lassen sic h eine Vielzahl von Ähnlichkeitskriterien finden , die in Abh ängigkeit der Skalierung der Attr ibutsausprägungen zum Einsatz

189 190 191 192 193 194 195

Vgl. Quinlan 2009. C5.0 stellt eine Weiterentwicklung des C4.5 von Quinlan 1993 dar. Vgl. Breiman et al. 1984. Vgl. Kass 1980. Vgl. Zeil 2000 , S. 171fT. oder Poddig I Sidorov itch 200 1, S. 365fT. Vgl. Zeil 2000 , S. 24 1fT. oder Poddig I Sidorov itch 200 1, S. 365fT. Vgl. Backhaus et al. 2003, S. 155ff. Vgl. Säuberlich 1999, S. 42, Beny I Linoff2004, S. 11.

45

kommen k önnen.!" Im Gegensatz zu den Method en zur Klassifikation, die ein kategorial skaliertes Attribut zur Verwendung als Ziel attribut fordern, besteht bei den Methoden zur Segmentierung keine grundsätzlich aufgabenimmanente Anforderun g an die Skalierung der einzelnen Attribute. Gleichwohl ist bei der Anwe ndung spezi fischer Methoden zur Segmentierung die Skalierung der Attribute zu überprüfen und ggf. sind Tra nsformationen vorzunehmen.!" Einzelne Data Mining Meth oden beinhalten bereits eine automatische Transformation der Daten in verarbeitbare Form ate, andere hingegen erfordem eine manuelle Transformation bevor die Methode angewandt wird. Damit besteht die Aufgabe der Segmentierung aus den folgenden zwei Teilaufgaben : •

Identifikation von Gruppe n: Zusarnmenführung der Objekte anhand ihrer Ähnlichke it in homog ene Gruppen

•

Grupp enbezeichnun g: Zuordnung einer Gruppenzugehärigkeit zu den Objekten

Zur Evaluierung der Güte der Cluster komm en gemäB der Zielsetzung der Segme ntierung versch iedene Güte maBe in Betracht, die insbesond ere die Interhomog enit ät rnessen.!" Ein Standardm aB zur Evaluierung der Güte der Interhomogenität ist der F-Wert , der für j edes Attribut undjedes Cluster einzel n den Gra d der Homogenit ät ang ibt und sich wie folgt berechnet ;" ?

F = vU,a ) vU ) mit:

vtj,o) Varianz des Attribut s j im Cluster

(2)

0

v(j) Varianz des Attributs j in der Datenbasis Entsprechend gilt ein Cluster dann als vollkommen homogen, wenn alle F-Wert e eines Clusters kleiner I sind. Auch zur Segmentierung existiert eine Vielzahl an Data Mining Methoden , dies sind z. B. der k-means Algorithmus'?', Self-Organizing Maps (Kohon en Netze)' " , Fuzzy c-means"" etc.

196 197

198 199

2110 201 202

46

Vgl. z. B. Backhalls et al. 2003, S. 483. Vgl. hierzu z. B. Grimmer / Mucha 1999, S. 111fT oder Grabmeier 2001, S. 300fT. So ist beispiels-weise der kmeans Algorithmus als eine Methode zur Segrnentierung autgrund des Ähnlichkeitskriteriums ausschlieûlich in der Lage, numerische Daten zu verarbeiten (vgl. Berry I LinofT 2004, S. 354fT. ). Vgl. Grabmeier 2001, S. 302f Vgl. Backhaus et al. 2003, S. 533, Berry I LinofT2004, S. 372f UrsprOnglich entwiekelt von Macïj ueen 1967 existieren mittlerweile eine Vielzahl an Varianten dieses Algorithmus, vgl. z. B. Jing / Ng / Zhexue 2007. Vgl. Kohonen 1997. Vgl. Bezdek 1981.

3.1.2 .2.3 .

Bewertung

Die Bewertung beinh altet die automatische Zuordnung reellw ertiger Zahlen zu Objekten anhand der Objektattribute?" Das Ziel besteht in der Entdeckung von Zusammenhängen in der Datenbasis, die die Zuordnun g dieser Zahlen zu den Objekten beeinflussen und diese für die automatisierte Zuordnung zu verwenden. Damit zählen Methoden zur Bewertung eben so wie die Method en zur Klassifikation zu den überwachten Methoden, da sie Muster zur Zuordnung anhand von Trainingsdaten lem en, für die die Ausprägung des Zahlenwe rts bercits bekannt ist. Die Bewertun g unterscheidet sich von der Klassifikation insofern , als dass das Ziel attribut eine metr ische Gröûe darstellt . Entsprechend muss das Zielattribut in den Daten gespeichert sein, damit Bewertungsmethod en diesen Zusammenhang ermitteln können.' ?' Das Zielattribut ist dementsprechend e in in der Datenb asis vorhandenes Attribut, welches über reellwertige Ausprägungen verfügt . Die Aufgabe der Bewertung impliziert dam it die Ermittlung eine r Funkt ion, die ein Objekt einer reellw ertigen GröBe zuordnet. Analog zur Au fgabe der Klassifikation besteht auch die Bewertun g aus den folgenden zwei Teilaufgaben : •

Identifik ation der Einjlussf aktoren: Ermittlung der Attribute und Attributsausprägungen, die die Zuordnu ng eines bestimmt en Zahlenwerts beeinflussen.

•

Zahlenwert-Zuordnung: Zuordnung der Objekte auf Basis der ermittelten Einflussfaktoren zu einem bestimmt en Zahlenwert.

In der Regel kann j edoch nicht von einer eind eutigen Zuordnun g der Objekt e und Zahlenwerte ausgegangen we rden. Dies ist in der Vorgehensweise überwachter Method en begründet und tritt dann cin, wenn in der Datenb asis Objekte mit den gleichen als Einflu ssfaktoren identifizierte Attributsausprägungen über unterschiedlichen Zielattributsausprägungen verfügen. Die automatisierte Zuordnung eines Zahlenwertes ist dann mit einem Fehler beha ftet. Entsprechend werden GütemaBe zur Beurteilung der Bewertun gsleistung dieser Method en benötigt. Typischerweise werden hierzu die beiden Fehlerm aûe mittlerer quadratischer Fehler und mittlere abso-

lute Abweichung verwendet, die sich wie folgt berechnen .' " Mittlerer quadratischer Fehler:

MQF = ~n~ ""i =l (r

I

- p) ' I

(3)

Vgl. Berry I Linoff 2004, S. 9f m Vgl. Beny I Linoff2004 , S. 9. 205 Vgl. Weiss I Zhang 2003, S. 428. 203

47

mit:

r, als zugeordneter Zahlenwe rt

i\ als tatsächlicher Zahlenwert n als Anz ahl der Objekte Mittlere abso lute Abweichung:

MAA

=

~n :L"

i =!

Ir - PI I

I

(4)

Wurd e ein hinreich end gutes Muster zur Bew ertung entdeckt, so kann dieses dazu verwendet werden, die Zielattributsa uspräg ung von neu en Objekten, für die eine entsprechende Zuordn ung nicht bekannt ist, zu prognostizieren. Auch fur die I3ewertun gsaufgabe kommen versch iedene Data Mining Methoden wie lineare Re-

gressiorr?', Radial e Bas isfunktionen Ne tze (Rê f -Netze)?", Gene ral Regression Ne ura l Ne twork (GR NN)208etc. in Frage. 3. 1.2.2.4.

Asso ziationsfindung

Die Aufgabe Ass oziationsfindung umfasst die Ennittlung von Abh ängigkeiten zw ischen den Attributsausprägunge n der Objekt e einer Datenbas is.:" Ziel ist die Entdeckung und Beschreibun g von Bez iehungen zwischen gem einsam au ftretend en Attributsau spr ägun gen." " Die Assoziation sfindung zie1t in Abgrenzung zu den bereits dargestelIten Aufgaben auf die Ennittlung gemeinsam auftretender Attributsa usprägungen ab, ohne eine Zuordnung der Objekte vor zunehm en . Vielm ehr we rde n Attributsausprägunge n ermitte lt, die das Auflrcten and erer Attributsauspr ägungen innerhalb eines Objekts implizieren ."! Methoden zur Ass oziationsfindung gehö ren zu den unûberwachten Method en, da sie ohn e Vorgabe eines Z ielattributs Abhängigkeiten zwischen den zur Anal yse zur Verfügung stehend en Attributsausprägun gen suchen. 212 Die Identi fikation einer Abhäng igke it ergibt sich aus einem methodenimmanenten GütemaJ.l wie beispiel swei se der Häufigkeit des Auftretens bestimmter Kombinationen von Attributsa usprä-

206 Vgl. Backhaus et al. 2003, S. 45ff 207 Vgl. Poggio I Girosi 1989, Zeil 2000, S. 225ffoder Poddig l Sidorovitch 200 1, S. 364f 208 Vgl. Specht 1991. 209 Vgl. Webb 2003, S. 383. Vgl. Bollinger 1996, S. 257. Vgl. Cabena et al. 1998, S. 80. m Zum Teil bieten Data Mining Systeme wie SPSS Clementine® an, im Rahmen der Assoziationsfindung ein Zielattribut anzugeben und ermöglichen damit eine gerichtete Findung von Assoziationen. Diese Abwandlung der ursprünglichen Form der Assoziationsanalyse als bi-direktionales Verfahren in ein unidirektionales Verfahren wird hier nicht weiter betrachtet, da sie dann entsprechend unter die Methodengruppe zur Klassifikation fällt, 210 211

48

gungen.:" Grund sätzlich bestehen bez. der Skali erung der Attribute Anforderungen in der Forrn, dass Meth oden zur Assoziationsfindung nicht in der Lage sind metrische Attribut sausprägun gen zu verarbeiten.i" Hierzu sind geeignete Transformati onen in kategoriale Gröûen vorzunehme n. Gleichwohl der Entscheidungsträger ke ine Richtun g für die Musterenn ittlung vorgibt, erfolgt die Darstellung der entdeckten Mus ter üblich erweise in Form von Regeln, die damit eine Richtun g implizieren. Die Ergebn isdarstellung erfolgt in der Fonn: Wenn A dann B, d. h. es gilt die Regel A ~ B, wobei A als Prämisse und B als Konklu sion bezeichn ct wird. Wenn Attributsausprägung A eines bestimm ten Attributs vorliegt, dann liegt auch Attributsausprägun g Beines anderen Attribut s vor. Ein Obj ekt

0

erfüllt eine Regel

A~ B

dann , we nn (A uB) ço, d. h. wenn alle Attributsaus-

prägun gen , die in der Regel enth alten sind, auch im Objekt vorkommen . Die Güte der gefund enen Assoz iationen wird übliche rweise durch die drei GütemaBe Support,

Konfidenz und Lift dargestellt.:" Der Suppo rt einer spez ifische n Assozi ation beschreibt den Anteil der Objekte, fü r die diesc Assoz iation gilt, in Relat ion zu der Gesamtanzahl der Objekte und nimmt einen Wert zwische n

o und

I an. Der Support e iner Regel A ~ Bist demn ach definiert als der Anteil der Objekt e aus

der Datenb asis T, die diese Regel erfüllen:

sup( A ~ B)

=

l{o E T I( A uB) ço~

ITI

(5)

lnsofem gibt der Support einer spezifischen Assoz iation Auskunft über die Häufigkeit, mit der diese Assozi ation von Attributen in der analysierten Datenbas is vorkommt. Die Konfidenz einer Regel ist definiert als der Anteil der Objekte aus T, die sowo hl A als auch B enth alten, an der Menge der Objekt e aus T, die A enthalten.

conf (A

~

B) =

l{o ETI (A uB) ç o~ suprA ~ B) = --'--'------"I{t E TI A ç o~ suptA}

(6)

Auch die Konfidenz nimmt einen Wert zwi schen 0 und I an und ist ein MaB für die Vertr auenswürdigkeit einer Assoz iation.

213

Beispielsweise verwendet der Apriori-Algorithmus dieses MaB (vgl. Agrawal / Imielinski / Swami 1993 und

Agrawal/ Srikant 1994). 214 215

Vgl. Webb 2003, S. 36. Vgl. Hettich / Hippner 200 1, S. 445ff, Webb 2003, S. 28ff , Beny / LinotT2004, S. 308ff

49

Der Lift wurde bereits als GütemaB bez. der Klassifikation vorgestellt und gilt hier in gleicher Weise. Er lässt sich aus den vorgestellten Grö ûen Support und Konfid enz wie folgt berechnen : lift(A ~ B)

= con/rA ~

B)

sup(B)

(7)

sup(B) stellt dabei den Anteil der Objekte mit der Attributsausprägung B des entsprechenden Attributs in der Datenba sis T dar. Die Au fgabe der Assoziationsfindung umfasst dami t die Identifikation von häufigen Komb inationen von Attributsausprägungen in der Datenb asis. Die Aufgabe der Assoziationsfindun g wird von verschiedenen Data Minin g Method en wie Apriorf' " , Apriori'Tid' " , Dynamic Itemset Counting Algorithm' ", Apriori/vll"? etc. durchgefuhrt. 3. 1.2.2.5.

Abweichungsentdeckun g

Die hier als Abwe ichungs entdeckung benannte Aufgabe des Data Mining findet sich in der zumeist englischsprachigen Literatur unter einer Vielzahl von Begri fTen wie outlier detection , novelty detection, anomaly detection oder exception mining wicdcr.? " Ziel der Abweichungsentde ckung ist die Ermittlung von Objekt en, so genannten Ausreiêern, die der Regelmäûigkeit der anderen Objekte nicht folgen und sornit die Identifikation der Unrcgclmäê igkcit." ! Was als RegelmäBigke it angenommen wird, kann sich entweder direkt aus der Datenbasi s ergeben oder aber es handelt sich urn normative Werte.:" In ersterem Fall werden Data Mining Methoden angewendet, die zur Abweichungsentdeckung die Attributsa usprägungen der Objekte vergleichen und regelmäûige Vergleichsgruppen aufstellen. In Bezug auf diese Vergleichsgruppen weisen die AusreiBerobj ekte bedeutsame Untersch iede auf Neben der Identi fikation eines solchen Ausreiûerobj ekts erfolgt darübe r hinaus die Identifikation des- oder derjenigen Attribute, hinsichtlich derer sich die Abweichung ergibt. In letzterern Fall erfolgt der Vergleich der Attributsausprägungen mit normati v vom Entscheidungsträger vorgegebenen Kriterien oder Schwellwerten. Damit beruht die Erkenntnis über diejenigen Attribute, die einen AusreiBer konstituieren, auf Erfahrungswe rten des Entscheidungsträgers.

216 217 218 219

220 22l 212

50

Vgl. Agrawal z Srikant 1994. Vgl. Agrawal Srikant 1994. Vgl. Brin et al. 1997. Vgl. Agrawal I Srikant 1995. Hierbei handelt es sieh urn einen Aigorithmus zur Sequenzanalyse, der unter Integration der zeitliehen Reihenfo1ge gemeinsam auftretende Attributsausprägungen als Sequenzen in den Daten ermittelt. Vgl. Hodge I Austin 2004, S. 85. Vgl. AIpar 1 Niedereic hholz 2000, S. 10. Vgl. Fayyad I Piatetsky-Shapiro I Smyth 1996b, S. 45.

Ein AusreiBer kann somit wie folgt definiert werden. Ein A usreiBer ist ein Obj ekt, das sich bedeut sam von anderen Objekten, die die Norm repräsentieren, unterscheider'" , Dabei wird unterstellt, dass ein Modell über die Norm erstellt wurde bzw. vor liegr'" , von dem der AusreiBer abweicht. Die Erstellung eines Modells, welches die Norm für eine bestimmte Datenbasis darstellt, ist dabei äquivalent zur Ermittlung von Mustem in den Daten. Entsprechend kann es sich dabei um ein Klassifikationsmodell als Ergebni s der Anwendung von Meth oden zur Klassifikat ion ebenso hand eln wie um ein Segmentierungs-, Bewertun gs- oder Assoziationsmodell. Folglich kann ke ine eigenständige Methodengruppe anhand der Aufgabe Abweichungsentdeckung gebildet werden, vielmehr können Methoden zur Klassifikation, Bewertung, Segm entierung und Assoziation, ggf. in für die Abwei chungsanalyse optimierter Form, für die Entdeckung von AusreiBern heran gezogen werden?" Zur Entdeckun g von Ausreibern in Daten lassen sich grundsätzlich drei unterschiedl iche Vorgehenswe isen feststelle n, welche letztendlich auf die bereits vorgestellten Aufgaben zurückgeftihrt werden k önnen.? "

Un ûberwachte Entdeckung van Ausreifiern: Hier erfolgt die Festlegung der Norm durch Gruppenb ildung. Die Attributsauspräg ungen der Gruppen, bzw. deren Mittelwerte, bilden dabei die Norm, zu denen die Abweichung des Ausreibers defin iert ist. Diejeni gen Objekte , die sich auBerhalb der Gruppen befinden bzw. die sehr stark abweichen, werden als AusreiBer identifiziert. Entsprechend werden hierzu Methoden zur Segmentierung verwendet.? ? Aber auch Methoden zur Assoziationsfindung werden einges etzt, um AusreiBer zu identifizieren.ê"

Überwachte Entdeckung van AusreifJern: Auf einer Datenba sis, IUr deren Objekte bereits bekannt ist, ob es sich um AusreiBer handelt oder nicht, werden überwachte Data Mining Meth oden und insbeso ndere Meth oden zur Klassifikation angewandt. Diese Meth oden ermög lichen die Progno se der Klassenzugehörigkeit Ausreifier oder kein Ausreifier für neue Obj ekte und dienen somit der Identifikation von Ausreiêe rn." "

Semi- überwachte Entdeckung van AusreifJern: In diesem Fall sind lediglich die "normalen" Obje kte bekannt, d. h. die Zielattributsausprägung dieser Objekte ist bekann t. Entsprechend

223

224 225 226

Vgl. Hodge l Austin 2004, S. 85 und Chandola et al. 2007 , S. I. Vgl. Küsters 2001, S. 120 ( Vgl. zu diesen Ausführungen auch Klisters 2001, S. 120( Vgl. zu den folgenden Ausführungen Hodge l Austin 2004, S. 88(( oder Chandola I Banerjee I Kumar 2007,

S.6( 227

228 229

Vgl. z. B. Breunig et al. 2000 zur die Density Based Loca l Outlier Detectio n oder Lazarevic et al. 2003 zur Maha lanobis-distance Based Oud ier Detection. Patcha I Park 2007, S. 3462( geben einen Überblick über die Verwe ndung von Segmentierungsmet hoden zur Abwe ichungsentdecku ng. Vgl. Z. B. Patcha / Park 2007, S. 3463 ( Vgl. Augste ijn I Folkert 2002 zur Anwendung des Multilayer Perce ptrons zur Identifikation von A usreilJem.

51

werden überwachte Method en zur Bewertun g oder Klassifikation verw endet, urn die norm alen Objekte zu identifizieren , Alle Objekte, denen entspre chend nicht eine als norm al geItende Zielattributsauspräg ung zugeordnet werden kann, werden als Ausreiûer identifiziert.' ?' Es wu rde deutli ch, dass die Abweichun gsentdeckun g als Aufgabe zur Kategorisierung von Data Mining Meth oden nicht geeignet ist, Vielm ehr werden Methoden angewa ndt, deren orig inäre Aufgabe in der Klassifikation, Segme ntie rung, Bewertung oder Assoz iationsfindung besteht, urn Ausreil3er zu ide ntifizieren. So geiten beisp ielsw eise Objekte, die nur mit e iner ge ringe n Wahrschein lichk eit einer bestimmten Klasse zugeordnet werden können, als Ausrei l3er 231, ebenso solche Obj ekte, die über eine sehr groûe Distanz' " zu einem Clusterkem verfügen oder diejeni gen Objekte , die den Outputknoten eines Neuronalen Netzes nicht aktiv ieren' " . Während beispiel sweise frühere Meth oden zur Segmentierung die Ausreil3er quasi als Nebe nprodukt lieferten, optim ieren neuere Entwicklungen diese Meth oden expliz it hinsichtlich der Ident ifikation von Ausrciêe rn.:" Die Diskussion der Au fgabe Abwei chungse ntdeckung zeig t, dass diese nicht als eigenständige Aufgabe neben den bereits dargestellten Autgabe n Klassifikation, Segm ent ierung, Bewertung und Assoz iationsfind ung zu sehen ist, Sie stellt vielmehr eine an den Zweck der Ausreiûeridentifik ation gebundene Durchführung der übrigen genannten Aufgaben dar. Aus diesem Grund wird die Abwei chungse ntdeckung nicht zur Kategorisierung der Data Mining Method en verwendet, 3. 1.2.2.6.

Progn ose

Schliel3li ch ist die Progno se als Data Mining Aufgabe darzustellen und hinsichtlich der Eignung zur Kategorisierun g zu diskutieren. Wie bereits im Kontext der Aufgaben Klassifikation und Bewertung dargestellt , eignen sich die entsprechenden Methoden auch zur Prognose." : In diesen Fällen lem en die Data Mining Method en aus der Datenbasis heraus bestimmt e Klassifikations- oder Bewertungsrnuste r, welch e auf neue Objekte angewand t die Prognos e der Klassenzugehör igkeit respektive einer reellwe rtigen Zahl erm öglichen . In diesem Sinne foku ssiert die Prognose led iglich auf eine Teil aufgabe der Klassifikation und Bewertung, nämlich die

230

231 232 233 234 235

52

Abweichungsanalysen werden z. B. auch im Zusammenhang mit der AusreiBerdiagnostik bei Regr essionsanalyen verwandt (vgl. Küsters 200 1, S. 121). Auch die Bildung von Konfidenz intervallen mit vorgegebe nem Signifikanznivea oder Box-Plots können zur Abweichungsentdeckung herangezogen werden (vgl. Nakhaeizadeh / Reinartz / Wirth 1998, S. 19). VgI.Chandola /BaneJjee /K umar2007,S. 15. Hierzu können verschiedene DistanzmaBe verwendet werden vgl. Chandola / Banerjee / Kumar 2007, S. 211I Vgl. Chandola / Banerjee / Kumar 2007, S. 16. Vgl. Chandola / Banerjee / Kumar 2007, S. 20f Vgl. hierzu auch Berry / LinotT2004 , S. 10.

Zuordnung der Objekte und einer Klasse respektive einer Zahl. Die Identifikation der Einflussfaktoren für diese Zuordnung ist bereits abgeschlossen. Die Prognose wend et damit die aus der Durchführung der Klassifikations- oder Bewertungsaufgabe ermittelten Zusammenh änge auf neue Obj ekte an, für die diese Zuordnung unbekannt ist. Damit kann auch die Prognos e ähnlich wie die Abweichungse ntdeckung nicht als eige nständige Aufgabe neben der Klassifikation, Segmentierung, Bewertung und Assoziationsfindun g definiert werden . Vielmehr wendet sie die Ergebni sse der Klassifikation oder Bewertung auf neue Objekte an und expl iziert somit einen Te ilbereich der Aufgaben Klassifikation und Bewertung. 3.1.2 .2.7.

Zusammenfassung

Damit lassen sich bez. der Aufgaben Data Minin g Methoden zur Klassifikation, Segmentierung, Bewertung und Assoziationsjindung unterscheiden. Für jede dieser Methodengrupp en existiert eine Vielzahl von Einzelmethoden . Jede dieser Methodengruppen kann zur Abw eichungsentde ckung eingesetzt werden . Zur Prognose jedoch eignen sich die Methoden zur Klassifikation und Bewertung . Kern der Klassifikationsaufgabe ist dabei die Identifikation von Attributen respekti ve Attribut sausprägungen als Einflussfaktoren sowie die Zuordnung von Objekten und Klassen auf Basis dieser Einflussfaktoren. Methoden zur Bewertun g zielen ebenso au f die Identifikation von Attributen beziehun gswei se Attribut sausprägun gen als Einflussfaktoren ab und ordnen anhand dieser Einflussfaktoren Objekt e und metrische Grö ben einander zu. Segmentierungsmethoden dienen der Identifikation von Grupp en au f Basis eines Ähnlichkeitskriteriums und ordnen die Objekte diesen Grupp en zu. Assoziationsfindungsmethoden schlieBlich identifizie ren häufig au/hetende Attribut sausprägungskomb inationen innerhalb von Objekt en. Die aufgeführten Einzelmethoden gehen dabei zur Entdeckung der Muster in den Daten auf unterschiedliche Weise vor. Die Qualität des Ergebni sses hängt dabei insbesondere von der Datenba sis ab, so dass keine Methode exist iert, die über jede Datenbasis die besten Ergebnisse erzie lt. Je nach Verteilung der Daten in der Datenbasis führen untersch iedlich e Einzelmethoden zu hinsichtli ch der Güte differierenden Ergebnissen. D. h. es kann a priori keine Empfehlung für die Anwendung einer spezifischen Einzelmethode zur Klassifikation, Bewcrt ung, Segmentierung oder Assoziationsfindun g gegeben werden. 3.1.2 .3.

Verfahren des Data Min ing

Die erwähnten untersch iedlich en Vorgehensw eisen der Einzelmethoden lassen sich auf grundsätzliche Verfahren des Data Mining zurückführen . Damit stellen die Verfahren des Data Mining neben den Aufgaben des Data Mining eine weitere Möglichk eit zur Kategorisierung der

vielfältigen Einzelmethoden dar. Im Folgenden werden die unterschiedlichen Vorgehensweisen

53

der Data Min ing Method en anhand von vier Haupt ver fahren des Data Mining vorgestellt. Im Rahmen der Erläuterun g der Aufgaben des Data Mining wurden bereits verschiedene Einzelmethoden des Data Mining aufgeführt , die zur Bewältigung der entsprechenden Aufgabe eingese tzt werden können. Diese Methoden stamme n wie bereits erwähnt aus den Bereichen Statistik, Künstliche Intelligenz, Datenb anksysteme, Visualisierun g und Maschinelles Lernen. In der Literatur wird eine Vielzahl an Meth oden als Data Mining Methoden bezeichnet. Diese umfassen klassische statistische Verfahren wie be ispielsweise die lineare oder logistische Regressionsanalyse und die lineare Diskrim inanzanal yse ebenso wie Kohonen Netzwerke oder das Multilayer Perceptron aus dem Bereich der Künstlichen Intelligenz und den C5.0 Alg orithmus oder den Apriori-Al gorithmus aus dem Bereich des Masch inellen Lemen s." ? Damit existiert eine Vielzahl an Method en und dam it an method enimmanenten unterschiedlichsten Vorgehensweisen. urn aus einem bestehenden Datenbestand explorativ Zusammenhänge zu entdecken. So werden eben auch klassische, schon seit geraumer Zeit angewandte statistische Verfah ren wie beispielsweise die Regressionsanal yse neuerdings dem Data Mining zugeordnet. Während diese Method en traditionellerw eise hypothetisch-d edukt iv zur Über prüfung von Hypothesen eingesetzt werd en, kann ihr Einsatz im Rahmen von Data Mining in explorativer und damit strukturentde ckender Weise crfolgen.!" Darüber hinaus umfasst Data Mining zudem originär für die explorative Datenanalyse entwickelte Verfahren wie Entscheidungsbaumverfahren oder Neuronale Netze . In diesem Kontext lassen sich insbesondere vier unterschiedl iche und in der praktischen Anwendung weit verbreitete Verfahren des Data Mining, die dezidiert der explorativen Datenanalyse dienen, ausmachen.i" Im Folgenden werden daher diese vier Verfah ren vorgestellt, die einen Überblick über die untersch iedlich en Vorgehensweisen zur explorativen Analyse eines Datenbe stands erlauben : •

Entsche idungsbaum verfahren

•

Neuronale Netze

•

Clusteranalyse

•

Assoziationsanalyse

236

237

238

54

Vgl. z. B. Alpar / Niedere ichholz 2000, Beny / Linoff2004, Klösgen / Zytkow 2002 sowie die Beiträge in Ye 2003 oder Hippner / KOsters / Meyer / Wilde 200 1. Auch Standard Data Mining Werkze uge wie z. B. srssClementine® verfügen Ober das hier aufgeführte Methodenrepertoire. Vgl. Hand 1998, S. 112. Die Regressionsanalyse beispielsweise gehört zu den strukturprûfenden Verfahren, d. h. a priori werden vom Anwender sachlogisch möglichst gut fundierte Kausalzusamme nhänge ermittelt, die mittels der genarmten Methoden übcrprüft werden. Diese Methoden können zwar prinzipiell auch in explorativer Form als strukturentdeckende Verfah ren angewandt werden, die Ableitung eines Kausalzusammenhangs ist dann jedoch auch bei vorliegender Signifikanz des Zusammenhangs nicht ohne weiteres rnöglich und kann leicht zu Fehlinterpretationen führen (vgl. Backhaus et al. 2003, S. 81f, S. 15). Vgl. Beekman n / Chamoni 2006 , S. 2661f

Diese vier Verfahren sind zum einen über die verschiedenen Forschungsbereiche gestreut und unterscheiden sich darüber hinaus signifikant in der Verständlichkeit des entdeckten Musters. So liefem Entscheidungsbaumverfahren oder die Assoziationsanalyse im Ergebnis Regeln, die für den Entscheidungsträger transparent sind und Zusammenhänge in den Daten explizit darstellen. während Neuronale Netze als Black-Bo x Mechanismus und dam it intranspar ent eine bestimmte Aufgabe durchführen, dem Entscheidungsträger darüber hinaus j edoch kaum weitere Informationen anbieten.

Abbildung 11: Kategorisierung der Einzelmethoden nach Aufga ben und Verfahren

Entscheidungsbaumverfahren dienen dabei der Klassifikation, Clusteranalyseverfahr en der Segmentierung und Assoziationsanalyseverfahren der Assoziationsfindung. Neuronale Netze hingegen können sowohl zur Klassifikation als auch zur Bewertun g und Segmentierung

55

eingesetzt werd en." ? Abb ildung 11 fasst die Kategor isierung der Einzelmethoden nach den Aufgaben und den Verfahre n zusamm en.

3.1.2.3.1.

Entsche idun gsbaumverfahr en

Entscheidungsbaumverfahren dienen der Klassifikation von Objekten, indem sie sukzessive den Datenbestand anhand der Attribute in hinsichtlich des Zielattributs homogene Te ilme ngen (Klassen) aufspalten und daraus Regeln für die Klassenzu ordnun g ableiten.? " Der Begriff Entschcidungsbaum als Vcr fahren im Kontext des Data Mining ist jedoch nicht mit dem Entsche idungsbaum der Entscheidungsthe orie zu verwechse ln. Der Entscheidungsbaum im entscheidungstheor etischen Kontext visualisiert tatsächlich altem ative, bewertete Entsche idungsmöglich keiten in einer Entscheidungssituation und stellt damit ein Mittel zu r Identifikation der optimalen Entscheidungsaltem ativen dar." ! Das Entscheidungsbaumverfahren hingegen lie fert die eine Klasse bestimm enden Attr ibute bzw . Attributsauspr ägungen, die hierarchisch in Form eines Baumes dargestellt werden. In letzterem Fall handelt es sich dam it explizit nicht urn die Darstellun g von altemativen Entscheidungsm öglichkeiten, die ein Entscheidungsträger ergreifen kann. Zur Ermittlung ciner möglich st guten Klassifikation wird die zur Ver fügung stehende Datenbasis in der Regel in eine Trai nings- und eine Tes tme nge eingeteilt. Auf Basis der Trai ningsmen ge wird dann der Klassifikation szusammenhang ermitt elt und anhand der Testmenge hinsichtlich der Güte der Klassifikation sleistung evalui ert. Das Vorgehen der Entscheidungsbaum verfahren lässt sich zun ächst in die beiden Hauptprozesse Splitting und Pruning unterteilen .'" Während des Splittings wird sukzessive die vorliegend e Obj ektmenge der Datenb asis anhand einzelne r Attribute in hinsichtlich der Klassenzugehörigkeit möglich st hom ogene Te ilme nge n unterteilt. Die Klassenzug ehörigkeil ergibt sich dabei aus dem Attribut der Datenb asis, welches vo m Entscheidungsträger als so genan ntes Zielattribut festgelcgt wurdc. Wird beisp ielsweise e ine Klassi fikation der Obj ekte in die Verg ütungsk lassen hoch, mille! und niedrig angestrebt, so ist vom Entscheidungsträger das Attribut

Vergütungsklasse mil den Attributsausprägungen hoch, mille! und niedrig als Zielattribut festzule gen. Entsche idungsbaum verfahren teilen nun die Objektrnenge anhand der übrigen zur Verfügung stehenden Attribute in Teilmen gen au f, die m öglichst homogen hinsichtlich der Klassenzug ehörigk eit sind (vgl. Abb ildung 12).

239 240 24l 242

56

Vgl. Beekmann / Cha moni 2006 , S. 266. Teilweise wird auch der Begr iff Regelindukt ion synonym verwende! (vgl. z. B. Quinlan 1979). Vgl. Pratt / Raiffa/ Sch1aifer 1996, S. 3ff, Adam 1996, S. 285f Vgl. stellvertretend für viele Berry / Lino1T2004, S. 165ff

~ V ergül u n gsk l a~,e ., hoc h"

o o Dienstaher < 5

Di<'nslal 'r >20

5

Vergülungsklasse ~m it1e1 " Vergülu ngsklas>e " nied rig"

s Dienslalt<'r :::20

V<'rgülungsklasse.Jioch"

v crgoren gs-

Vergütungs-

klasS<'~n iedrig"

klasW" millel"

V<'rgülungs klassc.nicdrig''

verguumgsklas",..minet"

. ....., ,, ,,, ,,

wciblich

männlich Pruning Vergülungsklassc.hoch''

1

V<'rgülungs - 1 klassc.jucdng' :

----------------------, Abbl ldllllg 12: Beispiel

E m", he i dll n~ sbaum

Emschcidungsbaumvcrfahreu lassen sich arthand der Spliuingstn ucgic umcrschcid cn, die sich aus der Anzahl mö glichcr Splits pro Attribut. dcrn Split-Gütc rnaê und dcm Abbruc hkeitcri um

crgiht. So führcn Entschcidungsbaumvcrfahrcn entweder hinäre odcr m ultiple Sp lits durch-", d. h. es erlolgt einc Auûeilung in zwei oder mehr Teilmengen. Das Gurcmaü stelh cincn MaBstab für die Bewertung cines porcnziellcn Splits dar und erlauht die A uswahl dcsjcnig cn AUriblils. wclc hcs lctzteudlich tUr die A ufic ilung hcrangczogcn wird. Als Bcis piclc fltr a ngcwcndcrc G ütcmnêc scicn de" fnformationsgc winn bzw. das lnformations-

gcwinnvcrhältnis. der ( Ilni-Kocûlzicra, die minimale Bcschreibungstängc.

i

odcr die Varianz-

rcduktion gcna nnt.ë"

'" Vgl. z. IJ. Ester I Sandc r 2000. S. 126. Su Ibs! beispiel""'i "" der C5 .o-AI ~'Orilhmlls muhiple Sptil> l il. " ·ahrend CART ilblichcrvo"i "" bimre Splilsdllrchfüh rt lv gl. Breima nn cl al. N!l4 l.

W Vgl, d;vlI MIIl~"'rs I'l M'l, Horg,,1l 1 "rusc IWH. S, 83tr , SlIlIbcrlich l<)<)<j, S, &SIr oder HeO)' I l ilkllT 200-1 , S 172tT

57

Das Splitring stel lt tlamit cin cn itcrutiv cn rrozess dar. indL111 die En tschcid ungsbuumver fahrcn die Datenb asis arthan d des

lul' tien jcw ciligcn Sp lit ausgc wähltc n At trib utcs.

dcm sn gen armten

Splitantibut. in kleinere Teilm engen auû cilcn und dicsc vorgchcus wcisc rckursiv fllr die gchildeIL'I1 Teilmengen Ion fübrcn , Die verwendung von umcrschiedlichcn Gûtcmaûcn ka mt dahci dureheus zu untcrschicdlichcn Erget orssen führcn.?" Dicscr Splittingprozcss CIl<.IcI. wcnn cin vc rfahrc nsimmuncntcs Abbru chkritcrium crfllllt ist. Ohlichc Ahbruchkr itcricn stelle n beispicls weisc das Erreichc n cinc r vollstëndig homo genen Tcilmcngc , das Eercichen e ines

Z II

geringc ri Giltc rzuw achscs durch cin cn cmcutcn Split udcr

das Errcichcn cincr Urnergrenze an Objcktcn inncrhelb de r gebilderen Teihncngc dar.'" De r so gebilderen Teilm cnge wird als Bezcichnung dieje nige Klas senhezcichnung zugeordnct. der die

Mchrbcit de r Objck tc a ngchört. Abbild ung 13 stcllt drc i prominente vcrt rctcr der Entschcid ungs ba umvc rfahrcn anhand dcr

skizzienen Eigenschatten gegcnüber.

Anzahl Splits Split-Güterneb

C5.0'"

CA RT"'"

CIIAlD' "

mult iple

binä r

multiple

lnformations-

(Iini-Ko e ffizicnt. Twoing Wcrt

.,.--MaB

gcwinn-Retc

Ahbruch -

kritcriurn

Prunlng-Ma û

Homog ene

Teil-

I ( Tes t uuf

hennog ene Tcilmcngc I geringel' Gütczuwachs

r ucngc I Untcr- hängigkcir grenzc Ubjcktzahl Split- und nuribut

Gcschàtztc lmumsratc

lrrtumsratc

Angcpasstc

Unab\on Ziel-

-kcin-

Abb,ldling 13: Entsc hcldllllg,oolllllHrfahrcll" "

fine ze nuslc Problcrnarik diese l' Vorgehcnsweise bestcht in der Erreichung einer Ûbe rspezialisicrung des Entschcidungsbaum s. d. h. die crmittcltcn Zus ammcnhängc geiten zwar

rul' die ana-

lysicrtc Datcubasis. könucn jcdoch au fgrund der Spczifität des Gclruugs bcrcic hs nic ht lUI' die Progn ose der Klassenzugchöri gkeit ueuer Objekte herengezogen werden." Je weiter das

'" Vgl , z. R, die clllpirischcu Ergcbui",11 Borgd I l Kruse 199 8. ' -I{, Vgl. dazu Ikny I I.itl(>If2 004 . S 174 und Sa"bC'rIiçh 1999. S, %f '" Vg l. Q uinlan 2tJOQ. CS.O stellt deu Nachfolgcr des \'o u Qu iulan e ""', dellen C4.5 Aigorilhmtl' (vg l Q uinlan

", ,.. '''' '"

1993 ) dar CA RT slchl tl"l1assiljçal ion and Re~'TCssions T ree.. ,,00 ",m.le \'un Breimann cl aL 1984 cnh" çkcit CII AID ;'l l~ U AkrUl1\'m fUrChi -Sq"arc A" loma lio u Imcrncliou Dcle<1oruoo s tan" ," \'o u Ka" 1980 Vg l, Sa" llcl1ich 1999. S , 104 Vg l, b ier I Sandc r 2000 . S Ikny I l ino lf2004. S. 234 oocr Q"inl"ll 19lV>. S. 81 ,

uu r.

Splitt ing voranschreitet, umso wen iger Objekte sind in den entstehenden Te ilme ngen zu finden. Dies führt zu einem imme r gröBer werdenden Eintluss einzelner Objekte auf die Aufteilungsentscheidung und damit bildet das generierte Modell immer mehr individuelle und weni ger generalisierbar e Struk turen ab.252 Darübe r hinaus kann der Mangel an General isierbarke it auf Fehlern in den Trainingsdaten beruh en oder sich dann ergeben, wenn die Trainingsdaten ke ine repr äsent ative Stichprobe der Grundgesamtheit bilden ? " Ein entspreche nder Entscheidungsbaum erreicht dann beispielsweise bez . der Trainin gsdaten eine sehr gute Klassifik ation sleistun g von 100 %, auf der Grundgesam theit oder der Testdatenmenge j edoch nur eine wesentlich schlechtere Klassifikati onsleistun g von beisp ielsw eise 55 %. Urn diese Überspezialisierung zu vermeiden, schlieêt sich im AlIgemeinen an das Splitting die Prun ing-Phas e an.254 Ziel des Prun ings ist es, eine Überanpassung ("o verlitting") des generierten Mod elIs auf die zugrunde liegende Datenbasis zu verhindern und damit die Generalisierb arkeit des ModelI s zu erm öglichen . Das Prunin g macht nun einzelne Aufteilungen wied er rückg ängig oder führt partiell Teilmen gen wieder zusammen, urn diejeni ge Anz ahl an Aufteilungen und Te ilme ngen zu bestimrnen, die sich als stab il und dam it genera lisierb ar erweisen. Auch hier für werden je nach verwendetem Algorithmus unterschiedliche Gütem aBe verwendet (vgl. Abbildung 13). Bez üglich des in Abbildung 12 dargestellten Beispiels bedeutet dies, dass im Rahmen des Prun ings der letzte Split nach dem Attr ibut Geschlecht wieder rückgängig gemacht wird . Alternativ zur grafischen Darstellung als Entschei dungsbaum lassen sich die Ergebnisse auch als Regeln darstellen . Diese lassen sich entl ang der . Ästc'' des Entscheidungsbaum s able sen und bestehen aus einer oder meh reren konjunktiv verknüpften Präm issen sowie eine r Konklusion. Die Prämissen stellen dabei die durch das spezifische Entscheidungsbaumverfahren verw end eten Attributsausprägunge n zum Splittin g der zugrunde gelegten Objektmenge dar, die Konklusion sp iegelt die Klassenzugehörigkeit wider. Mithin lassen sich aus dem in Abbildung 12 dargestellten Entscheidungsbaum sechs Regeln ableiten, von denen zwei zur I\lustration au fge flihrt werden:

252 253 254

Vgl. Berry I LinofT2004, S. 184. Vgl. Ester I Sander 2000, S. 131. Vgl. Z. B. Ester I Sander 2000, S. 132. Nicht alle Entscheidungsbaumverfa hren verwenden das Pruning. So sieht beispielsweise CHA ID kein Pruning vor (vgl. Kass 1980).

59

Beispiel einer Regel zur Vergütungskla sse .niedr ig" : WENN Dienstalter < 5 UND Beurt eilung < 3 DANN Vergütun gskla sse = niedrig Beispiel einer Regel zur Verg ütung sklasse .Jioch" : WENN Dienstalter > 20 DANN Vergütun gskla sse = hoch Zusamme nfassend und im Hinblick auf die Kategorisierung der Data Mining Method en lässt sich folgende s festhalten . Entsche idungsbaumverfahren dienen der Klassifik ation von Objekten. Als Ergebn is liefem sie ein Klassifikat ionsmodell , welch es zur Prognose der Klassenzugehö rigke it von neuen Objekten herangezog en werden kann. Darüber hinaus explizieren Entschcidungsbaumve rfahre n jene Attributsausprägunge n, die als Einjlussf aktoren für die Klassenzuordnun g verantwortli ch sind. Diese werden als Prämissen in der Regeld arstellung und als Ausprägun g der Splitattribute in der Entsche idungsbaumdarstellung angegeben. Feme r können diese Einflussfaktoren anhand der verwendeten Ebene in eine Reihenfolge gebracht werden?"

Für das in Abbildung 12 aufgeführte Beispiel bedeutet dies, dass das Attribut Dienstalter für die Klassenzu ordnung wichti ger ist als das Attribut Beurteilung, wobei in der Regel keine eindeutige Reihenfol ge angcge be n werden kann, da auf e iner Ebcne durch aus auch mehrere Splitattribute verwendet werden. 3. 1.2.3.2.

Neuronale Netze

(Künstliche) Neuronale Netze stellen eine weitere genuine Method engrupp e des Data Mining dar. Es cxistiert eine Vielzahl an Neuronalen Netzerr' " , die unterschiedlich e Aufgaben erfüllen' " . Wie bereits in Kapitel 3.1.2.2 aufgeführt, können Neuronale Netze zur Klassifikation, zur Bewertung und zur Segmentierung verwendet werden. Zun ächst erfolgt jedoch eine allgemeine Vorstellun g der Eleme nte und der Vorgehensweise Neuronaler Netze. Künstliche Neuronale Netze sind den biologischen Neuronalen Netzen nachempfunden und sind in der Lage, beliebig komplexe Zusammenhä nge in den Daten abzub ilden.:" Dies gesch ieht we itgehe nd als BlackBox Mechan ismu s, d. h. die Wirkungszusammenhänge werden nicht expl izit dargestellt ." ? In diesem Sinne ermittelt ein Neuronales Netz auf Basis der zugrunde liegenden Datenm enge nach

255 256

257 258 259

60

Vgl. Strohmeier / Kabst 2007. Vgl. Zeil 2000. Vgl. Rehkugler / Kerling 1995. So ist beispielsweise das MLP in der Lage, beliebige Funktionen zu approximieren, vgl. Homik 1991 und Homik / Stinchcombe / White 1989. Vgl. Backhaus et al. 2003, S. 738.

unterschiedlichen Regeln je nach Art des Neuronalen Netzes ein Klassifikations-, Bewertungsoder Segmentierungsmo dell. Ein Neuronales Netz besteht dabei aus Neuronen als Basiseinheiten, die über gewichtete Verbindungen netzartig miteinander verknüpft sind. Die Neuronen stellen lnform ationsverarbeitungseinh eiten dar' ", die die eingehend en Daten transformieren und Ergebn isse an verknüpfte Neuronen weitergeben. Sie sind dabei in verseh iedenen Schichten angeordn et, wobei die Grundstruktur eines Neuronalen Netzes im Allgeme inen aus einer Eingabeschicht, (mindestens) einer verdeckt en Schicht und einer Ausgabeschicht besteht. Über die Eingabe schicht werden die Objekt e der Datenbasis in das Netz eingeführt, die jeweiligen Attributsausprägungen der Obj ekte werden über die verdeckte Sch icht weiterverarb eitet und schlieûlich das Ergebnis über die Ausgabeschicht dem Entscheidungsträger präsentiert. Die Verbindungen zwischen den Neuronen sind gewic htet, d. h. einzelne Attribute gehen stärker in die Ermittlung der Zusammenh änge ein als andere. Diese Gewichtun gen wer den intern gemäû einem Güternaf angepas st, bis das Neuronale Netz eine gute Lösung erm ittelt hat." " Die Lösung besteht entsprechend der Aufgabenstellun g in einem guten Klassifikationsmodell, Bewertun gsmodell oder Segmentierung smod ell. Das letztendlich ermittelte Modell basiert dann auf einem spezi fischen Neuronalen Netz, dessen Anzahl an Neuronen, Verbindun gen und Gewi chtungen im Rahmen eines Lemprozesses automatisiert erm ittelt wurden. Wie bereits erw ähnt, gibt es eine Vielzahl an Neuronalen Netzen. die sich im Wesentlichen hinsichtlich der Aufgabe, Komplexität der

Verbindung, lnformationsverarbeitung, Propagierungsfu nktio n, Aktivierungsf unktion und Lernregel unterscheiden (vgl. Abbildung 14). Im Folge nden werden diese Dimensionen näher erläutert. Neuronale Netze können zur Klassifikation, Segm ent ierung und Bewertun g eingese tzt werden. Darüber hinaus k önnen Neuronale Netze anh and ihrer Topologie untersch ieden werden . Als Netztopologie wird dabei die Struktur eines Netzes bezeichnet , welch e durch die Menge der Neuronen und die Menge und Art der Verbindung en best immt wird.:" Entsprechend lassen sich Netztopologie n anhand der in Abbildung 14 dargestellten Dimensionen Komp lexität der Ver-

bindung und Informa tionsverarbeitung charakteri sieren. Die Komplexität der Verbindungen spiegelt die Anzahl der Verbindungen eines Neurons mit anderen Neuronen wieder. Vollständi ge Verbindun g bedeutet, dass Verb indungen zwischen allen Neuronen eines Netzes bcstchcn .v' Zufällige Verbindungen liegen mit einer bestimmten

260 261 262 26 3

Vgl. Poddig I Sidorovitch 2001, S. 369. Vgl. Zeil 2000, Backhaus et al. 2003, S. 238ff. Vgl. Alex 1998, S. 81ff. Vgl. Zeil 2000, S. 79

61

wahrschcinlichkcir VOT. korrespondiercnde Verbindungcn bestehen hei einc r 1: 1 VerbinJung zwlschcn Neurone n cinc r Sehiehtund Neuronen eincr korrcspundicrcndcn Schicht.ë'

Aufgabe

Klassiflkation

lJell'el1ung

Komplcxität

vollst ändig

korrrcspondicrcnd I zufällig

lnformurions-

fced back

Segmentierung

benachhert

Ifeed forward

vcrarbcitu ng

Propagierungs-

gewichrcte

funktion

Summe

Aktivicrungs-

funktien

Lcmregel

Maximum der

Ausgabcwcrtc

gewichtetcs Produkt Ausgabcwcnc

cinfschc Schwcllc nwc n-

Hncerc Schwcllcnwcn-

flmktion

funktien

sigmoid c Schwcncnwcrtfunktio n

llcbbschc Lcmreg el

Hackpropagerion

...

der

der

gewichteten

Ausgabcwcrtc

...

...

Abbildnng 14 : Dimen. ione n e ine. Neuro nalen Netze,

Die Dimcnsion lnformaûonsverarbehung ziclt auf die Richtung der lnformations vcrarbchung inncrhalb clncs Net zes ab. Dicsc bcsrimnu. ob es sich UIll cin vcrwärtsgcrichrctcs (fccd forwar d) oder rückw ärtsgcrichtetes [ fced back] Netz handelt. Bei vc rwärtsgcricbtete n Nellen cxistien kcinc rniüclberc odcr unmiuclbarc Vcrb inJung zu cincm bcstinuutcn Neuron zu-ück.>' Rückwärtsgerichtetc Netze hingcgcn e rluubc n Verbindungen

IU

ctne m Neuron z urück. Hierbei kann

untcrschicdcn werden. ob es sich um direkte Rûckkopplungcn. d. h. ein Neuron ist dlrckt mit

sich sclhsr vcrbunden. urn tndtrekt e Rückkopplun gcn. d. h.

I.'S

cxisiicrcn Verbindungen von

Neuronen cincr nachgclugcrt cn Schic ht zu Neuronen vorgctagcrtc r Schichten odcr um Riiekkopplungcn i!merhalb eim..'T Schicht [laterale Rückkopplungcn) hund clt.ë" Vcllxtändig verbundenc Netze verfügcn ûbcr Vcrbin dun gcn zwischcn allen Neuronen.

Abbildung 15 zeigt verschiedcne Bcispicle für Ncrztopologicn mil drei Schichten.

,... vgl. Ale, I'I'lS. S. 82. lle naeh twte Verbind "n~"'n , lene n al. Spczia ll311 der ko rrcspo ndie",nd ell Verbindnng.cn die 1.1 VeTbindnng mn NelUUncn innerhalb ei"" . Schichl dar l"' Vgl Zell2lXXJ, S 78 ",. Vgl. zena c o . S. 78

62

a

ct

b)

Ab bi!dllng IS: Be i,pide tllr NcU!opolog;cn""

w escndich für die Funktionsweisc eincs Neuronalen Netzes ist durüb cr hijmus die Gcstaltu ng der Neuronen. Neuronen stellen Infornl(llionsveramc itungscinhc ilClI dar. d ie die cingchcndcn

wcrrc vcmrbchcn und an vcrbundcnc Neuronen weiteneher. Mcist isl cin Neuron mil mchrcren vorgclagcrtcn Neuronen vcrbunden. die jcwcils cincn Eingabcwcrt liefem. Ne uronen verur-

beiten j cd och

n UT cind imcnsionalc

Eingabcgröûcn. Aus diescru Gnmd werden die cingchcndcn

Werte zunä chst von der I' ropu f::ierungsfunM iun

LU

cincm w en. dem

Ncu~ i n galx: \\cr1llel/"

ver-

dichtct.:.o llëu fig wird dazu die gewichtere Summc der ühcnn iuc1tcn w crtc. das gcwichtctc

Produkt odcr nbcr auc h das Maximom der w c nc als Ncttccingabcwcrt lid) bcrcchnct." Die bcrechncr den Ausgebcwen des Neurons uur Basis von 1If:lj • Als Akti-

A kti\'iI:rlln~~fiI/lMi/)n

vicrungsfimktionc n komm en vcrschicdc ne Funktienen wie beispiels weise die fineere Akti-

vicrungs funktion, die eint ache Schwcllcnwcrtfunktion odcr die logis tische Funktion in Frage. l1ll Die Aktivicrungsfunktion besth umt dabci. oh und wie stark ciu Ne uron aktivicrt und wclc hcr Ausgabcwcn an die tolgenden Neuronen übcr miüch wird. Der ,0

g~'11mmIC

Schwcllcnwcrt

eincs Ne urons gibt dehci d ie Schwcllc an. ah der cin Neuron aktiv isl.l1I AhhilJun g 16 gibt cincn Ûbcr blick ühcr den A ufbau cine s Neuro ns.

,.., al \w"ans),.,<:ricl1terL'S Nel~ mil drei Sçh içhtco,l>l Ncv mil eincr Ruo;lkoppl ung innoerhall>ónoer5<;hiçhl. c) Nev mil direk\Çll R(lI;;nOPI~ Ul\),.'<:n. d l \ollSUIlldig verhllrl<;!cnCI Nev. ,.. Vgl. Ze il 2000 , S. 83 W> Vgt Ba<:khalL<el at 2003 . S 757f l10 Vgl Kamanl~ ic 2003 . S. 198 oder Bac khalls et al. 2003, S 758f ,." Vgl. Zeil :!OOO. S. 81. Der Schwdlc nwcrt ern,priclu dabe i mathematisch der Stelle mil der ~'TÓ6ten Stcigung der AkliliL'TlIllgsfllllklion. D;escr Sch ' ICllell"" " kanll auch liber cm separate! Ncuro 'L dcrn "oll·'-Ne llroll. im Nc1l ",a lisic" ,,"nkll

63

Abbildung 16: A ufbau eines Neurons272

Die Abbildun g ze igt ein Neuron mit den e ingehe nden Werte n

X m,

den mit

W km

gewicht eten

eingehenden Verbindungen, der Propag ierun gsfunkt ion fr, und der Aktivierungsfunktion /act. Wird beispielsweise die Summe der eingehenden gewichteten Werte als Propagie rungsfunkt ion verwen det, so berechnet sich der Nettoeinga bewert net, des Neurons k als

net i;

Af

=m I'<xm

0

wkm)

(8)

Die Lemre gel schlieûlich steuert den Aufba u des entsprech enden Neuronalen Netzes zur Klassifikation, Bewertung oder Segmentierung, urn eine möglichst gute aufgabenb ezogene Leistung des Neuronalen Netzes zu erhalten. Das Leme n kann dabei aufverschiedene Arten erfolgen durch'" •

die Entwicklung neuer oder das Löschen existierender Verbindun gen,

•

die Anpassung der Gew ichte W ij,

•

die Anpassung des Schwe llenwertes von Ne uronen,

•

die Anpassung der Propagierungs- oder der Aktivierungsfunktion oder

•

die Entwicklung neuer oder das Löschen existierender Neuronen.

272

273

64

Vgl. Backhaus et al. 2003, S. 757. In der Lileratur lassen sich auch Darstellungen der Neuronen mil drei stalt der hier erläuterten zwei Funktionen finden. In diesem Fall werden die drei Schritte Bildung des Nettoeingabewertes, Ausbildung des Aktivitätsniveaus und Bildung des Ausgabewertes differenziert, d. h. die Bildung des Ausgabewertes erfolgt dann nicht innerhalb der Aktivierungsfunktion, sondern durch eine separate Ausgabefunktion. Dies ändert jedoch nichts an der prinzipiellen Arbeitsweise der Neuronen. Vgl. zu einer entsprechenden Unterteilung in drei Funktionen z. B. Poddig / Sidorovitch 200 I, S. 369ff. Vgl. Zeil 2000, S. 84.

Es existiert eine Vielzahl an Lemregeln, die sich durch die Art und Weise, wie die Anpassung der genannten Parameter durchzuführen ist, unterscheiden. Die meisten Lemregeln zielen jedoch auf die Anpassung der Gewichte w ij ab.? ' Wie bereits erwähnt, arbeiten die Neuronalen Netze als Black-Box-Mechanismus und explizieren die ennittelten Zusammenhänge nicht. So liefem beispielsweise Neuronale Netze zur Klassifikation zwar die Zuordnung von Objekten zu einer bestimmten Klasse, die für die Zuordnung veranlwortlichen Einfl ussfaktoren werden jedoch nicht expliziert. Sie bilden damit einen Gegensatz zu den zuvor dargestellten Entscheidungsbaumverfahren, die dem Entseheidungsträger über Regeln oder in Fonn eines Entscheidungsbaums explizit die Wirkungszusammenhänge präsentieren. Dies ist auf die z. T. sehr komplexen Wirkungszusammenhänge zurückzuführen, die sich bei der Verwendung vieler und stark vemetzter Neuronen ergeben. 3.1.2.3.3.

Clusteranalyseverfahren

Verfahren zur Clusteranalyse gruppieren Objekte anhand eines Ähnlichkeitskriteriums in m öglichst homogene Teilgruppen, wobei die Objekte verschiedener Gruppen möglichst unterschiedlich sind.?" Entsprechend dienen sie exklusiv der Aufgabe der Segmentierung. Urn eine entsprechende Gruppierung vomehmen zu können, gilt es zunächst, die Ähnlichkeit zwischen den Objekten mit einem geeigneten MaB zu quantifizieren." ? Dies geschieht über Ähnlichkeits- bzw. DistanzmaBe, wobei Distanz und Ähnlichkeit zueinander gegensätzlich sind, d. h. je kleiner die Distanz zweier Objekte desto ähnlicher sind sie.:" Allgemein können Ähnlichkeits- und Distanzmaûe als Proximitätsmaûe bezeichnet werden.? " Je nach Skalierung der Attribute werden unterschiedliche Maûe für nominale und metrische Attribute verwender." ? Es existiert eine Vielzahl von Verfahren zur Clusteranalyse. die sich in ihrer Vorgehensweise grundsätzlich untcrscheiden.?" Clusterverfahren lassen sich insbesondere nach den lolgenden Kriterien unterscheiden.'" •

der Gruppierungsfonn

•

dem Zuordnungsprinzip

274 275 276 277 278 279

280 281

Vgl. Kantardz ic 2003, S. 202. Vgl. Grimmer / Mucha 1998. Vgl. Backhaus et al. 2003, S. 493. Vgl. Grim mer / Mucha 1998, S. 115. Vgl. Backhaus et al. 2003, S. 493f Einen Überblick über ausgewä hlte Proximitätsrnaûe geben Backhaus et al. 2003, S. 494fT. Vgl. für einen Überblick Jain / Murty / Flynn 1999. Vgl. Grim mer / Mucha 1998, S. 127f

65

Das Kriterium Gruppierungsf orm zielt auf die Art und Weise der Gruppierung ab. Hier kann zwischen partitionierenden und hierarchischen Clusterverfahren unterschieden werden. Bei partitionierenden Clusterverfahren erfolgt ausgehend von einer vorgegebenen Gruppeneinteilung (Anfangspartition) eine Verlagerung der Objekte zwischen den Gruppen, urn auf diese Weise die Gruppeneinteilung zu optimieren. Wie in Kapitel 3.1.2.2.2 dargestellt, kann die Verbesserung der Gruppeneinteilung beispielsweise anhand des Varianzkriteriums gemessen werden. Es folgt eine Untersuchung der Objekte auf eine durch Verlagerung induzierte Verminderung des Varianzkriteriums. Das Objekt, das eine maximale Verminderung bcwirkt, wird in die entsprechende Gruppe verlagert. Die Gruppierung ist dann beendet, wenn alle Objekte bez. einer Verlagerung untersucht wurden und sich eine weitere Verminderung der Varianz nicht mehr erreichen Iässt.:" Ein bckanntes und weit vcrbreitetes partitionierendes Clusteranalyseverfahren ist der k-mcans-Algorithmus." ! Der k-means-Algorithmus verwendet die Euklidische Distanz als Distanzmal.\. Die Anfangspartition wird durch gezieltes oder zufälliges Setzen von so gcnannten Clusterkernen und den entsprechend des Distanzmal.\es zugeordneten Objekten ermiuelt."?

Hierarchische Verfahren hingegen basieren nicht auf einer vorgegebenen Gruppeneinteilung, sondem fusionieren einzelne Objekte sukzessive zu Gruppen oder unterteilen die Objektmenge sukzessive in Gruppen. Innerhalb der hierarchischen Verfahren lassen sich demnach agglomerative und divisive Verfahren unterscheiden. Agglomerative Verfahren starten mit der feinsten Gruppeneinteilung, d. h. jedes einzelne Objekt stellt zunächst eine eigene Gruppe dar (vgl. Abbildung 17). Es erfolgt eine sukzessive Zusammenfassung ähnlicher Objekte zu Gruppen, wobei im Gegensatz zu den partitionierenden Verfahren eine durchgeführte Zuordnung eines Objekts zu einer Gruppe nicht mehr aufgelöst werden kanrr'" . Als Beispiele IUr agglomerative Clusteranalyseverfahren seien an dieser Stelle das Single Linkage, Complete Linkage, Average Linkage, Zentroid und Medianverfahren sowie das Minimalvarianzverfahren von Ward genannt.:" Die genarmten Verfahren unterscheiden sich im Wesentlichcn in der Verwendung unterschiedlicher Distanzmal.\e. Die divisivc Vorgehensweise geht entsprechend umgekehrt von einer alle Objekte umfassenden Gruppe aus und teilt diese sukzessive in kleinere

282 283

284 285 286

66

Vgl. Backhalls et al. 2003, S. 512fT. Vgl. z. B. Jain / Murty / Flynn 1999. S. 278. Entwiekelt wurde der k-means-Algorithmus von Macïjueen 1967. Zwischenzeitlich existiert eine Vielzahl von Varianten dieses Verfahrens vgl. z. B. das Verfahren von Jing / Ng / Zhexue Huang 2007. Vgl. Grimmer / Mucha 1998, S. 136f Die Anzah1 der Z lI bestimmenden Gruppen wird dabei vom Anwender vorgegeben. Vgl. Z. B. Backhalls et al. 2003, S. 514. Bezüglich eines Überb1icks über agglomerative Clusteranalyseverfahren vgl. Grimmer / Mucha 1998, S. 129 oder Backhalls et al. 2003, S. 5 14ff

Gruppen auf?" Divisive Methoden werden jedoch aufgrund des sehr hohen Rechenaufwand es kaum cingcsctzt.!" Abbildung 17 verdeutlicht die Vorgehensweise hierarchischer Clusteranalyseverfahren. agg lo merativ

°l

d ivisiv

Os

03 O bjekte

°5 09

°6 °7 O2

0, , , Lösung : dG d,

Distanzniveau

Abbildung 17: Vorge hensweise hierarchischer Clustera natyseve rfahren' ' "

Der Vorgang der Gruppenbildung ist bei Anwend ung agglomerativer Verfahren dann beendet, wenn nur noch eine Gruppe existiert, die alle Obj ekte enthält. Umgekehrt beenden divisive Verfahren die Clusterbildung, wenn alle Objekte eine eigenständige Gruppe darstellen. Damit

verändert sich die Anzahl der gebildeten Gruppen sukzessive. Die letztendlich verwendete Aufteilung ist in Abbildung 17 als gestrichelte Linie dargestelIt und kann vom Anwender oder automatisiert gesetzt werderr '". In diesem Beispiel besteht damit die Lösung des Clusteranalyseverfahrens aus drei Gruppen:

287

288 289 290

Innerhalb der divisiven Methoden kann zudem unterschieden werden, ob lediglich ein Attribut (monothetisch) oder mehrere Attribute (polithetisch) zur Unterteilung verwendet wird (vgl. Grabmeier 200 1, S. 343). Vgl. Grabmeier 200 1, S. 343 und Grimmer / M ucha 1998, S. 133. Grimmer / Mucha 1998, S. 129. Vgl. Grim mer / Mucha 1998, S. 129.

67

Hinsichtlic h des Zuordmmgxpriraips konnee

ZUI1l

cinc n d isjun kie und nicbt-disjun ktc

Zuu rdnungcn sowie volls tëndigc und nicb t-vcllständigc Zuordrumgcn uraerschicdcn werdcn.!"

1111 Fal] cincr disjunkt en Zuordnung wirdjcdcs Obj ekt gcnaucincr Gruppe zugcordnct. währcnd bei eincr nicht-disjunkten Zuordnung e in Obj ekt auch mchrcreu Gruppen zugchören kann. Eine

vottstandtge Gruppierung der Objckte

bcdcutct. dass jcdes Obje kt der Derenbasis cinc r Gruppe

angchön. währcnd bei ciucr nicht-voitständigen Zuordnung Obje kte cxisticrcn, die kcincr Grup pe zugeonlnct \lerden.lOl lm Ergcbrris lic fcrn Clusrcranalyscverfahrcn gru ndsätzlich cinc (iruppenzucr dnung de r anely -

sierten Obj cktc, d. h. fUr die cmsprcchcndcn Objcktc gibr das Clu stcranalyscvcrfahrcn automarisch die Gruppenzugchörigkeit als wcircres ncues Attribut des Obj ekts un. Die Ergebnisse könnc n dabci zum eincu in Tabcllcnfbnu angcgcbcn werden oder abe r in grafischer Form ähnIk h der Abbildung 18. Cluster 2 Leisnmg

o o

o

o

00

o

o 00 00

Cluster [

o

0 0

o

0

o o o Cluste r 3 Einkomm cn

Ab bild ung 18: Clu'tc rbild ung

Die zu r Gruppcnbildung hcrungczc gcn cn 11 Attribute der Obj ekte werden uur den Achse n abgc -

bilder. die cinzclncn Ubj ekte stellen d,u1I1 Pun kte in eincrn n-dirncnsio nalen Reum dar. Abhild ung 18 zcigt sche mat isch und beispielhall cinc Gru ppcnz uorduung von Dbjckrcn a nhund der Attribute l.cisiu ng und Einkonuncn. Es isr nu n am Entschcidungstrûger. die Bedeutung

,., Vg l. G rimmc r I M, .. ha 19'18, S. 127(

,., Enlspn:ehcnd Iicfe" das l'Tinl ip dcr nichl-vull'l andi!,c n Zuonlmmg Ansrcilkr il11 SimlC dcr Ab"cichungsentMd , nng (\'!,I, Kapild l l ,2.2,S),

eine r Grupp e zu identifizieren, d. h. für die ermittelten Gruppen in Abbildung 18 ist ei ne Beschreib ung für Cluster I, Cluster 2 und Cluster 3 zu bestimm en. Je nachdern, wie trennscharf die gebildeten Grupp en und dam it wie heterogen die Objekt e verschiedener Gruppen zueinander sind, lassen sich treffen de Beschreibun gen für die Gruppen finden . Im angeführten Beispiel etwa sind die Mitarbeiter mit niedriger Leistun g und niedrigem Einkommen in Cluster 1 gruppiert. Bei komplexe ren Ergebnissen, d. h. bei Verw endung von vielen Att ributen zur Gruppenbildung oder bei Ermittlung von Gruppen, die teilweise sehr nahe zusamrnenliegen, steigt der Schwierigkeitsgra d der Ennittlun g der Bedeutung einer Gruppe. Demn ach explizieren Clusterverfahren im Ergebnis zwar eine Gruppenzugehör igkeit, die Bedeutung der Grupp e jedoch muss vom Entscheidungsträge r selbst und im Anwe ndungskontext best immt werd en. 3.1.2 .3.4 .

Assozi ation sanalyse

Assoz iationsanalyseve rfàhren ermitteln in der Datenb asis Regeln, die die Abhängigkeiten der Attributsausprägungen der Objekte beschre iben ."? Assoziationsanalyseverfahren dienen damit exklusiv der Aufgabe Assoziationsfindung. Der Entscheidungsträger bestimmt zunächst einen Mindestsupport und eine Mindestk onfidenz, denen die zu enni ttelnde n Regeln genügen sollen. Der Mindest support gibt dabei die Mind esthäufigkeit an, mit der die Regeln in der Datenbasis vorkommen müssen. Die Mindestkonfidenz stellt entspreche nd den Schwellwert für die Vertrauen swürdigkeit der Regeln dar." ? Assoz iationsanalyseverfahren verarbeit en in der Regel ausschlieBlich kategoriale Attribute. Die Vo rgehensweise von Assoziationsanalyse verfahren gliedert sich dann grund sätzlich in die zwei folge nden Phasen.' "

Phase I: Finde die Kombin ationen an Attributsausprägungen, die über einen Support verfügen, der mindestens dem spezili zierten Mindestsupport entspricht. Diese Mengen an Attributsausprägun gen werden als häufi g bezei chnet.

Phase 2: Verw ende die au f diese Weise ide ntifizierten häu ligen Mengen zur Generierung von Assozi ationsre geln unter Beachtun g der vom Entscheidungsträger spezifizierten Mindestkonfidenz. Eine Assozi ationsregel der Form A ~ B besteht aus einer Men ge an Attribut sausprägungen A in der Prämisse und einer Men ge an Attribut sausprägungen B in der Konklu sion , wobei A und B disjunkt sein müssen.

293 294 295

Vgl. Beekmann / Cha moni 2006 , S. 276. Vgl. zu den Gröûe n Mindestsupport und Mindestkonfidenz auch die Ausführungen zu den GütemaBen im Rahmen der Assoziationsfindung (vgl. Kapitel 3. 1.2.2.4). Vgl. Ester / Sander 2000, S. 159ff. oder Hettich / Hippner 200 1, S. 427ff.

69

Die Vorg ehensweise von Assoziationsanalyseverfahren wird im Folgende n anhand des AprioriAlgorithmus' " erläutert . Dieser Algorithmus gilt als grundlegendes Verfahren zur Assoz iationsanalyse und stellt bis heute den Ausgangspunkt für die Entwicklung zahlreicher Varianten dar.297 Zur Ennittlung der Attr ibut sausprägun gsmen gen, die dem Mindestsupp ort genügen, werd en sukzessive k-elementige Lösungsmengen L, gener iert. D. h. zunächst erfolgt die Feststellung der Häufigkeit je der einzelne n Attributsa usprägung in der Datenbasis. Es werden diej eni gen Attribut sausprägungen in die Lösungsmen ge L 1 integriert, die dem Mindestsupport gen ügen . In einem zwe iten Schritt erfolgt die Feststellun g der Häufigke it von 2-e1ementi gen Attr ibutsausprägungsme ngen. Die Lösun gsmenge L1 dient dabei als Ausga ngsbas is lür die Ermittlung eine r Kandidatenm enge Cz, die alle 2-elem ent igen Komb ination en von in der Datenbasis vorh andenen Attribut sausprägun gen beinhaltet, deren Teilmen gen auch in L 1 enth alten sind. Es erfolgt eine Häufigkeitszählung der 2-elem ent igen Attributsausprägungsme ngen von Cz und dem Einschlieûen der dem Mindestsupp ort genügenden Kombinationen in die Lösungsmen ge Lz. Dieses Vorgehen wird wiederholt, bis Lk-1 eine leere Men ge bildet. Durch die Berücksichtigung des Mind estsupports in j edem Schritt wird sichergestellt, das s eine Attributsausprägung smenge nur dann häufig vorkommen kann, wenn auch ihre Te ilmengen häufig vorkommen . Anstatt alle k-elementigen Lösungsmen gen zu generieren, werden a priori diejen igen ausgeschlossen, deren Teilmen gen bereit s als nicht häufi g ausgeschlossen wurden. Liegt beispielsweise die Häufigkeit der Meng e (weiblich, Ingen ieur} unter dem Mindestsupport, so werden auch alle weiteren Komb inationen der Form {weiblich, Ingeni eur,. .. } nicht dem Mind estsupport genüge n. Als Ergebni s liefert die erste Phase des Apr iori-Algorithmus alle häufi gen Attribut sausprägungsmen gen Lk, aus denen dann die Regeln generiert werden. Dazu werden sukzess ive aus jeder häufi gen Attribut sausprägungsmen ge Ik aus Lk mit k> I Regeln der Fonn A ~ Ik-A gebild et, wobe i gilt A c Ik.298 Im ersten Schr itt we rden dabei die RegeIn mit einer aus einer Attributsausprägung bestehenden Konklu sion gebildet. Für diejeni gen Attributsausprägungen, die der Mindestkon fidenz genügen, werden alle möglichen Konklusionen bestehend aus zwei Attributsa usprägungen gebildet. Diese Schritte werden wiederholt für alle nachfolgenden k und im Ergebni s erfolgt die Ausgabe der Regeln , die die Mindestkonfidenz erfüllen.i"

296 297 298 299

70

Vgl. Agrawal / Srikant 1994. Vgl. Hettich / Hippner 200 1, S. 429, Ester / Sander 2000, S. 159. Vgl. Agrawal et al. 1996. Zu den Ausführungen vgl. Agrawal / Srikant 1994, Hettich / Hippner 200 1, Agrawal et al. 1996 ader Webb 2003.

Über die Einschränkung auf einen Mindcsrsupport bei der Ermittlung der Lösungsmengen kön nen damit erhebliche Performanzvorteile realisiert werden. Darüber hinaus wird die Menge der generierten Regeln eingeschränkt und entsprechend der lr ucrprcnationsaufwand gcmiudert.": Dahinter steckt die Annahme. dass Regeln. d ie ledigl ich be i einem ger ingen Teil der Objcktc vor kommen. häutig nicht von lntcrc-ssc sind. Diese Annahme ist jedoch kritisch zu

betrachten. da gerade auch seltene Regeln t1lr den Entscheidungsträger durchaus interessant sein dürflcn und auch über eine hohe Kon fidenz verfügen können, die a ber mit einem auf Häufig -

ketten basicrenden Algorithmus nicht entdeckt werden können. Über diese grundsätz liche vergehensweise hinaus fokussieren einzelne verfahren auf dic lntcgration metrischer Attributsausprägungen. d ie Berücksichtigung von Taxonomien oder von zeitlichen Abfolgen. Zur Integration metrischer Attri bute in die Analyse werden diese Attribute durch Intervallbildung diskrct isicn und entsprechend dcr dargestellten vergehensweise bei der Analyse berücksichtigt." Weitere Varian ten von Asso:tia lionsanalysc\ 'crlahrcn bcrücksicbtigen Ta"OIlO'

micn, d. h, hierarchische Beziehungen zwischen Attributsausprägungen. Diese cnuöglicbcn. dass n icht nur Abhäng igkeiten au f einer Hierarchieebene ana lysiert werden können. sondern auch über verschiedene Hierarchies tu fen h inwcg. ·~ Die seque nzielle Assozjalionsanal}sc intcgricn Zcirinfonnationcn und erm öglicht dic Suche nach Abhängigkeiten in zeitlicher Ordnung."

Assoziationsanalyse ver fahren ermitteln demnach nicht nur Abhängigkeiten in den Daten. sondern explizieren anhan d der Regeln die Richtung des Zusammenhangs. Es wird angegeben.

welche Attributsausprägungen bestimmte andere Attributsausprägungen inncrhalb eines Objckts implizieren. 3.2. Synthcse und '\bleit u n~ eines ,\ nalp cschema,

In dL'11 vorangegangenen Kapiteln wurden die Grundlagcn des Daa Mining so wie verschiedene Systcmatisicrungsunsätze vorgestellt und diskutiert. Als grundsätzliche und konstituierende Eigenschaf des Date Mining g ilt die exploranve und OIl/fltl/alisierle Vorgchcnswcisc. Aufgabe

Klassifikation

Segmentierung

Bewertung

Assoziationsfindung

Verfah ren

Entsc heidungs-

Neuronale Netzc

Clusteranalyse -

Assoziationsanalyseverfahren

baumverfahren

verfahren

Abbildung 19 : Dimcn.i"ncn des Daia Mining

"" Vgl Bollingcr 19%, S. 258 ~" Vgl Stihnt I Ab",," al 19'16, Ekel ma" n l eham"ni 2006, S 278 oder Wcbb 2003, S. 36 .~ Vgl. Stihnl l Agrawal 1995. "'.' Vgl. Agrawal l Srila1l1 1995.

71

Darüb er hinaus dienen Data Min ing Method en den Aufgaben Klassifikation, Segm entierung, Bewertung und Assoziat ionsfindung. Hierzu stehen als Verfah ren insbesonde re Entscheidungsbaurnverfahren , neuron ale Netze, Clusteranalyseverfahre n und Assoziationsanal yseverfahren zur Verfü gun g, denen eine Vielzahl von Einzelmethoden zugeordnet werden kann . Eine Kategorisierun g der Data Min ing Meth ode n nach den Aufgaben Klassifikation, Segmentierung, Bewertung und Assoziationsfindung schei nt zunächst gut geeignet, urn auf einer aggregierten Ebe ne das Einsatzpotenzial von Data Mining zu r Heilung der Defekte zu analysieren. Im Rahmen der Diskussion der Aufg aben des Data Mining konnten zum einen Voraussetzungen an die Datenbasis identifiziert werden , die zun ächst die Anwendbarkeit der entsprechenden Method enk ategor ie bed ingen. Z um anderen wurd e in Bezug au f die Datenbas is die Leistung der Method enk ategor ie definiert und dam it die lnform ation, die cin Entscheidungsträger vom Einsatz dieser Meth odenkategorie erwarten kann, konkretisiert . Darüber hinaus wurd en vier weit verbreitete Verfahren des Data Mining vorgestellt, die auf unterschiedliche Art und Wei se versuchcn, Mu ster in einer Datenbasis zu entdecken. Diese Verfahren unterscheiden sich in ihrer Vorgehensweisc grund sätzlich und es wird ve rmutet, das s sic entsprechend bei der Analyse des Einsatzpotenzials zu r Entscheidungsunterstützu ng differenziert betrachtet werden müssen. So explizieren Entscheidungsbaumve rfahren grundsätzlich transparent ere und dam it verständlichere Ergebnisse als Neuronale Netze , beide Verfahren können jedoch zur Klassifikation eingesetzt werden. Vor diesem Hintergrund schein en die durch die Verfahren impliz ierten Ergebnisdarstellungen bei der Analyse der Einsatzpotenziale berücksichtigt werden zu müs sen. Insbesond ere bei der Interpretation der personalwirt schaftlichen Bedeutung scheint die zusätzl iche Ber ücksicht ig der nach den Verfahren differenz ierten Ergebni sdarstellun gen der Data Mining Methode n notwendig. Daher werd en auf Basis der Aufgabe n des Data Mining Method enkategori cn gebildet. Zusätz lich werd en je Method enkategori e die durch die anw endbaren Ver fahrcn implizierten Ergebni sdarstellun gen berücks icht igt. Damit h ängt das Einsatzpotenzi al der Data Minin g Methoden zur Entscheidungsunte rstützung im Personalm anagement •

von den Voraussetzun gen zur Anwendung der jeweiligen Meth ode nkategorie,

•

der Leistung der entsprechenden Meth odenkategorie und

•

von durch die verschi edenen Ver fahren implizie rten Ergebnisdarstellungen ab.

Im Folgend en werden daher für die vier Methodenkategorien Klassifikationsmethoden ,

Bewertungsmethoden , Segmentierungsmethoden und Assoziationsfindu ngsmethoden die in Kapitel

3. 1.2.2 und

Kap itel

3.1.2.3 erarbeiteten Merkmal e

Voraussetzung, Leistung,

anwendbare Verf ahren und Ergebnisdarstellungen zusammenge Hih rt.

72

Methoden zur Klassifikation gehören zu den überwachten Methoden, die Objekte zu einer vorgegebenen Klasse zuordnen. Mithin ist eine generelle Voraussetzung zur Anwendung von Methoden zur Klassifikation das Vorhandensein eines kategorialen Zielattributs in der Datenbasis. Klassifikationsmethoden dienen der ldentifikation von Einflussfaktoren, i. e. Attributen und Attributsausprägungen, auf die Klassenzugehörigkeit. Darüber hinaus ordnen sie den Objekten eine Klassenzugehörigkeit zu. Zur Durchführung der Klassifikation stehen Entscheidungsbaumverfahren sowie Neuronale Netze zur Verfügung. Während Neuronale Netze ausschlieBlich die Zuordnung der Objekte zu einer Klasse durchführen, explizieren Entscheidungsbaumverfahren darüber hinaus die Einflussfaktoren, die die Klassenzugehörigkeit bestimmen, sowie eine die Wichtigkeit der Einflussfaktoren repräsentierende Reihenfolge. Methoden zur Bewertung gehören zu den überwachten Methoden, die Objekten eine metrische Attributsausprägung zuordnen. Damit stellt das Vorliegen eines metrischen Zielattributs in der Datenbasis eine generelle Voraussetzung zur Anwendung von Methoden zur Bewertung dar. Bewertungsmethoden identifizieren zunächst Einflussfaktoren, i. e. Attribute und Attributsausprägungen, auf die Bewertung. Darüber hinaus erfolgt eine Zuordnung einer metrischen Gröûe zu den Objekten. Zur DurchfUhrung der Bewertung und damit der Methodenkategorie der Bewertungsmethoden zurechenbare Verfahren sind die Neuronalen Netze, welche diese Zuordnung explizieren. Methoden zur Segmentierung gehören zu den unüberwachten Methoden, die Objekte zu möglichst homogenen Gruppen zusammenfassen. Sollen inhaltlich unterschiedliche Objekte wie beispielsweise Stellen und Bewerber gruppiert werden, so müssen diese strukturgleich sein. Strukturgleichheit bedeutet, dass die zu gruppierenden Objekte über die gleichen Attribute verfügen müssen. Clusteranalyseverfahren sowie Neuronale Netze können für die Segmentierung eingesetzt werden und explizieren die Gruppenzugehörigkeit der Objekte. Methoden zur Assoziationsfindung ennitteln Abhängigkeiten zwischen den Attributsausprägungen der Objekte. Die generelIe Voraussetzung zur Anwendung von Methoden zur Assoziationsfindung ist das Vorliegen von kategorialen Attributen. Assoziationsanalyseverfahren explizieren die gemeinsam auftretenden Attributsausprägungen sowie die Abhängigkeitsrichtung, d. h. welche Attributsausprägung durch eine bestimmte andere Attributsausprägung impliziert wird. Abbildung 20 fasst die Merkmale Voraussetzung, Leistung, Verfahren und Ergebnisdarstellung der einzelnen Methodenkategorien zusammen.

73

Methodenkategorie

Vorau"'''''l-

Lei, lung

vcrfahrcn

Ergehnisdarstcllung

Idenlifikalio n \'on Einflussfaktoren

f nt>c hcid ungsbaum wrtahren

Obiektzl>l:>rdnung lil einer Klasse

zung zur

Anwendung Vorhegen emcs

Kla...,il1kalion

kategonalcn Zielattnbuts in der Dateebasis

Zuordnung Objekt zu Kla"",

Explikalion der Einflussfaktoren h plikalion der wicbugkcit der

Elnflussfakicrcn

Vorh egen crncs

Bc wcrtung

mcmschcn Zielaunbuts in de r Dateeba sis

Segmcnncruog

Strukturglcfche Ohjekte in der Datcubasis

Iden liti kalio n nm Einllusslaktoren

Neuronale Nctzc

Objck tzuordnung zu einer Klasse

Neuronale Nctze

Zuordnung einer melrische n Annbutsausprëgung zu den ObjekIen

Clusteranalyse-

Expl ikat io n der Gruppcnzugch öngkeil

Zuordnun g Objekt zu ml'Irischcr Gro Bc

ldcntifikano n von Gruppen

vcrfahrcn

Zuo rdnun g Objekt zu Gruppe

Neuronale Nl'lIe

F.xplikalio n der Gruppcnzugchörig-

keil kategoriale Allribule AssozreuonsI1ndung

Idenlifikalio n m n Altrihu tsausprag ungs ko mbinalio-

I1Cn

A""'7.ialionsanal yscwrtahren

fxplikation gemeinsa m auftretendl'TAttribut s-

ausoraaonacn Expli kalion dl'T Abhëngigkcitsnchtung

Abblldllng 20 : M er~l11alc dcr Dala Mmmg MCl hodcnblcgoncn

Es ist crsiclulich. dass cinc Diffc rcnzic rung de r Mcrhodcn katcgoric n nach den cinzclncn Ver-

fahrcn led ig tieh hei der Katego ri e A:Jm i ifikuliomm ethodl!lI crfordcrlich ist. lIi er mucrschcidct sich d ie Ergebnisdarsr ellung ven Emschcid ungsbaurnvcrfahren un d Ne uro nalen Netzen deutlich. lnn erhal h der Methode nkategorie Segment ierung licfcrn Clu stcrun alyscver fahren und Ne uronale Ncrzc die glcichc Ergcbnisdarstcltung, so dass cine weitere Diffcrcnzicrung an dieset Stelle nicht notwendig ist. Daruit blcibt festznhaltcn, dass einc Untcrscheidung de r Verfaltren

und der da nrit imple-ire n Ergcbnisderstcllung lcdiglich irn Fall der A n wendung ven Klassifik atiensmethoden re levant ist .

J.J .

,\ n a l~w

des Enl wh eidun!,:sunterslüll.un!':\ I)ol enlia l\

Zunächst wird das Einsarzporcnzial der vier Mcihod enkercgoricn des Data Mining unebhängig von der Anwcndungsdomànc Pcrsonalmanegcmc nt hinsichtlich der Eignung zur Ilcilung der

Emschcidungsproblcmdcfclac analysicrt. Wic in Kepitel 2.5 crarbcitci. muss sich das Ent-

schcidullgsulllersllltzullgspok'TIzial der Method cnkatcgoricn des Data Mining duren messen lassen. ob sic die je Entscbcidungsproblcmtyp feblenden luformationcn crmittcln könncn. D(I' mil werden für die folgcnde Analyse die toraussetzungen Mcthodcnkarcgoricn sowic die jewcihgc Leis/ung relevant.

Z UT

Anwendung der Data Mining

Im Felgenden wird das Einsatzpotcnzial der Data Mining Methodengruppen Klassiflkution. Scgrncnticrung. Hewcrtung und Assoziationsfindung in wahrncluuungsdcfcktcn. abgrcnzungsdcfcktcn. wirku ngsdcfcktcn. bew crtungsdcfcktcn und ziclsc ezungsdefcktcn Entschcidungspro-

blcrncn diskuticrt. Dazu wird untcrsucht. ob Data Mining dicnlich ist, die in Kepitel 2.5 crarbeireten lnfcrmationen zur Ilcilung der Defckre zu idcnuflzieren und somir zur Entscheidungsuntcrstützung bciz utragcn. Die Analyse wird darnit für füuf Entschcidu ngsproblcrnt yp cn und vier Data Mining Mcthod cnketcgoricn durchgc fübrt (vgl. Abbildung 21). Klassifikation Hcwc n ung

Sc gmcntierung

Assoziatiorrsfindung

Wahmehmungsdcfekt

Abgrcnzungsdefckt Wirkungsdcfckt Hcwertungsdc fckt Ziclsctzungsdcfckt Abb,ldllng 21 IOntsdll:, dllngsproblcmlypen ", ld l>'dla Mm,ng

Aus den Eigenschaften der Entschcid cngsproblcmty pcn und den zu r I leilung der Dcfekte netwcndigcn JU crmittclndcn lnformationcn sowic aus den I oraassetzungen u nd der LeiS//IIlg der Data Mining Mcrhodcnkarcgoricn crgibt sich das Einsatzporcnzial \011 Data Mining zur Entscheidungsunterstützung. Es win! diskutiert. oh und wie Data Mining Methoden zur Jlcilung der jcwciligcn Dcfcktc cingcsctzt werden könncn. Dicsc Vorgchcnswcisc ubstrahicrt dumit vont konkrete n Anwcndungsbczug und crmögficht gcncrcllc Aussagcn zum Einsav porcnzial vou Data Mining zur Entschc idungsuntcrstützung. Im Ergchnis tUhrt dicsc Disku ssion JU untcrschicdlichcn Einsatzszcnuricn. Zur bosseren Vcrständlichkcit werden dicsc ünhünd verschiedcncr Hcispiele illustricrt.

75

3.3.1.

Data Mining in wahrnehmungsdefekten Entscheidungsproblemen

Im Rahmen wahm ehmun gsdefekter Entscheidungsprobleme ist zu diskutieren, inwiefern Data Mining Method en zur Identifikation von Anreg ungsinformationen dienlich sind, die einen Handlun gsbed arf notwendig erseheinen lassen. Wie bereit s erläutert handelt es sich an dieser Stelle im Grunde noch nicht urn ein Entsche idungsproblem im eigentlichen Sinn, da sich das Problem des Entscheidens als bewusste Auswahl einer Handlungs alternativen noch nicht stellt. Vielmehr gilt es, proaktiv Entscheidungsmöglichkeiten zu identifizieren, d. h. Anregungsinformationen zu erm itteln, die einen Handlungsbedarf indizieren und damit (in der Zukunft) Entscheidungen für eine Handlun gsaltern ative erfordern . Diese Anre gungsinformationen können sich aus untersch iedlich en Ursachen wie beispielsweise Soll-Ist-Abweichung, Änderung der Ziele, neue Handlun gsalterna tiven etc. heraus ergeben. Im Rahmen der Diskussion des Einsatzpotenz ials von Data Minin g sind ausschlieûlich jene Ursachen relevan t, die sich in den verfügbaren Daten widerspiegeln. Denn nur jene Inform ationen, die in der Datenba sis gespeichert sind und damit aktuelle und historische Daten, können mith ilfe von Data Mining Meth oden analysiert werden . Ermöglichen beispielsweise neue Techn ologien andere Produkti onsverfah ren und

eröffnen damit neue Handlungs alternativen, so sind diese Informat ionen in einem kreativen Prozess in die Entschcidungsfindung einzubeziehen und können nicht automa tisiert mithilfe von Data Minin g ermittelt werden . Anregungsinform ationen, die sich in den verfü gbaren Daten widerspiegeln und ensprechend mith ilfe von Data Mining ermittelt werden können , sind damit Soll-Ist- Abweichungen. 3.3.1.1.

Method en zur Klassifikation

Zun ächst ist das Vorlie gen eines kategorialen Zielattributs grundlegende Voraussetzun g zur Anwendung von Method en zur Klassifikation. Im Hinblick auf die Heilung des Wahrnehmun gsdefektes sollte dieses Zielattribut darm eine Kontrollv ariable repräsentieren, welche letztendlich die Identifik ation von Soll-Ist-Abweichungen als Anregun gsinformation überhaupt erlaubt. Der Einsatz von Klassifikationsm ethod en ermögli cht dann die Identifizierung derj enigen Einflussfaktoren, die das Zustandekommen der Kontroll variablen bewirken. Stimmen diese Einflussfaktoren mit denen se itens des Entscheidungsträgers angestrebten Einflussfaktoren

überein, so kann dann von einer Übereinstimmung des Soll-Ist-Zustandes ausgegangen werden. Weichen die identifiziert en Eintlussfaktoren von den Vorgaben ab, so stellen die Eintlussfaktoren lndizien für einen möglichen Handlun gsbed arf dar und können für die Konkretisierung desselben verwendet werden. Darüber hinaus ermöglichen Methoden zur Klassifikation die Zuordnung der anal ysierten Objekte zu einer Klasse, so dass sich auch aus dieser Klassenzuordnung für den Entscheidun gsträger Anregungsinform ationen ableiten lassen . Hier kann insbesondere die Klassifikationstabelle als Grundl age für den Soll-Ist-Vergleich herangezog en werden.

76

Unter der Voraussetzung, dass die idemiflzienen Einflussfaktorcn inhahlich valide sind. srellr cinc Abwcichung der mithitfe von Data Mining crmittchcn Klasse z ur tats ächlich vcrliegen den Klasse eine Anreguugsiuformation dar. Beispiek

Ein Untcmcbmcu hal ein leistungsoricn ticrt cs v crgürungssysrcm implementiert. wobci die Vergütung in hcstimnucn Gchaltsklasscn angcgcbcn werden kann. Werden nun im Rahmen der Konnolle des Vergûtungssystems Mitarbciterdaten analysicrt und die Gchaltsklusse als Zielatteibut fes tgclc gt. könncn dicjcnigcn Einflussfaktorcn ermittclt werden. die für die Zuordnung cines Mitarbcitcrs in cine Gchaltsklassc relevant sind. Die Gchaltsklasse steur die Kontrollvari-

uhle dar. bez. dercr Soll-lst-Abweichungcn festgestellt werden sollen. Aufgrund des l.eistungsbczugs der v crgütun g wird in dicsem Fall erwartet. dass l.cistungsdatcn als Einflus sfaktorcn idcntifizicrt werden. lsr dies nicht der rail und l'S werden a ndere Einflussfaktorcn idcntifiziert. so stellen dies c cntsprechcud Anregungsinformationcn dar. die auf einen Hendlungsbcdnr hindeuren. Wird bcispiclswcisc das Land und nicht die Lcisfung als wichtiger Einflussfaktor fUT die Errcichung cincs holren Gehahs idcnrifizicrt, so srcllr dics c A bwcichung die An rcgungsinformation dar. Es isl dann l il übcrprüfcn. inwicfcm bcsrimmtc l.änder wcnigcr die l.cis tung, sondcrn andere Fektorcn bei der v crgüiung bcrücksichtigcn odcr generelt höhcrc Gchälrcr

bezuhlen. Als Ergebuis licfem Klassiflkationsmcthod en darübcr hinaus cinc Zuordnung der Mitarbeiter TU den (ichaltsklassen, K ann duvon allsgegallgen werden. dass die idcntifi zjcrtcn Einflussfaktorun die l.cistengsdatcn umfassen und somit inhaltlich valide sind. so kalm eine Abwcichung der tats ächlichen Uchalt sklassc von der mithi1 fe der Klassifikationsrncthodcn cnninchcn Gchahsklassc cine Soû-lsr-Abwcichung indixicrcn und stellt clne Aurcgungsinformation dar. Abwcichungcn hinsichtlich der emunelten Zunrdnung l Ucincr Sollvorgabc. bcispiclswcisc die

Anzuhl der Muarbcircr cincr hohen Gchehsklasse liegt üher cincm Solbeert. stellen dunn Anregungsinformationen dar . die auf Hudgcfpr obleme hindeuren köun cn und eincn möglichcn Hendlungshcd urf indizicr cn. Damir hlcitn fesrvuhalten. dass Klassifikerionsmcrhodcu zur l1eilung des Wabmchmungsdc fcktcs durchaus gccignct sind. Spczifische Yora ussctzung für die Anwendung von Klassifikationsmcthodcn zur l1cilung des Wahmehmungsdcfcktcs ist die Vcr fügbar kcit cincs kategoriafen Ziclattributs. \\c1c111.'S eine cntschciduegsrclcvanrc Kontrollvariahlc präscnticrt. Unter diescr v orausserzung vcrfügen Klassiûkationsmethodeu iibcr das Potcnzial. Einflussfaktoren

und Zuordnungcn l il idcntifizicrcn. die als Anrcgungsinformetioncn l UT lndizicrung cincs möglichcn Handlungsbcdarfs verwendel werden könncn.

77

3.3. 1.2.

Methoden zur Hcwertung

Zunächst srellr das Vorliegen emes mcrrischen Zielnuriburs cinc grundlegcnde Voraussetzung lUT Anwcndung von Methoden lUT Hcwc rtung dar. lm Hin blick a uf die llcilung des Wahrnchmungsdcfcktcs sollrc dicscs Zicfauribur. analog ZUT Anwcndung der Klassifikationsmethoden. dann clnc Kontrollvariable rcpräscnticrcn. wclchc schlicûlich die ldcntiflkation \'011

Anrcgungsinformationcn crlaubt. Die Anwcndun g \'011 Methoden zur Bcwcrtung crmöglicht letztcndlich die ldemiflkarion von Einflussfsktorcn. die auf die l löhe dL'S Werts dieser Komrollvariublcn cinwirkcn, Sünuncn dic sc Ein fluss faktorc n mil den angcstrcbtcn Ein fluss faktorc n ühcrcin. so kann vou eincr Übcrcinstimnumg dL'S Soll-lst-Zustandcs ausgcgnngcn werden. Srimmen die muhilfe der Bewertungsmcthodcn idcntiflziertcn Einû uss fa ktoren nic ht mil den Soli vergaben übcrcin . so liefcru sic lndizicn für eincn mögfichcn llcn dlungshcdarf und könncn tUT cine weitere Konkretisicnmg herangczogcn werden. Untcr der Vomussctzung. dass die idcntiflzicrtcn Einflussfaktorcn inhahlich valide sind. liefcri der mittlcre quadretische Fehler darüber hinaus lndizic n für die Abwcicbung dL'S tetsüchlichcn w crtcs von dcm mithilfc der Bcwcrtungs-

methoden crmittcltcn wcrrc und srcllt cinc Anrcgungsinformntion dar. Ergeben sich Abw cichungcn. so schcim ein Handlungsbcdarf'vorzulicgcn, der im Nachgung IU konkrctisicren isr. Beispiek

An dicscr SIcIIc kann cmcur auf das Beispiel dL'S lcistungsoricmicncn Vcrgütungssystcm s zurückgegriffen werden mil dcm Unterschied. duss dus Gehalt als metrische Gröl.\c vortlegt. Durch die Anwendung von Methoden zur Bewen ung können diejentgen Einflussfaktoren err uittelt werden. die auf das (l chult einwirken. Au fgrund der lcistungsoricuticnen Ycrgütuug wird die ldcruiflzicrung von Leistungsindikarorcn crwartct. die das Zustandckonuncn der Gehuhsgröûe bestimmen. Werden andere Einflussfaktoreu ermiuch. so stellen dicse Anregungsinformationcn dar. wclchc uuf cincn potenzielfen I lendlung sbedarf hin wciscn. Kann davon eusgcgangcn werden. dass die idcntlflzicrtcn Einflussfuktorcn die l.eistungsdetcn urntassen und da-

mil inhaillieh valide sind. so stclh eine Abweichung der crrninchc u vcrgtnungshöbc von der tats ächlich vc rliege nde n vcrgüumgshöhc der Mita rbcite r cin c Anreg ungsinforruerion dar.

Damir blcibr fcrstzuhahcn. dass Bcwcrnrngsmcthodcn durehans zur lIeilung des wahruchmungsdcfektes gccignct sjnd. Spczifischc Yorau ssctzung H.ir den Einsutz von Hcwertungs-

methoden zur llcilung des Wahmcbnumgsdcfcktcs ist die Vcrfügberkcit cincs memschon Zielantibuts . vetehes cinc cmschcidungsrclcvnrnc Konrrollvariablc repräscnricrcn solltc. Unlcr die-

scr Voraussctzung verfügen Methoden lur llewertung liber das J'otenzÎal. Einl1ussfaklorcn und Wertzuordnungen 1.U idenlifiziercn. die als Anregungsinfonnat ionen bel.. eines lllöglichen beslchendenllandlungshcdarfs vCT\\ cndcl werden könncn.

3.3.1.3.

Methoden zur Segmcnticnmg

Der Einsall von Segmcnticrungsrnethoden erforden zunächst das vcrliegen ven strukturglcichcn Dbjcktcn. d . h. Objcktc. die durch die glcichcn Auributc bcschricbcn werden. Auf-

gnmd der ungcrichtctcn vorgchcnswcisc von Scgmcmicrungsmcrhodcn iSI ...'S im Gcgcnsntx

IU

den Klassifikations- od cr Hc wertuugsr ncfhod cn nicht rnöglich. automatis jcrt Einflüssc au!" Kontrollvarieblcn zu crmittclu. Bestehen jc doch scitcns des Entschcidungsträgcrs Vorstcllungcn bez. der Struktur des Soll-Zustand. die sich in Ferm ven Clustcm darstellen lassen. se iSl der Einsatz von Scgmcnticrungsrncthoden zur ldcntifikation von Anrcgungsinformationcn zunächst

durehalls denkbar. lndcm Scgmcnticrungsmcthodcn Objcktc I U Gruppen zusanuncnfasscn und die Gruppenzugehö rtgkeit identifizieren. versetzen sic den Entscheidungstrûger in die Lage. die Gruppcnzugchörigkcit uur Ûhcrciustimmung mil den Sollvcrgabcn zu übcrprûfcn. Dabci kön-

nen sich grundsäivlich lllCÎ Arren von Abwcichengen ergeben. l urn ciucn kaon sieh in Bezug auf die gesumteGruppcnbildung eine Abweichung zcigcm, indem die Segrnentierungsmcthoden nicht die vom Entschcidungsträger crwartcten Suil-Gruppen bilden. Zum anderen kunn sich die Abwcicheng in Hczug auf ciu euvelnes Objekt ...ergeben. wclchcs sieh mithilfc der Scgmcnrierungsmethodcn kciner Gruppe zuordnen lässt. Ergibt sich einc Übcrcinstimmung. so liegt kcin IIandlungshedarf vor, ergeben sich Abwcichungcn. so ist von cinem lIandlungshcdarf auszugchcn.der im Weueren zu konkrcrisicrcn ist. Beispiek Segmentierungsmethoden ertaubcn die Ermittlung \01\ Gruppen zur Erstellung cincs Persenatpon folies. Werdc'11 nU II die Muar bcitc rdetcn im Ralunen der Kon tmlle der Pcrson alstruktur analysicrt und bcispielswcisc hinsichtlich der Attribute Alter. Ouehfikation und Lcisiung scgmentiert. kalm die Gruppenzugcbörigkeit der Mitarbeiter I U eine'\" Gruppe besrimnucn Alters. bcstirn mtc r Quelifikation und bcs tin untcr l.cis tung idcntifiziert werden. Es wird nun cinc Pcrsonu lstruktur crwetcr. die auch einc zukünftig cr folgrcic hc l.cistung des Untcmcbmcns sichcrsrclh. ldcntifizieren nun Scgmcnticrungsmcthodcn ciue übcrproponional groBc Gruppe an ältcrcn. lcistungsstarkcn und hochq ualifizie rtcn Mitarbcitem. so deutel dies uuf cincn anstchcn-

den Hcndlungsbcdarf' hin, ucuc lcistungsstarke und hochquslifizicnc Mitarhciter IU rekrutleren. da autgrund von vcrrc mungcn mÎt cinem erhöhtcn Personalbcdarf l i l rechncn ist. Scgmcnticrungsmcthodcu stud denmach in der Lage. wahrnclunungsdcfcktc Entschcidungsproblcmc IU hcilcn, îndem sfc durch Zusanuncnfassung von Objcktcn zu Gruppen ciucn Abglcich des Soll-Zustandes mil dcm lst-Zusta nd au!" aggregiertcr und für den Entscheidungsträger bcarbeitharer f unn ernlÖgliehell. Iticmci sind zwei Fälk zu unl"'TSchciden: V'/erden alle Ohjekle I-U GruPfll'11 lusrnl1rnengefa~sl. dann lietem Scgmelllierungsmclhoden kcincn Ab\\eiehungsindi· kalor als Anregungsinfonnalion. Viclmehr muss die Abwciehung VOll\ Enlscheidungslriiger e:\

79

post durch eincn Verglcich mit eiuern Soll-Zusrand ermiuch werden . Werden jedoch cinzclnc Objekte nicht eincr Gruppe zugccrdnct sondem als Ausreillcr idc ntifizic rt. dann ist hierruit direkt cinc potcnzicllc Anrcgungsiuformaticn für den Entschcidungsträgcrgcgcbcn. Spczifischc Voraussctzungcn für die Anwcndung von Scgmcutierungsmethoden zur llcitung des Wahmchmungsdcfcktcs ist die Vcrfügbarkcir strukturglcichcr Ubjcktc. die im Il inhliek auf den Soll-Zustand bcdcutsam sind. 3.3. IA.

Methoden zur Assoziationsfiudung

Der Einsall von Methoden zur Assoziationsfiudung erforden fomral zunächsr das vcrliegen von katcgorialcn Aneibutcn. Da Methoden z ur Assoziarions find ung als uutlbcrwachtc Met hod en

bidircktionalc Zusammcuhängc in den Attributen crmincln, kann diesen a priori kcinc lm

Rahmen von wahmchmungsdefcktcn Entscheidungsproblemc n re levante Bedeneng zugesprochcn werden. Ein Einsatz ist damir allalog xu den Methoden der Segrnenlierung nicht im

Ilinhliek auf cinc spczifischc Kontrollvariablc hin mögfich. Es hcstchr jcdoch die Möglichkcit. die dnrch Methoden zur Assozi.uionsûndung enmnelren Zusammcnbängc in Form ven häufig auftrctcndcn Attributskombinationcn des dcrvchigcn lst-Zustandcs mit den Vorstcllungcn 1.11.'$ Emschcidungstrügcrs Ober den Soli-Zustand abzugleichcn. Ergehen sich dicsbczüglich Abwcic hungc n. dcutet dies auf die Existenz eh-es Handlungsbcdarfs hin.

Beispiek EÎn Untcmchmcn hictet versebiedene Kerricrcmodcllc all, die die Mitarbciter durehlaufen könncn. Werden nun Mitarbcitcrdatcn mithilfc von Methoden zur Assozianonsflndung analysicrt. könncn tasächlich vcrliegende Emwlcklungspfadc idcmifizicn werden. w etenen dicsc von den vorgcgebcncn Kameremodellen ah. so kann dic se Anrcgungsinfbrmarion auf einen Handtengs-

bcdarf zur Ändcn.mg der Karncrcmod cllc hlnwciscn. Darübcr hinaus könncn ein geringer Support odcr eine geringe Kontidenz darauf hindeuren. dass Abwcic hungc n IU häufig autlrercndcn Zusemmcnhängcn vcrliegen.

Damit blcibt fcstzuhaltcu. dass Memoden zur Assoziutionsfindung zur Hcilung des Wahmchmongsdcfcktcs cingcsctz t werden könncn. Spczifischc VOTUUSSCIl Ullg ïur den Einsall von Methoden zur Assoziatinnsfindung ist das Vcrliegen karcgnrialcr Anri butsaus prügungcn. lm Untcrschicd 1lI Jen Klassifikations- und Hcwcrtungsmcthodcn könncn dcn Assoziationsflndungsmethoden aufgrund ihrcr unühcrwaclncn vorgchcnswcise a priori kcinc im Rahmen ven wahrnchruungsdcfcktcn Erascheidungsprohlcmcn bedcutsamen lnfonn alionen zugcwicscn werden. viclmchr müsscn dicsc vom Eutschcldungsträgcr ex pust crmittclt werden. Support und Konfl-

denz gellen hierbei Anhallspunkte flir das vcrliegen ven Ahweichungen und damit von Anregungsinformationcn. Es ku nn jcdoc h hei den Methoden zur Asscziaticnsfindung von cincm

relat iv höheren Aufwand diesbezüglich im Vergleich zu den Segment ierungsmethod en ausgegangen werden. Während Segmentierungsmethoden durch Identifik ation der Gruppenzugehörigkeit, einer Objektzuordnung zu Gruppen sowie einer potenz iellen Explikati on jener Obj ekte, die keiner Grupp e zugeordnet we rde n können, zur Heilun g des Wahm ehmungsdefektes beitr agen. erfbigt im Rahmen der Assoziat ionsfindung eine A nalyse lediglich aufA ttributsausprägun gsebene . Eine Objektzuordnun g find et nicht stalt, damit scheint im Vergle ich die Aggregationsleistun g der Meth oden zur Segmentierung stärker ausgepr ägt. 3.3. 1.5.

Fazit

Die Disku ssion der Meth odenkategorien zur Heilun g des Wahmehmungsdefektes hat geze igt, dass grundsätzlich alle Method engrupp en zur Heilung des Wahrn ehmungsdefektes beitragen könne n. Mit ihrem Einsatz verbunden sind unterschiedlich e Einsatzszenarien, die differierende Anforderungen an die Nachbereitung durch den Ent sche idungsträger zum Abgleich des Soll-IstZustands stellen. Während Klassifik ations- und Bewertun gsmethoden in der Lage sind, über die Ein flussfaktoren automatis iert Anreg ungsinformationen zu lie fern, er fordern Segmentierungsund Assozi ationsfindungsmethoden eine gr öûere Nachbereit ung des Entscheidungsträgers. Diesem Aspekt wird bei der Beurteilung des Potenzials Rechnung getragen. Das Potenzial zur Heilun g des Wah mehmungsdefektes ist umso gröber, je weniger eine Nac hbereitung des Entscheidungsträge rs bei der Analyse der mithil fe von Data Mining Methoden ermittelten Muste r notwendig ist. Damit verbleibt den Methode n zur Klassifik ation und Bewertung das grölite Potenzial. Wie bereits erläutert, ist bei den unüberwachten Method en zur Segme ntierung und Assoz iationsfindung eine a prior i Z uweis ung von lür die Heilun g des Wahrn ehmungsdefektes bedeutsamen Informationen nicht m öglich. Die Identifikation der Anre gungsinform ationen bleibt bei der Anwendung von Assozi ationsfindungsmethoden sowie bei der Anwendung von Segme ntierungsmethoden mit vollständiger Zuordnung der Objekte dem Abgleichsver möge n des Entscheidungsträgers überl asse n. Lediglich in dem Fall, dass Obj ekte explizit durch Segmentierungs metho den als Ausreibe r identifiziert werden , ent fällt der ex post Abgle ich durch den Entsche idungsträger. Assoz iationsfindungs- und Segmentierungsmethoden sind in der Lage, den Ist-Zustand in aggregierter Form als Gruppen oder als Assoz iationen darzustellcn , der Abgleich zum Soll-Zustand und damit die Ermittlung der Anregungsinform ationen muss vom Entscheidungsträger ex post durchgeführt werden. Im Hinblick auf die automatisierte Ermittlung der Anre gungsinformati onen und damit einhergehend dem Aufwand zur Nac hbereitung ist daher diesen Method en ein niedr igeres Potenzial zuzuschreiben, wobei die Method en zur Segmentierung aufgrund der Aggregationsleistung höher als die Method en zur Assozi ationsfindung einzu stufe n sind. Darüber hinau s explizieren Methoden zur Segme ntierung im Falie von nicht vollständiger Zuordnun g von Objekten zu Gruppen jene Objekte, die Ausreiêe r darstellen und dam it auch die Anregungsinformationen. Auch dies spricht für ein

81

höhcres Potcn xial der Segmcnticnmgsmcthoden im Vcrglcich methoden .

Potenzial

..

Methode n zur Bcwcrnmg Methoden zur Segrncntierung

... ..

•

Methoden zur Assoxiationshoch.

den Assoviationsflndungs-

......

Merhed engruppe Methoden zur Klassifikation

findung

lU

miucl. • niedrig, . nicht vcrhanden

Abbildllng 22 : Eignnng de. Data Mining zn. Ile ilung de<Wahmehm nngsdefelles

Bei den Klassifi kations- und Hcwe rtungsmcthodcn hingege n ergiht sic h d ie M öglichkcit. übcr die Angabe cincr Korurcllveriahlcn als Ziclnnribm cinc gerichtere Ermhtlung der Einflussfak-

toren auf dicse Korarollvariahlc durc hzufbhren. welche p otenzicll Anregungsinformationcn dar stellen köun cn. Beide Methodengruppen sind hinsiclulich ihres Potendal s als glcichwc rtig ein-

zusturen. da s ieh die Urucrschcidung lcdiglich aufgrund der Skaiicnmg des Zicfattributs crgibt. Je naehdem wie viclfältig sich jcdoch die ermitteltc Mcngc der Einfluss fakturcn und ihrc Inter-

dependenzen darstellen . mussen scitc ns des Entschcidungs trägcrs auch hier sepa rate Auswahl-

vcrgänge der relevanten Emtlussfaktorcn als Anregungsin formarioncn vorgcnommcn werden. so dass der Automatisicrungsgrnd dieser Methodengruppe schwankt. Jcdoch crgibr sich aufgrond der übcrwacfucn Vorg chcnswcisc und der einhc rgehcndcn Möglichkcit zur 1I priori Fcs tlcgung der Problcmrclc vanz das Potcnzia l zu eincr höhc rcn l.cistungsfähigkcit dieset Methoden

ir nYerglcich l U Assoziarionsfir ujungs-und Segmenticrungsmcthodcn. Aus der Diskussion der Anweudung der Data Mining Methodengruppen lilsst sich cin Vc rgchcnsmod cll ablcitc n. welthes die Auswah l eim..'T Method engru ppe zur Ilci lung des Wahrnchmung sdc fcktcs untcrs tûtzt (\'gL Ahhildung 23) . Liegt e in wa hmchnumgsdcfcktcs Entscheidungsp rcblcm ver. isr zunächst

Z1l

klä ren. oh cinc den Soll-Zus tand rcpräsemicrendc Kontrolt-

veriablc hekallllt und in der Datcubasis vcrfüg ber lst. Ist dies der Fall. so können hei katcgoria ler Skalicrung der Konrrollv nriablcu Klassifikationsmc thodcn und bei rncrrischcr Ska-

lierung Hcwertungsmct hodcn unter Deklamtion diescr Kouuollv ari ublcn als Ziclenribut eingcsctzt werden. IsI cinc Knmrollvuriablc nicht bcke nm bzw. nicht verfügbar. so bietct sich grundsäizlic h die Anwcndung von unübcrwechtcn Met hoden respektivo Methoden zur Assovieriou

und Scgmcntierung an.

Jar-_ _-<

Ist eine Kontrollvariable verfügbar?

Klassifikation

Bewertung

Segmentierung

Assoziation

Abbildung 23: Vorgehensmodell in wahme hmungsdefekte n Entscheid ungsproblemen

Sind nun die einen Soll-Zustand beschreibenden Attribute bekannt und in der Datenbasis verfügbar, so kann anhand dieser ausgewählten Attribute der Soll-Zustand beschrieben werden. Entsprechend eignen sich Segmentierungsmethoden zur Heilung des Wahmehmungsdefektes. Sind diese Altribute nicht bekannt, können schlieBlich Assoziationsmethoden angewendet werden, die zumindest Attributsausprägungskombinationen identifizieren können, die potenziell zur I-Ieilung des Wahmehmungsdefektes geeignet sind.

3.3.2.

Data Mining in abgrenzungsdefekten Entscheidungsproblemen

Vom Strukturierungsgrad eine Stufe höher als das wahmehmungsdefekte Entscheidungsproblem ist das abgrenzungsdefekte Entscheidungsproblem einzuordnen. Im Rahmen abgrenzungsdefekter Entscheidungsprobleme ist zu analysieren, ob und wie Data Mining Methoden (problemrelevante) Handlungsaltemativen identifizieren und damit zur Heilung des Abgrenzungsdefektes beitragen können. Es liegt also ein Problembewusstsein des Entscheidungsträgers vor, die Handlungsaltemativen sind jedoch noch nicht konkretisiert. Eine Analyse ist nur unter der Annahme sinnvoll, dass sich Daten über Handlungsaltemativen in der zur Verfügung stehenden Datenbasis befinden. Sind keine Daten über Handlungsaltemativen in der Datenbasis gespeichert, sind Data Mining Methoden lediglich in der Lage, für den Entscheidungsträger neue Inforrnationen zu extrahieren, die den kreativen Prozess der Gestaltung 83

von Handlungsalrcrnutiven bccinflusscn könncn. [l ief/ u bicten s ich daun Kreerivitätsrcchnikcn wie Brainstorming, Brainwritin g oJer sync ktische Method en wie die Reizwcrtanalyse

un. ~~

Eine automatisicrtc Ahgrcnzung des Entschcidungsproblcms ruithitte von Data Mining Methoden kann in dicsem Fall nicht erfolgen. glcichwohl zu vermuren ist. duss Data Minin g zum Ansroûkrcativcr Dc nkpmzcssc dureheus seinen Heitrag leisten ka nn.

lm Felgenden wird dahcr diskuticrt . ob und wie Methoden zur Klassifikation. Hcwc rtung, Scgmcntienmg und Assoziationsfindung den Abgrcnzungsdc fckt hcilcn und autornatisiert problomrele vante Hendlu ngsahcmauvcn crmittcln könncn.

3.3.2.1.

Me thod en zur Klassiflkation

Das Problcmbc wusstscin in ahgrcnz ungsdcfcktcn Entschcidungssituationcn zcigt sich zunäc hst in der Wahmchmung hcsmnmrcr Symptomc' " wie v, Il. cinc geringe Mitarbcitcrzufricdenhcit oJer unzu reichcnde Produ ktivirät. die sich dem Entscheidungs träger als Anregungsin forma-

tienen darstelten. Wird diesc Anrcgungsinforrnation als Ziclat tribut. eine katcgorialc Skalicrung vorausgcscrzt. lestgelegt. so crlauhcn Data Mining Methoden zur Klussifikation die aniomanslc nc ldcntifizicrung von Ein flussfak tore n auf dicsc Anrcgu ngsinform ution. Eetsp rechcnd

stelten die crmittclten Einû ussfaktorcn für den Emschcidungsträgcr potcnzicll Handlungsahc r-

naiiven dar. Klassiflkutionsrncthod cn crmineln jedoch alle in Jen Duren vcrhandenen Einflusstaktore n. d. h. en tspeeche nd auch jene Einffuss faktnrcn. die kcinc Handlungsaltcrn ativen fü r den Entschcidungsträgcr darstellen. se dass vom Emschcidungsuägcr die Hendlungsahcmativcn aus der Mcngc der Einflussfaktoren auszuwählcn sind. Beispicl: Die Mirarbcucrzufricd enhcu in eincm Umerneh men isl im Vergleich zum Vorjah r drastisch gesunkcn und l'S werden Hendlungsaltc met ivcn ges ucht die Mitarbchcrzufricdcnbcit wied er

1U

stcigcm. Wird nun die Miterbcircrz uûi cdcnhcit mir den Ausprëgungcn gering. mille! und hoch als Zielanribur testgele gt.

50

könnc n muhilfe von Klassiûkarionsrncrhcdcn Einûu ssfaktorc n L'T-

ruittelt we rden. die fü r die Zuli"icdl11heil eincs Mitarbcitcrs relev ant sind. Dies könncn je nach Dalenb asis bcispiclswcisc Seminarbesuche. die Gchaltshöhc. die Tcamzugchörigkcit, das Aller etc. se in. ldentifizicrt die Methode nun den Bcs uch eincs besrenneen Seminars als relevant für cinc hohe Mitarb citcrzufhcdcnbch. so stcllt das Anbictcn dics cr Sc hulung ctrc müg fichc Hand-

lungsaltcm utive zur Hccinflussun g der Miterbcitcrzufricdcnhcir dar. In dicscm Sinnc dien t die Anwcud ung von Klussitlk atlcnsm cthodcn der lleilun g des Ahgrenz ungsde tcktcs . Wird der

Einflu ssfuktor Alter hingogen als relevant fllr die Höhe der Milar bcÎter/uli"icdenheil idcnti-

.~ v I'I "km i Sclwl12004. S 140ff "" VI'I, Arctàc l<)XO. S 37.

flzicrt. so stelh diescr Einflussfuktor keine unmittelbere Handhmgsultcmutive fitr den Entscheidungsu ägcr dar.~" Darübcr hinaus kann auch die Objcktzuordaung zu cincr Klasse an sich ciuc Handlungsaltcrnativ e darstelten. ln diescr u Pull ergibt sich die Möglichkeit. auf Has is der in der Vergangenheit durchgcfbhrtcn Zuordnungcn zu Klassen, cbcn diesc Handlungsaltcrnetivcn tür ncuc Objcktc 7U cnnincln . Beispiek In cincm Seminar sind noch wcmge Plätz c

trci. die es

111

besctzen gilt. Der Fntschcidun gsträgcr

hal zunächsr I U klärcn. wclcbc Mirerbcircr überhaupt für den Bcsuch dicscs Seminars in Frage kommen. Der Einsruz von Klassiflkationsmcrhodcn auf den Mirarbcitcrdarcn crmöglicht nun die ldcntifixicrung von Mitarhcitcrprofilcn. die diesl'S Seminar in dl'!" Vcrgangenheit bcsucbt habcn (Scmtnarbcsuch .,ia··) und wclchc nicht (Scminarbcsuch .ncirr-). Auf Basis dicscr Zusammcnhänge kalm nun cinc Zuordnung andcrer Mitarbcitcrprofilc und mithin die ldcntifikation jcncr Miterbcitcr crfolgcu. die tür den Scminarbcsuch in Fragc kOlllllll'1l.""

Damit blcibr fcstzuhahcn. das, Klassifikarionsmcthod cn durehans l ur J1cilung des Ahgrcnzungsdcfcktcs cingcsctzt werden könncn. Es lassen sich dahci zwei Einsetzs zenericn unlerscheiden. Zunächst könncn die crmittcltcn Einflu ssfaktorcn hzw, cine ausgcw ähltc Tcllmcngc

dcrsclben die Hendlungsahcnuniven darstellen. In diescm Fall sollre dus kuiegoriale Ziclánribut das Problcmsymptom repräscraicrcn. Ein undcres Einsctzszcnerio crgibt sich mil dcm Verständnis der Klasscnzuordnun g all sich als llandlungsaltcmativc. I) . h. au f Hasis vcrgangener Zu ordnungscntschcid ungc n werden ncuc Zuo rdnungsmögfic hkcitc n idcntifl zicrt. lil dies ent fall

mus, es sich urn cin wicdcrkchrcndcs Auswahlproblcm handcln, da nur dann vcrgangene Znordnungscntsch cidungen anelysicrbar und idcntifizierber sind. die als Handlungsalrcrnativen auch im aktucllcn Entschcidungsproblcm in Fregc kommen.

3.3.2.2.

Meth od en zu r Hcwcrtun g

Data Mining Methoden

I UT

Hcwcrtung idcntifizicrcn Einffussfaktorcn, die f1lr die Zuordnung

einer merrischen Ziclanributsausprägung relevant sind. Denmach k önncn diese Methoden in ä hnlichcr Welse cingcsctzt werden wie Klassiflkationsmcthodcn. Voraussctzun g all dics cr

Stelle isr. dass das Problcmsymptom durch ein metrischc'S Attribut widcrgcs picgch wird . wel.'~ Gl"ich""hl soltI" all' per50nalwinschalllicher Sicht in di"S<:1Il Falt die llllhnnalion hez. der BedeLl1ung des

Altcrs rur die Milarheiterzufriedenheil nichT "em achlll<sib" ""rden Ullte..- Umsländen deulet di",", Zusammell. hang auf ein anJere. l'roblelll hin. "'dches weit"r zu kon.H...-isieren ;,1. In diescm Fall ,tdh der Einfl,,,,faktor Alter e;nc An"'l,lungsinformation dar .1U7 [},e'S<."S Ikispi.:l Idb" z,•.km die Prob.lOscicislllTlg cincr Klassifikationsmclhode "ie sie in kap,td ) .1.2.2.6 crla "ten ""ulde aur

85

ches dan n bei der An wendung von Bew ertungsrncthoden al, Zîelallrîbul dcklari en wird. Auc h hier gilt. dass cntsprechend nicht alle Einflussfakt orcn im Handlungsb ereich des Entscheidun gs-

trägcrs liegen und dehcr nuch hier aus der Gcsarnt zahl idcmifi/icncr Einflussfaktorcn die relevante n Handlungsahcrnutive nbcra uszutihcm sind .

Beispiek An dtcscr Stelle kann c rucut auf das Beisp iel der MitarbcileTlufrîede nhe it / llrilekgegri fTen WL'Tdcn.jcdoch mil dem Urucrschicd, duss die Mitarbciterzufricdenhen in diescm Fall als metrische Gröl3c erfasst wird. Die Anwe ndun g von Bcwc n ung srncthodcn aufMiturbcitcrde tcn crmüglicht

dann die ldcntiflketion der Einflussgröbcn auf d ie llöhc de r Mharbcitcrvufricdcnhcit. die entsprcchcnd umninclhare Handhmgsahcmativen (wie bcispiclsweise dL'T Serninarbcsuch) odcr miltelbar bcispiclswcisc Anregungsinformationcn für 1lI konk rctisierendc He ndlu ngsbcdarfc darstellen (w ie Z. B. das Alte r). Darüher hineu s hcsteht bei der Anw endun g von Bewcrtungsmc tbod c n die Möglichkeit. das s die Objcktz uordnung zu cincr metr ischen (iriiBc einc Handlu ngsahcmetivc darstcllt.

Beispiek Die Vergünmg ncuer Maarbeiter soli anhand von vergengenen vcrgüumgsstrategien testgelegt werden. Wird nun d ie Ve rgütungsh<.ihe als mctrischcs Z ielatlrihut fcs rgclcgt. so crrn öglic ht die An wcndung von Bewcrtungsmcrhodcn anf historische Mirarbchcrdetcn die Zuordnung von

Mitarbeitcrprofilcn zu eincr spezifischcn ve rgütungshöhc. Auf diescr Ba:;is kunn d ie vergütungshöhe für neuc Mitarbeitcr prognostizicrt werden. Der Emschcidungsträger erhälr nun eiue Menge en Hendlu ngsaltc mativcn. d ie jcdcm Mitarbeitcr e inc sp ez ifischc Vergütun gsbö hc 1.U\veiSI. Es blcibt daruit festz uhaltc n. dass Hcwert ungsmethodc n dure hans zur l jcilung des Abgrenzungsdcfcktcs cingcsctzt werden könnc n . Es erge hen sich h ierhei in Analo gie zu r Anwendung der Klassifikationsmcthodcn zwe i umc rschic dlichc Eiusatzszcnaricn. Zunächsr kommen d ie identi fizierten Einflus sfaktorcn bzw . einc Teilmcnge dicscr als Handlun gsaltern etiven in Fruge. ln dicscm Fall solltc das met rische Zielattribut das Pro blcmsymptom rcpräscnticrcn. Ein zwcitc s Einsarzszcnurio crgib r sich, indcm die Objcktzuordnung I Ucincr memschon Grö êc als Handlungsaltc rnetivc vcrs tande n wird . Aueh hier g ilt. dass cs sich in dicscm Fall urn cin wicdcrkebrcndes Auswahlproblcm hand clu mu ss. Nur dann liegen vc rgungene Zuordn ungscntscheidungen in der Durenbasis vor und könucn als möglichc llandlu ngsaltcrnativcn in den

aktucllcn Entschcidun gspmhlcmcn dienen .

3.3.2.3.

Methoden zur Segmcnticnmg

Bestehen nun potenzielle Hendlungsaltcmariven für ein besurmmes Emscheidmgsproblcm darin. möglich st ähnlîche Objekislrukturen odcr Kombinationen von Obj cktstrukturcn auS7U-

wählcn. bcsitzcn Scgmcuricruugsmcrhodcn dureheus das Potcnzial. den Abgrcnzungsdefckt zu hellen.

Beispiek Ein Unrcrncbmcu verfligt ubcr mcbrcrc frcic Stellen, auf die sich zahlreichc Hcwerbcr bcwcrben. Ein Bcwcrber karm dabci aufgrund scincs Proflls dure huns auch für mehr als cine Stelle in Fregc kommen. Die Anwcndung \'011 Scgmcnticrungsmcthodcn crmöglicht nun die Gruppicrung vou ähnlichcn n cwcrbcr- und Stcllcnprofilcn und schrankt den Handlungsspiclraum au

die Kom bination von Stellen und Hcwcrbcm ein. die slch aufgrund ihrcr Ähnliehkcit in der glcichcn G11.1ppe befinden.Jcd c Gruppe stcllt dabci elnc Untcnucnge an Hewcrbcr- und Stellenprofilcn dar. in der jede Kombimuion aus Hcwcrbcr- und Stellenprofil cinc möglichc Handlungsultcm ative für den Entscheidungsträger durxtcllt. Potcnxicllc I landlungsaltcmctivcn stellen fllr den Entschcidangsträgcr dumit alle Kombinetioncnder Ferm [Stelle, Bcwcrbcr} eincr jcdcn Gruppe dar. Scgmcnticrungsalgorttbmcn sind denmach in dL'T Lage. den Handlungsspiclraum auf relevante Handlungsahcmariv cn autgrund clncs (mcthodcnimmancntcn) ÄhnlichkcÎlskrilL'Tiums chv uschränkcn und damir den Abgrenzungsdefckt zu heilen. Das abgclcitcte Einsatzszenario zur Anwcndungven Scgr ncnticrungsmcthodcn zur llcilung dL'S Abgrcnzungsdcfcktcs bcsrchr in der ldcntifizicrung von älmljchcn Ubj cktcn. deren (particl1c'''' ) Kmubinetion potcnzicllc I landlungsaltcrnativcn darstellen. voraus sctzung zur Anwcndung von Scgmcnticrungsmcihodcn ist das v orliegcn strukurrglcichcr Dbjckte. Je nach Anzuhl der gebildeten Gruppen sowie der Anzahl der in den Gruppen enthalrenen Dbjcktc. stellt sich die Bildung der Objcktkombinatienen diffcricrcnd umfangrcich dar und muss irn Anschluss an die Scg mcmicrung vom Entscheidungsträgcr nbcmommen werdcn.v'

"" Es l an n in diesem Ein"'lI<1enario nicht immer von eiro:r volliilandib",n f.; ombinalion ausgcgangcn '",rden. da je na ch Anwendungslolllexl nidn jedes Objelt in einer Gmp p" mil jede m Objell der gleid\Cn Gruppe inhaJt!ich SillllVOl1 l ombinien werden lann In dem a"fgefilhnen Beispiel der Scgn\Clllierung \'onlkwerber_ nnd Stellcnprolilen i>1 rnithin dic f.;ombirunion SIcIIc A nnd Stelle B nichl sinnvoll, wohinb",gen Slclle B und Bc,,,,rber A einc potel\lidlellandlllngsaitemali ,·c zlIr Bcs"ullngde"T Slelle B mil Bc"erber A darslelll .... Je Meh w ,""endeler f.ilvell1lelhode l "r Segmen tier"ng exi,,;"n die MOghebleil. mamldl dIe Alva lil de"T lu bildendc n GmPJlCn \'ouub'Chen. d ie-s i>1 bcispiclsweise heim k'l1leam' Algorillmmsder Fall.

87

3.3 .2....

Me thoden zur Assoziationsfind ung

Method en zur A ssoziaiionsfin dung entdecken in Dmcnbcsr ändcu bidirektional zusurnmenhängcndc Attributs ausp rägu ngcn. Bidircktional bcdcurct, dass die Z usammcnhängc nicht h insichrlich cincs bcstimmtcn Ziclattributs crminch we rden, soudcm dass cinc Auributsausprägung sawnhl Prä missc se in kann als auch Konklusion. Entsprcehend kann die Anwc ndung von Methoden zur Assoziations findung nic ht übcr d ie Dcklaration cincs Ziclattributs. wie dies der FaU hei Klassifikerions- und ücwcnungsm cthoden ist. auf Prob lcmrclc vanz eingesc hränkt werden. Die durch Methoden zur Assoviationsflndung potenzicll crmiuclbarcn Attributscusprägungskombinationcn mussen danl il nuf ihrc Hcdcutung als Handlu ngsaltcmativc irn vcrliegenden ubgrcnzungsdcfckten Emschcidungsprehlem hin umersuchr we rden. Duruit obliegt es dcm Entschcid ungsträgc r, aus den idcntiflz icrtcn Zusammcuhängcn ersreus pötcnzicllc Handlungs altcrnetivcn und zweirens die filr das Emschcidongsproblcm prohlcmrclcvantcnHeudlungsahcrnaiiven hcruuszu fihem . Die ldcntifiket ion von relevanren llandlungsaltem etiven fällt entsprcchc nd der A nza hl an crmittcltcn Assoxiationcn für den Entsch cidungsträgcr versc hicden umfangrcich aus.

Beispiek Ein Unlemehmen isl mit dem akrucllen Umsatz nicht zufricdcn und m öc htc diesen srcigem. Die

Anwcndung von Methoden zur Assoziárionsfindung auf Pcrsonaldatcn liefcri in Abhän gigkeit von tier zugrunde liegend en Datcnb asis bcispielsweisc Assoziationcn zwischen der Miterbciter-

zufriedcnheit und Seminurtes uchen oder Seminerbesuche n und verkeuf svolumen ode-r Altersklasse und Yergütungshöhc cie. Enlspreecbend oblicgt es nun dL'Tl1 Eruscbcidun gstr ägcr zu iden-

tiflzieren. wclchcr Zusammen hang übcr Problcmrclc vanz vcrfügt und ob tier cnts prc chcndc Zusammenhang eine potcnzicllc I la ndlungsahernerive beinhalrcr. So könrue in dicscm Beispiel die Assozie tion Scminurbcsuch und Verkaufsvolumcn dareuf'hindcut cn . dass das Angehot cÎnes spcziflschcn Se minars durchaus cine

porcnzicllc Handlungsaltcrna tivc zur Bccinilussung des

v crkanfsvolumcn s dursrcllr. Damit vcrfügc n Method en zur Assoziations findung du reheus übcr

POI~'11Zi al

zur I lcilung des

Abgrcuzungsdcfcktcs. Voreusscwung ist. das>d ie IU analy sicrendcn Dalen in karcgoriolcr Fonu vcrliegen. Das sieh durc h die Anwcndung von Assoziationsmethodcn zur Hcilung des Abgrcnzungsdcfcktc'S ergebende Einsatzszenario ist du rch cincn bohcn Nac hbcrcitungsau fwand

1.1 c-s

Emschcidungstrëgcrs gckcnuzcichnct. Methoden zur Assoz iationsfludung idcntifizicrcn Allri· butsausp rägongs kom binanoncn, deren Problcmrelc vanz und Bcd euumg als Handlungs ahc rnative muss vom Entschcidu ngsträgcr crmittclt we rden. Auch hier g ilt. ëass die durch Assozia tiensmethoden cnuittclbarcn Hendlung sahc marivcn in der Ycrgangcnhe it bcrcits ergriffen worden sein m üsscn, d. h. es mu ss sic h UIll cin wiederkeh rcndes Auswehlproblcm handcIn. NUT

in diese m Fall sind in der Vergangenheit getroffene Auswahlentscheidungen in der Datenb asis gespeichert und Assozi ationsmeth oden können dann Zusamme nhänge identifizieren, die als Handlun gsaltemative für das aktuell besteh ende Ent sche idungsproble m in Frage kommen .

3.3.2.5.

Fazit

Die Diskussion des Einsatzes der Data Mining Methodengruppen zur Heilung des Ab grenzungs defektes hat gezeigt, dass sowohl Klassifik ations- als auch Bewcrtungs-, Segmentierungs- und Assozi ationsmethode n zur Heilung des Abg renzungsdefe ktes grund sätzlich beitr agen können, Ihre Anwendung impliziertj edoch unterschiedlich e Einsatzszenaricn, die sich aufgrund der unter schiedl ichen Merkm ale der Data Mining Methoden gruppen ergeben . Zunächst einmal erge be n sich differierende Anforderunge n an die Nachbereitung durch den Entschei dun gsträger zur Identifizierun g der potenziellen Handlun gsaltern ativen . Während bei Klassifikations- und Bewertun gsmethod en die Problemr elevanz durch die Deklarat ion des Zie lattributs festgelegt werden kann, ist dies bei der A nwendung von Method en zur Assoziationsfindun g ni cht m öglich . Die Problemrelev anz muss in diesem Fall vom Entscheidungsträger im Nachgang ermittelt werden . Bei allen Metho dengruppen ist eine Aufbereitung durch den Entscheidungsträge r bei der Identifizierun g von potenziellen Handlungsaltemativen aus der mithilfe von Data Min ing ermittelten Menge an Einflussfa ktoren, möglichen Objektkombinationen und Attributsausprägun gskomb inatione n erforderl ich. Es ergibt sichj edoc h in Abh ängigkeit der ange wendeten Methoden grupp e eine differierende Qualität der erm ittelb aren Handlun gsaltema tive n (vgl. Ab bildung 24) . Klass ifikation

Bewertung

bew ährte I-1andlungs-

altemativen

Assoziation

Segmentierung

neuartige Handlungsaltemativen

Abbildung 24: DataMining zur Identifikation von Handlungsalternativen

89

Während Klassifikations-, Bewertungs- und Assoziationsmethoden in der Lage sind, Handlungsalternativen, die sieh in der Vergangenheit bewährt haben und entspreehend in der Datenbasis gespeichert sind, zu identifizieren, ennitteln Segmentierungsmethoden Objektkombinationen, die aueh neuartige Handlungsaltemativen für den Entseheidungsträger darstellen können. Entspreehend führt die Anwendung der genarmten Methodengruppen zur Identifikation von zwei grundsätzlieh untersehiedliehen Arten von Handlungsalternativen, den bew ährten Handlungsaltemativen und den neuarligen Handlungsaltemativen. Methoden zu Klassifikation, Bewertung und Assoziationsfindung sind nur dann in der Lage Handlungsaltemativen zu identifizieren, wenn diese bereits in der Vergangenheit ergriffen wurden. Es muss sich bei diesem abgrenzungsdefekten Entscheidungsproblem demnach urn ein wiederkehrendes Auswahlproblem handeln, so dass die in der Vergangenheit ergriffe nen Handlungsaltemativen mit einer belegbaren Auswirkung auf das Problemsymptom in den Daten gespeichert sind. Entsprechend sind die genarmten Methodengruppen in der Lage, diese bewährt en Handlungsaltemativen zu identifizieren und als relativ stabiles Ergebnis dem Entseheidungsträger zu präsentieren. Der Abgrenzungsdefekt kann also in diesem Fall nicht in der allgemeinen Unkenntnis eines Entscheidungsträgers über die möglichen Handlungsalternativen in dem sich stellenden Entscheidungsproblem liegen, da diese in der Datcnbasis gespeiehert sind. Vielmehr besteht der Abgrenzungsdefekt in der Unkenntnis darüber, welche der in der Vergangenheit ergriffenen Handlungsaltemativen zu einem problemrelevanten Ergebnis geführt haben und ist somit in einer Intransparenz begründet. Diese problemrelevanten Handlungsaltemativen können mithilfe der genarmten Methodengruppen identifiziert werden und stellen somit bew ährte I-Iandlungsaltemativen dar. Aueh Methoden zur Segmentierung sind in der Lage, bewährte Handlungsaltemativen zu idcntifiziercn, indem sie zu einer bestimmten Handlungsaltemativen andere ähnliche Handlungsalternativen ennitteln. Darüber hinaus sind Methoden zur Segmentierung geeignet, neuarlige Handlungsaltemativen zu identifizieren, indcm sie aufgrund eincs Ähnlichkeitskriteriums Handlungsalternativen ermitteln, die aus Objektkombinationen innerhalb einer Gruppe bestehen und die in dieser Fonn als Handlungsaltemative in der Vergangenheit noch nicht ergriffen wurde. Beispielsweise kann die Segmentierung von Stellen- und Bewerberprofilen zu einer Stellenbesetzung mit einem Bewerber lühren, die in ähnlicher Form in der Vergangenheit noch nicht vorgenommen wurde. Damit ergibt sich fiir die Klassifikations-, Bewertungs- und Segmentierungsmethoden ein hohes Potenzial zur I-Ieilung des Abgrenzungsdefektes, wohingegen sich fiir die Assoziationsfindungsmethoden ein im Vergleich eher niedrigeres Potenzial ableiten lässt.

90

Methodengruppe Methoden zur Klassifiketion Mcthodcn zur llc wcrnmg

Mcthcdcn zur Scgmcuticru ng

... ..

Methoden z ur Assoziutionsflndung ruinel. •

......

Porcnztar

... •

,

Abbildung 25 : Eignung des IY
Aus der Diskussion der Data Mining Method engruppen lässt sich cin Yorgehensrnodell ahleiten. wclchcs die Auswahl cincr Method en gruppe zur Heilung des A bgrcnzungs dcfcktcs

lIJltL'TSlü1l1 (vgl. Abbild ung 26). Wie aus der Diskussion hcrvorgclu, sind Data Mining M cthoden lediglich dann in der Lage Handlungsalternutiven autornutisiert 111 idcntifizicr en. wenn sich diesc auch in der DatenlJa., is befind en. Duhcr kommen Data MinÎng Methoden auch nur dunn

zur lIeilung des Ahgrcnzungsdcfcktcs in Fregc. wcun ein v orhaudcnscin dL'T Haudlungsaltcrnaiivcn in der Derenbasis zumindest vermutct werden kenn. Zunächst ist daher I U übcrlcgcn. oh sich lnformationcn ühcr llandluugsaltcrnativcn in der Datcubasis befinden könncn. w cnn dies nicht der Fall isr, darm köuncu Data Mining Methoden den Abgrcnzungsdcfckr nicht hellen und einc Anwcndung ist duher nicbtzielführcnd. Werden lnformationcn I U den Handlungsaltcmativen in der Daenoes!s vcnuutet, so ist I U prüfen. oh eine Anregungsinfonnetion beka nm und in der Datcubasis verfägber ist. Isl dies der Fall. könncn bei Vcrliegen cincr ketcgorialcn Anrcgungsinformation Klassiflkationsmcthodcn. bei metrisch skalierten Anrcgungsinformatienen Bcwertungsr ncthodcn zur Hcilung des w a hmchnumgsdcfcktes eingesctzt werden. ISI cine Anregungsinfbrmation nicht tckanm. so ist lil prüfcn, oh llundlungseltemetiven üher Ähnltchkcitsvcr glciche enn ineh werden könncn. Fnlls dies der Fall ist. könncn Segmenticnmgsmethodcn eingcsctzt werden. [si dies nicht der Fall. so kommen lctztcndlich Assoziationsmcthodcn zur llcilung des Wahmchmungsdcfcktcs in Fragc. Je naeh Datcnlagc ist dunn noeh cinc Transformation in katcgorialc Attributc notwcndig. bever Assoziarionsmcrhodcn cingcsctzt werden kormen.

Ol

A in Datenbasis?

Nein

DM nich t

anwendbar'

Ja

Ja

kategori al

Skalie rung Anreg ungs information ?

Klass ifikation

Ist die Anreg ungsinformation bekann t?

Nei n

metri sch

Bewe rtung

Seg mentierung

Ass oziation

Abbildung 26: Vorgehensmodell in abgrenzungsdefekten Entscheidungsproblemen

3.3.3.

Data Mining in wirkungsdefe kten Entscheidungsproblemen

Hinsichtlich des Strukturierung sgrades sind wirkungsdefekte Entscheidungsproblemc cine Stu fc höher einzuordnen als abgrenzun gsdefekte Entscheidungsprobleme Im Rahmen von wirkungsdefekten Entscheidungsproblemen wird analysiert, inwiefem Data Mining Methoden in der Lage sind, den Wirkungsd efekt zu heilen und mithin die Umweltzustände U und die Wirkun gsfunkt ion ;;'(a, u) zu ermitteln. Auch hier gilt, dass die Informationen zu den Umweltzuständen sowie zu den Wirkungszusammenh ängen in der zu analysierenden Datenbasis gespeichert sein müssen. Nur in diesem Fall besteht die Möglichkeit, die genarmten Information en in der Datenbasis zu ermitteln. Umweltzustände

U stellen den vom

Entscheidun gsträger nicht beeintlu ssbaren Kontext einer Entscheidun gssituation dar, welche r auf die Realisierung der Handlun gsergebni sse E, Zielbeit räge Z und letztlich auch der Nutzwerte N einwirkt. Ist dem Entscheidungsträger die Realisierung eines Umweltzustandes u

92

bckannr. so handelt es sich um e in dcterministisches Entschcidungsp roble m und der Wirk ungsdefekt hcstcht darm ausscblieêlich in der lJn kenntnis Vlmf,.. Zur l lci lung des Wirkungsdcfc ktes isr in dicscm Fall lcdiglich die Data Mining gcstlttztc Ermittlung von f,. notwcndig. lsr die Realisierun g des Umwchzustandes dem Emschcid ungsuäger nich t bckamu. so ist zudcm

IU

u nalysic rcn. inwicfcru Daa Mining hei der Ernuttlung der Umwcltz ustände untcrstützcn kü nn, Die Wirkungsfunktion j.(a u) ordnct jcdcr llandlungsaltc rnativcn gg f in Verbindung r uit eincm Umwcltzusrand e in Ilandlungscrgebnis Ir

Ir ZII.

Wie bercits erläutert. steüt dus llendlun gsergehnis

im Allgemcine n eine nominale und dami t kutcgcrialc Gröbe dar. In der felge nden Analyse

werden dahcr zur Ermiulung der Wirkungsfunktion und dam it des Handlun gscrgcbnisses e uusschlie blich Methoden zur Klassifiker ion und Assozie tionsfindung diskmiert. Lediglief die Klassifik ations- und die Assoziatiunsfindungsmcthodcn sind in der l.ugc. Muster hinsichtlich cincs katego rialen Attributs zu idcntifizicrcn und daruit d ie Zussmmcn hëngc j. zu idcntifilieren. die zur Realisierung des llendlungscrge bnisses e führen könncn. Hinsiclnlich der Erminlung der Umwcltzuständc ij werden alle vier Method engruppen a naly sic rt.

3.3.3.1.

Me thoden zur Klassiflkation

Zunächs t ist das Vc rliegen cincs ketcgorialcn Ziclattributs grundlcgcndc Voraussctz ung zur Anwcndu ng ven Klussiflk ations methodcn. lm Hinblick uuf d ie Anw endung in wirk ungsdcfckten Entschcidungssituaticncn solltc nun dicses Ziclattri but entweder a) Umweltzu stände odc r b) Hendlung scr gc buissc rupräscnticrcn. In ersterent Fall crmögfichcn Methoden zur Ktasstfikation da nn die Ennittlung

\'<,11l

Ëinflussfaktorcn auf das Zustandckommcn dicsc r Umwcltzu-

srändc. Darnir liefcm s ic einc Bcschrcibung der möglic hcn Umweltzuständc und r uachen sic lctztcndlich handhabbar tur das l Ukonkrctisicrcndc Entschcid ungsproblcrn. Beispi el: Ein Emschcidungsuägcr stcla im Rahmen cinc r Vora uswahlcrn schcidnng vor dcm Problom. Bcwcrbcr

IU

sichteu und s ic als porenzicll gecignct bzw. nicht gccignct einz ustufcn. Die

Eignung clncs Bcwcrbe rs isl vom Entscbcid ungsuägcr nidu bccintlussbar und steur e ntsprc chcnd cincn Umwchzustand dar. v orensgcseet die Dalenbasi s cmhälr lnformenoncn Ober die Eignung vcrga ngener Hew erbcr . kann nun die Eignun g mil den Au sprägungcn .j a- und ..nein" al s Ziclattrib ut dcklari crt werden. Klassifikationsmcthod en sind dann in der Lage. Einflus sfaktorcn auf die Eigmmg lU idemijlzieren. Es lüsst sich darn it e in Protil crmincln. wclche s die Elgnung und die Nichte ignung CÎnl'S Bcwcmcrs bcschreibt. Rcpräscnticrt das Ziclatt ribut ein Handlung scrgcbnis. so crmögliclü die Anwe ndung von Klassifikation smethod cn d ie Ermittluug der Einfluss faktoren uuf dic scs Ergebuis. Stellen diese ermittchcn Einflussfaktorcn nun prohkmrcle\' ante

Ilalid lun &~altenmti\'en

nnd ggf. Unmclt-

93

zustände dar. so rcpräsenricn der mithilfc von Klassifikationsmcthodcn crminehe Zusannncnhang die Wirkungsfunktion. Beispiek Fin Entscheidungsträger muss entscheiden. in welchem Medium eine Stellenuusschreibung I U platzieren ist. Es steljen hierbei zur Auswchl die lntcrnct-Jobbörsc. die Fachzcitscbri û. die Tagcs zchung odcr die eigene Homepage. Jcdc dicscr Handlungsaltcmativcn wurdc in del'

Vergangenheit bcreits ergriffen. su dass sich die lnformaticncn lU diesen in der Durenbasis befinden. Die Qualillil der Bewcrbungsrückläu fe (Handlungsergcbnissc ) llis sl sich in unterschicdlichc Qualitàtsstufc n untcrtcücn wie hcispielswcisc gut. ruittel und schlccht. A ueh dicsc lnfbmuuioncn belinden sich in der Darcn busis. Die Anwendung von Klassiûkenonsmcrhod cn ermöglicbt nun die ldcntifizicnmg von Einflussfak torcn und mith jn der Umweltzustêndc . die

Illr die Rcalisicrung cincs spcztfischcn Bcwcrbungsrücklöufs und damir der Handlungsergehnisse vere uwonlich sind, Deruit blcibt fcstzuhaltcn. dass sich Methoden zur Klassiflkatlon durchaus cigncn. den

Wirkungsdcfckt IU heiten und somit zur Eutschcidungsuntcrstützung beivutragen. Spcvifischc v oraussctzung für den Einsall ven Klassifikationsr ncthodcn zur ll cîlung des Wirkungsdefcktes ist die v crtügbarkcit cincs katcgorialcn Ziclattributs. wclchcs cntschcidungsrclcventc Umwcltzuständc odcr llaodlungscrgchnisse repräscnticrt. Es ist jcdoch fregfich, ob sich aus der vcrfügbaren Dalenbasis die Handlu ngscrgcbnisse eincr jcdcn Handlungsel rcmutive bzw. im Fall cincs Entscheidimgsproblems uracr Unsichcrhcit die lla ndlungscrgcbnisse cincr jcden Kombinaden aus llendlun gsahcruativc und Umweltzustand crmittcln lassen. Hierzu müsvtcn n ü mlich in dL'T vcrgangenheir die emspreehonden Hundlungscltcmariven ergriffen und cin jcwciligcs Ergebuis rcalisicrt worden sein. ggf in Ahhängigkcit vcrschicdcncr Urnwcltzuständc. Nul' wenn dies der FaH ist. liegen überhaupt cntsprcchcndc Deren vor, die clnc Hcilung des Dcfcktcs mit Data Mining Methoden cnnögfichcn.

3.3.3.2.

Methoden zur Hcwcn ung

Da Umweltzuständc ullgcmcin deukbere Konstcllationen vou Jas Emschcidungsproblcm bccinflusscnden Puktoren dursicûcn'", sind denmach uuch metrische Gröllcn als Urnweltzuständc denkbar. Emsprcchcnd sind anclog IU Methoden der Klassifikation die Methoden lUI' Bcwer nmg in der Lage. Umwehzustë nde als merrischen Wen cincr Konsrcllnrion ven relevanten Ein flu ssfaktorc n abzubildcn. ln diescru Fall sothc das metrische Ziclattribut Urnweltsuständc rcpräscmicrcn.

"" V~I. Baml>cr~1 Coc"':Jll>cr~ 20(J4 . S. IS

Beispiel. So stcllt bcispiclswcisc die Anza hl der Kündigungcn clncn relevamen Umwcltaspckt dar. der bei der Emschciduug. ob Stellen neu bcsctzt WCrdl'11 odcr nicht. bcrücksichtigt werden kann. Die Ermiulung der Einflussfakiorcn 'lul' die Anzahl der Kündigungcn sowie die cntsprechende Anzahl stellen damit Illr dcn Entschcldungstràgcr lnformetioncn dar. die als Umwcltzuständc in die Entscheideng iutcgricrt werden könncn. Methoden zu r Bcwcrtung cignen sich nic ht zur Ermittlung des llundl ungs crgcbnisscs, da l'S sieh

bcim He ndlungscrgcbuis urn ctnc katcgoeialc (JröBchandelt. die nicht als Ziclauribut verwender

werden kann. Methoden zur Bcwcrnmg sind uusschlieûlich in der Lage. metrische Zieluuributc zu vc rarbcitcu. so dass dic se Mcjhod cn zur llcilung des Wirkungsdcfcktcs bcz ogcn au f die Ermiulung dcs llendlun gscrgcbnisscs nicht g...-cignc t sind. Damit blcibt fcstzuhaltcn. dass Bcwcrumgsmcrh odcn durehans in der Lage siud. Umwcltzustëndc I n idcntifizic rcn und darnit zur Hcilun g des Wirkungsdcfcktcs beizetragen. Spczifischc

Vcra ussctzung für die Anwcndu ng ven Bcwcnungsmcthodcn zur Mildcrnng d...'S Wirkungsdcfcktcs bcstcht in der Vcrfilgbarkcit ctncs mctrischcn Zictaunb uts. wclche'S cincn cmscheidungsrclcvantcn Umwehz usrund repräsemicrt. lJntcr dic-ser vorausserzung verfügen Bewcrtungsmcthodcn ühcr das Potenziel Umweltzuständc t md die Eintlussfaktoren für die Rculisicnmg dersolhen zu idcntifizicrcn. Da mit crmöglichcn sic dcm Entschcidungsträgcr cinc lntcgraden der Kontcxtinfbrmationcn in das sich stellende Entschcidungsproblcrn. 3.3.3.3.

Methoden zur Scgmcnticrung

Methoden znr Scgmcnticrung bicten sich anfgmnd ihrcr unüberwacfucn Yorgehcnsweise nicht a n. den Zusemmenhang zwischcn Handlungsaltcmativcn, Umwcltzuständcn und Ilandlnngsergebuissen und damit die Wirkungsfunktion zu idcntiflzicrcn. Hicrzu ist das Ericmen cincs gerichteten funkrionulen Zusarmncnbengs notwendig wie es die Klassifikaiionsmcrhodcn l'111111glichcn. Ein Zusarmuenheng kalm hier zwar über das Ähnlichkcitskrilcriulll iuncrhalb cincr Gruppe dargcstcllt werden. dies gihjcdoch nicht ..global" fllr das gcsa rme Entschcidungspr o-

blcm. lm Hinblick auf die ldentifiketion ven Umweltzuständen scheincn Segmentierungsmcthoden jcdoch durchaus übcr Potcnzlal zu vc rfügcn. Sind Datcn übcr den Korneer cincr Entschcidungssituation in der Datcubasis geespcichen. so crmögliclu die Anwcndung von Scgmcnticrungsmethoden cinc Gruppicnm g dicscr lni(Jmmtioncn und damit dic Idcnlitikation vun untcrschicdlichen tJlJllI'cltzllställdcn. l1ierzu legt der rnl~chcidungstrilgcr die zu ocrOcksichtigcndcn Anribule iest.

95

Beispiel. Es ist 7.U entscheiden. wclchcs Lcmmedium bzw. wclchc l.em fonn tUr die Mitarbcitcr im Rahmcn der Pcrsoualcmwic klnng angcbotcn werden soli. Hicrzu sollen zunächsr Mitarbcitcr-

gruppen gehitder werden. die sÎeh hinsiehtlieh Alter. Geschlccht und Qualiflkation umcrscheiden. Mittcls Scgmcuticrungsmctbodcn könncn nun uuf Basis der genarmten Attributc Mitarbcitcrgruppcn gebitder werden. die cntsprcchcnd als Urnwcltzustëndc in das Entschei-

dungsprcblcm mil cinbczog cn werden könncn. Scgr ucnticrungsmcthodcn schcinc n filr die ldcntifl zicrung von Um welt zuständen gccig nct 7U sein und Iragen emsprechcnd zur Heilung des Wirkungsdefektes hei. Spezifiscbc Voraussctzung hierbei ist das Verliegen strukturglcichcr Objcktc. d. h. die lnforrnation cn übc r den Kontc xt des Entschcidungsprohlcms müssen durch Ubjcktc mil den glcichcn Attributen bcschricbcn sein. so gruppiert und zu Umwcltzuständen vcrdichret werden k önncn. Zur ldentifizierung

dass dicse

der Wirkungsfunktkm hingogen cigncn sich die Segmcnticrungsmcthoden nicht.

3.J .JA.

Methoden zur Assoziarionsfindung

Der Einsutz von ASS<.llial ionSlllcthodclI erforden zunächst jonnat das Vcrliegen

katcgorialen Attributen. womit sich aus tormaler Sieht dicsc Methodengruppe zunächsr auch für die Errnittlung der Wirlungs limktion zu eigncn scheirit. Es ist duhcr nachfolgcnd lil diskoticren. inwiefcru Methoden zur Assoziationsfindung in der Lage sind, Umwcltzuständc und llundlungscrgcbnisse. d. h. die wirkungsfunktion, IU ermitteln. Für die Methoden zur AssoziarionsVOII

findung gilt. dass sic autgnmd ihrcr unübcrwachtcn vorgchcnswcisc jcgfichc den jcwciligcu Güickritcricn entsprcchcndcn Anributsausprägungskcmbinationen in den Deren identifizieren. Die se identifiziertcn Allributsallsprägllngskollihinationen könncn jcdoch potcnzicll lnformalionen I U lom Entschcidungsträgcr nicht bccinflussharcn Umw clrzuständcn scwic IU Iland-

lungscrgebnisscn enthalten. Diesc entscheidungsrelevante Bed eutung karm vom Entscheidungsträgcr crst ex post aus den Ergebuissender Anwcndung munucll crmittclt werden. Beispiek Hierzu wird uuf das Beispielzu der Auswahl des Lcmmediums zurûckgegriffcn. Die Anwendung Ion Methoden zur Assoxietionsfindung filhrt zur Ermittlung bidircktionalcr Zusurnmenhängc in den Dalen. So isl bcispiclswcise denkbar. dass Altersklasse und Lcmmedium als Eintlussfaktcrcn auf den l.crncrfolg idcntiflzicrt werden. Glcichzcirigwerden die Uualifikation und das Alter als Einflussfaktorcn auf das Lcmmedium. zudcm die MilarbeilergruppcnlUgehörigkeit und das Lcmmedium als Eintlussfaktorcn nuf die Gchahsklasse enniuch ..nc. Dom Entscheidungsträger ist es nieht möglich. die Me ngc der crmiucltcn Zusammcnhänge durch Angahc cincs Ziclattribots in einc Ricbtung einzuschränkcn. D. h, cinc a priori Zuwcisung cincr ent-

96

schcidungsrelevantcn Hedeutung i,1 bei der Anwcndung von Assoziaticnsfindungsmct hod cn nicht mögficb. Es oblicgt d cm Entscheid ungsträgcr, aus der Menge der idcntilizierten Ein flussfaktcrcn die für das Emscheidungsproblcm relevanten Umwchzusrändc und Hendlungscrgcb-

nisse lil filtem. Ähnliehc'S gilt für die ldcmiflkation der Wirkungsfunktion. Assoziutjonsmcthodcn schcincn damit zwar grundsät/lich in der Lage, Zusammcnhängc zwischcn l landlungsaltcrnetivcn. Umwcltzustëndcn und I Iandlungscrgchnissen Zll idcntifizicrcn. jedoch iSI die Auswahl der relevanten Zusemmcnhä ngc aus der Menge aller idcntifizicrtcu Zusanuucnhä ngc vom Entscbcidungsuiiger .manucl!" durchxuführcn. Dil'Sc Aufgabe gestalte! sich in Abhängigkcir der idcntifizicrten Zusemmcnhän gc unterschicdlic h aufwcndig. Je höher die Anzahl der identifizierten Zusa mmc nhä ngc. UIliSO kleiner isr das f'ntseheidungsunterstüllungspolenzial der Methoden zur

Assozi.uionsfindung, da die Ermittlung der Umweltzustä ndc und der Wirkungsfunktion weiterhin VOIli Entschcidungsträgcr manuell durchgcfüh rt werden nms s. In diescm Fall blcibt der Wirkungsdelekt bestehen. Der Entschcidungsträgcr kann bei Anwcndung dil-scr Method engruppe im Gcgcnsatz L U Methoden der Klassifikation oder Hcwertung die emschcidung srelev eue Bedcutung nicht a priori fcestlegen. Vielmehr licfert die A nwc ndu ng der Assoviations finduagsmethoden cinc uggrcgienc Sichr auf bidircktionelc Zusamrnenhilnge zwischcn Auributsausprä-

gungskontbinetionem in de'T Dateebasis und damit auch für das Emschcidungsprohlcm irrelevante Bcdcunmgcu. die vcm Entscheid ungsträgcr auszusorticrcn sind. 3.3.3.5.

Fazit

Die Diskussion der Meihed engruppen zur Heilung des wirk ungsdefcktes. indcm die Urnwelt zuständc und der Wirkungszusa nuncuha ng und damit das lI andlungscrgehnis idcntiflzicrt werden. zcigr. dass die cuv clncn Methedengruppen unrcrschicdlic h lcistungsstark sind. ZU1l1 einen kann umcrschic dcn werden. oh eine Method engrup pe nur die Umwchzusrä ndc. nur den Wirkung szusammcnhang, beidc" od cr keins von beidcru bestimmen kann und inwic fcrn dicsc

Hcsrimmung automatisicrt ahUtuft odcr zusätzlich mcnucüc Eingritlè des Entschcidungsträgc'TS

erforden. So sind Methoden zur Klassiflkation gccignct. sowohl Umwcltzus tändc als uuch Wirkungszusammcuhängc IU idcnüfizicrcn und vcrfügcn cntsprcchcnd Ober ein hobcs Potcnzial zur Heileng dc'S Wirkungsdcfcktes. Methoden zur Bcwertuug und zur Segmcntienmg sind hingogen uusschlic blic h in der Lage. Um wcltzuständc zu cm uttcln. ( Hcich woh l sich Methoden z ur

Assoziarionsfindung prinzipiell sowohl zur Ermiulung der Umwcnz ustandc als auch der Wirkungszusemmenhänge eignen, stellt die zwingende Nachbereitung dnrch den Entscheidengsträgcr das Einsetzpotcnxial dicscr Methodengruppe zur Ilcilung dc'S Wirk ungsdcfcktcs in Fragc.

Deun sclbst wcnn Assozilllionsmcthoden Zusemmcnhängc idcmifivicrcn könncn. hlcibt deren 97

Hedcutung für das Entschcidungs pmhlem un klar. Diesc Hcd cutun g kann zumindesr part icll den

Method en zur Klassifikation und Bcwcrtu ng liber die Dekler utinn des Zicla ttributs und den Methoden zur Scgmcntictung übcr die Ausw ahl der die Umwcltzuständc besc hreibeuden Au ri· bute a prio ri zugewiesc n werden .

Methedengruppe Mcthodcn zu r Klassifik ation Methoden zur Bcwcrtung Methode n zur Seg rnentierung

... ..

..... ..

Potcnzial

Methoden zur Assoziationsfindung

•

nicdrig , -

•

nicht verhanden

Abb;ldun g 17 ; Eignun g des Dala Mining zur f[e;lung dc"S Wirkun gsdctckl es

Aus der Analyse des Einsarzporcnzials ve n Data Mining Methodengruppen zur lIe ilung des Wirk ungsdcfcktcs lassen sich lWCÊ Szcna ricn ablcitcn. DiL'S ist zum eincn die ldcntifik ation der

Umwcltzuständc U mithilfc ven Data Mining. zu rn and..'Ten die Erminlung der Wirkungsfunklion/ • . Fiir die Ermiulun g der Wirk ungs funktion komrrrt insbesoudere die Methoden gruppe l UT

Klassi fikation in Fragc . da s ic cinc a priori Zuorduung der cmschcidungsthcorctischcn Gröûc llandlungscrgchnis zuläss t. lnso fcm kommen zur Ermittlung der Wirkungsfunktion Klussiflkalionsmethoden in Fragc. Dies kann jedoch nur gelingen. wenn sich Handlungsaltc rnativen

und Handlungscrgehnis sc in der Dalenbasis befin den. D. h. L'S ist zunächst

lil

klaren . ob Hand-

hmgsergcbnissc und Ha ndnm gsalrcma tivcn in der Darcubasis ve rmutct werden könncu. IsI dies der Fall. bieter sieh de r Ein»
IllU SS.

wird bel. der Ermitt-

lung der Wirkuugsfunktion auf dic Durstcllu ng anhand cinc'S vorgchcnsmodclls vcrzichter. Hczüglic h der Erm inju ng der Ur nwchzustände

seur

sich die A uswahl der anwcndbaren

Method engruppe diffcrc nz jcrtcr da r [vgl. Abbildu ng 28). Z unächsl ist zu prü fcn. o b lnformetioncn zu den Umwcltzustämlcn 111de r Detcnbasls vc nnutct werden. Ist dies nicht der Fall. darmist der Eins atz von Duta Mini ng zur Ermittlung der l.lmweltz ustände n icht möglich. Kann davo n ausgcgangcn we rde n. dass sieh lnformationcn zu de n lJmwe ltzuständcn in der Dalenbasis

98

befind en. so ist zu pr üfen, ob ein in der Datenb asis verfügbares Attribut respektive dessen Attributsausprägungen Umweltzustände repräsenti eren. Ist dies der Fall, k önnen in Abh ängigkeit von der Skalierung dieses Attribut s Klassifikationsmeth oden bzw. Bewertun gsmeth oden eingesetzt werden. Ist ein solches Attribut in der Datenba sis nicht ver fügbar, ist nach folgend zu prüfen, ob die Umweltzustände durch versch iedene in der Datenb asis vorhandene Attribute beschrieben werden können, In diesem Fall können Segmentierun gsmethoden zur Ennittlung von Umweltzuständen eingesetzt werden . Können solche Attribute a priori nicht festgelegt werden , so liefc rt der Einsatz von Assoziationsmethoden cine weitere M öglichkeit, potenzielIe Urnweltzustände zu identifiz ieren . Ggf. sind die zur Verfiigung stehenden Daten noch in kategoriale Daten zu transformieren, urn Assoziationsmeth oden anwenden zu k önnen.

DM nich t anwendbar'

Klassifikation

Bcwe rtung

Segme ntier ung

Assoziation

Abbildung 28: Vorgehensmode ll in wirkungsdefekte n Entscheidungsproblemen

99

3.3.4 .

Data Mining in bewertungsdefekten Entscheidungsproblemen

Für bewertungsdefekte Entscheidungsprobleme ist zu diskutieren, inwiefern Data Min ing Method engrupp en in der Lage sind, die Zielbeiträge Z zu identifizieren. Dies kann über die Ermittlung der Bewertun gsfunkti on f B(a,u,e) oder eine Zielerreichungsfunkt ion /u,{a.u) erfolgen. Wie bereits erläutert, setzt die Errnittlung der Zielbeiträge Z vorau s, dass die operationalen Ziel-

gröûen, anhand derer das Ausmaf zur Zielerreichung gemessen werden soli, bereits fcstgelegt sind. Im Unterschied zu den Handlung sergebn issen E stellen die Zielbeiträge Z reellwertige

Gröûen dar. Diese Anforderun g, nämlich die Errnittlun g eines funktionalen Zusammcnhangs z, oder /zE, der einen reellwerti gen Zielbeitrag liefert, scheint zun ächst die anwendbaren Meth odengruppen auf Bewertung smethod en einzuschränken. Nur diese Methodengruppe ist in der Lage, einen funktienalen Zusammenhang im Hinblick au f ein metrisches Zielattribut zu ermitteln. Grundsätzlich gilt auch bei bewertun gsdefekten Entscheidungsproblemen, dass die Daten über Handlungs altem ativen, Zielgröêen respektive Zielbe iträge sowie ggf. Umweltzustände ' " und Handlun gsergebnisse' " in der zu analysierenden Datenbasis vorhanden sein

müssen, dam it überhaupt die Zusammenhänge mithilfe von Data Minin g in den Daten errnittelt werden können.

3.3.4.1.

Meth oden zur Klassifikat ion

Klassifikat ionsmeth oden sind zunächst in der Lage, funktionaIe Zusammenhänge in der Datenba sis zu errnitteln . Demn ach kommen sie prinzipiell zur Errnittlung einer Bewertun gsoder Zielerreichungs funktion in Frage. Vorau setzung zur Anwe ndung von Klassifikationsmethod en ist das Vorliegen e ines kategorialen Z ielattributs, welches im Kontext von bewertungsdefekten Entsche idungsproblemen die Zielgröûe repräsentieren muss, hinsichtl ich derer dann der funktien ale Zusammenhang identifiziert werden soli. Wie bereits erwähnt stellt der Zielbe itrag eine reellwertige Gröûe dar, die das Au smaf der Zielerreichung einer bestimmten Ziclgr öûe' " retlektiert. Es bietet sich für die Anwendung von Klassifikationsmeth oden damit die Möglichkeit, eine kategori ale Zielgröûe als Zielattribut zu deklarieren und die Konfidenz der Klassifikation als Ausmaf der Zielerreichung zu interpretieren.:"

311

312 3 13

3 14

In deterministischen Entscheidungsproblemen ist der Umweltzustand bekannt und wird entsprechend implizit in die Funktion integriert. Bei Entscheidungsproblemen unter Unsicherheit sollten die verschiedenen möglichen Umweltzustände explizit in der Datenbasis vorhanden sein. Diese sind bei der Ermittlung der Bewert ungsfunktion fs relevant, nicht aber bei der Ermittlung von fZE. ZielgöBen können dabei grundsätzlich kategoriaier als auch metrischer Skalierung sein (vg!. Klein / Scholl 2004, S. 90), weswegen sie sich auch im Rahmen der Klassiftkationsmethoden als Zielattribut grundsätzlich anbieten. Dies wird auch beispielsweise im Rahmen des Direktmailings vorgenommen, um die Kunden anhand der Responsewahrscheinlichkeit in eine Reihenfolge zu bringen und diej enigen für eine Mailingaktion auszuwählen, die sehr wahrscheinlich antworten werden (vg!. z. B. Berry / Linoff2004 , S. 82).

100

Bcis picl:" Zur Entschcidun gsuntcrs tützun g bei der Pcrsonaluuswahl von Vcrsichcruugsvcrtrctcm soli eine lnformation übcr das geschätztc vcrkaufsvolumcn der chvclncu sich hcwcrbcndcn vcrsichc-

rungsvertreter als Ziclgröûc hcrungczogen werden. Hier/u muss das V..rrkuufsvolumen als katc goelalc GröBe in Klassen angcgcbcn werden. Die Anwcndung ven Klassifiketionsmcthodcn auf Muarbcitcrdatcn mil der v crkenfsvolumcuklassc als Zielattri but crm öglichr darm die Erminlun g von Einûussfakrore n auf die verkaufsvolurncnklusse. Dicscr Zusammenhang kann au

ncuc Bcwcrbcr engewendt werden und liefeet cine Prognose des gcschätztcn Vcrkaufs. Das Erge buis der Prog nose für die ciuzclncn ncrv crbcr gcstalte r sich derart. dass für j cdcn

Bcwcrber cinc Vcrkaufsvolurncnklassc mil cine r bestmunten Konfld cnz prcgnostizicrt wird. Bcispiclswcisc wird tür Bcwcrbcr I die Vcrkaufsvelumenklassc hoch mit eincr Ko nfldcnz ven 0.99. für u cwerber 2 die v erkaufv olum cnklassc hoch m il einer Kondfldcnz von 0.91. für

Bcwcrbcr 3 die vcrkeufsvofumcnkfassc hoch mil cincr Kon fldcnz

VI Ill

0.87 etc. prognostixicrt.

Die Konfidcüz der Prognose kann denn als Ziclcrrcichungsbciuag gewertct werden und gibt

damit das Ausmaû der Ziclerrcichung hinsichtlich des Vcrkanfsvolnmcns an. Es blcibt fcsu-uhahcn , dass Klassifikationsmc thodcn prinxipicll in der Lage sind. den Be wcrtung sdc fckt IU hellen. Spczifischc Vora ussctz ung isr, dass die Ziclgr öêc in kategorieter

Form in der Darenhasis gespcichert ist. Dies bedeutet. dass Klassiflkutionsmethoden dann in der Lage s ind den Bc wertungsdcfckt IU hellen. wc nn es sic h ur n wicdcrkchrendc Fntschcid ungcn handelt Nur in diesein Fan kann davon ausgcgangcn werden, dass in der Datcubasis lnformationen IU den Handlungsaltcrnativen. Ziclgröêcn. Urnwchzusrändcn und Haudlungscrgcbnissen gespcichert sind. Mithin iSI die Bewertungs- hi li'. Ziclcncichun gsfunktion aus den vergange nen Entschcidungen und den dicsbczttglich gespcicherten Daicn ablcithar.

3.3....2.

Met hoden zur Bcwcnun g

De r Einsatz von Methoden zur Bcwcrtung erforden zunächst das Vorlicgcn cincs mettis chcn Ziclattri buts. In Analog ie zur Anw cndnng der Klassifik ationsmcthodcn sind Bcw crtungsmethoden darm in der Lage. den funktienalen Zusamme nhan g bel . der als Ziclettribut dcklarietten Ziclg rilBe in den Datcn zu cr mittcln. Mil der Augabc des Ziclaürib uts ist somit auch die Zielgröêe testgelegt. hinsichrlich derc r der funktien ale Zusammenhang als Hewertungs- bzw. Ziclcrreichungsfunktion enni ttclt werden soll. Die Anwcndung der Bewcrtu ngsmethodcn führt

., ,' Das Bciicr1" ur ei,." Verolfcntlichullg \'on Cho I Ngai 2003, dic ein S~'slcITL IlIIdlll:" 1IIAI:" /U Sde" II' ~' A.n ,." W'!1'IT cm" ickc1t habclL ""lchc , "" r Bas;, "on KI. ssilih liu nsmclhodcn u. a. da., Ve,hllrs-

111.""'""<'.

,'"Iu mcn del V"rsichcnnl!" "c11rclc'lll scMlzt und d,c"SC1l l u<.amnl<:llha ng ror di" "oh ml<:ns lleuc! Mlla,ocltcr ,"""'''U dcl

Prob~lO'"

des vclhurs-

101

dann zur ldcmiflkation der Einflussfak toren auf den w en der Zie lgröBc und daruit den Zielbeltrag. Beispiek Die Vcrgünmgsgesrahung der vcn richsm itarbeiter eines Ur ncmchmens soli gcë ndcn werde n mil dem Ziel. das v crk au fs volumcn und den Um setz zu ste igcm. Der Umsatx stellt die Ziel-

gröêc dar. hel. dcrcr die Z iclerrc iehung ûtr die vcrschicdcncn Altc mativcu zur Ycrgûtungsgesraltung ermiuch werden sollen. wcirerhin wird der Umsatz von der Mnrktsituetion bccin flusst. Wird nun der Umsatz als Ziclattribut dcklnricrt . cn nüglicht der Einsalz vou

Bcwcnungsmcthodcn die ldcntifi kation dc'S Einflusscs von llandlungs ultcrnativcn und Merktduren uurdie I löhe d..'> Umsatzwertes und dumit die Erminlung der Ziclbeiträge.

Damit hlciht fcstzuhaltcn. dass Bcwcrtungsmccthodcn durchaus übcr das Potenziel zur Ilc ilung des Hcwcrtungsdcfcktes vcr lilgen. Indem die in der Derenbasis vcrfügharc Ziclg röêc als Zielaurihul dcklariert wird. kürmen potc nzicll die Einflu ssfaktorcn und danrit die lI andlungsaltcrustivcn und Uruwcltz ustä ndc idcntifizicrt we rden. die fllr die Errcichun g einc'S spcziflschcn Ziclbcitra gs vcrarawonlich sind. Die Daicn basis muss zudcm lnfon natio nen übcr llandlungs-

ahemativen. Zielgröfkm, ZÎelheilrägc und ggf Urnwehzustä ndc sowie Handlungsergehnisse beinhaltcn , da nul' dann Hcwcrtungsmcthodcn Zusemmcnhängc in der Datcubasis crmittcln könuc n. Es muss sich dahc r bei dcm Entscheidungsproblcm um cin sich wieder holendes Auswahlprnble m handcln. hel. dessen die erford crlichcn Dalen gc'Spdehert wurden. 3.3.4.3 .

Meth oden zur Scgmcnticru ng

Wie bcrcits im Kontc xr der wirkungsdcfekte n Enrschcidun gsprohlcrne diskution. eigne n sich Scgmcnticrungsmethodcn aufgrund ihrcr unitherwachten Vorgchcns weise nicht. cincn flmktio-

nalcn Zusemmenhang bcz, cincr spczifischcn Ziclgröêc aus den Dalen

IU

crmitteln. Ent-

sprechend eigncn sich diesc Methoden nicht zur Idcruiflkation cincr Hewertungs - bzw. Zielerreichungs funktkm und könne n somitfür die I leilung des Hcwcrtungsdcf cktes nicht eing c-sctz t werden. 3.3.4 ....

Methoden zur Assoziationsfiudung

De r Einsall von Assoziationsmcthodcn erforden zunä chsr fomlal d as Vc rliegen katcgorialc r Attributc. Autgrund ihrcr unübcrwachrcn Vorgchcnswc isc idcntifizic rcn Assozie tionsrnethodcn jcglichc. den jcwciligcu Giilckrile ricn cnts prcchcnd cn Alirihuts
102

Ents chcidungs trägcr nus den Ergebuissen der Anwendung ermiuch werden. Der Zielheitrag muss hier in Analogie zu der Disku ssion der Klassiflkationsmcthoden aufgrund der fermale n

Anford crung des Ziclbcurags a ls rcc llwcnigc Gr öllc dann als Konfidcnz der identifi zicrtcn Kornbirnnion interpretiert werden. Im Ge gensatz zur Anwendung von Klussiûkarions- bLW. Bcwcnungsmcth odcn kann der funknonale Zusemmenhang rcspcktivc die Hcwcrt ungs- bzw. die Ziclcrrcichungsfunktion mithilfc der Assozimionsfindungsmcthodcn uieht dczidicrt nbcr die

Augabc cinc r Zie lgrollc als Ziclanri but idcntiflz icrt we rden. Viclmehr isl er in den ermittcltcn Allr ibutsauspräguu gsknrnbinalinneu

1.''1:

post

suchcn. d. h. cinc Naehbe rcitung durch den

IU

Emschcidang strägcr ist in jcdcm Fall norwemlig . Je höhcr d ie Anzaltl der cn ninchcn Kombinationen ur nso geringe r ist das Enlscheidungsunlcrslülzun gsp,J len/ial der Methoden zur Assoziations flndung. Somit blcibt das Einsatzpotcnz ial von Assozimi on stind uugsm Clhod en zur lIeHung des Bcwcn ungsdcfcktcs fraglich. generelt kann es jcdoch geringe r ciug cstuû werden als da s Einsetvpotcnzial von Bcwcrtungs- und Klas siflketionsrncthoden. da die Problcmrelcvanz nicht a priori fcstlcgbar is!.

3.3.4.5.

Fazit

Zur 11cilung des Hcwcnuugsdcfcktcs sind daruit Klassiflkations- und ltc wcnungsmcrhodcn grunds ätzlich gecignct. Die formule Anfordcrung an den zu cr mittelndcn Zielbeltrag gibt zudcm die Art und Welse. wie dic sc Method en in bcwcrt ungsdcfcktcn Entschcid ungssituetioncn einzuSL'!Len sind. ver. WlIhrL'11d Scgmcraicrungsr ncrhodcn nicht gccignct s ind den Bcwertungsdcfckt

zu heiten. isr dies mil der Anw endung von Assoxiarionsmethodcn mil cmsprechcndem Nachbcreitungsautwaud der Ergebnisse prinzipiell r nöglich.

... ...

Methodengruppe

Potcnzial

Mc thcdcn zur Klassifikation Method en zur Bcwcrtung Mc thodcn zu r Seg men ticrung

... ..

Me thoden zur Assoziationslindung

hoch.

•

-

•

,nicdri g,

Abbildung 2 IJc"'crl'"1 gsdcrdlcs

Entsprechcnd können die Data Mining Methoden hjnsichtlich ihres Porcnzials zur I leilun g des Bcwcrtungsdcfckt cs bcurtcitt we rde n. Während Meinod en z ur Kla ssiflkation und Bcwcnung durch die Augabc der Z iclgröllc als Ziclauribnr 11 prio ri cinc cntschcid ung srclcvarn c Hcdcmung zugcwicscn we rden kerm. ist d ies hei Meiheden

LUT

Assoziationsflndung aufgrund dcr untlbc r-

103

wachten Vorgehensweise nicht möglich. Die zwingende Nachbereitung durch den Entscheidungsträger stellt in diesem Fall das Einsatzpotenzial dieser Methodengruppe in Frage. Methoden zur Segmentierung können nicht zur Heilung des Bewertungsdefektes eingesetzt werden. Darüber hinaus bleibt festzuhalten, dass es sich urn ein wiederkehrendes Entscheidungsproblem handeln muss, für welches bereits Zielbeiträge in der Vergangenheit realisiert wurden. Nur in diesem Fall kann davon ausgegangen werden, dass sich Informationen zu den Handlungsalternativen, Zielgröûen respektive Zielbeiträgen sowie ggf. Umweltzuständen und Handlungsergebnissen in der Datenbasis befinden. Und nur in diesem r ail können Data Mining Methoden potenziell zur Heilung des Bewertungsdefektes eingesetzt werden. Aus der Analyse des Einsatzpotenzials von Data Mining Methodengruppen zur I-leilung des Bewertungsdefektes respektive der Ermittlung der Bewertungsfunktion Z, bzw. Zielerreichuugsfuuktion é » lässt sich folgendes Vorgehensmodell zur Unterstützung einer Methodenauswahl ableiten (vgl. Abbildung 30).

DM nich t

anwendbar'

Klass ifikation

Bewertung

Abbildung 30: Vorgehensmodell in bewertungsdefekten Entscheidungsproblemerr' "

Zunächst ist zu prüfen, ob Informationen zu den Handlungsalternativen A und Zielgröûen in der Datenbasis vermutet werden können. Ist dies nicht der rail, so besteht kein Einsatzpotenzial des Data Mining zur I-leilung des Bewertungsdefektes. Befinden sich die genarmten Informationen in der Datenbasis ist zu überprüfen, ob die Zielgröûe metrisch oder kategorial skaliert ist, Bei

3 16

Klassifikationsmethoden sind in diesem Fall Assoziationsfindungsmethoden vorzuziehen.

104

kategoriaIer Skalierung bietet sich ein Einsatzpotenzial für Klassifikationsmethoden, bei metrischer Skalierung entsprechend für Bewertungsmethoden. Bei kategorialer Skalierung bietet sich prinzipiell zwar auch der Einsatz von Assoziationsmethoden an, jedoch sind die Klassifikationsmethoden diesen zur Heilung des Bewertungsdefektes aufgrund der Möglichkeit der a priori Zuweisung einer entscheidungstheoretischen Zielgröûe vorzuziehen.

3.3.5.

Data Mining in zielsetzungsdefekten Entscheidungsproblemen

Für ziclsetzungsdefekte Entscheidungsprobleme schlieûlich ist zu diskutieren, inwiefcm Data Mining Methodengruppen in der Lage sind a) operationale Zielgröûen und b) Nutzwerte N, die sich aus einem funktionalen Zusammenhang, d. h. der Zielfunktionj:( a,u,z), ergeben, zu entdecken. Bezüglich der Zielgröûen ist festzuhalten, dass diese entsprechend in der Datenbasis gespeichert sein müssen, so dass sie durch eine Anwendung von Data Mining überhaupt ermittelt werden können. Dies bedeutet, dass der Zielsetzungsdefekt nicht in einer generellen Unkenntnis des Entscheidungsträgers über alle problemrelevanten Zielgröûen bestehen kann, vielmehr besteht eine lntransparenz hinsichtlich des Zusammenwirkens derselben. Grundsätzlich lassen sich Zielgröûen dabei in Form einer Zielhierarchie oder als Zielnetzwerk anordnen."? Nachfolgend bleibt damit zu diskutieren, inwiefern Data Mining zur Ermittlung der problemrelevanten operationalen Zielgröûen insbesondere hinsichtlich ihres Zusammenwirkens eingesetzt werden kann. Die Zielfunktion j:(a,u,z) ordnet jeder Handlungsalternativen einen Nutzwert n zu, so dass die Handlungsalternativen in eine eindeutige Reihenfolge gebracht werden können, Auch hier gilt, dass Informationen zu den Handlungsaltemativen A, Zielgröêen, Nutzwerten N und der Zielfunktion j:(a, u,z) sowie ggf. zu den Umweltzuständerr' " in der Datenbasis gespeichert sein müssen, damit Data Mining Methoden diese auch in den Daten ermitteln können. 3.3.5.1.

Methoden zur Klassifikation

Zunächst ist das Vorliegen eines kategorialen Zielattributs grundlegende Voraussetzung zur Anwendung von Klassifikationsmethoden. Im Hinblick auf die Ermittlung der problemrelevanten Zielgröûen sollte dieses Zielattribut dann eine Zielgröûe repräsentieren, welche letztendlich als Ausgangspunkt für die Ermittlung weiterer Zielgröben dienen kann. Der Einsatz von Klassifikationsmethoden ermöglicht dann die Ermittlung von Einflussfaktoren auf diese Zielgröûe und die

317 318

Vgl. Klein / Scho1l2004 , S. 88. In deterministisohen Entscheidungsproblemen ist der Umweltzustand bekannt und wird entsprechend implizit in die Funktion integriert. Bei Entscheidungsproblemen unter Unsicherheit sollten die verschiedenen möglichen Umweltzust ände explizit in der Datenbasis vorhanden sein.

105

Angube weitcrcr potcnzicll problcmrelevanrcr Ziclgröêen. Ober die v crwendeng ven Entschc idungshaumve rfahrcn bzw. Neuronale Netze sind somit sowoh l hicrurchisch als auch IlL1zartig vcrboudene Ziclgröêcn cnnitrclbar. Beispiek Laur einer Mita rbcitcrbcf ragung isl L'S in eincrn Untcruchmcn mit der Miterbcitcrzulhcdcnhcit

nicht zum Besten bcstclh. Wird mm die Mitarbcircrzufricdcnhcir als Ziclenribm deklane n. cinc

katcgoriale Skalicrung in Zufricdenheitsgruppcn vorausgesetzt. ermöglicht die Anwendung von Kla ssifiketion smcthoden die ldcntifizicnmg der Einflussfuktorcn au f die Mitarbcitcrzufricdcn-

heil. Dicsc Eintlussfakturcn könncn dar m potc nzicll operatirmale Zie[grölkn darstellen. Wird bcispiclsweise die Ûbcrsmndcuanzuhl als Einflussfaktor idcurifiziert. so dass einc hohc Oberstundcnun zah l zu ciner nicdrigcn Miturb citc rzut ricdcnhc it fübrt. dann stcllt die Übc rsumdcn anzahl cinc opcmtionalc ZielgTÖ Bc dar.

Darühcr hinau s ist denkhar. dass übe r dic Dektaranon cincr Anrcgu ngsin forrnation als Zielattribur Einflussfaktorcn crmittclt werden. die p otcnzicll problcmrclc vantc Ziclgröbcn darstellen (vgl. die Diskussion von Klassifikationsmcthodcn im Rahmcn des Wabmchnnmgsdcfcktcs. Kepitel 3.3.1.1j . IIn Hinblick auf die Ermittlung der Zic1funktion und damit dL'S Ninxwcrtcs gilt die Argumcnration des Einsat/es ven Klassifikerionsmcrhodcn zur Ermiulung ciner Bcwcrtungs- hIli' . Ziel-

erreic hungsfunktion. Das L U deklarierende Ziclanribut sollre dann eine Nurzengröje repräscntieren, deren Nlll/ \\L'I1 sieh nus der Koufidcnz hinsichtlichdicscr Nut/L'ngrölk crgibt. Der dureh Kla ssifik etion smcth odcn crmurche Zusemm enbang stcllt da r m cinc Zi elfun ktien dar. werm cr

sieh tlbcr Hendlungsahcmativcn sowic ggf Umwcltzuständc und Zielbeitrage crgibr. d. h. wcnn die crmiueltcn Einûussfaktoren die genarmten entschcidungsrhcorcnschcn Gröêcn darstellen. Beispiel. Hierbei kann cr ucut auf das Beispiel d..'!" Auswahl von Vcrsichcrungsvcnrctcrn zurûckgcgriffcn werden. In dicscm rail handelt es sich urn ein dct crminisusches Emschcidungsproblcm mil eincr ZielgröBc. sornit stcllt der Ziclbeitrag zuglcich den Nutzwcrt dar.'" Dics cr crlauht eine Rengordnung der Handlungsaltcrnativcn a nha nd des Nutzwcrtcs hinsicbtllch ihrer Vcrziehenswürdigkeit.

." . All. dieser Stelle sol! dlHl;h den Rt-..kgritl"allf das bereit. belauutc Bc""rbcrkispic11cd iglieh die FllTlktions"ei", der Ktassifikalionsn1l.1 hooen zur Erm,nluug der Ziclfunllion llud dan1l1 dc", Nlllz"clt da~C.tc1tl " " roel\. Nicln bcl1ldsiehti~" si,ld e>'cnlucl! bcSlchelldc datcnschl~lfcchtliehc RC""lrilti oncn. die Sl"" icll dic'SCllkispic1all\\cndllngcntgc~'C'Mchcn l órllltcn. Die,.;; Di,kll,~i<:m crfolgl in Kapltcl 5. t .2 n:,pdlive Kap;td 5.1.2.I.

106

Damir hleih t fcstzuhalrcn. dass sich Klassifikationsmcrhod cn dureha ns cig ncn den Zielsetzungsdefekt I.U hcilc n und somit zur Emscheid ung suntcrstützun g beivutrege n. Spc zifischc v orau ssctzung t1lr den Emsarz von Klassifikationsr ncthodcn iSI das Vcrliegen ciucs kutcgorialun Zielattributs. wclches a) eine problemrclcvente Z iclgröllc odcr b) ein c Nutzengröêe rcpräscntieren

sotnc.

VOIll Entschcid ungstt ägcr ist ex post I U klärcn, ob d ie idcntiflzicrten Einflu ss-

takte ren Z iclgröBcn bzw. o h der c rminchc Zusemmenhang inha ltlieh cinc Zielfunktien ahbildci. lnsbcson dc rc im Ilinhliek auf die Zielfunktien isl fcstzuhaltc n. dass c., sich urn cin wie de r-

keltrendes Auswahlproblcm handcln muss. Nur dunn wurdcn llcndlungsaltcrnativcn berelts e r-

griffen und Ziclbcirrägcbzw. Nutzwcrtc rcalisicrt. so dass nuch ven eincr ausrcichcndcn nerenbasis zu r Analyse ausge gangen wer den karm.

3.3.5.2.

Meth oden zur Hcw ertun g

Voruussctzung für die Anw endung von Hcwcnung srncthodcn ist das Vorliegen einc s

mctrischcn Ziclanritnas. lm l1inbliek auf d ie He ilung des Zielsell ungsd clèkles solltc dicsc s Ziclau ribul dann die Ziclg röûe rcpräsentieren. Da Ziclgrü Bcn sowo hl karegorialcr als aueh mctris chcr Skalicrung sein kÜnnen''''. g ilt tü r d ie Ermittlung der Ziclgröbcn d ie zuvor gcführtc

Argumcmetion des Ejnsatzcs von Klassifikaiionsmcthod cn in gleieher w clsc t1lr Bcwcrtungsmethoden. lmHinblic k auf die Ermiulun g der Ziclflmktion respektivo 1.1c., Nutz wcrtcs errnöglicht die An-

wcudung von Bewcnungsmcthodcn die Er mittluug cincs funktienalen Zusenuncnhengs hel .

cincs mctrischcn Ziclattrihuts, wclchcs in dicscm Fall den Nutzwcrt rcpräscnticrt. Beispiek Es stcht einc Entscheidung bel. der Platzicrun g cincr Stellcnenzeige all. Dazu stenen

\'1." -

schiedcnc Mcdicn wie Interne! Jobbörsc. Homepage. Fachzcitschrift und Tugcszcitung zur AlLS-

wahl. Die vcrschicdcncn Handlungsalrcr nativcn sind hinsiclulich ihrcs Nutzcns IU bewenen. der sich au, Kosten. Rücklauf und Qualität ergibt. Die Anw endun g von Bewertungsmcthodcn auf cinc Datcubasis. die d ie vcrschicdcncn llendlungsaltcmetivcn scwic die j cweiligcn Zielbcur ägc bel. der Kosten. des Räcklauf s und der Oualität SOl I ie dcm sich duraus erge benden entsprcchcndcn Nutzwart cnthält. crmög hcht darm die Abbildun g cinc s funknonalen Zusarnm cnharigs der genarmtenGrülk:n und daruit die Ermittlun g der Ziclfunktion. Damit hlcibr fcswuhaltcn, dass sieh Bcwcrtungsrncthodcn grundsätzlich cigncn. den Zie lsctzungsdcfckt lU heifen. Spczifisc he v oraus sctzung ist. dass die Ziclgröbc rcspcknvc der Nutz-

wcrt in mctrisc hcr Form in der Dalenbasis gespcichert sind. Die Anfhrdc rung. dass ent-

JO
VI'I Klein l Scholl 2004, S 'XI.

107

spreche nde lnformationen zu den Handlungsaltern ativen, den ZielgröBen und -beiträgen sow ie ggf. den Umweltzuständen in der verfli gbaren Datenb asis vorhanden sein müssen, urn Data Mining überhaupt sinnvo ll anwenden zu können, führt dazu , dass sich wiederh olende Entscheidunge n vorliegen müssen. Lediglich in diesem r ail besteht ein Einsatzpotenz ial von Bewertungsmethod en zur Heilung des Zie lsetzungsde fektes . Der erfolgreiche Einsatz von Neuronalen Netzen als Bewertun gsmeth ode zur Heilung des Zielsetzun gsdefektes wurde in der Literatur bereits mehrfach beschrieben .? ' 3.3.5 .3.

Methoden zur Segme ntie rung

Zur Anwendung der Segmentierungsmethoden ist vom Entscheidungsträger die Angabe derje nige n Attribute erforderlich, die für die Grupp enbildung herang ezogen werden sollen. Entspreche nd stellen diese keine zur enni ttelnden GröBen dar. Für die Ermittlung von ZielgröBen zur Heilung des Ziel setzun gsdefektes kommt damit lediglich die Gruppenzugehörig keit in Frage. Hierbe i handelt es sich jedoch urn eine aggre gierte Infonnation aus den zur Segmentierung verw end eten Attribute n, welche nicht als operationale ZielgröBe zur Bewertun g von Handlungsergebn issen herangezogen werden kann. Method en zur Scgmenti erun g bicten sich au fgrund ihrer unüberwach ten Vorgehensweise nicht an, den funktionalen Z usammenha ng zwische n Handlungsaltern ativen, Umweltzustä nden und Zielbeiträgen und damit die Zielfunktion zu identifizieren. Hierzu ist das Erlernen eine s gerichteten funkti on alen Zusammenhangs wie es Klassifik ations- oder Bewertungsmeth ode n erm öglichen notwend ig. 3.3.5.4.

Methoden zur Assozi ations findung

Zunächst er fordert der Einsatz von Assozi ationsme thoden das Vorl iegen kategoriaIer Attribute. Da ZielgröBen sowohl metrisch als auch kategorial skaliert sein können, stellt dies zunächst kein Ausschlu sskriterium für die Anwendun g von Assozi ationsmeth oden im I-linblick auf die Ennittlung von Zielgröûen dar. Aufgrund ihrer unüberwachten Vorgehen sweise ist es j edoch nicht möglich, einen Problcmbez ug oder eine ZielgröBe a priori festzulegen, hinsichtlich dercr dann weitere ZielgröBen ennittelt werden könnten, Vielmehr ident ifizie ren Assoziation sfindung smethod en jegliche den Gütekrit erien entsprechenden Attributsausprägungskombinationen. Diese können zwar potenziell Zie lgröBen enthalten. sind j edoch ex post aus der Ergebnismenge der Meth oden herauszu filtern . Darübe r hinaus ist es aufgrund der Mithilfe von Assoziationsfindungsme thoden ermittelbaren bidirekt ionalcn Z usamme nhängen nicht rnöglich, eine Ziel-

321

Vgl. z. B. Roth, 1997 oder Hanne 1999. Hier wurden Neuronale Netze in deterrninisrischen multikriteriellen Entscheidungsproblemen eingesetzt. Es konnte gezeigt werden, dass sie zur Heilung des Zie1setzungsdefektes und mithin des Lösungsdefektes geeignet sind.

108

hicrurchie ode r cin Z ielnelzwerk

IU

idenriflz icrcn. Glcichcs gilt für die Ermittlung der

Z ieltim ktion. Der durch die Zielfunktilln gcgcbcnc Nutzwert mus s hier in Analog ie

IU

der

Disk ussion der Klassifikationsmcrhodcu als Konfid cnz de r idcntifincrtcn Auribmsauspräguegskomhinmionen interpretiert werden. Im Gcgc nsarz zur Anwendung der Klassiflkations- odcr Bcwc n u ngsmc thodcn ist ...-sjcdoch nich t möglich, a prior i übcr d ie Augabc cin c-s Nutzwcrtc'S als Ziclanri bur dez idiert cinc Zielfunktien ZIl crmincln. Aueh hier sin d funktienale Zusemmen-

hüngc 'lUS der Frgebnisrnc nge hcrauszu flltc m. In Abhängigkcit von der Anzahl de r ermittcltcn Attributsa usprägUllgskomh inat illllen var iic rt aueh das Emsc hcidUllgsu nterslützungspotenz ial der Methoden zur Assoz iarionsfindung. d . h. j e höhcr die Anza hl der crmittcltcn Assoximioncu urnso geri nger ist das Entscheidungsullle rstützungspo lcnzial. Damit blcibr fcstzuhaltcn. ëass das Einsetzpotcnxial von Assoziations flndungsmcthodcn zur IIcilung des Ziclsctzungsdcfcktu-s fragli eh ist. Dies liegt insbesoudere in de r unllberrwach tcn Vorgehc nsweise begründcr. die cinc zwingende Nachbcreitung der Ergebisse durch den Entschcidungsträgcr zu r Errnitûung der Ziclg röbc n rcspcktive der Zid fu nktion erfbrdort .

3.3.5.5.

Fazit

Die Disk ussion der Anwcndung von Data Mining Methoden zur Hcilung des Zielsetz ungsdcfcktcs hal gezeigt. dass insbesondcre die Hewertuugs- und Klussiflke rionsmethod cn gccignct schcincn den Zicls etzungsdcfckt z u heilcri. So k önncn mithilli: der genarmten Mctho-

den sow ohl Ziclgröûcn a ls auch die Ziel funklion j ..(a.u.z) r...-spcktivc der NUl/wen n crminch werden. Method en zu r Assoziationsflnda ng hingoge n cigncn sich lcdigfich ciugc-schrënkt zur Ermittlung der Zieltim klion/...(a.u.z l. da diese ex post vo m Entscheidungsträger in den Ergcbnissen idcntifiziert werden muss. Dics cr Au fwand flilh in Anhängigkcit von der Anzahl der entdeckten Attr ibulsaus prägu ngskombinatio n"''11 untcrschicdlich hoch aus. cntsprcchcnd vartiert

auch das Petendal der Assoz iarionsfindungsmcthodcn z ur Ilci lung d...'S Ziclsctzungsdcfc ktcs.

......

Method engruppe

Potcnzial

Mcthcd cn zur Klassifikation Methode n zur Bewcrrtung Mcthodcn zu r Scg mcntic rung

... ..

Methoden zur Assoziationsfindung hoch .

•

-

•

,nicdri g,

Abbildung 3 1 Eiglllll1g des Dala Mining tuf HeihUIg des li cl>ellll ngsdd d ics

109

Zur Ermittlung der Ziclgröêen eignen sich Assoziarionsfindungsmerhodcn nicht. Methoden ZUf Scgmenticrung cigncn sich weder zur Ermittlung der Ziclgröben noch der Ziellimktion /-{a.uJ)

und sind damit grundsätzlich nicht zur l1eilung des Ziclsct/ungsdcfcktcs gccignct. Aus der Analyse der Einsatzpotcnzialc des Data Mining zur lIeilung des Ziclscrzungsdcfcktcs lils st sich fotgendes Yorgchcnsmodcll zur l.Jntcrstützung der Auswahl cincr Data Mining

Methodengruppe zur Ermittlung der Ziclgröbcn respektivo der Zielfunktien I: ablcitcn (vg!.

Abbildung 32).

A

Nut7"'" in DB verfi:lllbar" U.

~"'(lllc

Skalie", ng Nul7engröl3c1

KI. ssifikalion Enn in lunll \'o n/ ,

metrisch

Skalicrunll Zicl!,röl3c1

Klassifikali on

metrisch

Bcwen ung

Ermin lung d" r Zielgr!il3cn

Abbildung 32 : Vorgchc1\<modcll in l icl<etlu ngsdc fcllcn Enlschcidungsp rob1cme n'"

Zunächst ist zu prüfcn, ob sich cinc roïcveuc Ziclgröûc in der Durenbasis bcfindcr. lst dies nicht der Fall. so ist Data Mining. wie berelts crläutert. zur Heilung des Ziclsctzungsdefcktcs nicht '" Klassitikalion,mct h,'
11 0

einsetzbar. Befinden sich ZiclgröBcn in der Derenbasis. so ist darliber hinaus IU prüfcn. ob lnfon natio ncn IU Handlungsalrcrnativcn A und 7U Natzcngröfcn in der Datcubasis vennu tct

werden. lsr dies nicht der Fall. se könncn bei mctrischcr Skalicrung der ZiclgröBc Hcwcrtungsmethoden und bei kutegorialer Skaliereng der ZiclgröBcn Klassifikationsmethodcn zur Ermittlung »citcrcr opcrationalcr Ziclgröbcn sowie der cntsprcchcndcn Zusanum..mhängc eingcsctzt werden. Eine Ermittlung der Ziclfunktion j; ist in diesent Fall nicht rnöglieh. Befinden sich lnfonnationcn 7U He ndlu ngsaltc meriven und Nutzcngröêcn in der Datenbasls. so karm die Ermittlung der Ziclflinktion J mithilfc von Data Mining crfolgcn. Bei Verliegen einer katc-

gorialcn NUIIL'11gröBc kÖnnL'11dann Klussifikationsmcthodcn und bei v c rliegen cincr metrischer Nutzcngröbc Bcwcrtungsmcthodcn zur Erminlung der Zicllllllklionj; eingesctz t werden.

J.".

E'lte bnisse z ur Entsc heid llnllsunte rs tüI7.unj: mil n ala .\ Iininll

Die Analyse des Einsatzpotenziuls ven Data Mining zur Entscheidungsuntersttttzcng hal gczcigt. dass sich jc Entschcidungsproblcmtyp ein untcrschicdliches Potenziel der Data Mining Methodengruppen zur l1cilung der emspreebenden Dcfckrc crgibt.

Abbildung 33 fassr zusammcn. wclche Met hed engruppe fllr die ll eilung dL'S jeweiligcn Dcfcktcs gccignet ist und gibt somit das Einsatzpotcnzia l vnn Data Mining in vcrschicdcncu

Emschcidungsprohlcrncn
...... ...... ...

Kl assifl kation

Wehrnchmungsdcfckr Abgrcnzungsdcfckt Wirkungsdcfckt Bewcrtung sdefckt

Zielsctzongsdefckt

...... ........

Bcwcrtung

.....

Scgmcnticrung

Assoziation

..

• • • •

-

-

•

Abb,ldllng 33: E,gnllllg der Data MlIllllg Me1hodcn zur Ile ,llIllg der Stnlk ll1rdek kle

So hat die Analyse gczcigt. dass sich für Klassifi karionsme thodcn in allen Entsc heidu ngsprohlc-

men Einsatzpotcnziulc ergeben. Wcitcr hin kann testgehalten werden. dass Kfassifikationsmethoden zur Enniu lung der funktienalen Zusammenhänge j..

In

b7W. fZf. und j; den

Assoziationsfindungsrncthodcn vorzuzichcn sind. Auch für Bewcrtungsmctbodcn ergebeu sich

in allen Emscheidungsproblcmcu Einsntzpotcnzialc. Einc Ausnahme stcllt die Enninlung dc'T Wirkungsfunktion j; in wirkungsdcfekten Emscheidungsproblcmcn dar. fhr die Hewertungsmethoden nicht cingc-setzt werden könncn. Zur llcilung dc'S Bcwcrtungs- und Ziclsctzungsdelekies sind Scgmcnticrungsmcthodcn nicht gccignct. l1insiehtlieh der Scgmcnticrungsmethoden crgibt sich ein diffcrenzicrtcrcs Ergebuis. DiL'Se sind insbesoudere cinsctzber in l il

abgrenzungsde lèkten sowie in wirkungsdefekten Entscheidungsproblemen zur Ident ifizierung von Umwe ltzuständen. In wahmehmungsdefekten Entsche idungsproblemen ist das Einsatzpotenzial differenziert vor dem Hintergrund der erforderl ichen Nachbereitung durch den Entscheidungsträge r zu bewerten. Hinsichtlich der Assoz iationsfindungsmethoden ist festzustellen, dass sie sich zwar prinzipiell zum Einsatz in wahrn ehrnungs-, abgrenzung s-, wirkungs-, bewertun gs- und zielsetzun gsdefekterr'" Entsche idungsproblemen eignen, jedoch aufgrund der zwin genden Nachbereitung des Entsche idungsträgers die konkrete Entscheidungsunterstütz ungsleistung in Frage stcht. Zusammenfassend kann festgehalten werden, dass die diskutierten Methoden gruppen vielfa ch einsetzbar sind und sich au fgrund der Eige nscha ften der Method engruppen sowie der Entscheidung sprobl em c unterschiedliche Einsatzszenarien ergebe n. Es stellt sich daher neben der Frage,

ob Data Mining Meth oden zur Entscheidungsuntestützun g anwendbar sind, insbesonde re die Frage, wie Data Mining zur Heilung des je we iligen Defektes eingesetzt werden kann. So ist für die vom Entscheidungsträger zur Anwendung der Meth oden sowie fiir die durch die Meth oden generierten Ergebn isse eine entscheid ungstheor etis che Bedeutung festzule gen . Dies impliziert, dass beisp ielsweise Zielattributen oder Konfid enzen eine entscheidungstheoretische Bedeutun g als Handlungscrgebni s oder Nutzwert und damit auch cine inhaltlich e Bedeutung zukommen muss, dam it die Methoden defektheilend und damit entsche idungsunt erstützend eingesetzt werden k önnen. Wird bestimmten Data Mining Meth oden gruppen das Potenzi al zur Heilung spez ifische r Defekte abgesprochen (-), so ist dies auf forrnale An forderungen zurückzuführen. So sind beisp ielsw eise Segm ent ierungsmethod en nicht in der Lage, einen reellw ertig en Zielbe itrag zu bestimme n und eignen sich nicht für den Einsatz zur Heilu ng des Bewertungsdefekte s. Wie nun die einzelnen Meth oden gruppen in wahmehmungs-, abgrenzungs-, wirkun gs, bewertungs- und zielsetzungsdefekten Entscheidungsproblemen eingese tzt werden können, hat die vorangegangene Diskussion gezeigt. Darüber hinaus konnten Vorgehcnsmod clle zur Auswa hl und Einsatz von Data Mining Me thodengruppen in den entspreche nden Entscheidungsproblemen entwiekelt werden. Mithilfe dieser Vorgehen smodelle kann der Entscheidungsträger bei der Auswahl der anwendbaren Methodengruppe unterstützt werden . Darüber hinaus errnöglichen die Vorgehensmodelle in abgrenzungs -, wirkung s-, bewertungs- und zielsetz ungsde fekte n Entscheidungsproblemen eine Entscheidung dar über, ob Data Min ing Method en überhaupt sinnvoll anwendbar sind. Wie in der Analyse deutlich wurde , ist eine grundsätzliche Anwendbarkeit der Data Minin g Meth oden an die Verrnutung über das Vorliegen spezifischer Inforrnationen wie beispielswei se Handlun gsalter-

323

Im Rahmen von zielsetzungsdefekten Emscheidungsproblemen eigenen sich Assoziationsfindungsmethoden lediglich für die Ermittlung der ZielfunktionJ" nichtjedoch für die Enn ittlung von Zielgröûen,

112

naiivcn odcr ZielgröBen in der zu analysiercndcn Detenbusis vcrknüpû. Werden diese lnformanonen in der ..u analysiercndcn Datcnbasis nicht vermutct. so jst auch Data Mining nicht entschcidungsunrcrstützcnd cinsctzbar. Die Analyse hal gczcigt. dass sich aus den Methodengruppen Klassiûkaticn, Bcwcnung, Scgmentierung uud Assoziauons findung in Verbindnng mil den vcrschredene n Entschcidun gsprcblcmtypcn untcrschicdlichc Einsatzszcnari cn e rgeben. Dicsc Einsaizs..cnaricn sind mil der vcrfügberkcit spczifischcr lufonnationcn in der zu analy sicrend e n Derenbasis verknttpfl. Es wurdc wiederholt vorau sgc sctzt. dass sich ln fbrmutioncn zu

llandlungsultcrnativcn. Umweltzuständcn. llandlungscr gcbnisscn . Ziclbciträpcn. Ziclgr öêcn

und Nuïzwcrtcn in der Darcubasis hefinden mussen. daruit Data M ining Meiheden über haupt eingesctzt werden körmcn. Lctztlich kon stituicrt sich damh das j cwcilige Einsatzszenerio uus

der Trias Entscheldungsproblem. Data ,\lill i lJg JfnlUJdellgr Up/Je und vcr tügbarc lJ(l/enhasis (vgl. Ahbildun g 34). Enlscheidungsproblcm

szenarlo

Dalcnh-dsis

Dala MininB

Abblldllng 34: Ein,;alZ'1zenarin

Dicsc Datcnhasis wurdc bis jctzt lcdiglich aus cmschcid ungsthc orctischc r Perspektivo bcrücksichtigt. Einc inhaltliche Konkrctisicrung crfolgr mil den Ûbcrtcgungcn zum Einsatz von Data

Mining im Pcrsonalmanagemcnt [vgl. Kapitcl -Ij. Mit diesen cntschcidun gsthcorctischcn Anfordcrungcn einher gcht damit auch einc Anfordcrung en die Ausprägung von Data Mining untcr-

sliil..baren Entscheidungsproblemen. So fübrt die in der Analyse cruicrrc v orausscr..ung. duss lnfonnutioncn I.U llundlungsalternativen in der Datcnbasis vcrhunden sein mü sscn dazu, duss sich wicdcrkchrcudc Auswahlproblcrnc und damir Standardcntscheidungcn tllr den Einsarz vou

Data Mining eignen.'" Dies gilt im Spezietlen für die lleilung des Ahgren..ungs-. Wirkungs-, Bcwcnungs- und Ziclsctzungsdcfcktcs. Für die Hctrachtung der relevanten Entschcidungsprohlcmc im Pcrsonalmanagcmcm scbcincn damit iusbcsondcrc auch Standerdcmschcidungcn

.... Einc Allsnahmc hiel7l1 lid ...." dIe An"w•.llll1l' von Scgmcm icnrnl'sI111.1hodcn in abgrcnwnl'Sdcfcklcn Ents.:hcidllllI'SProbk men. die alK:h wr Idclltlfll ic7Ul1g lK:lIartib'Cr Handlunl'sallcnrali,·enfilhrcn kann

113

zur Anwendung von Data Min ing IUr Hcilung der genarmren Dcfck te in Frage I U kom men.

Stenderdcntschcidungc n bedcuteu. dass Handlungsultcrnativcn bcreits in ausrcichcn dcrn MaJJc'" ergriffen wurdcn. so dass sich dicsc mithil fc vou Data Mining überhaupt crmiuclu lassen. Dies gilt nicht nur lIir abgrenzungsdefckte Entschcidungsprublernc. in dcncn geuau die ldcntiflk etion vo n Handlungsaltcrnativcn den Imschcidungsuntcrssützu ngsbcitreg darstcllt. sou-

dcm auch fllr jcnc Emschcidungsproblcmc, in dcncn e in funktionalcr Zusammcnlmng übcr die llan dlu ngseltc metiven crnuttclt werden su il. Da rnit impliziert d ie Errniulung der Wirkungs-

funktien

J~ ( a. u).

der Bcwc rtuugsfunktktn ftAa.u.c ) rcspckrivc der Ziclcrrcichungsfunktion

Ju.(a u) sowic de r Zielfullklion.f.-(au.z ) mhhilfc ven Data Mining das vcrliegen von Standard-

entschcidungcn. Darü hcr hinaus solltc

l'S

s ieh bei den Standc rdc ntschcidungcn urn daten -

imensiw Entsc hcidungcn handcln. Die Anwendung von Data Mining Method en in Standardent-

scheidungen macht nur dann Sinn, wcnn diese dureh lntransparcnz gcprägt sind. Und z\\ ar cinc Inlransparenz der Art. dass [Ïlr den Eutschcidungsträgcr z u vlclc das Entschcidungsproblcm rcpräscmicrcndc Dalen in de r Detcnb asis vcrliegen. Dies kunn als daleninten sive Stendardentscheideng bczeichncr werden. Dumir exisricn kcine gcncrelle Llnkenntnis liber die zu ermiuclndc cntschcidungsthcorctischc Gröêc. viclmchr bes echt cinc individ ucllc Unkcnntnis des

Entschcid ungstr ägcrs. die au f eincr lntransparcnz aufgrund datcnirucnsivcr Emscbc idung s-

problcrne heruht. Einsatzszcnaricn Wahrnchrnungsdcfck t

Kontrcllc

Abgrcnzungsdcfckt

in der Regel Standardcntschcidungcn ( mil Ausnahmc der Ermittlung neuartiger Handlungsalrernmiven übcr Scgmcntlcrungsmcthodcn vgl. Kapile13.3 .2.3)

Wirku ngsdcfek t

U, Aggregalion H lIl craschcidungsrc levente n vom Èmschcidungsträgcr nicht bceinflussbarc lnform ationcn

j.; Standardcntschcidungcn Bewcrtungsde fckt

Zie!gröp en: ldentifiketio n des Zusammenwirkcns von Zielgröllcn

/zf. b:w.JH: Standardcmschciduugcn Ziclsctzengsdc tèkl

f : Standardcntschcidungcn

Abbildllng 35; Ein>all SJ"enarien des tl-dla Mming Tlir Elllsch<:idlingslinter;tüll llllg

m Hier bnn ~ei n absoll,lcs MaBanb'<:b",bcn " wd.:n. dil ~ieh die ein MIlsIer illlpliT.icrt:ll,k Slllr~e eincs ZU!
11'

ifischcn GmemaJkn tlCrall~ .:rgibl

Darüber hinaus eignen sich Data Mining Methoden zur KontrolIe von vergangenen Entscheidungen . Die Analyse hat gezeigt, dass sich bei wahmehmungsdefekten Entscheidun gsproblemen Data Mining zur Ennittlung von Soll-Ist-Abweichungen eignet und damit zur KontrolIe eingesetzt werden kann . Abbildun g 35 fasst die Erkenntn isse bez. der diskutierten Einsatzszenarien des Data Mining zur Entschcidungsuntcrstützung zusammen. Losgclöst vom konkreten Anwcndungskontext konnten damit generclle Szenarien für den Einsatz von Data Mining zur Entscheidungsunterstützung entwiekelt werden. Diese sind im Folgenden auf den Anwendun gskontext Personalmanagement zu übertragen und zu diskutieren .

115

4. Entscheidungen im Personalmanagement Urn das Einsatzp otenzial von Data Mining im Personalm anagement zu diskutieren, sind zunächst die Inhalte und damit Aufgaben und Ziele des Personalmanagements zu klären. Entsprechend des Zie ls dieser Arbeit geht es im Folgenden nicht urn den Versuch einer möglichst vollständigen Au fzählung von Inhalten des Personalmanagcm ents, vielmehr soli auf einer aggregierten Ebene eine umfa ssende Systema tisierung vorge stellt werden, die es erlaubt, Entsche idungsprobleme im Person almanagements im Hinblick auf das Einsatzpotenzial von Data Mining zu diskutieren. Zunächst crfolgt in Kap itel 4.1 die Darstellung der Aufg aben und Zie le des Personalmanagem ents und die Erarbeitung eine r geeign eten Systemat isierung des Persona lmanagem ents, urn im Folgenden (Kapitel 4.2) das Vorl iegen wahrnehmungs-, abgrenzungs-, wirkun gs-, bewertungs- und zielsetzun gsdefekter Entsche idungsprobleme im Personalmanagement auf aggregierter Ebene zu analysieren.

4.1. Aufgaben und Ziele des Personalmanagements Personalm anagement ist auf die Planung, Steuerung und KontrolIe der Ressource Person al als strategischer Erfolgs- und Wettbewerbsfaktor ausgerichtet .? " Damit stellt das Personalmanagement eine umfassende Funkti on dar, die in allen Org anisationen auftritt und insbesondere die Bercitstellung sowi e den zielorientierten Einsatz von in abhängig er Besch äftigung stehe nden Personen umfassr'" . Traditionelle rwc ise ist es au f operat ivcr Ebe ne die Aufg abe des Personalm anagem ents, den Personalbed arf eine r Untem ehmung mit quantitativ und qualitat iv geeig netem Personal zu befriedigen . Femer wird das Person al verw altet und betreut, nicht mehr benötigtes Personal wird freigesetzt. Aufgrund der Anerkennung und Wertschätzung des Personals als strat egischer Erfolgsfaktor komm en zu den genarmten operat iven Aufgaben auch Planungs -, Steuerung s- und Kontroll aufg abcn .? " Neben den wirtschaftl ichen und sozialen Zielen des Untem ehmens sind zudem die Z iele und Bedürfn isse der einzelnen Mitarbeiter zu ber ücksichtigen.? " Damit erweisen sich die lnh alte des Person alm anag em ents als hoch komplex'" , was zu unterschiedliche n Katcgori sierungsmöglichk eiten der Funktionen des Personalman agemcnts und

326

327 328 329 330

Vgl. Staehle 1999, S. 777, Scholz 2000, S. Iff Vgl. Gaugler / Oechsler / Weber 2004, Sp.16531f Vgl. Staehle 1999, S. 777f, Scholz2000, S.S3ff Vgl. Drumm 200S, S. I I. Vgl. Drumm 200S, S. II.

117

entsprechend differierenden Systematisierung en führt.:" Diese unterscheiden sich insbesondere in ihrer Granularität und ihrem Fokus. So ist zw ar eine Übereinstimmung hinsichtlich der Einzelaufgaben des Personalmanagements festzustellen , die j edoch je nach Ansatz unterschiedlichen Kategorien zugeordnet werden. Der Analyse des Einsatzpotenzials von Data Mining im Person almanagement ist hingegen e in umfassender Ansatz ohn e spezi fische Fokussierung auf Einzelaspekte des Personalmanagements zugrunde zu legen, der die wesentlichen Felder des Personalmanagements abdeckt. Ein internationa l anerkannter und umfassende r Ansatz des Personalmanagements, der die Integration der vielfält igen Aufgaben des Personalm anagements sowie die strategische Bedeutung des Mitarbeiters und des Personalmanagement s und damit die Notwendigkeit zur Integration des Personalmanagements in die Unternehmensftihrung beton t, ist der Michigan-Ansatz.? ' Der Michigan-A nsatz stellt mit den vier generischen I-Iauptfunktionen Au swahl, Beurteilung, Entwicklung und Belohnung'" eine robuste Systematisie rung des Personalmanagements dar, die die zent ralen Felder des Personalmanagements auf einer für die Analyse des Einsatzpotenzials von Data Mining adäquaten Aggregationsebene beinh altet und wesentl iche strategisc he Aspekte abdeckt. Einzelaufgaben des Personalmanagements lasse n sich diesen vier Hauptfun ktionen zuordnen und stellen somit Ausprägung en auf einer granularen Ebene des MichiganAnsatzes dar. Die Aufgaben Auswahl, Beurteilung , Entwicklung und Belohnung des Personalm anagements leiten sich nach dem Mich igan-An satz aus der Unternehmensstrategie ab und werden unter Berücksichtig ung einer strategiekonfonnen Unternehmensstruktur umgesetzt. Dabei müssen die vier genarmten Haupt funktionen systematis ch aufeinander abgestimmt werden, urn entsprechend die Leistung sowohl des einzelnen Mitarbeiters als auch des gesamten Unternehmens positiv zu beeinflussen.?" Darüber hinaus können innerhalb der vier Haupt funktionen die strategische, taktische und operative Ebene unterschiede n werden.?" Die strategische Ebene zielt auf die Ennittlung und Implementierung langfristiger Konzepte und Systeme für das Gesamtpersonal ab. Innerhalb der taktischen Ebene erfolgt die mittelfristige Planun g der strategischen Konzepte, wohingegen die Tätigkeiten der operativen Ebene auf die kurzfristige Umsetzung strategischer und taktischer

Pläne abzielen.:" Der Michigan Ansatz liefert keine detaill ierte Aufzählung der einzelnen

331 332 333

334 335 336

VgL Scholz 2000, S. 83 oder Drumm 2008, S.321f VgL Tichy I Fombrun l Devanna 1982. VgL Tichy I Fombrun l Devanna 1982, S. 50. VgL Tichy I Fombrun l Devanna 1982, S. 511f, Devanna l Fombrun /Tichy 1984, S. 331f VgL Tichy I Fombrun l Devanna 1982, S. 51f VgL Tichy I Fombru n I Devan na 1982, S. 5 1f Die Untergliederung in strategische, taktische und operative Ebene vollzieht auch Scholz 2000 , wobei hier neben dem zeitlichen Merkmal auch die Anzahl der Mitarbeiter

118

Aktivitäten innerhalb der Auswahl, Beurteilung, Entwicklung und Belohnung auf strategischer, taktischer und operativer Ebcne , sondem subsumiert implizit alle Einzelaktivitäten unter die genannten generischen I-Iauptfunktionen und postuliert dabei eine konsequente Ausrichtung an und Integration in die Untemehmensstrategie auf allen drei Ebenen. Dam it beinhalten die vier Bereiche Auswahl, Entwicklung, Beurteilung und Belohnung die gesamte Planung, Steuerung und KontrolIe der entsprechenden Einzelaktivitäten . Aus diesem Grund werden in dieser Arbeit die umfassenderen Begriffe Beschaffungsmanagement, Entwicklungsmanagement, Leistungsmanagement und Vergütungsmanagement verwende!.

Beschaffungsmanagement

---

Abbildung 36: Hauptb ereiche des Personalmanagement s' : "

Das BeschafJungsmanagement zielt auf eine bedarfsgerechte und kostengünstige Versorgung des Unternehmens mit Arbeitskräften ab, die den aktuellen als auch zukünftigen Person albedarf in qualitativer, quantitativer und räumlicher Hinsicht befriedigt.:" Entsprechend um fasst das Beschaffungsman agement alle Akti vitäten zur Planun g und Umsetzung der zielgerichtete n Versorgung des unternehmerischen Personalbedarfs unter Berücksichtigung der genannten Aspekte. Konkret fällt dam it Personalmarketing ebenso unter das Beschaffungsmanagement wie die interne und externe Personalbesch affung, die Personalauswahl und der Person aleinsat z." " Unter das Leistungsmanagement fallen alle Aktivitäten zur Gestaltung und Umsetzung von Beurteilun gssystemen mit dem Ziel der Planung, Steuerung und KontrolI e der indiv iduellen

und Stellen zur Unterscheidung der drei Ebenen herangezogen werden. So bezieht sich die strategische Ebene auf den gesamten Personal- und Stellenbestand eines Unternehmens, die taktische Ebene auf Stellen- und Mitarbeitergruppen und die operationale Ebene auf individuelle Mitarbeiter und Stellen. 337 Vgl. Tichy I Fombrun l Devanna 1982, S. 50. 338 Vgl. Oechsler 2006, S. 2 18. 339 Vgl. Tichy I Fombrun l Devanna 1982, S. 5 1ff.

119

Leistungsabgaben sowi e der Koord ination von individuelIer und org anisatori scher Leistung. " " Das Leistun gsmanagement bildet damit insbesondere die Basis für das Vergütun gsmanagement und das Entwicklungsmanagement. Die zu implementierenden Beurte ilungssysteme sollen dabei die Explikation der Leistung auf individueller und organi satori scher Ehene ermöglichen. So umfasst das Leistungsm anagement hspw. auf strategische r Ehene die Entwicklung von adäquaten Beurteilungskriterien eben so wie auf oper ativer Ebene die Durchführung der Leistungsbeurteilun g etw a im Rahmen von j ährl ichen Mitarbc itergcsprächcn .:" Das Entwicklungsmanagemen/ umfasst alle Tät igkeiten zur Sicherstellung der adäqu aten Kompetenzen und Fähigkeiten von Mitarbeitern.'" Hierunter fallen die Konzepti on und Umsetzung von Aus- und Weiterhildungsprogramm en ebe nso wie die Karrierepl anung .r" Die Personal entwicklun g soli dahei siche rstellen, dass durch eine ständig e Anpas sung und Erweiterung der Qualifikationen hinsichtl ich geänderter Anforderungen die Leistungsfähi gkeit der Mitarbeiter erhalten bleibt bzw. gesteigert wird und diese so zur Ge winnerzielung des Unteme hme ns beitragen können .:" Entsprechend umfasst die Personalentwicklung alle Maûnahmen , die zur beruflichen Entwicklung eine s Mitarbeiters beitragen, wobei neben den aufgabenbezogenen Anforderungen aueh die Interessen des Mitarbeiters herücksichtigt werd en.:" Die Hauptfunktion Vergü/ungsmanagemen/ umfasst Die Planun g und Umsetzung von zielgruppenspezifischen Anreiz- und Entgeltsysteme n und zielt darauf ah, den Mitarbeiter für gut e Leistung zu belohn en und zu motivi eren. Zie l des Vergütungsmanagements ist das Setzen von Anre izen zu Produktivitäts- und Qualit ätssteigerungen, urn auf diese Weise die Mitarbeiter zum Erreichen der strategisc hen Ziele des Untem ehmens zu rnotivieren ." ? Hierbei können je nach Zielgrupp e ve rschiede ne mater ielle und immaterielIe Anreize wie bspw. Boni, Aktien, Karriereund Weiterbildungsmöglich keiten oder flexihle Arheitsze itgestaltung etc. eingesetzt werden." ? Der Michigan Ansatz ist wie bereits erwähnt insbesonde re auf die strategische Ausrichtung des Personalm anagements abgestellt und betont die Integra tion des Personalmanagem ents mit der Untem ehmensstrategie und der Organisationsstruktur. Genau diese rigoros e Ausrichtun g des Person alm anagements auf die Untem ehmensstrateg ie wird kritisiert, da sie zu einer Anp asserfunkti on des Personalmanagements füh ren kann, die durch den Untem ehmensplan determiniert

340

341

342 343

344 345 346 347

Vgl. Tich y / Fombrun / Devan na 1982, S. 57f, Gr ieger / Bartölke 1992, Oechsler 2006, SA I4ff. Vgl. Tichy / Fombrun / Deva nna 1982, S. 57f Zur Leistungsbeurteilung steht da bei eine Vielzahl an Verfahren zur Verfügu ng, die die Erhebung der Leistung auf unterschiedliche Art und Weise errnöglichen, vgl. hierzu Oec hsler 2006, S. 4 17ff., Scholz 2000, S. 369ff., Becker 1998 oder Karming / Holling 2004, Sp.1685ff. Vgl. Tichy / Fombrun / Devan na 1982, S. 55 ft~ Vgl. Staehle 1999, S. 789. Vgl. Conradi 1983, S. 6f Vgl. Heymann / Müller 1982, S. 151f Vgl. Tich y / Fombrun / Devan na 1982, S. 53. VglTichy / Fombru n / Devan na 1982, S. 53f[, Scherm / SüB2003, S. 144.

120

und dumir nicht mehr frei gcsranbar is!.'" Der Eintluss vcrgangener pcrscnalpolitischcr Mailnahrncn auf dic zukünûlge Fommlierung der Strategie wird dabci nicht bcachtct.v' hn Vergri ff

nuf die noch 7 U crarbcircudcn Einsatzpotcnzialc des Data Mining im Pcrsonahnanagcmcnr kann an dicscr Stelle herelts Iestgchahcn werden, dass nufgrond der explorativcn und vergengcnhcitsoricnticrtcn Vorgchcnswcisc von Data Mining hei der Entdcckung von Zusammcnhängcn in

nktucllcn und hlsronsehen Dalen. dicscm Kritikpnnkt zumindcs r penicll cntgcgcngcwirkt wcrden kann. Der Michigan An sutz lieli:rt mit den Hercichen Hc schaff ungsmana gcmcnt. Lcistun gsmanagcment. Erawicklungsrnanagcmcnt und vcrgûtungsmenagcmcm cinc Systcmatisicrung des Per -

sonalmanagcments. dit': im Detail cine viclzuhl an Aktivitëtcn umfussr. Gleichwohl auch andere Kaïcgorlsicrungsm ögfichkcitcn der Fun ktienen des Pcrsonalmanagcmcuts mögfich gcwcscn wärcn, bicter der Michigan Ansatz mil den vier Hauptbcrcichcn cinc aggrcgicrtc Sysrcmmisicrung. die dit': wcscnrlichcn und auch strurcgisch releventen Funktienen des Pcrsonahnunagcmcnts bcinheltct. Dics er Systcrnatisic rung wird im Felgenden für die Anal yse des Einsatvpotenzials von Data Mining im Pcrsonalrnenagcmcnt gcfolgt. Es ist dahcr I U analysicrcn. inwicfcrn die Entschcidungsprc hlcmtypen für die vier genunnrcn Bereiche des Pcrsonalmunagcrncms relevant sind.

.t 2. .vrt en von Entscheidun l:,spr ohlcmcn im Personalma nage nte m Zunächst blcibt

IU

prüfcn. in wclchcn Bcrcichcu des Pcrsonàlmanagcmcnts wehmchmungs-.

abgrcnzungs-. wirkungs-. bcwcrtungs- und ziclsctzungsdcfektc En tschcidungsproblcmc

\'IIT-

liegen könucn. Bc schaffu ngsmanage men t

Entwic klungs management

Lcistuugsman agem ent

Vergütungsman agement

Wah r nchmun gsdcfckt Abgrcnzungsdcfckt Wirk ungsdc fckt

Bewcrtungsdefekt Ziclscrzungsdcfckt Abbildllnj!: 37: IOntschcidllllgsprublcmc im I'crsonalnlllnagcll1cnl

'" Vgl, Rcmcr 1978. S. l7 wk! Schrc)'(\gg l'1M7. S, IS2f ,.. Vgl, Stad l1e 19<J
121

Kann davon ausgegangen werden, dass in einzelnen Bereichen bestimmte Entscheidungsproblemtypen nicht vorkommen, so entfallen auch das damit verbundene Einsatzszenario respektive das Einsatzpotenzial von Data Mining. Wie zuvor dargestellt, umfassen die vier Bereiche des Personalmanagement eine Vielzahl von Aktivitäten, die entsprechend eine Vielzahl an Entscheidungen erfordem. So sind strategische Entschcidungen bez. der langfristigen Gestaltung und Ausrichtung von Prozessen in den einzelnen Bereichen ebenso zu treffen wie operative Entscheidungen, die den einzelnen Mitarbeiter kurzfristig betreffen. D. h. es kann grundsätzlich davon ausgegangen werden, dass im Rahmen der Entscheidungsvorbereitung im Personalmanagement insgesamt und damit auch in den einzelnen Bereichen Anregungsinformationen zu identifizieren und Handlungsalternativen zu ermitteln sind. Darüber hinaus müssen Umweltzustände bcrücksichtigt und Handlungsergebnissc sowie zielftihrende I-Iandlungsaltemativen bewertet und schlieûlich die beste Handlungsaltemativen ergriffen werden. Damit scheinen zunächst grundsätzlich alle Entscheidungsproblemtypen im Personalmanagement vorzukommen. Darüber hinaus stellt der in dieser Arbeit gewählte Strukturierungsgrad als Differenzierungsmerkmal von Entscheidungsproblemen einen anwendungsdomänen-unabhängigen Ansatz dar. D. h. unabhängig vom Anwendungsbereich ist zum Lösen von Entscheidungsproblemen eine Strukturierung notwendig. Dies gilt damit auch für das Personalmanagement. Wie bereits dargestellt, ergibt sich der Strukturierungsgrad eines Entscheidungsproblems aus der Beziehung des Entscheidungsträgers und dem Problem und stellt kein dem Entscheidungsproblem eigentümliches Merkmal dar. Das Vorliegen von Entscheidungsproblemen mit spezifischen Defekten lässt sich daher nicht auf bestimmte Personalfunktionen beschränken, vielmehr können wahrnehrnungs-, abgrenzungs-, wirkungs-, bewertungs- und zielsetzungsdefekte Entscheidungsprobleme sowohl im Beschaffungs- als auch Entwicklungs-, Leistungs- und Vergütungsmanagement vorkommen. Welche Art von personalwirtschaftlichen Fragestellungen sich hinter den einzelnen Entscheidungsproblemen verbergen können, wird im Folgenden dargestellt.

4.2.1.

Wahrnehmungsdef ekte Entscheidungsprobleme im Personalmanagement

Wahmehmungsdefekte Entscheidungsprobleme subsumieren alle Fragestellungen, die auf die Ermittlung von Anregungsinformationen zur Identifizierung eines I-Iandlungsbedarfs abzielen. Wie bereits dargestellt können sich die Anregungsinformationen aus Kontrollaktivitäten oder aber aus Änderungen von entscheidungsrelevanten Gröûen, d. h. Handlungsalternativen, Zielen oder Umweltzuständen, ergeben.

122

Entspreche nd werden in wahrnehmungsdefekten Entscheidungsprobleme n zum einen Fragen zur derzeit igen Gesta ltung und Umsetzung des Beschaffungs-, Entwicklungs-, Leistun gs- und Vergütun gsmanagements sowie relevante Fragen zu Änderungen der derzeitigen Umsetzung gestellt. BeispieIe : •

Wird mit den derzeitigen Personalmarke tingmaBnahme n die gewünschte Zie lgrupp e angesprochen?

•

Stimmt der qualitative Person albestand mit der Sollvorgabe überein?

•

Werden diejeni gen Bewerber eingestellt, die den Einstellun gskr iterien entsprechen?

•

Ergeben sich durch die Verfügbarkeit und Einsatzm öglichkeit von Web 2.0 Technologien Implikationen für die Gestaltung der Personalentwicklun g?

•

Wird durch die derzeitig verwend eten Beurteilungskriterien die Leistung und das Potenzial der Mitarbeiter adäquat erfasst?

•

Entspr icht das umgesetzte Vergütun gssystem den Richtlinien eines markt- und leistun gsgerechten Vergütun gssystem s?

Dies sind Beispiele für wahrnehmungsdefekte Entscheidungsprobleme und es ist unm ittelb ar einsichtig, dass eine Vielzahl von entsprechenden Fragestellun gen in den einzelnen Personalbereichen denkbar ist. Die Fragestellungen repräsent ieren wahrn ehmungsdefekte Entscheidungsprobleme, da sie Situationen beschr eiben, in dencn (noch) nicht erkennbar ist, ob ein Handlungsbedarfbesteht oder nicht.

4.2.2.

Abgrenzungsdefe kte Enlscheidungsprobleme im Personalmanagemenl

Abgrenzu ngsde fekte Entscheidungsprobleme subsumieren alle Fragestellungen, die au f die Ermittlung von Art und Um fang der Handlun gsalternativen abzielen. Entsprechend werden in abgrenzungsdefekten Entsche idungsproblemen Fragestellungen relevant , die die Ermittlung von Handlun gsaltern ativen im Besch affun gs-, Entwicklungs-, Leistung s- und Vergütun gsmanagement bezwecken. BeispieIe : • •

Welche Bewerber kommen für ein bestimmte s Stellenpro fil in Frage? Welche Entwicklungsmaênahrnen können ergriffen werden , urn den qualitativen Personalbestand für das nächste Jahr siche rzustellen?

123

• •

Welche Vergütungsbestandteile können angeboten werden, urn die Leistung der Mitarbeiter zu steigem? Welche Handlungsalternativen stehen zur Auswahl, urn die Mitarbeiterzufriedenheit zu erhöhen?

Diese Beispiele verdeutlichen abgrenzungsdefekte Entscheidungsprobleme im Personalmanagement respektive für die Bereiche Beschaffungs-, Entwicklungs-, Leistungs- und Vergütungsmanagement. Die Handlungsalternativen sind (noch) nicht bekannt und müssen gemäê den Fragestellungen ermittelt werden. Auch hier ist eine Vielzahl an unterschiedlichen Fragestellungen denkbar.

4.2.3.

Wirkungsdef ekte Entscheidungsprobleme im Personalmanagement

Wirkungsdefekte Entscheidungsprobleme subsumieren alle Fragestellungen, die auf die Ermittlung von Umwcltzuständen und / oder Wirkungsfunktionen abzielen. Umweltzuständc stellen dabei alle entscheidungsrelevanten Faktoren dar, die nicht durch den Entscheidungsträger beeinflusst werden können. während die Wirkungsfunktion die Konsequenz der Handlungsalternative und somit das Handlungsergebnis aufzeigt. Entsprechend werden in wirkungsdefekten Entscheidungsproblemen Fragen zur Ermittlung der Umweltzustände und / oder der Wirkungsfunktion im Beschaffungs-, Entwicklungs-, Leistungs- und Vergütungsmanagement gestellt. Beispiele für Fragestellungen zur Ermittlung der Umweltzustände: •

Mit wie vielen mitarbeiterseitigen Kündigungen ist in diesem Jahr zu rechnen?

•

Wie sicht das Arbeitskräftcangebot auf dem Arbeitsmarkt aus?

•

Wie hoch ist der geschätzte Bedarf an einer spezifischen EntwicklungsmaBnahme?

Beispiele für Fragestellungen zur Ermittlung der Wirkungsfunktionen: •

Welche Konsequenzen ergeben sich für die zur Auswahl stehenden Personalbeschaffungsalternativen im Hinblick auf das qualitative Personalportfolio?

•

Welche Konsequenzen ergeben sich für die zur Auswahl stehenden Vergütungsveränderungen im Hinblick auf die Mitarbeiterzufriedenheit oder die Leistung der Mitarbeiter?

Diese Beispiele geben einen Eindruck von personalwirtschaftlichen Fragestellungen, die sich im Rahmen von wirkungsdefekten Entscheidungsproblemen für das Beschaffungs-, Entwicklungs-, Leistungs- und Vergütungsmanagement ergeben.

124

4.2.4.

Bewertungsdef ekte Entscheidungsprobleme im Personalmanagement

Bewertungsdefekte Entsche idungsprobleme umfàss en alle Fragestellungen, die auf die Bewertung der Handlungsergebn isse anhand von ZielgröBen und mith in die Ermittlung von Zielbei trägen abzielen . Zielgr öûen können dabei finanz ieller als auch nicht-finanziell er Art sein.?" Eine Bewertun g gibt damit das Ausmaf der Zielerreichung bez. der festgelegten Ziele an. BeispieIe : •

Mit welchen Kosten sind die sich aus den Personalbeschaffun gsaltem ativen ergebende hinsichtlich Qualität und Quantität unterschiedlich e Anz ahl an neuen Mitarbeitern zu bewerten?

•

Mit welcher jeweiligen Leistungssteige rung ist zu rcchnen bei zur Auswahl stehenden Anschaffungsa ltemativen von Produkt ionsmaschinen und wie ist diese aus Vergütungsperspektive finanziell zu bewerten ?

•

Um wie viel Prozent kann die Mitarbeiterzufriedenh eit jewe ils gesteigert werden bezogen auf die jcweiligen Handlungs altemativen?

•

Mit welchen Kosten sind die zur Auswahl stehenden Gestaltungsa ltema tiven bez. des Beurteilungssystem s zu bewerte n?

•

Mit welchen Kosten ist zu rechnen , die sich aufgrund der zur Auswahl stehenden PersonalentwicklungsmaBnahmen für eine bestimmte Mitarbeitergrupp e ergeben?

Diese Beispiele verdeutlichen, dass bewertun gsdefekte Entscheidungsprobleme auch für das Personalmanagement respektive die Bereiche Beschaffung s-, Entwicklungs-, Leistungs- und Vergütungsmanagement relevant sind. Die Bewertung der Handlun gsergebn isse ist (noch) nicht bekannt und muss gemäê den Fragestellun gen erm ittelt werd en. Auch hier stellen die genannten Beispiele lediglich einen kleinen Ausschnitt an potenziellen bewertungsdefekten Fragestellungen im Personalmanagement dar und es sind entsprechend vielfältige wei tere Fragestellunge n denkbar.

4.2.5.

Zielsetzungsdefekte Entscheidungsprobleme im Personalmanagement

Zielsetzun gsdefekte Entsche idungsprobleme subsumieren all jene Fragestellung en, die auf die Ermittlung operation aler ZielgröBen und der Zielfunktion respektive des Nutzwertes abzielen . Es werden Frageste llungen relevant, die die Ermittlung von operationalen ZielgröBen und Nutzwerten im Beschaffun gs-, Entw icklungs-, Leistun gs- und Vergütungsmanagement bezwe cken .

350

Vgl. Bamberg / Coe nenberg 2003, S. 29.

125

BeispieIe für Fragestellungen zur Enn ittlung operationaler Zielgröûen: •

Welche operationalen ZielgröBe(n) sind zur Bewertung von zur Auswahl stehenden Handlungsaltemativen heranzuziehen, wenn das Oberziel .Reduktion der Anzahl an K ündigungen" verfolgt werden soli?

•

Welche operationalen ZielgröBe(n) sind zur Bewertung von zur Auswahl stehenden Handlungsalternativen heranzuziehen, wenn das Oberziel .Erh öhung der Mitarbeiterzufriedenheit'' verfolgt werden soli?

•

Welche operationalen ZielgröBe(n) sind zur Bewertung von zur Auswahl stehenden Handlungsalternativen heranzuziehen, wenn das Oberziel .Erhöhung der Leistung der Mitarbeiter" verfolgt werden soli?

BeispieIe für Fragestellungcn zur Ermittlung der Ziclfunktion: •

Wie sind die zur Auswahl stehenden Handlungsalternativen zur Vcröffentlichung von Stellenanzeigen unter Berücksichtigung des erwarteten Rücklaufs und der Kosten als Zielgröûen zu bewerten?

•

Wie sind die zur Auswahl stehenden Managementtrainingsmaûnahmen unter Berücksichtigung von Qualität, Kosten und Erfolg als ZielgröBen zu bewcrten?

•

Wie sind die zur Auswahl stehenden Gestaltungsalternativen des Beurteilungssystems unter Berücksichtigung der Kosten, der erwarteten Validität und des Grads an IT-Unterstützung als Zielgröûen zu bewerten?

Diese Beispiele verdeutlichen zielsetzungsdefekte Entscheidungsprobleme für die Bereiche Beschaffungs-, Entwicklungs-, Leistungs- und Vergütungsmanagement. Die operationalen Zielgröûen sind (noch) nicht bekannt und müssen ge mäf den Fragestellungen ennittelt werden.

Gleiches gilt für die Nutzwerte, mit denen die zur Auswahl stehenden Handlungsalternativen unter Berücksichtigung der operationalen Zielgröûen und ggf. von Umweltzuständen zu bewerten sind. Auch hier ist eine Vielzahl an verschiedenen Fragestellungen für das Beschaffungs-, Entwicklungs-, Leistungs- und Vergütungsmanagement denkbar. Die A usführungen habcn gezeigt, dass in allen Bereichen des Personalmanagements von einem Vorliegen wahrnehmungs-, abgrenzungs-, wirkungs-, bewertungs- und I oder zielsetzungsdefekter Entscheidungsprobleme ausgegangen werden kann.

126

5. Data Mining im Personalmanagement Nachdem nun geklärt ist, dass alle Entscheidungsproblemtypen für das Personalmanagement relevant sind, ist zu diskut ieren , inw iefem Anwendungsvoraussetzun gen zum Einsatz von Data Mining im Personalm anagem ent erfüllt sind. Wie bereits erläutert kann Data Mining erst dann angewendet werden, wenn eine adäquate Datenb asis vorliegt. Eine adäquate personalwirtsch aftliche Datenbasis zeichnet sich dadu rch aus, dass sie formal und inhaltlich personalwirtschaftliche Entscheidungsprobleme repräsent iert. Hierzu ist zu anal ysieren , auf welche informatorische Datenb asis das Personalmanagem ent i. Allg . zurückgreifen kann . Da kein e empirische n Untersuchungen zu Art , Umfang und Aktualität der in den Untem ehmen gehaltenen Personaldaten existieren, wird zum einen die anzunehmende informatorische Datenb asis des Personalmanag ements aus der Verw endung von Personalinformation ssystem en abgeleitet (Kapitel 5.1.1 .1). Weiterh in geben die Personal inform ationssy sterne einen Eindruck über die Art der Datenh altun g und lassen entsprechend Aussagen darübe r zu, inwiefem die informatorische Datenbasis des Personalmanagem ents den formal en Anforderungen an die Datenbas is zur Anw endung von Data Minin g genügt. Zum ande ren werden Standardi sierun gsbestrebungen in der Personaldatenbeschreibung dargestellt (Kapitel 5.1.1.2), da diese von einer Vielzahl von Untem ehmen betrieben und unterstützt werd en. Insofern kann davon ausgegange n werd en, dass die dort beschriebenen Daten in den Unternehme n weit verbreitet sind und damit e in Indiz für die generelI verftigb aren Dateninhalte im Personalmanagement darstellen . Weiterhin ist zu diskutieren, ob rechtliche Bestimmungen eine Anwendung von Data Mining im Personalmanagement grunds ätzlich untersag en resp ektive einschränken (Kap itel 5.1.2) . Bei Personald aten hand elt es sich urn sens ible, schutzbedürftige Daten, deren Speich erung und Verw endung gesetzlich en Regelungen unterliegen, die damit potenziell das Einsatzpotenzial von Data Mining im Person almanagement restring ieren . 5.1.

Prüfung der Anwendungsvoraussetzungen

5.1.1.

Die informatorische Datenbasis des Personalmanagements

5.1.1.1.

Personalinformationssysteme

Personalinform ation ssysteme bilden eine Sammelkategorie, die eine Vielzahl an verschiedenen Syst emkategori en um fasst." ! Sie stellen Konfigurationen von interagierenden Einzelsysteme n dar, die eine Vielzahl an Funktionalitäten zur Unterstüt zung des Personalman agements anbie-

351

Vgl. Strohmeier 2007, S. 25.

127

ten." : So unterstützen Personalinformationssysteme operative Aufgaben wie beispielsweise die Gehaltsabrechnung und Stammdatcnverwaltung'" sowie Managementaufgaben bez. der Bcschaffung' " , Entwicklung'" , Beurtcilung'" und Gestaltung und Umsetzung von Belohnungsund Anrcizsysternen' L ' " Die zunehmende Verwendung und Verbreitung von Personalinformationssysternerr'" führt zu eincm stcigendcn Volurnen an für das Personalmanagement relevanten gespeicherten Daten. Wie viele und welche Systeme ein Untemehmen nun zur Unterstützung des Personalmanagements einsetzt, hängt von verschiedenen Faktoren ab. Zu nennen sind zum einen inhaltliche, funktionale und technische Anforderungen, denen das System genügen muss, sowie finanzielle Möglichkeiten des einzelnen Untemehmens. Damit unterscheiden sich auch die jeweils elektronisch vorliegenden und damit analysierbaren Daten in den Untemehmen. Die nachfolgend aufgeführten Systeme stellen zentrale und weit verbreitete Systeme im Personalmanagement dar und bieten einen generellen Eindruck über die gespeicherten Daten und damit die informatorische Basis des Personalmanagements.

BeschajJungsmanagementsysteme dienen der umfassenden Unterstützung der Personalbeschaffung und enthalten Daten zu Bewerbern, Bewerbungen, Vakanzen, Ausschreibungen und Aktivitäten im Rahmen des Beschaffungsprozesses.v" Arbeitszeit- und Zutrittsmanagementsysteme dienen der elektronischen Erfassung, Bewertung, Planung und KontrolIe von personenbezogenen An- und Abwesenheitszeiten sowie Zutritten.?" Diese Systeme speichem somit Daten zum Personalstamm, Zeitkonten, Zeitmodellen, Berechtigungsprofilen und Zutrittsbuchungen. Learning Management-Systeme dienen der administrativen und didaktischen Unterstützung von Lemprozessen in Untemehmen. Sie speichem damit Daten zu Personen, Kursen, Kursinhalten und Lemobjekten sowie Kursdurchführungen.r" Performancemanagementsysteme, auch Personalbeurteilungssysteme genannt, unterstützen die systematische Steuerung der individuellen Arbeitslelstung.r" Sie bieten damit Funktionalitäten

352

353 354 355 356 357

358 359

360 361 362 363

Vgl. Strohmeier / Kabst 2007, S. 31. Vgl. z. B. Bali 200 1, Kirmie / Arthurs 1996. Vgl. z. B. Lee 2007. Vgl. Z . B. Welsh et al. 2003 . Vgl. Z . B. Miller 2003 . Vgl. Z . B. Dulebo hn / Marier 2005 . Einen Überblick über lnformationssysteme im Personal management liefert Strohmeier 200S. Vgl. CedarCre stone 2006 und CedarCres tone 2007. Vgl. Strohmeier200S, S. 20 1fT. Vgl. Mülde r 1993, S. 25 und M ülder / Störmer 2002, S. 2S7. Vgl. Schuimeister 2003 sowie Strohmeier 200S, S. 247fT. Vgl. Strohmeier 200S, S. 263.

128

zur Zielfestlegung und Nachhaltung ebenso wie zur Erfassung von Beurteilungen und zur Analyse. Damit enthalten Perfonnancemanagementsysteme Daten zu Mitarbeitern, Gesprächen, Zielvereinbarungen und Bcurtcilungen.'?' Die Gestaltung, Kommunikation und Administration von Entgeltkonzeptionen wird unterstützt durch Vergutungsmanagementsysteme.ï" Sie bieten potenziell Funktionalitäten zur Stellenbewertung, Budgetierung, Vergütungsplanung sowie zur Verwaltung und Zuweisung von Entgeltbestandteilen. Vergütungsmanagementsysteme speichem Personal-, Budget-, Markt- sowie Vergütungs(plan)daten.366

Personalabrechnungssysteme unterstützen die Abrechnung von Löhnen und Gehältcm sowie weiterer auszuzahlender Bcträge wie etwa Reisespesen. Sie speichern damit Mitarbeiterdaten sowie entgeItrelevante Leistungsdaten und Daten zur Abrcchnung." ? Darüber hinaus existiert mit der .Verordnung über die Erfassung und Übermittlung von Daten für die Träger der Sozialversicherung (DEÜV)" eine Rechtsvorschrift, die den Arbeitgeber zu einer elektronischen Speicherung und Übennittlung von Personaldaten verpflichtct.:" Diese Verordnung definiert die Meldungen, die seitens des Arbeitgebers an die Sozialversicherungsträger zu erfolgen haben. Dies betrifft beispielsweise An- und Abmeldungen von Arbeitnehmern, Arbeitsentgelte, Krankenkassenzugehörigkeit und Betriebsstätte. Traditionellerweise werden solche Meldungen von Personalabrechnungssystemen übemommen. Testsysteme dienen im Rahmen der Personalauswahl und -entwicklung der Eignungsdiagnostik und ermöglichen die Durchfiihrung und Analyse standardisierter Verfahren zur Messung von Persönlichkeits- und Leistungsmerkmalen. In der Datenbasis der Testsysteme werden Daten zu den Probanden, den Anforderungsprofilen, den Testverfahren sowie den Testdurchführungen gespeichert" Personaleinsatzplanungssysteme unterstützen den Abgleich des quantitativen und qualitativen Personalbedarfs mit dem Personalbestand sowie den konkreten Personaleinsatz." " Es werden Daten zu Personalbedarfen, Schichten und Schichtfolgen, Mitarbeitern und Einsatzplänen gespeichert.? '

3&4 365 366 367 368 369 370 371

Vgl. Strohmeier 200S, S. 263ff Vgl. Duleboh n / Marier 200S, S. 167. Vgl. Strohme ier 200S, S. 27S ft~ Vgl. Strohme ier200S, S. 167ff Vgl. Strohmeier 200S, S. SOf Vgl. Strohmeier 200S, S. 21Sff Vgl. Strohme ier200S, S. 107; Ernst et al. 2004 . Vgl. Ernst et al. 2004 sowie Scherf200S , S. 2 1ff

129

Personalentwicklungsplanungssysteme unterstützen die systematische Entwicklung von Mitarbeitem unter Berücksichtigung der Qualifikation und den Interessen des Mitarbeiters sowie den Anforderungen des Unternehmens. Damit speichern Personalentwicklungsplanungssysteme Daten zu Mitarbeitern, Qualifikationen, Stellenprofilen, Laufbahnen sowie Karriereplänen und Nachfolgeplänen.?'

Personalbedarfsplanungssysteme dienen der Bestimmung des zukünfiigen Personalbedarfs unter Berücksichtigung qualitativer, quantitativer, örtlicher und zeitlicher Anforderungen. Mithin speichern Personalbedarfsplanungssysteme Daten zu bedarfsrelevanten Ereignissen sowie Bcdarfsplänen.:" Es wird deutlich, dass der Einsatz von lnformationssystemen im Personalmanagement zu einer Vielzahl und Varietät an gespeicherten Daten führt. Grundsätzlich können Daten in Stammdaten und Bewegungsdaten unterteilt werden.?" Während Stammdaten in der Regel über einen längeren Zeitraum hinweg unverändert bleiben, stellen Bewegungsdaten häufig veränderbare Daten dar. Stammdaten sind beispielsweise Name und Adresse des Mitarbeiters oder des Bewerbers, Bewegungsdaten sind beispielsweise die Personalzu- und -abgänge sowie Testdurchführungsdaten. Die hier aufgeführten operationalen Systeme führen dazu, dass aktuelle und historische Daten verfügbar und auswertbar sind. Die Planungssysteme lassen die Prognose und Speicherung von zukünftigen Daten zu. Darüber hinaus werden vermehrt Data Warehouse Systeme im Personalmanagement eingesetzt.:" die weiterführende Funktionalitäten zur flexiblen Analyse von Personalkennzahlen bieten?' . Als Beispic1e für typische Personalkennzahlen seien genannt Anzahl der Mitarbeiter, Einstellungen, Beförderungen und Freisetzungen, Fluktuationsrate, Mitarbeiterzufriedenheit und Kosten pro Einstellung.:" Über die hier aufgeführten funktionsspezifischen Personalinformationssysteme hinaus existieren integrierte Standardsysteme zur Unterstützung des gesamten Unternehmens, so genannte Enterprise Ressource Planning (ERP) Systeme, die neben Finanzbuchhaltung, Controlling, Vertrieb, Beschaffung und Logistik auch integrierte Funktionalitäten im Personalmanagement bereitstellen.:"

372

373 374 375 376

377 378

Vgl. Strohmeier 200S, S. 121. Vgl. Strohmeier 200S, S. 95. Vgl. Menens et al. 2004, S. 57. Vgl. CedarCrestone 200Sb, S. 3tT. Vgl. Burgard I Piazza 200S. Vgl. CedarCrestone 200Sa, S. S. Vgl. Strohmeier 200S, S. 2S9ff.

\30

Es kann davon ausgegang en werden, dass in den Untemehmen eine Vielzahl an den genannt en Systemen vorhanden ist, die mehr oder wen iger umfassend mitein ander integr iert sind." ? Dies hat zur Folge, dass Daten teilweise redundant in verschiedenen Systemen vorliegen . Üblicherweise werden die Daten in den einzelnen System en in einem relationalen Datenbankmodell gespeichert, d. h. die Daten werden in einzelnen miteinander verknüpften Tabellen gespeichert. Die Verknüpfung erfolgt dabei über versch iedene Beziehun gsmöglichke iten zw ischen den Daten(sätzen) der Tabellen. So verknüpft eine I: I-Beziehung genau einen Datensatz der einen TabelIe mit einem Datensatz der anderen TabelIe. Die I:n-Beziehung verbind et einen Datensatz der einen Tabelle mit n Datensätzen einer anderen TabelIe. Schlieûlich erfolgt über die n:mBeziehun g eine Verknü pfun g von m Datensätzen mit n Datensätzen der jeweiligen Tabelle n."? Urn diese Daten für die Data Mining Analyse verwenden zu können, sind sie in einer einzigen Tabelle als Analysedatenb asis zusammenzuführ en, D. h. es sind Daten aus unterschiedliche n Systemen und innerhalb eines Systems aus untersch iedlichen Tabellen zu extrahieren und in einer für die Data Mining Analyse adäquaten Datenba sis zusammenzuführen. Diese Zusammenführung scheint einen nicht unerheblichen Aulwand darzustellen, der im Vorfeld der Anwendun g von Data Mining im Personalmanagement durchzufüh ren ist. Obwohl dieser Überblick keine Aussage zur generellen Verfügb arkeit von tür das Personalmanagement relevanten Daten in Unteme hmen zul ässt, so stellt er doch ein Indiz für das Potenz ial einer inhaltlich umfangreichen informatorischen Basis des Personalmanagements dar. Je nachdem welche Inform ationssysteme in einem Untemehmen verwendet werden,

nuit die

Datenb asis mehr oder weniger um fangreich aus. Aus der ste igenden Verbreitung von Personalinforma tionssystemen in der Praxis kann jedoch geschlossen werden, dass eine Vielzahl an Dateninh alten für das Personalm anagement zur Verfü gung steht. Die Daten liegen jedoch nicht orig inär in für die Anwendung von Data Mining verarbeitbaren Tabellenform vor, so dass eine inhaltlich und formal adäquate Datenbasis für die Anwendung von Data Mining erst gebildet werden muss. 5.1.1.2 .

Standardisierungs bestrebungen

Ein weiteres Indiz für das Vorliegen einer Vielzahl an verschiedenen person alwirtschaftlich en Daten stellen Stand ardisierungsb estrebungen zur Beschreibung und zum Austausch von Personaldaten dar. Standardisierungen werden imm er dann notwendig, wenn eine Vielzahl an Unternehmen eine Vielzahl an Systemen verwendet und somit eine Fülle an Daten speichert, so dass eine Vereinh eitiichung von Datenformaten und Datenb eschreibun gen sowohl für die Unternehmen wie auch die Systemh ersteller eine Reduktion des Aufwandes hinsichtlich Inte-

379

Vgl. Strohmeier2008, S. 101f

" 0 Vgl. Rautenstra uch / Schulze 2003, S. 1281f

131

grat ion und Entwicklung der einze lne Systeme ergibt. Differierende Datenform ate und Beschreibungen führen zu einem erhöhten Inte grati ons- und Entwicklun gsaufwand. Dam it kann davon ausgega ngen werden, dass die in den Standardisierungsaktivitäten berücksicht igten Daten von einer Vielzahl an Unteme hme n verw endet we rden und liefern ein Indiz für die im Personalm anag ement ve rfligba ren Dateninhalte. Die personal wirtsch afilich relevan ten Standardi sierungsbestrcbungen laufen im HR-XM L Konsortium zusammen.:" Das seit 1999 bestehend e Konsortium setzt sich aus Softwa re- und Beratungsfirmen sowie Anwendem von Personalinform ationssystemen zu sammen und hat sich zum Ziel gemac ht, standardisierte Datenform ate zur Beschreibung und zum Au stausch personal wirtscha filicher Daten zwischen verschiedene n Systemen au f Basis von XM L zu etabliercn .:" Hierzu wurd en für versch iedene Bereiche des Personalmanagement s standardis ierte Spe zifikationen entwickelt. .B encfits Enrollment" und " Payro ll Instru ctions" sind Spezifikationen, die der Vereinfachung des Austauschs von Abrechnungs- und Versich erungsdaten dienen . " Timecard" ist eine Definition von Elementen, die zur Zeiterfassun g erforderlich sind. Die Spezifikation " Background Checking" unterstützt den Austau sch von Daten , die zur Durchführung eines Backgroundcheck s seite ns Drittanbi eter erfo rderlich sind . "Competenci es" und " Competency'I'ypes " di enen der Spezi fikation von Komp etenzd aten . Die hier genarmten Be isp iele stellen einen Au szug aus einer Vielz ahl an fertig gestellten Spezifi kationen dar .?" Sie machen deut lich, dass sich bereits für die unte rschiedlichsten Person albere iche Standards her ausgeb ildet haben . Einen vert iefenden Eindruc k über die spezifizierten Daten inhalte liefert das Staffing Exchange Protocol (S EP), we lches Spezifikat ionen zu Bewerber, Stellen, Unternehmen, Komp etenzen und Vergü tung enthält und darau f ausg erich tet ist, den Datenau stausch zwischen Arbei tgebe r, Onlin e-Jobb örsen und Zeitarbeitsfirmen zu standardisiere n sowie die Ver öffentlichung von Stellen- und Bewerberdaten auf Online-Jo bbörsen zu unter st ützen .t" Folgende Daten werden im SEP verwendet: •

Persönl iche Angaben , wie Na me, Adre sse, Alter, Nationalität, Behinderung, Führersche in und Ge haltsvorstellung

•

An gaben zu Leben slauf, Qualifik ationen und bisheri ge Beru fserfahrung, wie bisherige Arbei tgeber , jeweilige Arbei tsdauer, Zertifikate, Abschlüsse, Sprachkenntnisse , Weiterbildun gsmaBnahmen, sonsti ge Fähigkeiten

381 382 383 384

Vgl. HR-XM L Consort ium 2009. Vgl. Elswiek 2002, Scholz 2003 . Eine Übersicht über den Katalog an fertig gestellten Spezifikationen findet sich in HR-XML Consortium 2009. Vgl. HR-XML Conso rtium 2009 .

132

•

Angaben zum Stellengesuch und den gewünschten Arbeitsbedingungen, wie Name des gewünschten Arbeitgebers, gewünschte Region, Reisebereitschaft, gewünschte Position und Jobtyp

•

Angaben zum Arbeitgeber wie Name, Branche, Kontaktdatcn

•

Angaben zur Stelle und zum Anforderungsprofil, wie Stellenbezeichnung, Abteilung, Adressdaten, Bewerbungsfristen, Gehaltsangaben, Abschlüsse, Zcrtifikate, Sprachkenntnisse, Weiterbildungen, sonstige geforderte Fähigkeiten

•

Angaben zur Art der Bewerbung

Das SEP bildet dabei einen Standard ab, der von einzelnen Nutzern auch individuelI abgeändert werden kann. Beispielsweise hat die Arbeitsagentur aufbauend auf dem HR-XML Schema ein eigenes erweitertes Schema HR-BA-XML entwiekelt. welches zum Austausch der Stellen- und Bewerberinformationen der Arbeitsagentur mit Jobbörsen, Zeitarbeitsfirmen und Arbeitgebern dient.": Die jeweils aktuelle Version des I-IR-BA-XML Standards kann dann bei der zuständigen Arbeitsagentur angefordert werden. Für Softwarehersteller besteht die Möglichkeit, ihre Software bez. der Einhaltung der HRXML-Standards zertifizieren zu lassen.?" Entsprechend können die Daten zwischen solchen zertifizierten Systemen unkompliziert ausgetauscht werden. Beispielsweise kann die intern generierte Stellenausschreibung direkt an die Online-Jobbörse oder an die Arbeitsagentur weitergeleitet werden. Die dort eingehenden Bewerberdaten können dann direkt in die entsprechenden internen Systeme wie z. B. das Beschaffungsmanagementsystem importiert werden." ? Die dargestellten Spezifikationen und Standardisierungsbestrebungen lassen vermuten, dass eine Vielzahl an Unternehmen über Daten bez. Beschaffungs-, Entwicklungs-, Leistungs- und Vergütungsmanagement verfügen, die es zu vereinheitlichen gilt. Damit kann im Personalmanagement nicht grundsätzlich von einem Datenmangel ausgegangen werden, vielmehr indizieren die Standardisierungsbestrebungen eine Datentlut, die mithilfe von Standards bearbeitbar gehalten werden soli. Die in Unternehmen vorhandenen Personalinformationssysteme sowie die Standardisierungsbestrcbungen lassen darauf schlicûen, dass das Personalmanagement auf eine inhaltlich umfassende informatorische Datenbasis zurückgreifen kann. Damit scheint grundlegend eine inhaltlich adäquate Datenbasis vorzuliegen, die vielfältige Entscheidungsprobleme im Personalmanagement repräsentieren kann. Bezüglich der formalen Eignung der Datenbasis bleibt festzuhal-

385 386 3R7

Vgl. hierzu Bundesagentur für Arbeit 2008 . Vgl. www.hrc ert ify.org. Vgl. Mülder 2003, S. 99f

133

ten, dass die Daten verteilt in verschiedenen Einzelsystemen und innerhalb dieser Systeme in verschiedenen Tabellen vorliegen. Urn die Daten mit Data Mining anal ysieren zu können, müssen diese aus den verschiedenen Systemen respektive Tabell en in einer Tabelle zusammengeführt werden. D. h. bevo r Data Mining im Personalmanagement eingese tzt werden kann, müssen die das Entscheidungsproblem repräsentierend en Dateninhalte sowie die jewe iligen Speicherorte, d. h. Einzelsystem und Tabelle, bestimmt werden . Die anschlieBende Zusammen fiihrung in einer Tabelle führt schlie ûlich zu einer inhaltlich und formal adäquaten Datenbasis zur Anwendung von Data Mining im Personalmanagement.

5.1.2.

Rechtliche Bestimmungen

Nachdem nun das Vorliegen einer inhaltlich und formal adäquat en Datenb asis zur Anwendung von Data Mining im Personalmanagement erarbeitet wurde, bleibt zu diskut ieren ob aus rechtlicher Perspekti ve Gesetze eine Anw endung von Data Minin g im Personalm anagement grun dsätzlich untersagen respektive einschränken, Fokussiert wird die Diskussion potenzielIer rechtlicher Restriktionen dabei auf unmittelbar für die Anwendu ng des Data Mining relevante Gesetze und Paragrafen. Da es sich bei der zur Verfügung stehenden Datenbas is im Person almanag ement u. a. auch um personenb ezogene Daten handelt, die mittels Data Mining analysiert werden sollen, sind entsprechend datenschut zrechtliche Bestimmun gen zu beachten. Darüber hinaus sind Mitarbeiter und Bewerb er vor Diskriminierungen zu schützen. Demnach sind im Hinblick auf den potenz iellen Einsatz von Data Mining zur Entscheidungsunterstützung im Person almanagement Bestimmun gen zur Gleichbehandlu ng zu berücksichtigen. Aus der Darstellun g der informatorischen Datenb asis geht hervor, dass zudem leistungs- und verhaltensbezogene Daten vorhanden sind, die damit potenziell für eine Data Mining Analyse heran gezogen werden können. Dies erfordert die Berücksichtigung des Mitbe stimmungsrecht s des Betrieb srats. Damit werden im Folgcnden rechtliche Bestimmu ngen •

zum Datenschutz,

•

zur Gleichbehandlung und

•

zum Mitbestimmungsrecht des Betriebsrats

und ihre Implikationen für die Anwendung von Data Mining im Personalmanagement diskutiert .

134

Der Datenschutz ist in Deutschland grund sätzlich im Bundesdat enschut zgesetz (BDSG)388 norm iert, welches für die Erhebun g, Verarbeitung und Nutzung personenbezogene r Daten öffentlicher und privater Stellen gilt. Das BDSG ist jedoch subsidiär gegenüber Spezialvorschri ften wie beisp ielsweise den Datenschutzregelun gen des Telemedie ngese tzes (TM G)389, des Telekommunikat ionsgesetzes (TKG) 390, von Landesdate nschutzgesetze n (LDSG) etc. So regelt beispielswei se das Telemediengesetz den Datenschutz im Anb ieter- Nutze r-Verhältnis beim Betrieb von Tele mediendien sten.:" das Telekommunikationsgesetz norm iert den Datenschutz der Te ilnehmer und Nutze r von Telekommunikation'" und z. B. das LDSG Baden-W ürttemb erg'" die Verarbe itung personenbezogener Daten von Behörden des Lande s Baden -Württemberg. Bereichsspezifische Regelun gen wie beispielswe ise das TM G oder das TK G konzentrieren sich

auf konkrete Verarbeitungszusammenh änge und konkretisieren die generellen Anforderungen des BDSG für einen spezifischen Verwendungszu sammenhang.r" Für den Bereich der Arbeitnehmerdatenve rarbeitung fehlt eine eigene bereichsspez ifische gesetzliche Rcgclun g.? " Die Anwendung des T KG und des TMG sctzt ein A nbicter-Nutzer-Verhältnis voraus, welches in einem Arbeitsverhältnis bei dienstlicher Nutz ung der Kommunikation stechn iken nicht vorliegt.ê" Insofem sind für die Betrachtun g der rechtl ichen Aspekte der Anwendung von Data Mining im Person alman agement das TK G und das TM G nicht einschl ägig. Daten schutzrechtliche Aspekte werden in dieser Arbeit in Bezug auf die von Mitarbeitem bzw . Führungskräften potenziell durchgcftihrt en Data Mining Analyse n von personenbezogcnen Daten innerhalb

eines Unternehmens und damit im Rahmen eine s Arbe itsverhältnisses relev ant. Wie erwähnt, existieren keine bereichsspez ifische Regelun gen zum Arbe itnehmerdatenschutz , gleichwo hl einige Landesdatenschutzgesetze wie beispielsw eise das Hessisch e Datenschutzgesetz oder das Datenschutzgesetz von Meckl enburg-Vorpommem für die Besch äftigten des öffentlichen Dienstes der Länder eigene Regelungen explizit zum Datenschut z in Dienst- und Arbeitsve rhältn issen enthalten."" Som it linden sich die im Arbeitsverhältn is maBgebenden Datenschut z-

388 Bundesdatenschutzgesetz (BDSG) in der Fass ung vom 14.01.2003. 389 Te lemediengese tz (TMG) in der Fassung vom 26.02.2007. 390 Te lekornmunikationsgesetz (TKG) in der Fassung vom 22.06.2004. 391 S. §§ 11 und 12 TMG. § 1 TMG de finiert dabe i Telemediendienst als einen Oberbegri ff für elektronische Informations- 11l1d Kommunikationsdienste, soweit sie nicht nach § 3 Nr. 24 TKG Telekommu nikationsdienste, nach § 3 Nr. 25 TKG telekomrnuni kationsgest ützte Dienste oder gemäB § 2 des Rund funkstaatsvert rages Rundfunk sind. 392 S. § 91 TKG. 393 S. § 2 LDSG Baden-W ürttemberg in der Fassung vom 18.09.2000. 394 S. § 28 BDSG; dazu Simitis 2006, § 28 RdNr. 5. 39, Vgl. Simitis 2006, RdNr. 42, Gola / Wronka 2008, RdNr. 16-55. 396 Vgl. Gola / Wronka 2008, RdNr. 642. So geiten TKG und TMG erst, wenn die Nutzung von Kommunikationstechniken durch den Arbeitnehmer für private Zwecke erfolgt (vgl. Gola / Wro nka 2008 , RdNr. 637). 397 Vgl. Gola / Wro nka 2008, RdNr. 52.

135

normen im BDSG. 398 Das Mitbestimmungsrecht des Betr iebsrat es ist im Betriebs ver fassungsgesetz (BetrVG) geregelt. Weiterhin relevant sind bez. des Diskrim inierun gsverbots das Allgemeine Gleichbehandlungsg esetz (AGG)399. Da das Ziel dieser Arbeit in der Eruierun g von Einsatzpotenzialen des Data Minin g auf mittlerer aggregierter Ebene besteht, werden keine det ailspez ifischen Fachfragen auf rechtliche Konform ität hin analysiert, sondern lediglich generelI geitende rcchtliche Einschränkungen diskutiert, die im Spezialfall detailliert analysiert werden müssen. Auch datenschutzrechtlich e Fragen bez. der Übermittlung von Daten wie beispielswei se Bewerbun gsdaten aus Online-Job-

börsen wie Monster oder Jobpil ot werden hier expl izit nicht betrachte!. Data Minin g findet derzeit im Personalmanag ement vermutlich kaum Anwendung, so dass auf bestehende rechtliche Analysen zu einzelnen Anwendungcn von Data Mining im Personalmanagement, auf rechtliche Gutachten oder Urteile nicht zurückgegriffen werden kann . Einige Anhaltspunkte liefert j edoch die Diskussion urn das Kreditscoring ,"" bei dem Data Mining Methoden zur Anwendung kommen und deren Ergebn isse letztlich zur Entscheidungsunte rstützu ng bei der Kreditvergabe herangezogen werden. Insofern liefert die nachfolgende Diskussion erste Überlegungen zu grundsätzlichen rechtlich en Restriktionen, die einem potenziellen Einsatz von Data Mining im Personalman agement entgegenstehen können. 5.1.2 .1.

Datenschutz

Die Datenb asis des Personalm anagements, welche potenz iell dem Einsatz von Data Mining zur

Verlügung steht, beinhaltet mit den personenb ezogenen Daten besond ers schut zbedürftige Daten, die Missbrauchspotenziale aufweiscn. Personenbezogene Daten sind in diesem Kontext Mitarbeiter- oder Bewerberdaten sowie Daten von Leiharbeitern , externen Dozenten , Praktikanten, Beratern etc., die in den Informationssystemen des Personalmanagements gespeichert sind. Das Bundesdatenschutz gesetz (BD SG) hat den Zweck, den Einzelnen vor Beeinträchtigungen seiner Persönlichkeitsrechte durch den Urngang mit seinen personenbezogenen Daten zu sch ützen.' ?' Die Anwendbarkeit des BDSG ist auf personenbezog ene Daten beschr änkt.?" Personenb ezogene Daten sind dabci .Einzelangabe n über persönlich e oder sachliche Verhältnisse einer bestimmt en oder bestimmb aren Person''.?" Dabei ist der Übergang zwischen Einzelangaben über sachliche und persönlich e Verhältniss e flie ûend und IUrdas BDSG irrelevant, da durch diese Formuli erung generelI auf alle persönliche Einzelangaben abgestellt wird,

398 399 400 40 1 402

403

Vgl. Ga la / Wronka 2008, RdNr. 55. Betriebsver fassungsges etz (BetrVG) Aligemei nes Gleichbeha ndlungsgese tz (AGG) in der Fassung vom 14.08.2006. Vgl. etwa Abel 2006, Kamp / Weichert 2006, Weichert 2006 a der Kamlah 2004. S. § 1 Abs. 1 SDSG. S. § I Abs. 2 BDSG. § 3 Abs. I BDSG.

136

unabh ängig vom betro ffenen As pekt einer Person. ?' Best immt ist eine Person dann, wenn sie über die Einzel angaben eindeutig identifiziert ist.? ' Kann eine Person nicht durch die Einzel angaben allein aber über weitere Infonmationen identifiziert werden, dann handelt es sich urn ein e bestimmbarc Person. ? ' lnsofern stellt sich der Begri ff Personenbezug als relativ dar, da die Herstellung des Person enb ezugs nur in Relation zu bestimm ten Z usatzinforma tionen und dam it nicht allgemein möglich iSt.407 Die Erhebung, Verarbeitung und Nu tzung personenb ezogen er Daten ist grundsätzlich durch das BDSG verboten. Das BDSG stellt jedoc h ein Verb ot mit Erlaubnisvorbehalt dar, d. h. es bestehen so genann te Erlaubnisvorbehalte, deren Vorl iegen das Verb ot aufheben und die im § 4 Ab s. 1 BDSG nonmiert sin d. Sofem es sich bei der Datenbasis urn per sonenbezogene Daten handelt , unterliegt auch die Anwendung des Data Min ing damit dem Erlaubnisvorbehalt nach § 4 Abs. I BDSG. Liegen ke ine persone nbez ogenen Daten vor, so ist auch das BDSG nicht anzuwenden. Dam it

fallen anon ymi sierte Daten, für die eine vollständige Beseitigun g des Personenb ezugs vorgenom men wurde, nic ht unter die Anwendung des BDSG: 08 Für die Anwendung von Data Mining bedeutet dies, dass die Entdeckung von Mustern auf anonym isierten Daten aus datenschutzrechtliche r Sicht nicht einges chränkt ist.4I19 Vo raussetzung ist, dass die Datenbasis zur Anwendung von Data M ining keinen Person enb ezug aufwe ist. Werden beisp ielswcise Data Mining Meth oden zur Klassifik ation eingesetzt , urn generelI das Ab wanderungsverhalten der Mitarbeiter zu ana lysieren und Zu sammenhän ge zu entdecken, so ist dies auf anonymis ierten Mitarbeiterdaten möglich und auch zulässig.?" Es bed arfjedoch einer detaill ierten Betrachtung der Anonymisierung, da diese nicht eindeutig definiert ist. So beinhaltet eine Anonymisie rung die Veränderung der Daten derart, dass Infonmation en über " persönliche oder sachliche Verh ältnisse nicht meh r oder nur mit unverh ältnism äûig gro ûem Au fwand"?" einer Person zugeordn et werden könn en . Entsprechend um fasst die Ano nymis ierung die vollständige irreversible Entfernun g des Personenb ezug s als auch die Ver änderung derart, dass eine Zuordnung zu einer Person nur mit unverhältnism äêig gro ûem Aufwand m öglich ist. Der letztere Fall ist nicht abschlie ûend ge regelt und bedarf eine r Einzelfallbetrachtun g.?" Ist jedoch grundsätzlich eine Zuordnung

4(~ Vgl. Tinnefeld / Ehmann / Gerling 2005, S. 279.

405 S. § 3 BOSG; dazu Oammann 2006, § 3 RdNr. 21, Tinnefeld / Ehmann / Gerling 2005, S. 279. 406 S. § 3 BOSG; dazu Oammann 2006, § 3 RdNr. 22. 407 Vgl. Gola / Wronka 200S, RdNr. 153, Tinnefeld / Ehmann / Gerling 2005, S. 2S0. 408 S. § 3 BOSG; dazu Gola / Schomerus 2007, § 3 RdNr. 4 oder Gola / Wronka 200S, RdNr. 153. 409 Vgl. Büllesbach 2000. 4 10 41 1 4 12

Vgl. zu dieser Argumentation Büllesbach 2000. § 3 Abs. 6 BOSG. S. § 3 BOSG; dazu Gola / Schomerus 2007, § 3 RdNr. 44. So können Oaten als anonymisiert geiten, wenn "der notwendige Aufwand bei der NeubeschatTung von Informationen für einen rnöglichen Angreifer geringer ist, als der Aufwand für ihre Re-ldentifizierung, und sornit eine solche nicht zu erwarten ist." (Tinnefeld / Ehmann / Gerling 2005, S. 2SS).

137

möglich, so bleibt der Personenbezug gemäB § 3 Abs. I erhalten.? ' und mithin fällt auch die Anwendung von Data Mining in diesem Fall unter das BDSG. Eine Person ist bestimmbar und entsprechend bleibt auch der Personenbezug der Daten erhalten, wenn die Identität der Person ermittelt werden kann, sei dies auch unter Hinzuziehen von Zusatzinformationen, mit Unterstützung mathematisch-statistischer Experten und extemer Datenverarbeitungskapazität.?" Entsprechend sind die personenbezogenen Daten derart zu anonymisieren, dass der Personenbezug vollständig beseitigt ist. Nur in diesem Fall ist das BDSG nicht anzuwenden. Zunächst kann der Personenbezug durch Läschen der expliziten Identifikationsmerkmale wie Name, Personalnummer, Kontonummer etc. entfernt werden.!" Dies ist im Kontext der Anwendung von Data Mining als unkritisch anzusehen, da die dem Data Mining zur V erfügung gestellte Datenbasis einen Auszug einer oder mehrercr Pcrsonalsysterne darstellt und entsprechend eine Löschung der ldentifizierungsmerkmale in dieser Datenbasis grundsätzlich möglich ist. Weiterhin besteht die Möglichkeit, durch die Aggregierung einzelner Attributsausprägungen den Personenbezug zu climiniercn."? Arbeitet beispielsweise in einem Unternehmen nur ein zweiundfünfzigjähriger Mitarbeiter' ", so kann diese Person über die Altersangabe bestimmt werden. Eine Aggregation der absoluten Altersangabe in Intervallangaben beispielsweise mit den Ausprägungen zwischen fünfzig und sechzig Jahren etc., führt dazu, dass mehrere Mitarbeiter in diese Altersgruppe fallen und somit eine einzelne Person nicht bestimmbar ist. Weiterhin stellt die Anwendung von Data Mining selbst eine Aggregierung dar' " und kann damit zu einer weiteren Anonymisierung führen."? Darüber hinaus kann eine Bestimmbarkeit einer Persou durch Kombinationen von verschiedenen Attributsausprägungen gegeben sein, die in dieser Form jeweils nur auf eine bestimmte Person zutreffen.? " So ist es beispielsweise denkbar, dass in einem Unternehmen die Angaben wciblich, ledig, Diplom-Ingenieur und siebenundvierzig Jahre eine Mitarbeiterin eindeutig bestimmen. Auch in diesem Fall kann die Anonymi-

4 13 4 14 4 15 4 16 4 17

4 18

4 19 420

S. § 3 BDSG; dazu Dammann 2006, § 3 RdNr. 196. S. § 3 BDSG; dazu Simitis 2006, § 3 RdNr. 39. S. § 3 BDSG; dazu Gola I Schomerus 2007, § 3 RdNr. 44 und Dammann 2006, § 3 RdNr. 206. S. § 3 BDSG; dazu Dammann 2006, § 3 RdNr. 207. Für dieses Beispiel ist es unerheblich, ob es sich dabei um einen Mann oder eine Frau handelt. Relevant ist letztlich, dass die Angabe des Alters die eindeutige Bestimmung einer Person erm öglicht und es sich somit um personenbezogene Dalen handelt. Die mittels Data Mining entdeckten Muster stellen letztendlich eine Zusammenfassung der Attribute bzw. Attributsausprägungen von Obj ektteilmengen dar, indem die Struktur dieser Teilmengen beispielsweise als RegeIn oder als Cluster angegeben werden (vgl. hierzu Kapitel 3. 1.2.3). Aggregierte Daten sind j edoch dann personenbezogene Daten, wenn eine Angabe einer Person zugeordnet werden kann. D. h. die Aggregierung muss Daten von mindestens drei Personen zusammenfassen, da andernfalls die Angaben des jeweils anderen berechnel werden können. S. § 3 BDSG; dazu Dammann 2006, § 3 RdNr. 16. Vgl. zur Argumentation auch Abel 2006, S. 110f S. § 3 BDSG; dazu Dammann 2006, § 3 RdNr. 208.

138

sierung über Aggr egierung der Attributsausprägungen vorgenommen werden." ! Schli eBlich besteht die M öglichke it, den Datenbestand durch die Integration von Zufall sfehlem zu anonymisieren . Dieses Verfah ren setzt jedoch voraus, dass ohnehin mit ungenauen Daten gearbeitet wird und es auf eine Unge nauigkei t der Auswertungsergebni sse nicht ankommt." : Bezüglich der Aggregation von Attributsausprägungen und der Integr ation von Zufallsfehlern bleibt festzuh altcn, dass diese Anonymi sierun gsmöglichkeiten zu einem betr ächtlichen Informati onsverlu st führen und das Auswertungspotenzi al und somit das Einsatzpotenz ial von Data Minin g erheblich e inschränke n kö nnen. Z iel der Anonymi sie rung ist es letztlich, die Beziehbarkeit einer Einzel angabe, d. h. eines Attribute s ode r ein es Daten satze s auf eine Person zu beseitigen und gleichzeitig den Inform ation sgeh alt dieser nicht meh r zu bestimmenden Person zu erhalten .? ' Letztendlich hab en sich die Anonymisierungsverfahren an diesen Zie len ausz urichten und sind in diesem Spannungs feld anzuwenden. Datenschutzrecht liche Bedenken gegen die Anwendung von Data Mining sind jedoch nicht neu und stellen sich nicht nur im Personalman agement, sondem sind auch in anderen Bereichen wie Market ing, Medizin etc., in denen Data Min ing be reits zur Standardanwendung gehört, von Bedeutung. Entspreche nd werd en bereits seit den 90er-J ahren unter dem Begriff Privacy Pre-

serving Data Mining Ansätze diskut iert, die e ine m it dem Datenschutzrecht konform e An wendung von Data Minin g erm öglichen sollen.?" Unter anderem werden diesbezü glich auch Methoden zur Anon ymisierun g personenbezogene r Daten entw iekelt . die auch die dargestellten Möglichkeiten zur Anonym isierung aufgr eifen.? ' Neben der Anonym isierun g benennt das BDSG im Kontext der Datenvermeidung und Datensparsamkei r' " aueh die Pseudonymisierung, die sich jedoch grundl egend von der Anonymisierung unterscheidet. Pseudon ymisierung der Daten bedeutet gemäû § 3 Abs. 6a BDSG das Ersetzen der Identifikation smerkm ale durch Kennzeichen , urn eine Bestimmung der Person zu verhindem oder erhebl ich zu erschweren. Entsprechend ist eine Zuordnungsregel vorhanden, über die sich die Zuordnung des Kenn zeichens zu einer bestimm ten Person ergibt." ? Dam it sind pseudon ym isierte Daten person enbeziehbare Daten im Sinne des § 3 Abs. 1 BDSG' 28, deren Verwendung zur Data Mining Analyse unter das BDSG fällt.

421 422 423 424

425 426 427 428

S. § 3 BDSG; dazu Dammann 2006, § 3 RdNr. 208. S. § 3 BDSG; dazu Dammann 2006, § 3 RdNr. 209. Vgl. Tinnefeld I Ehmann I Gerling 2005, S. 288. Vgl. hierzu z. B. Verykios et al. 2004, Agrawal I Srikant 2000, Meints I Möller 2007, Clifton I Kantarciog lu I Vaidya 2002. Vgl. Vaidya l Clifton I Zhu 2006. S. § 3a S. 2 BDSG. S. § 3a BDSG ; dazu Bizer 2006, § 3a RdNr. 2 16. S. § 3a BDSG; dazu Bizer 2006, § 3a RdNr. 2 17.

139

Es bleibt festzuhalt en, dass zur Entfem ung des Person enbezugs die Daten vollständig und irreversi bel anonym isiert sein müssen, Erst dann fällt auch die Anwendung von Data Mining auf anonym isierten Daten nicht unter das BDSG . Eine Anonymisierung, die eine Bestimmung der Person auch mit unverhältnismäûig groBem Au lwand ermöglicht, oder eine Pseudon ymisierung der Daten genügt nicht, urn den Person enbezug und damit die Anwendung des BDSG zu vemeinen. Werden die Daten entsprechend der Ausführungen anonymi siert, so kann dies jedoch zu erhebl ichen Inforrnationsverlusten führen und die Auswertun gsmöglichkeiten beträchtlich einschränke n. Darüber hinaus kann e ine Agg reg ierung von Attr ibutsausprägung en, wie beispiel swe ise die lnte rvallbildung , das Ergebni s der Auswertungen derart bee influ ssen , dass bei der Anwendung von Data Minin g k ünstliche Muster, die eben gerade durch die Anonymisierung erze ugt wurd en, in den Daten entdeckt werden. Eine Verwendung dieser Ergebnisse zur Entscheidun gsunterstützung ist daher kriti sch zu hinterfragen und zu pr üfen. Letztlich stehen einer Anwendung von Data Mining auf entsprechend anonym isierten Daten keine datenschutzrechtliche n Einschränkunge n entgegen. Die Anwendung von Data Min ing auf Daten des Personalm anag ements , die per se kein en Personenbezug aufweise n wie beisp ielsw eise Stellendaten oder Organisationsdaten , fällt grund sätzlich nicht unter das BDSG. Wie in Kap itel 3.1.2.2 erläutert kommt Data Mining neben den Au fgaben zur Musterentde ckun g wie Klassifikat ion, Bcwertung, Assoziati onsfindung und Segmentierung auch der Musteranwendung im Sinne der Progno se eine w ichtige Aufgabe zu. Aus rechtlicher Sicht ist daher zu unterscheiden, ob Data Min ing auf anonymisierten Daten verw endet wird, urn Must er zu entdecken oder ob diese Muster dazu ve rwende t werden, Progno sedat en konkreten Person en zuzu ordnen. In ersterem Fall geiten die zuvor gemachten Ausführungen . Wird jedoch das Ergebni s der Musterentdeckung in anonym isierte n Daten einzelnen Personen zugeordnet , d. h. wird Data Mining zur Prognose für einzelne Person en verwendet, so hand elt es sich wiederum um ein personenbezogene s Datum .? ? Grundsätzliches Ziel des Data Min ing zur Progno se ist die Übertrag ung von auf anonymisierten Daten errnittelten Zusamm enhän gen auf konkrete natürliche Personen, indem der prognostizierte Wert als neues Datum dieser Persou zugeordnet wird. Dabei ist es unerheblich, ob es sich urn eine Klassenzu gehörigkeit oder eine Wertun gszahl handelt, d. h. es ist unerhebl ich, ob eine Data Mining Method e zur Klassifikation oder zur Bewertung für die Prognose eingesetzt wird. Wurde bei spielswei se wie zuvor erw ähnt das Abw anderun gsverhalten auf Grundlage einer anonymisiert en Datenb asis analysi ert und ein valides

429

S. § 3 BDSG; dazu Gola I Schomerus 2007, § 3 RdNr. 4 und Weichert 2007, § 3 RdNr. 7 sowie Petri 2003, S. 633( , Tinnefeld I Ehmann I Gerling 2005, S. 279. So sind beispielsweise auch Prognosen ober die Entwicklungsmöglichkeiten eines Arbeitnehmers personenbezogene Daten. S. § 3 BDSG; dazu Weichert 2007, § 3 RdNr. 7.

140

Muster entdeckt, so fällt die Anwendung des Musters zur Prognose des Abwanderungsverhaltens einzelne r Mitarbeite r wiederum unter das BDSG. Entsprechend ist zu prüfen, ob die Erlaubnisvorbehalte gemäB § 4 Abs. I BDSG die Anwendung von Data Mining auf personenbezogenen Daten erlaubt. Dies ist dann der Fall, wenn •

der Betroffene einwilligt,

•

das BDSG gem äê der Zulässigke itsvoraussetzun gen aus § 28 BDSG

•

oder eine andere Rechtsvorschrift' " dies erlaubt oder anordn et.!"

Die Einwilligung des Betroffenen muss freiwillig' " und in schr iftlichcr Form433 erfolgen.? '

Darüber hinaus müssen Zweck und Umfang der Verarbeitung ausreichend spezifiziert werden." ' Hierzu muss der Betro ffene über die beabsichtigte Verwendun g der Daten, die ge-

wünschten Daten, die Verarbe itungsbedingungen sowie potenz ielIe Empfän ger bei Überm ittlung der Daten informiert werden." ? Damit genügt weder eine B1ankovollmacht noch eine pauschale Erklärung den gesetz lichen Anforderunge n an eine gültige Einwilligung.!" Dies bedeutet, dass im Vorfeld der Anwendung von Data M ining im Personalmanagement im Falle der Verwendung von perso nen bezogenen Daten sowohl spezifiziert werden rnuss, welche Daten in die Analyse mit einbez ogen werden als auch wie das Ergebnis verwendet wird. Dieser grundsätzlichen Spezi fikation von Zweck und Umfang der Anwendung des Data Minin g steht der explorative Charakte r von Data Mining und das Ziel, neue, bisher unbekannte Muster in den Daten zu entdecken, entgegen. Die Entdeckung neuer Muster kann daher ex ante nicht ausreichend spezifiziert werden und erfordert im Einzelfall die Durchfüh rung weiterer Data Mining Analyse n bis letztendlich ein Muster identifizie rt werden kann. Der grundsätzliche Widerspruch besteht folglich darin, dass eine schriftliche Einwilligung stets auf einem konkreten Zweck basiert, Data Mining Analysen jedoch exp lorativ und damit nicht nur auf eine konkrete Fragestellung hin, die von Anfang an dem Betro ffenen bekannt gegeben wird, durchgeführt werden.

430

43 1 432 433 434

435 436 437

Hierunter fallen Vcrsc hriften eines Landes, Satzungsrecht oder Nonne n aus den Tari fvertr ägen und Betriebsvereinbarungen (vgl. Gola / Wronka 200S, RdNr. 204) . Für die potenz ielle Anwendung von Data Mining sind im spezifischen Anwendungsfall vor allem Normen aus den jeweiligen Tar ifverträge n und Betriebsvere inbarungen relevant. VgL Gola /Wronka200S, RdNr. 158S. § 4a Abs. 1 Satz 1 BDSG . S. § 4a Abs. 2 Satz 3 BDSG . Die Schriftfor m hat den gesetzlichen Anforderungen gemäB § 126 B ürgerliches Gesetzb uch (BGB) in der Fassung vom 02.0 1.2002 mit eigenhän diger Unterschrift oder gemäB § 126a BGB in elektronisc her Form mit entsprechender Signatur zu gen ügen. Zu den Anforderungen an die Schriftfonn siehe auch § 4a BDSG; dazu Simitis 2006, § 4a RdNr. 33-39 . S. § 4a BDSG ; dazu Simitis 2006, § 4a Rdnr. 4. oder vgl. Tinnefeld / Ehmann / Gerling 2005 , S. 3 18S. § 4a BDSG ; dazu Simitis 2006, § 4a RdNr. 72. oder vgl. Gola / Wronka 200S, RdNr. 23 1. S. § 4a BDSG ; dazu Simitis 2006 , § 4a RdNr. 77.

141

Können Zweck und Umfang der Data Mining Analyse n nicht ausreiche nd spezifiziert werden, so können diese nicht durch eine Einwilli gun g legitimiert werden . Die Einwill igung zum Einsatz von Data Minin g auf personenbezogene Daten ist entsprechend nur m öglich, wenn dem Betro ffenen sowohl die e ingehe nden Attr ibute als auch die Verw endung der entdeckte n Must er bekann t ist. lnso fern mus s der Anwendung von Data Mining eine konkrete Fragestellung zugrunde gelegt werden , für die eine schriftliche Einwill igun g einzuholen ist. Sind weitere Analysen notwendig, so sind auch diese zu spezifizieren und müssen vom Betroffenen legitimiert werden. Ob einzelne Attribute signifikant und für die A nalyse überhaupt er forde rlich sind, lässt sich j edoc h nur anwendungss pezifisch beantw orten . lnw iefern der Verarbeitungszweck dem Betroffenen bekannt gemacht werden kann und eine Einwilli gung aus Betroffenensicht überhaupt sinnvoll ist, stellt eine weitere anwendungsspez ifische Fragestellung dar. So ist es beispielswe ise nicht unmittelbar einsichti g, aus welchen Gründen ein Bewerber, der sich initi ativ bei einer Firma bewirbt, bereits mit seiner Bewerbun g eine schriftliche Einwilli gung in die Data Minin g Analyse bestimmter persönlicher Daten einwillige n sollte. Darüber hinau s stellt sich die Frage des vertretbaren Aufwa nds, den ein Unteme hme n zur Einholung der Einwilligungen bei den Betroffenen bereit ist aufzunehmen, urn Data Mining anzuwenden. Letztendlich stellt insbesond ere die ausreichende Spezifikation des Zw ecks und Um fangs der Data Mining Analyse n ein grunds ätzliches Problem dar. Auch wenn grund sätzlich eine relative Unvollständigke it der Einwilligung und dam it der Spezifikation des Zwe cks und Umfa ngs in Kau f genommen werden muss, so müssen denn och die in Betracht kommenden Attribute, die Verarbeitungszie le und die Verarbeitungsphas en enthalten sein.:" Die Spezifi kation steht somit im Widerspruch zum explorative n Vorgehen der Data Mining Analyse n und bedeutet letztendlich eine Einschr änkun g der meth odisch vorhandenen Anal ysepotenziale. Gleichwo hl bleibt festzuhalten, dass die Anwendung von Data Mining au f person enbezogene Daten bei ausreichend er Spez ifikation des Verarb eitung szweckes sowie erfolgter freiw illiger und schrifili cher Einwilligun g grundsätzlich m öglich ist. Ein weiterer mögl icher Erlaubnistatbestand zu r Data Mining Analyse personenbezogener Daten gemä ê § 4 Ab s. 1 BDSG kann in der Anordnung oder Erlaubn is durch das BDSG selbst oder andere Recht svorsch riften bestehen. Andere Recht svorschri flen sind insbes ondere bereichsspezifis che Bcstimmungen'" wie beispiel sweise das TM G oder TK G. Bereich sspezifi sche Vorschriften zum Arbeitnehmerdatenschutz fehlen und dam it können auch zum Einsatz von Data Mining im Personalmanagem ent kein e Spezi alregelungen angebracht werd en. Ein Erlaubnistatbes tand kann sich demn ach aus dem BDSG ergeben, welches mit § 28 die zentrale Gesetzesvorschrift für die Verwendung personenbezogener Daten im nicht- öffentlichen Bereich

438 439

S. § 4a BDSG ; dazu Simitis 2006 , § 4a RdNr. 80, S. § 28 BDSG; daz u Simitis 2006, § 28 RdNr. 5.

142

lieferr' " . Für die potenzielIe Anwendung von Data Minin g im Personalmanagement könnte sich gemäê § 28 Abs. I Nr. 1 oder Nr. 2 BDSG ein Erlaubni statbestand ergeben." ! GemäB § 28 Abs. 1 Nr. I ist die Datenerhebung, -verarb eitung und -nutzung zu eigenem Zwe cke erlaubt, wenn es der Zweckbestimmun g eines Vertragsverhältnisses oder eines vertragsähnlichen Verh ältnisses dient. Für den Kontext Personalm anagement ist die Zulässigkeit durch den Zweck des Arbeitsvertrages bestimmt.?" Für die Personalb eschaffung, d. h. die Bewerbungspha se sowie nach Beend igung eines Arbeitsve rtrages liegt ein vertragsähnliches Vertrauen sverhältnis VOr.443 Die für den Auswahlprozess notwendigen Angaben dürfen die Arbeitgeber bei der Bearbeitung von Bewerbungsunterlagen verwenden.t" Die Notwendigkeit der Verwendun g einer Vielzahl von personenbezogenen Daten im Personalmanagement ergibt sich zunächst aufgrund verschiedener gesetzlich er Vorschr ifien bez. beispielsweise Kündigungsschutz oder Rentenversicherung etc.?" Aus der Zweckb estimmung eines Vertrages oder vertrags ähnlich en Verhältnisses ergibt sich darüber hinaus die Notwe ndigkei t zur Verarbeitung und Nutzung personenbez ogener Daten . Hierzu zählen beispielsweise die Bankd aten eines Mitarbeiters zur Gehaltsüberwe isung oder die Speicherung der Adressdaten von Bewerbern zur Kommun ikation. Die in § 28 Abs. 1 Nr. 1 BDSG formulierte Verwendun g für eigene Zwecke bedeutet, dass die personenbezogenen Daten der Erfüllung geschäfilicher Zwe cke dienen.?" Der Arbeitgeber kann damit die Verwendungszwecke bestimmen und bestimmt dadurch die Grenzen, innerhalb derer sich die Verwendun g für eigene Zwecke bcwcgt." ? Dabei ist jedoch nicht der Arbeitgeber allein entscheidungsberechtigt, sondem der Betriebsrat respektive der Personalrat hat diesbezüglich Mitbestimmungsrechte (vgl. Kapitel 5.1.2.3). Darüber hinaus sind Betriebsräte und Arbeitgeber gemäf § 75 Abs. 2 BetrVG verpflichtet, die freie Entfaltun g der Persönlichkeit der Arbeitnehmer im Betrieb zu gewährleisten.?" Eine Auswertun g der Personaldaten mittels Data Mining lässt sich damit nur dann auf § 28 Abs. I Satz 1 Nr. 1 BDSG stützen,

440 441

442 443 444 445

446 447 448

Vgl. Büllesbach 2000 , S. 13 oder s. § 28 BDSG; dazu Simitis 2006, § 28 RdNr. 1. Hierbei ist jedoch § 28 Abs. 1 Nr. I BDSG ausschlaggebend und nur in Ausnahmefällen kann auf den Erlaubnistatbestand gemäB § 28 Abs. I Nr.2 BDSG zurückgegriffe n werden. S. § 28 BDSG ; dazu Wedde 2007, § 28 RdNr. 24 oder Simitis 2006, § 28 RdNr. 78. S. § 28 BDSG; daz u Wedde 2007, § 28 RdNr. 23. S. § 28 BDSG; dazu Wedde 2007, § 28 RdNr. 26. S. § 28 BDSG; dazu Simitis 2006, § 28 RdNr. 28. S. § 28 BDSG ; dazu Simitis 2006, § 28 RdNr. 17. Hierunter fallen Angaben bez. Arbeits- und K ündig ungsschutz (§§ 13 Abs. 1 ASiG, 4 1 JArbSCHG ; 5, 9 MuschG, 17 KSchG), Kranken-, Renten- und Unfallversicherung (§§ 3 18aAbs. 1,1 427, 1543c, 1581 RVO; 149 AngestelltenVerG) etc. Diese Daten dürfenjedoch vom Arbeitgeber nicht für andere als die gesetzlichen Zwecke verwendet werden. S. § 28 BDSG; dazu Simitis 2006, §28 RdNr. 17. S. § 28 BDSG; dazu Simitis 2006, § 28 RdNr. 22. S. § 28 BDSG; dazu Simitis 2006, § 28 RdNr. 23. S. § 28 BDSG; dazu Simitis 2006, § 28 RdNr. 37.

143

wenn diese Auswertung in unmittelbarem Z usammenhang mit dem Vertragszweck steht."" Dieser Tatbestand kann sich zum einen durch den Einsatz von Data Mining zur Personalplanung ergeben. Die Person alpl anung umfas st dabe i Personalbedarfs-, Personalbeschaffungs-, Personaldeckungs-, Personalentwicklungs-, Personaleinsatz- und Kontrollplanung.? " Auch hier ist der Belriebsral zur Mitb estimrnung gemäB § 92 BelrVG berechtigt.? ' Zum ande ren lässl sich die Auswertung mittel s Data Min ing dann auf § 28 Abs . 1 Nr. 1 BDSG st ützen. wenn gerade diese Auswertung Gegenstand des Vertrages ist.452

§ 28 Abs. 1 Nr. 2 BDSG erlaubt die Verarbe itung personenbezogener Daten , .soweit es zur Wahrung berechtigter Interessen der verantwortl ichen Stel1e erforderlich ist und kein Grund zu der Annahme besteht, dass das schut zwürdige Interesse des BetrofTenen an dem Ausschluss der Verarbeitung oder Nutzung überwiegt" . Durch diese Regelung wird dem Widerstreit zwischen der infonnationel1en Selbstbestimmung der Betroffenen und dem Infonnationsbedarf Dritter Rechnung getragen.!" Im Rahmen des derzeit stark diskulierten Kred it-Scorings, welches Data Mining Methoden vcrwendct, um Verb raucher hinsichtl ich des Kreditausfal1risikos zu bewerten, erfolgt regelm äûig eine Stützun g des Einsatzes von Data Mining gern äf § 28 Abs . I Nr. 2 BDSG .454 Diese Regelung kommt dann zur Anwendung, wenn keine Vertragsbeziehungen oder vertragsähnliche Vertrauensverhältnisse bestehen, die eine Verwendung nach Abs. I Nr. I zulassen .!" Da bei der Anwendung von Data Mining im Personalmanagement vom Vorliegen eines Vertragsverhältnisses bzw . im Bewerberfal1 ode r bei ausgeschiedenen Arbeitnehmem von einem vertragsähnlichen Vertrau ensverhältnis ausgegangen werden kann , kann eine Stützung der Anwendung von Data Mining auf § 28 Abs . I Nr. 2 regelmäBig nicht erfolgen. Das schut zwürdige Interess e der BetrofTenen liegtjedoch insbesondere im Verbot automatisier-

ter Einzelentscheidungen und dem Schutz var Diskriminierung. Das Verbot der automalisierten Einzelentscheidung' " wird im Kontext der Anwendung von Data Mining im Personalmanagement dann bedeutsarn, wenn basierend auf Data Mining Ergebnissen standardisierte Einzelentscheidungen in Ma ssenverfahren erreicht werden sol1en. Dies ist beispielswei se in einem Anwendungsszenario zur Bewerbervorauswahl denkbar, in dem Data

449

450 451 452

453 454 455 456

Vgl. Büllesbach 2000, S. 13. So ist auch für die Personalplanung die Berechtigung einer Verarbeitung der personenbezogenen Daten nicht zu bestreiten, jedoch muss der Bezug zum bestehenden Arbeitsverhältnis und eine Verbindung mil der weileren innerbetrieblichen Beschäftigung gegeben sein. S. § 28 BDSG; dazu Simitis 2006, § 28 RdNr. 102-103. Vgl. Gola / Wronka 2008, RdNr. 1613. Vgl. Gola /Wronka2008, RdNr. 1611ff Vgl. Büllesbach 2000, S. 13. S. § 28 BDSG; dazu Simitis 2006, § 28 RdNr. 133. Vgl. Abel 2006, S. 111. S. § 28 BDSG; dazu Wedde 2007, § 28 RdNr. 64. S. § 6a BDSG.

144

Mining Verfahren zur Progno se der Eignung von Bewerbem aufgrund der Bewerberd aten eingesetzt werden könnten und dies zu einer automatisierten Vorauswahl relevante r Bewerber aus einer Vielzahl an Bewerbern führt, Datenschutzrechtl ich wird dieser Anwendungsbere ich durch § 6a BDSG abgeh andelt, der die Verw endung von Data Min ing Ergebnissen für automatisierte Einzelentscheidungen mit rechtli chen Folge n oder erheblichen Beeintr ächt igung en für die Betroffenen nur unter restriktiv en Voraussetzun gen zulässt. Im Bewe rberbe ispiel wäre in der Entsche idung zur Nichteinstellung diese erhebl iche Beeintr ächtigung zu sehen. Gem äf § 6a Abs. I BDSG dürfen Entscheidungen zum Nachteil der Betroffe nen nicht ausschlieBlich au f eine automatisierte Verarbeitung personenbezogene r Daten gestützt werden , die der Bewertun g einzelner Persönlichkeitsmerkmale dienen . Hiennit soli sichergestellt werden, dass eine Entscheidung nicht ausschlieBlich auf Basis automatis iert erstellter Persönlichk eitsprofile getroffe n wird, sondem letztl ich von ein er Person gegenüber dem Betroffenen verantwortet werden muss.' ? Die Prognose der Eignun g von Bewe rbern fällt dabei unter die Bewertun g von Persönlichke itsprofilen und unterliegt damit dem § 6a BDSG. Insofem fallen die Prognose und die Anreicherung der person enbezogenen Datens ätze urn das Prognoseerg ebnis unter die Bewertung von Persönlichkeitsprofilen und unterlie gt im Anwendungsfall § 6a BDSG. GenerelI ist jedoch die automa tisierte Einzel entscheidung unter Zuhilfenahme von Prognosen dann m öglich, wenn sie dem Begehren des Betro ffenen entspricht.? " So sind beispielsweise Entscheidungen, basierend auf Prognoseergebni ssen, die zur Einstellung eines Bewerbers führe n, zulässig. Im angeftihrten Bewerberbeispiel besteht jedoc h nicht das Ziel in der Einstellung m öglichst vieler Bewerber, sondem in der Vorselekt ion geeigneter Bewerber aus eine r Vielzahl an Bewerbern, Entsprechend werden auch Entscheidungen zur Nichteinstellung von Bewerbem getroffen, welche dem Begehren der Bewerber auf Einstellung nicht stattge ben . I-1ierbei muss zwischen zwei Sachve rhaltsva rianten unterschi eden werden: Das Progn oseergebni s wird als ein Merkm al nebe n anderen zur Entscheidungsunterstützun g hinzugezogen . In diesem Fall basiert die Einzel entscheidung nicht ausschlieêlich auf dem Prognos eergebn is und fällt dam it nicht unter das Verbot der autom atisierten Einzelentsche i-

dung.t" Wird das automatisiert erzeugte Ergebn is vom zuständigen Entscheidungsträger zur Kenn tnis genornrnen, gepr ütt und bestätigt, so ist dies durchaus zulässig.?" In diesem Fall liegt

457 458 459 460

S. § 6a BDSG ; daz u Bizer 2006, RdNr. 3. S. § 6a Abs. 2 Nr. 1 oder vgl. Gola / Wronka 2008 , RdNr. 163. Vgl. Abel 2006, S. 112. S. § 6a BDSG ; dazu Bizer 2006, RdNr. 3.

145

keine automatisierte Entscheidung vor, da mithilf e der gespeicherten Persönlichkeitsmerkmale eine von einem Menschen zu treffende Entscheidung lediglich vorbereitet wird." ! Eine vollständig auf einem Prognoseergebnis beruhende Einzelentscheidung mit negativen Folgen für den Betroffenen kann dann zulässig sein, wenn Maênahmen gemäf § 6a Abs. 2 Nr. 2 BDSG zur " Wahrung der berechtigten Interessen des Betroffenen" gewährleistet sind. Dazu muss dem Betroffenen mitgeteilt werden, dass es sich urn eine automatisierte Entscheidung, ausschliel3lich basierend auf einem Prognoseergebnis, handelt und es muss sichergestellt werden, dass der Betroffene seine berechtigten Interessen wahmehmen kann. Hierzu gehört beispielsweise die Möglichkeit des Betroffenen, seinen Standpunkt geitend zu machen. Entsprechend muss das Unternehmen den Sachverhalt unter Berücksichtigung der Stellungnahme erneut prüfen.?" Hier wird deutlich, dass der Einsatz von Data Mining zur Unterstützung einer automatisierten Einzelentscheidung und entsprechend eine automatisierte Vorselektion von Bewerbem nur dann möglich ist, wenn dieser Automatismus dem Bewerber mitgeteilt wird und er die Möglichkeit hat, seinen Standpunkt geitend zu machen. Zusammenfassend ergeben sich aus § 6a BDSG folgende Restriktionen für die Anwendung von Data Mining im Personalmanagement: •

Ergebnisse des Data Mining im Sinne des § 6a BDSG müssen vom zuständigen Entscheidungsträger zur Kenntnis genommen, geprüft und bestätigt werden.

•

Es müssen Maûnahmen gewährleistet sein, die der Wahrung des berechtigten Interesses der Betroffenen dienen.

Diese Restriktionen betreffen den Einsatz von Data Mining zur Stützung all jener Entscheidungen im Personalmanagement, die für den Betroffenen, d. h. den Mitarbeiter oder den Bewerber, rechtliche Folgen oder erhebliche Beeinträchtigungen nach sich ziehen. Entsprechend stehen dem Einsatz von Data Mining zur Entscheidungsunterstützung im Personalmanagement die Regelungen des § 6a BDSG grundsätzlich nicht entgegen. Restriktionen ergeben sich jedoch hinsichtlich der automatisierten Verwendung des Data Mining Ergebnisses. Inwiefem diese Restriktionen beispielsweise aus Aufwandsgründen dem Einsatz von Data Mining grundsätzlich entgegenstehen, ist im Einzelfall zu überprüfen.

46 1

462

S. § 6a BDSG; dazu Weichert 2007, § 6a RdNr. 2. Dies ist beispielsweise der Fall, wenn Bewerberdaten mithilfe eines automatisierten Verfahrens in eine Rangliste gebracht werden (ebenda). Vgl. Abel 2006, S. 113.

146

5.1.2 .2.

Glei chbe handlung

Darüber hinaus sind der Mitarbeiter und der Bewerber vor Diskriminierungen zu schütze n. Diesbezüglich wurd e mit dem AlIgemei nen Gleichbehandlungsgesetz AG G ein Gesetz verabschiedet, welches bereit s bestehende EU Richtlinien au f nationaler Ebene umsetzt . Das AGG benennt mit Alter, ethnischer Herkun ft, Geschlecht , Rasse, sex ueller Orientierun g, Behinderung, Religion und Welt anschauun g exp lizit acht Benachteiligungsmerkrnale.t" Zie l des AGG ist es, die Diskrim inierun g bestimmter Personengrupp en zu verhindem . Dies gilt im Rahmen des Personalman agem ents so mit für alle personal wirtschaftl ichen Bereiche. Diese Daten dürfcn im Rahme n von Person alentscheidungcn keine Rolle mehr spielen?" und sind entsprechend auch bei der Anwen dun g von Data Min ing zur Entsche idungsunterstützung im Person almanagement nicht zu verw enden. Bei Vorl iegen der vom AGG in §§ 5 und 8-10 vorgese henen Ausnahme tatbes tände n kann jedoch auch eine untersch iedliche Behandlung ge mäB der genannten Daten gerecht fertigt sein.?" Das AGG ist nicht relevant, wenn es urn den Einsatz von Data Mining zu Informati onszwecken geht wie beispielsweise die Data Mining gestützte Analyse der Altersstruktur, urn entsprech ende Personalpl anun gen aufgrun d von Verrentungen vorzunehm en . Auch erscheint im Rahmen des Diversity Ma nage me nts die Notwendigkeit der Analyse eben jener Daten , die im Zusammenhang mit den Benachteili gungsmerkm alen stehen, zu bestehen. Das AGG verbietet nicht grund sätzlich die Speiche rung und Verw endung von Daten, die im Zusamme nhang mit den Benachteiligun gsmerkmal en stehen und steht somit einem Einsatz von Data Mining prinzipiell nicht entgegen . Das AGG soli Entscheidungen verhindern , die auf einem oder meh reren Benachte iligun gsmerkm alen basieren und zu Benachte iligunge n von Betroffenen führen. Dies bedeutet, dass die Verwendun g eines mittels Data Mining entdeckte n Mus ters zur Entscheidungsunterstützung dah ingehend zu prüfen ist, ob dieses Muster Benachteili gun gsmerkmale enthält und ob die auf diesem Muster basierende Entscheidung zu einer Benachte iligun g der Betroffenen führt , Damit erge ben sich für die Anw endung von Data Mining aus Sicht des AGG keinc Restriktionen, die Umsetzung des Ergebnisses der Data Min ing Anwendung istjedoch einzelfallspezifisch zu prüfen. Weitere Restriktionen für den Einsatz von Data Mining können sich aus dem Mitbe stimmungsrecht der Betriebsräte ergeben , das im Betriebsverfassungsgesetz (BetrVG) geregelt ist,

463

464

465

S. § I AGG. Das BDSG und das AGG schützen weitgehend deckungsgleich rassische und ethnische Herkunft, religiöse oder philosophische (weltanschauliche) Überzeugung, Gesundheit (Behinderung), Sexualleben. Das SDSG schützt zusätzlich politische Meinungen und Gewerkschaftszugehörigkeit, das AGG Geschlecht und Alter (vgl. Gola / Wronka2008, RdNr. 385). Vgl. Gola /Wronka2008, RdNr. 385. S. § 8 AGG; dazu Schleusener 2007, § 8 RdNr. I. oder Gola / Wronka 2008, RdNr. 385.

147

5.1.2 .3.

Mitbesti mmung

Im Kontext der potenziellen Anwendung von Data Mining im Personalmanagement scheint hier insbesondere § 87 Abs. I Nr. 6 BetrVG relevant, der bei Einsatz von Informat ionssystemen regelm äûig herangezogen wird' " . Betriebsräte haben demnach bei der Anwendung und Einftihrung von technischen Einrichtungen, die der Überwa chung des Verhaltens und der Leistung des Arbeitnehmers dienen, mitzubestinun en." ? Damit soli der Arbeitnehmer vor Eingriffcn von anonymen Kontrolleinrichtungen in den persönlichen Bereich gesch ützt werden.t" Zur Feststellung eines Mitbestimmungsrechte s für die Anwe ndun g von Data Mining ist zu überprüfen, ob leistungs- oder verhaltensrelevante Daten vorlie gen und ob eine automatisierte Überwachung existiert." " Dabei muss die Überwachung in autom atisierter Form durch das System erfolgen und nicht durch einen Anwender, der die Informationen des Systems verwende!. Hierbei genügt die Möglichkeit zur automatisierten Überwachung, eine tatsächliche Überwachung oder Überwachun gsabsicht muss nicht nachgewiesen werden." ? Damit ist bei der Diskussion der Einsatzpotenz iale von Data Mining im Personalmanageme nt zun ächst von einem Vorlie gen des Mitbe stimmungsrechts auszugehen, da mit Data Mining comput ergestützte Auswertungsmöglichkeite n gegeben sind, die entsprechend bei Vorliegen von Leistun gs- und Verhaltensdaten auch potenziell der Überwachung dienen k önnten. Das Mitbestimmungsrecht gilt nicht bei der Anwendung von Data Mining auf anonymisierte Daten.!" Aber auch hier gilt, ähnlich der Diskussion zum Datenschutz ein anderer Tatbestand, wenn das mittels Data Mining ermitt elte Muster zur Prognose herangezogen und auf einzelne Personen angewandt wird und somit entsprechend wieder personenbezogene Daten vorliegen . Hier ist beispielsweise aus techn ischer Sicht denkbar, aus anonymisie rten Daten Leistungs- und Verhaltensprofil e mittels Data Mining zu ermitteln und diese einzelnen Person en zuzuordnen. Diesbezüglich ist zum indest von einem Mitbe stimmu ngsrecht auszugehen , darüber hinaus ist

§ 4 BDSG zu beachten.' ? Besteht ein Mitbe stimrnun gsrecht, so muss der Betrieb srat in die Aus-

466 467 468 469

470 47l 472

Vgl. Gola / Wronka 2008, RdNr. 1558 und Go la / Wronka 2008, RdNr. 1648 . S. § 87 Abs. I Nr. 6 BetrVG. S. § 87 Betrvg; daz u Engels et al. 2008, § 87 RdNr. 2 15. Vgl. Oec hsler / Sch önfeld 1986. Unter Leistung ist dabe i die vom Arbeitnehmer in Erfüllung seiner vertrag lichen Verpflichtungen geleistete Arbeit zu verstehen. Unter Verhalten fällt ganz allgemein das willentliche Tun oder Unterlassen im betrieblich en und auûerbetrieblichen Bereich, das für das Arbeitsverhältnis erheblich sein kann. S. § 87 BetrVG ; dazu Engels et al. 2008, § 87, RdNr. 22 1, oder vgl. Gola / Wronka 2008, RdNr. 1673 und 1677. Vgl. Strohmeier 2008, S. 55. S. § 87 BetrVG; dazu Engels et al. 2008, § 87, RdNr. 2 19. Die Grenzen der Zulässigkeit sind erre icht, wenn eine lückenl ose techn ische Überwac hung am Arbeitsplatz erfolgt, die der Aufdec kung von Strafdate n dient, ohne dass ein konkreter Verdachtsfall vc rliegt und überwiegend Unschuldige überwac ht werden. So ist beispielsweise auch der Einsatz versch iedener Systeme kritisch zu betrachten, die der Analyse des Verhaltens von Kassiererinnen und Kassierern zur Aufdeckung von Betrugsfllilen dienen. Verschiedene Systeme wie beispielsweise Loss Prevention von Fujitsu, Fraud Detection von

148

gestaltung der Data Mining Anwendung integriert werden. Die konkrete Ausgestaltung des Mitbestimmun gsrechts ist nicht gesetzlich geregelt und bleibt den Betriebspartnem zur Regelun g in Betriebsvereinbarungen überlassen.? ' Das Mitbestimmungsrecht bezieht sich somit insbesondere auf die konkreten leistungs- und verhaltensrelevanten Daten felder sowie die Auswertungsfunktionen' " , d. h. im Speziellen auf die anzuwendenden Data Mining Methoden. Im Hinblick auf das Mitbestimmungs recht des Betriebsrates bleibt festzuhalten, dass dies der Anwendung von Data Mining nicht grundsätzlich entgegensteht. Bei der Verwendung anon ymisierter Daten besteht kein Mitbestimmungsrecht , bei Verwendun g personenbezogener Daten hat der Betriebsrat hinsichtli ch der Datenfelde r und der Data Mining Methoden mitzubestimmen . Die konkrete Ausgestaltung des Mitbestimmung srechtes ist dabei nicht gesetzlich geregelt und wird i. AlIg. in Betriebsvereinbarungen von den Betriebspartn em geregelt. 5.1.2.4.

Zusammenfassung

Mit dem Datenschu tz, der Gleichbehandlung und dem Mitbestimmung srecht des Betriebsrates sind drei rechtlich geregelte Themen gebiete benannt, die unmittelbar für die Anwendung von Data Mining im Personalmanagement relevant sind. Nicht diskutiert wurden Fragen der rechtlichen Zulässigke it der Zusammenftihrung von person enbezogenen Daten in einer für das Data Mining verfligbaren Datenbasis sowie der damit zusammenhängenden Problematik der Daten-

übermittlung, Datenhoheit, Auftr agsdatenverarbeitung etc.?" Diesbezügliche gesetzliche Regelungen können für einzelne Data Minin g Anwendungen zum Tragen komme n, sind j edoch für eine erste generelle Ermittlung der rechtlich en Restriktionen zum Einsatz von Data Mining nicht notwend ig und im Rahmen dieser Arbeit auch nicht möglich. Im Einzelfall sind je nach Untemehmensstruktur und Systemarchitektur entsprechende Fragen auf rechtliche Zulässigkeit zu prüfen. Grundsätzlich ist festzuhaltcn, dass die Anwendung von Data Minin g Methoden zur Klassifikation, Segmen tierung, Bewertung und Assoziationsjindung au f anonymisierten Daten aus datenschutzrechtlicher Sicht zulässig ist. Dies bedeutet für das Einsatzpotenzial des Data Mining

473 474 475

Nixdorf, Sales Audit von SAP und McKiliroy von Soft & Systems zielen dara uf ab, Betrug und Unterschlagungen an Kassenarbeitsplätzen im Handel a ufzudec ken. So dienen Transaktionsdate n und Personaldaten dazu, das Verhalten von Kassiererinnen und Kassierern zu analysieren und Unregelmälligkeiten festzustellen. Durch Anwendung von Data Mining kann beispielsweise festgestellt werden, welcher Kassierer vom "normalen" Verhalten abwe icht und potenz iell als Täter in Frage kommt. Damit werden j edoch unzulässigerweise überwiegend Unschuldige überwac ht. Eine lückenlose und kontinuierliche Analyse personenbezogener Leistungs- und Verhaltensdaten mittels Data Mini ng zur Überwachung im genarmten Kontext ist jedoch nicht zulässig. So ist eine techn ische Überwachung am Arbeitsplatz nur in konkreten Verdachtsfällen rnöglich und darfni cht pr äventi v angewe ndet werden (vgl. zu diesen Ausführungen Wilke 2002, Wilke 2006). S. § 87 BetrVG; dazu Engels et al. 2008, § 87, RdNr. 250 oder vgl. Bergmeier / Hoppe 2006, S. 17. Vgl. Strohmeier 2008, S. 55f Ca pelli 200 1, S. 144.

149

im Person alrnanagernent, dass Data Mining Ana lysen zur Ermittlung der Zusammenhänge in den Daten grund sätzlich möglich sind. Dies umfa sst jegliche Fragestellun gen, die auf die Entdeckung von Zusammenh ängen abzielen. So ist beispielsweise die Anwendung von Data Mining auf anonymisierten Daten etwa zur An alyse des Künd igungsv erhahens durchaus zulässig und kann lnformationen darüber liefern, welch e Faktoren das Künd igungsverhahen beeintlussen. Diese Informationen mögen dabei für die Ausgestaltung eines Mitarbeit erbindun gsprogramm s n ützlich sein. Auch im Rahmen des bereits diskutierten Bewerberbeispiels ist die Anwendung von Data Min ing auf anonym isierten Daten beispielsweise zur Aufdeckung der Faktoren , die zu einer Einstellun g geführt haben, zulässig. Für das Personalman agement können diese Erken ntnisse insbeson dere bei Abwe ichungen zu bestehenden normat iven Einstellun gskriterien nützlich sein. Unter Beachtung der diskut ierten Erlaubnistatbestände kann auch die Anwendung von Data Mining auf personenbezogene Daten zulässig sein. Als personenbezogenes Datum gilt auch die Zuordnung eines prognostizierten Wertes zu einer Person, d. h. dass in diesem Fall beim Einsatz des Data Mining zur Prognose nicht von anon ymisierten Daten, son dem von person enbezogenen Daten ausgegang en werden muss. Entsprechend ist auch ein Mitbestimmun gsrecht bei personenbez ogenen Daten zu bejahen . Darüber hinaus ist beim Einsatz von Data Mining zur Entsche idungsunterstützun g im Personalmanagement grundsätzlich zu überprüfen, ob das entdeckte Muster Benachteiligun gsmerkmal e enthält und eine auf diese Muster gestützte Entscheidung zu einer Benacht eiligung ftihrt. Damit sind aus datenschut zrechtlich er Sicht der Anwendung von Data Mining im Personalmanagement Rahmenbedingung en gesetzt, die es zu berücksichtigen gilt, die jedoch eine Anwendun g nicht grundsätzlich verb ieten.

5.1.3.

lmplikationenfür den Einsatz van Data Mining im Personalmanagement

Die vorangegangenen Ausführungen haben gezei gt, dass im Personalmanagement respektive den vier I-Iauptbereichen Beschaffungsmanagement, Entwicklungsmanagement, Leistungsmanagement und Vergütungsm anagement eine Vielzahl an Entscheidungen zu treffen sind und damit davon ausgegang en werden kann, dass wahrnehmungs-, abgrenzungs-, wirkungs -, bewertungs- und zielsetzungsde fekte Entscheidungsprobleme auch im Personalm anagement zu lösen sind. Weiterhin kann das Personalmanagement auf eine inhaltlich um fangreiche Datenbasis zurückgreifen, von der anzunehmen ist, dass sie eine Vielzahl personalwirtschaftlicher Entscheidungsprobleme repräsentieren kann. Inhaltlich scheint damit eine Datenbasis gegeben zu sein, die für die Anwendung von Data Mining geeignet ist. Diese Datenb asis ist j edoch formal zun ächst aufzubereiten, indem die in verschiedenen Systemen und Tabellen gespeicherten Daten für die Anwendung von Data Mining in einer TabelIe zusammengeftihrt werden müssen. Diese Zu-

150

sa mmcnführung geslaltel sich in Abhängigkeit der vcrliegenden Systcmarchitcktur uurcrschiedlich aufwcndig. Da jcdoch die Anwendung von Dala Mining crst dann smnvoll ist. wcnn ~'S sich urn durenintensive Emscbcidungsproblcmc handelt und darnit Datcninhaltc zumindcst 'lUS verschicdcnen Tabellen. wcnn nicht gar Systemen relevant werden. iSI anzunchmcn. d,L'; S

die Zusarnmcnführung der Dalen in einc anatyscadäquatc Datcubasis im Allgcmcincn aufwcndig ausfällt.

Zudcm ergehen sich aus reclalichcr Perspcktive Rahmcnbedingungcn. die bei der Anwendung von Data Mining irn Pcrsonajmanagcmcnt zu berücksichtigcn sind. Damit schcint zunä chst hel . der Eotsch cidu ngsuntcrs tützung von Data Mining im Personaf-

management res pektivo der Bcrcichc Hcschaffl mgsmanagcment. Emwicklungs-menagcmcnt. Lcistungsmanagcmcntund Vcrgüt ung sruana gcmcnt die fllr die in Kapitel 3.3 erarbcitc ten Ein-

satzsz cnaricn geilende Eignung der Method engrup pen Klassiflk ation (K). Bcwcrtung (n). Segr uentierung (S) und Assoziationsfindung (A) gegebcn IU sein [vgl. Ahbî1dung 38).

,

W.lun.hm~ .

'"",","", w, rtung Iln>crt ung

Z,d sctZUJ18

lks
, ,

... ... .. · ... ......... ........ ..... ·• ......... ... ... •• ... a

s

. .

f.ntwickl,ngs m~=m1

le'Slunll'm~

, , ,

v ... g'~ungsm:>1l3!,="'"

, ,

,

.. • ... ... .. ... ... .. ... ... · ... ... ... ·· ... ... ... ·· .. .. ... .. .. ... .. .. ... •• ... ... . •• ... ... ·· ... • ... ... . • ... ... · ..."

s

s

"

s

Ab bildllng 38: Z"isd ,c nr...,l

Dcmnach schcinr der Einsarz ven Data Mining insbesoudere zur Konnolle und zur Untcrstü tzung in datcniutcnsiven Standardcntschcidungcn des Pcrsonalmunugcmcnts g...-cignc t. Dicsc Eignung srcllr sich an dicscr SleiIe jedoeh noch losgclöst \011 den Spczifika des Personetmanugerncnts dar. Die Eign ung VU il Data Mining z ur Er ascheidu ng suntcrstützung und die daraus ubgclcitctcn generellen Einsetzszcnaeicn sowlc die Rclcvanz der Entschcidungsproblcmtypen für das Personalmanagement lassen verm uren. dass sieh Einsatzpotenziale des Data Minin g für das Pcrsonalmanagcmc nt ergebeu. Daz u sindjedoc h die generellen Einsutzszenari cn in Anwcndungsszcnnricu des Pcrsonalmanagcmcnts zu übcrfbhrcn und vor dcm personafwirtschuûlichen Anwcndungskontext ZIl diskuneren. In den voranêcg engc ncn A usfährungcn wurdc wiederholt dareu fvcrwicsen. dass die Anwendung VUil Data Mining zur Entschcidungsuntcrstûtzung im Pcrsonalmanegcmcnt ver dcm Hintergrund des speziflschen personalwirtschuftlichen Entscheidungsproblem s zu beurteilen isr.

151

Dies bcdcutct. duss die hier erarbeucrcn Dimersionen der Einsacszenencn für das spczifi schc Anwendungsszenario im Pcrsonaimanagcmcnt zu spczifizic ren und zu dis kmieren sind. fin pcrsonalwirtschalllichcs Anwcndungsszcnario ka nn debci in fotgender Form skizxicrt wer-

den.

Dirnonsion

Zu bcstinunc ndc lnhaltc

Anwcndungsbcrcich

Bcschatfungs-. Entwickhmgs-. [.cistungs- und Vcrgütungsmenagcrncnr

Entschcidungsproblcm

wuhrnchmun gs-, ubgrcnzungs-. wirkungs-, hcwcr -

tungs- odcr ziclsctzungsdcfc ktcs Er aschcidungs-

problem

Data Methodengruppe

Anwcndberc

Derenbasis

Mining Klassifiketions-. Bcwcrtungs-, Scgmcnticrungsod cr Assozietionsfi ndungsmcthoden Miterbcitcrstemrndatcn wie Aller. Gcschlecht. Bcurt eilungsdutcn. Vcrgüumgsdarcn etc.

Erkcnnmisziel

Prohlcrngehalt dcr spezifischcn persenulwinschattlichcn Fregcstcllung

Ab b,ldlll\g 3Q: DII1\"I\
Die Durchlllhrung der Data Mining Analyse muss dabci unter Bcrücksichtigung der rcchtlichcn Rahmenhcdingungen erfolgcn. Die Evaluation und lntcrpretation der Ergchnisse der Anwcndung ven Data Mining muss zudcm vor dcm Hintergrund der spczltlschcn pcrsonalwinschafltichen Frugestclluug sowie der jeweifigen pcrsonelwirtschufllichen Ausgangssituation startfinden. lm Folgcndcn werden dahcr prototypische Anwcndangsszcnaricn entwiekelt und analysicrt. die

die Untcrstützung und Kontrol1e durcniruensiver pcrsonalwinschattlichcr Standerdcnrschcidungen urntassen. Zunächst soli jcdoch cin euf die Anwcndung ven Data Mining im Pcrsonalmanagcmcnt ahgcsrimmtes Vergehcnsmodcll crarbeitet werden. welchcs die Erkennuussc aus den vorangegungenen Ausführungcn integriert. Dlcscs Vorgehensmodcll soli unabhû ngig von dcm spczifischcn Anwcndungsszcnerio den Entschcidungsträgcr hei der Prüfi mg der Dption Data Mining ZUl' Entschcidungsuntcrstützung sowic der Durchführung der Data Min ing Analyse urucrsiützcn. Gleichzcitig hildet cs den prozcssualcn Rahmen zur DclinÎtion u nd Hcschreibung clncs pcrsonalwirtschaftlichcn Anwcndungsszcnarfus.

5.2.

Konzeption eines Vorgehensmodells

Das Vorgehensmod ell fasst die Erkenntnisse aus den vorangegangenen KapiteIn zusa mmen und stellt einen spezifisch auf die A nforderungen des Anwendungsbereichs Personalmanagement abgestimmten Leitfaden zur Anw endung von Data Mining zur Entscheidungsunterstützung im Personalmanagement dar. Zun ächst werden die sich aus den vora usgega ngenen Diskussionen ergebenden Anforderungen an das Vorgehcnsmod ell explizie rt (Kapitel 5.2.1), urn im Anschluss das Vorgehensmod ell abzuleiten (KapiteI5 .2.2).

5.2. /.

Anforderungen an das Vorgehensmodell

Bereits in Kapitel 3. 1. 1.3 wurde ein Prozessmodell bestehend aus vier Phasen zur Durchfiihrun g von Data Mining vorgestellt. Das hier zu entwickelnde Vorgehensmodcll soli darüber hinaus explizit den Entsche idungsbezug des Data Mining, der hier erarbeitet wurde, berücksichtigen. D. h. die Erkenntnisse, unter welchen Voraussetzun gen Data Mining Methoden überhaupt erst sinnvoll zur Entscheidungsunterstützung eingese tzt werden k önnen, sind in das Vorgehensmodell zu integr ieren. Dies impliziert die ldent ifik ation des vorliegenden Entscheidungsproblemtyps und eine dezidierte Formul ierung des Erkcn ntnisziels, d. h. der personalwirtschaftlichen Frageste llung in Verbindung mit der gewünschten Entscheidungsunterstützungsle istung. Darüber hinaus muss das Vorgehensmodell die spezifische erwart bare Datenbasis des Personalmanagements berücksichtigen. Diesbezügli ch wurde insbesondere eine Dispersion der vielfältigen Daten des Personalmanage ments in vcrsch iedcnen Syste men respektive Tabellen festgestellt, so dass eine zentrale Aufgabe der Datenvorbereitung die Zusamm enfiihrun g der vielfältigen personalwirtschaftlichen Daten in einer Tabelle darstellen dürfte. Weiterhin hat die Arbeit gezeigt, dass die Datenbasis des Personalman agement s auch inhaltlich das vorliegende Entscheidun gsproblem repräsentieren muss. Daher ist die erwartbare Datenbasis zudem aus inhaltlicher Perspektive heraus festzulege n, d. h. Dateninhalte, die das Entscheidungsproblem repräsentieren, sind zu bestimmen. Darüber hinaus sind die rechtlichen Rahmenbcdingungen bei der Anwendung von Data Mining im Personalmanagement zu berücksichtigen. Das Vorgehen smodell muss daher an entsprechender Stelle eine Prüfung der rechtl ichen Restriktionen vorsehen. Dies beinhaltet die Einbeziehung des Betriebsrates ebenso wie gg f die Anonymisie rung von personenb ezogenen Daten, die Einholun g von Einverständniserklärungen der Betroffenen sowie die Berücksichtigung rechtlicher Restriktionen bei der Verw endung der Data Mining Ergebnisse zur Entscheidungsunterslützung im konkrete n Anwendungssze nario. Damit sind rechtliche Bedin gungen zu verschiedenen Zeitpunkte n des Einsatzes von Data Mining im Personalmanagement relevant.

153

5.2.2.

Ausgestaltung des Vorgehensmodells

Aus den Erkenntnissen der vorangegangenen Diskussionen lässt sich folgendes Vorgehensmodell ableiten (vgl. Abbildung 40). Identifik ation des Entscheidungsprob lemtyps

W

Feststellung der erwart baren Datenba sis

W

Methodenwa hl

W

Vorberei tung der Daten

W

Analyse

W

Personalwirtschaftliche Evaluation

I--

Abbildung 40 : Vorge hen smode ll Data Mining im Personalma nage ment

Zunächst ist der vorliegende Entscheidungsproblemtyp zu definieren. D. h. es ist festzustellen, ob ein wahrnehmungs-, abgrenzungs-, wirkungs-, bewertungs- oder zielsetzungsdefektes Entscheidungsproblem vorliegt. Dies impliziert die Ausformulierung des personalwirtschaftlichen Erkenntnisziels. In dieser Phase wird dezidiert beschrieben, ob personalwirtschaftliche Anregungsinformationen, Handlungsalternativen, Umweltzustände, Wirkungsfunktionen, Zielgröûen, Bewertungsfunktionen, Zielerreichungsfunktionen oder Zielsetzungsfunktionen ermittelt werden sollen. Der vorliegende Entscheidungsproblemtyp sowie die Formulierung des Erkenntnisziels bilden die Basis für alle weiteren Aktivitäten. AnschlieBend ist die erwartbare Datenbasis fcstzulegen. In dieser Phase crfolgt die Identifizierung von personalwirtschaftlichen Dateninhalten, die zur Erfassung des identifizierten Entscheidungsproblems in elektronisch auswertbarer Form zur Verfügung stehen. Dabei gilt zunächst der Grundsatz, dass rnöglichst umfassend Dateninhalte identifiziert werden, urn auf diese

154

Weise zu erreichen, dass auch bisher unberücksichtigte Zusammenhänge in den Daten ermittelt werden können. Weiterhin sind die Speicherorte der Daten zu bestimmen, d. h. die einzelnen Systeme respektive die Tabellen, in denen die relevanten Daten gespeichert sind, sind zu benennen. Darüber hinaus kann bereits in dieser Phase geprüft werden, ob zur Erreichung des Erkenntnisziels personenbezogene Daten analysiert werden sollen, oder ob die Analyse anonymisierter Daten ausreicht. Wird die Data Mining Analyse personenbezogener Daten geplant, so ist zu prüfen, ob Erlaubnisvorbehalte gemäf § 4 Abs. I BDSG greifen. Der Erlaubnisvorbehalt kann sich aus der Einwilligung der Betroffenen, aus den Zulässigkeitsvoraussetzungen gemäê § 28 BDSG oder anderen Reehtsvorsehriften ergeben. Darüber hinaus ist ggf. der Betriebsrat zwecks Mitbestimmung zu involvieren. Nachdem der Entscheidungsproblemtyp identifiziert, das Erkenntnisziel formuliert und die erwartbare Datenbasis festgestellt ist, kann die anwendbare Data Mining Methodengruppe ausgew ählt werden. In dieser Phase wird das personalwirtschaftliche Erkenntnisziel mit den zuvor identifizierten Dateninhalten in Verbindung gebracht. Hierzu wurden in Kapitel 3.3 fiir jeden Entscheidungsproblemtyp Vorgehensmodelle entwiekelt. die die Auswahl der Methodengruppe in Abhängigkeit von dem vorliegenden Entscheidungsproblemtyp und der vorliegenden Datenbasis unterstützen. Diese können entsprechend zur Auswahl der anwendbaren Data Mining Methodengruppe herangezogen werden. Die Anwendung dieser Vorgehensmodelle kann jedoch auch zu dem Ergebnis führen, dass Data Mining zur Heilung des spezifischen Defektes und damit zur Entscheidungsunterstützung aufgrund der Datenbasis nicht einsetzbar ist. Handelt es sich beispielsweise urn ein bewertungsdefektes personalwirtschaftliches Entscheidungsproblem und es sind keine Informationen zu Handlungsaltemativen in den verfügbaren personalwirtschaftlichen Dateninhalten vorhanden, dann kann auch der Einsatz von Data Mining nicht zur Heilung des Bewertungsdefektes und somit zur Entscheidungsunterstützung eingesetzt werden (vgl. Abbildung 30). Damit ermöglicht die Verwendung dieser Vorgehensmodelle einen ex ante Ausschluss der Anwendung von Data Mining und bewahrt somit den Entscheidungsträger vor aufwandsreichen Datenvorbereitungen und Analysen, die zu keinem im Hinblick auf das Entscheidungsproblem relevanten Ergebnis führen, Der sich nun anschlieûende Schritt der Datenvorbereitung umfasst vielfältige Aktivitäten. Zunächst ist im Hinblick auf das personalwirtschaftliche Entscheidungsproblem zu prüfen, ob eine Anonymisierung der Daten im Hinblick auf das Erkenntnisziel möglich ist. Das Erkenntnisziel impliziert, ob der Personenbezug der zu analysierenden Daten erhalten bleiben muss oder aber eine Anonymisierung möglich ist. Die Anonymisierung muss dabei den zuvor aufgeführten Anforderungen genügen und eine volIständige Beseitigung des Personenbezugs umfassen. Weiterhin ist der Umgang mit fehlenden Werten lestzulegen und durchzuführen, fehlerhafte Werte sind aus den Daten zu entfemen. Als zentrale Aufgabe der Datenvorbereitung im

155

Personalmanag ement wurde die Zusammenführung der Daten zu einer analysierbaren Datenbasis in Tabellenform identifiziert. Dies kann mitunter einen erheblichen Aufwand verursachen, da die Daten in unterschiedlichen Tabellen über verschiedene Beziehungstypen miteinande r verknüpft innerhalb eines personalwirtscha ftlichen Systems respektive verschiedener Systeme vorliegen. Darüber hinaus gilt es, mit untersch iedlich en Zeitreferenzen umzugehen und die in unterschiedlicher Granularität vorliegenden Daten auf eine Aggregationsstufe zu bringen . Grundsätzlich ergeben sich damit drei zentrale Problem e, die im Rahmen der Datenzu sammenführung zur Vorbcreitung des Einsatzes von Data Mining im Personalmanagement zu lösen sind: •

das Dispersionsproblem

•

das Zeitproblem

•

das Aggregationsproblem

Das Dispersionsproblem referenziert dabei auf die Tatsache, dass die elektron isch gespeicherten Daten in verschiedenen Tabellen eine s Systems respektive verschiedener Systeme gespeichert sind. Wie in Kapitel 5.1.1 dargestellt, kann zwar von einer um fassenden Datenbasis des Personalmanagements ausgegangen werden, je doch fallen die Daten in Abhängigkeit der verwendeten Systemarchitektur im Untemehmen an unterschiedli chen Stellen an. Mithin ist eine Konsolidierung der für die Analyse identifizierten Dateninh alte in einer einheitlichen Datenbasis in Tabellenform erforderlich . Die nachfolgende Abb ildung verdeutlicht drei grundsätzliche Szenarien, wie die Zusammenfiihrung der Daten aus den Personalinform ationssystemen in eine TabelIe zur Analyse systemgestützt erfolgen kann. In Phase zwei des Vorgehen smodells wurden bereits die als für das Entscheidungsproblem relevant erachteten Dateninhalte und ihre Speicherorte identifiziert. Diese stellen die Datenquellen in Abbildung 41 dar. Die Daten können dabei originär in einem oder verschiedenen Personalinformationssystemen (PIS) vorliegen. Operative Daten werden dabei in der Regel in Tabellen gespeichert, die Konsolidierun g und anschlieûende Analyse dieser verteilten Daten kann in unterschiedlicher Art und Weise erfolgen.

156

ST.enano I

Szroano :

ovrs

O\ls

STonan o 3

PlS · 0\1S

Analyse

S on Sl ' ~'

SYSlCmC

l-Ilsammenfilhrun~

D-d lctl·

qudlrn

Abbildung 4t "o"",t idierung der Dalen' '''

Sie narlo r stcllr die Zusammc nfllhrung der Darcn dar. indom zunächst die relevante n Daten aus den Daeuqucllcn uls I'lallile cxtrahicn . In dicscm Format liegen die Dalen in ciuhcirlichcr Struktur als Tahcllc voe. Die Konselidicnmg der extrahierten Flatfile s in cin cinxigcs Fletfllc er-

folgt darm mit weiteren Svstemen-" Die konsolidienen Dalen WerdL'11 schlieülich dcm Data Mining Syst cm (DMS ) zur Analyse zur Vcrftlgung gcstelh.

Szenano 2 stern den Fall dar. das s das

Data Mining Systcm ühcr ei gene W crk zcugc zur Kon-

solidicrun g dL'T Duren verfügt. Die au, den Dutcnquellcn extrahie rten Flutfiles werden direkt im Data Mining Systcm zus amr ncnge fühn und stchcn damit in forma l ad äquatcr Porm zur Analyse zur Vcr fü gung.

Szenario 3 rcpräscmic n den Fall. dass sowohl die Datcnhaltung als auch die Konsolidie rung und Analyse in cincm Pcrsonalinf orrnationssystcm durchgefüh rt werden kann. lnshcsondc rc Data w areho use Systcmc. die vcrme hrt im Persenelmanagement cin gcsctzt wc rdcn.t" bieten Funküon alitäcn zur Datenhaltung. Kcnsolidictung und Datcnenaly sc mirhilfc von Data Mining

an.

•.,. Di. al, Würfel dargc
157

Je nach im einzelnen Anwendungsfall vorliegender Systemarchitektur sind verschiedene Systeme zur Konsolidierung der Daten einzusetzen. Die verschiedenen Szenarien zeigen, dass unabhängig von dem Funktionsumfang einzelner Systeme die Zusammenftihrung der Daten im Rahmen der Datenvorbereitung des Data Mining im Personalmanagement notwendig und in gleichem MaBe aufwendig ist. Personalinformationssysteme speichem die Daten in der Regel in einem relationalen Datenmodell' " , d. h. die Daten sind normalisiert und damit auf viele Tabellen verteilr' " , Beispielsweise befinden sich die Stammdaten zu einem Mitarbeiter in einer anderen TabelIe als die Daten zu seinen Entwicklungsmaênahmen und seiner Vergütung. In Abhängigkeit der Zeit (s. Zeitproblem) und den unterschiedlichen Aggregationsstufen (s. Aggregationsproblem) liegen die Daten damit verteilt vor. Eine Rückführung der Daten in eine einzige TabelIe und damit eine Denormalisierung kann entspreehend nur bis zu einem gewissen Grad vorgenommen werden. Das Zeitproblem resultiert dabei aus der Tatsache, dass einige personalwirtschaftliche Daten Bewegungsdaten darstellen und sich im Zeitablauf verändem. So verändem sich beispielsweise Qualifikationen, Entgelthöhen und Beurteilungen im Zeitablauf. An dieser Stelle müssen Abhängigkeiten beachtet werden, urn eine unverzerrte Datenbasis zu erreichen. Beispielsweise kann sich eine Änderung in der Entgelthöhe aufgrund von sich ändernden Qualifikationen oder Beurteilungen ergeben. Entsprechend ist die Datenbasis so aufzubereiten, dass diese Abhängigkeit berücksichtigt wird. Wie sich dies im Einzelfall gestaltet, hängt vom Anwendungsszeanrio respektive der verwendeten Data Mining Methode ab. So können beispielsweise Daten zu einem vom Entscheidungsträger bestimmten Zeitpunkt und unter Beachtung der Abhängigkeiten selektiert und in einer Datenbasis zusammengeftihrt werden. Bei der Anwendung von sequenziellen Assoziationsanalysemethoden müssen die zeitlich versetzten und voneinander abhängigen Änderungen über eine ID und einen Zeitstempel referenziert werden." ! Grundsätzlich kann davon ausgegangen werden, dass keine im Bezug auf das Entscheidungsproblem eindeutige Zeitreferenz identifizierbar ist, vielmehr bestehen relative Zeitreferenzen der einzelnen Daten untereinander, die bei der Aufbereitung der Datenbasis für die Data Mining Analyse zu berücksichtigen sind. Das Aggregationspr oblem schlieBlich ergibt sich aus der unterschiedlichen Granularität, in der die norrnalisierten Daten vorliegen und der Notwendigkeit der Zusammenftihrung der Daten in Tabellenforrn. Da die als relevant identifizierten Daten in unterschiedlicher Granularität

479

480 48!

Vgl. Strohmeier 200S, S. 5Sf Vgl. Z. B. Rautenstrauch / Schulze 2003, S. 12Sff. Auf diese Problematik wird im Rahmen des Anwendungsszenarios V (vgl. Kapitel 5.3.6) in detaillierter Form

eingegangen.

158

vcrtiegen. konnee sie lediglich auf der niedrigstcn Granularirätssmfe in der IU analysicrcndcn Datcubaais zusemmcn gefühn werden. Dies hal zur Folgc. dass lnfor mationcn und damit Zusa mmcuhängc auf detaillier ter Ebcnc verloren gellen. Sollen bcispiclsw eisc je Mitarbcitcr die Attribute Alter. Geschlccht und Nationelität aus den Muarbcircrstammd.uen sowic die irn Rahmen des Angcstclhcnvcrhäïtnisscs erworbcncn Quattû kattoncn I U cincr Datcubasis in Tabellenterm zusammcngcführt werden. SI) ist IU entscheiden. wie die Quali Iikationsdarcn als Artribure je Milarbciter konsolidien werden sollen. Die fclgcndc Abbildung l eigt cinc Möglichkcit.

N,

Gchurtsjahr

Gcschlc>c hl

Nalionaliläl

,

1<167

m

dCUlSCh

1972

dcutsch

J

1<156

" "

,

N,

,

, J

ilalieni'l'h

N,

, , ,

Anfangsdatum

Endc>dalum

Bcl cichnung

12,03.2001

"

23,03 .2007

Management

,

2 1042008

30,062008

f ngli'l' h 11

25,04.2005

Englis<: h J

J

12,0 3.2001

"

25.04.2005

Engli'l' h 1

10.2005

10.2005

23m.2oo1

Managc'ment

Gc'burtsj. hr

Gc"Sehlc-.:hl

Nalionaliläl

f nglisch I

Englisch 11

Managemenl

""

m

dCU1SCh

J.

J.

J.

Ncin

l
"

dCUlSCh

J.

Nein

Nein

Nein

l
"

ilalicnisch

J.

Abblldung 42: Aggrcgalionsproblem

Es werden alle rnögliehen Ouatifikationcn als einzclne Aunburc in die Darcubasis mil aufgenommcn urtd so je Mirarbeircr aufgeführt. welche Uualifikation dieser crworbcn hal. ln dicscm Fall gchc n die lnform ationc n Ilhcr den Zeitraum. in der die j cwciligc Quallflkation erworhen wurdc und die zcitlichc Rcihcnfolgc der crworbcncn Qualifikationcn je Miterbcitcr verloren. Damirumfassr die Datcnvorbcrcinmg zehlreichc Aktivitûtcn. die auch irn llin blick 'lul' das mit der Anwcndung von Data M ining erviclbarc Erg ebuis \' 011 Bcd cutung sind. So indil ieren empirische Stndien zum Einfluss der Datcnv orbcrchung nuf die Data Mining Ergcbnisse eine Scnsirivnär der Data Mining Methoden hcz. der Darcnvorbcrenung und mithin eine Ein-

159

wirkung auf die Ergebnisse.'" Dabei differiert der Einfluss der Datenvorbereitung aufgrund der einzelnen Vorbereitungsmaênahmen und der verwendeten Einzelmethode des Data Mining. Im Anschluss an die Datenvorbereitung folgt die Analysephase. Es werden nun Methoden der in Phase drei ausgewählten Methodengruppe eingesetzt. Hierbei können durchaus verschiedene Methoden einer Methodengruppe angewendet werden. A priori kann jedoch keine generelle Empfehlung für eine spezifische Data Mining Methode gegeben werden. Die einzelnen Methoden verwenden unterschiedliche Heuristiken zur ldentifizierung der Muster, zudem hängt das Ergebnis von der zugrunde liegenden Datenbasis ab. Ein Vergleich der formalen Validität der Ergebnisse kann nach Anwendung der Data Mining Methode letztendlich über die jeweiligen Gütemal3e durchgeführt werden. Schlieûlich müssen die Ergebnisse vor dem personalwirtschaftlichen Hintergrund von dem Entscheidungsträger evaluiert, interpretiert und angewendet werden. Liefert die Data Mining Analyse formal valide Ergebnisse, so können sich aus personalwirtschaftlicher Perspektive zwei unterschiedliche Implikationen ergeben: •

Die Anwendung von Data Mining fiihrt zur Entdeckung eines formal validen Zusammenhangs, der den vorliegenden Defekt heilt. In diesem Fall ist die Anwendung von Data Mining für dieses Entscheidungsproblem abgeschlossen. Das Erkenntnisziel ist mithilfe von Data Mining erreicht. Im Kontext des gesamten Entscheidungsprozesses (vgl. Kapitel 2.3) jedoch ergeben sich potenziell weitere Entscheidungsprobleme, die nach dem hier dargestellten Vorgehensmodell (vgl. Abbildung 40) wiederum mit Data Mining abgearbeitet werden können,

•

Die Anwendung von Data Mining führt zur Entdeckung eines formal validen Zusammenhangs, der jedoch nicht den vorliegenden Defekt heilt. In diesem Fall "entdecken" die Data Mining Methoden nicht den avisierten Zusammenhang zur Heilung des Defektes, sondem valide Zusamrnenhänge, die potenziell auf das Vorliegen eines anderen (weiteren) Entscheidungsproblems hindeuten können, Der Entscheidungsträger erhält damit nicht die Information zur Entscheidungsunterstützung im Rahmen des vorliegenden Entscheidungsproblems, der entdeckte Zusammenhang kann jedoch eine fiir den Entscheidungsträger nützliche Anregungsinformation darstellen und wirkt in diesem Sinne entscheidungsunterstützend zur Heilung eines Wahrnehmungsdefektes. Auch in diesem Fall kann dieses .meue" Entscheidungsproblem wiederum gemäê dem vorgestellten Vorgehensmodell abgearbeitet werden.

482

VgL Cro ne / Lessmann / Stahlbock 2006 und Ja pkowicz / Stephen 2002. Diese Sensitivität wurde empirisch untersucht und liefert keine allgemeingültigen theoretisch fundierten Zusammenhänge der Datenvorbereitung mil dem Data Mining Ergebnis. Dennoc h ist bei der Evaluation und Interpretation der Ergebnisse diese Sensitivität zu berücksichtigen, urn evtl. durch die Datenvo rbere itung erzeugte Zusam menhänge ausschliellen zu

können.

160

Liefert die Data Mining Analyse keine fonnal validen Ergebnisse und es werden lediglich Zusammenhänge von geringer Güte ermittelt, so stellt die analysierte Datenbasis das Entscheidungsproblem nicht in ausreichendem MaBedar. Data Mining Methoden können in diesem Fall nicht entscheidungsunterstützend wirken. Im Rahmen der Vorgehensmodelle zur Methodenauswahl wurden bereits Anforderungen forrnuliert, die gegeben sein sollten, damit Data Mining überhaupt sinnvoll anwendbar sind. Diese Anforderungen referenzieren auf Vermutungen des Entscheidungsträgers hinsichtlich des Vorhandenseins von Infonn ationen über Handlungsalternativen, Umweltzustände, Handlungsergebnisse, ZielgröBen, Zielbeiträge und Nutzwerte in der Datenbasis. Entdecken nun die Data Mining Methoden keine validen Zusamrnenhänge, so können die Vennutungen des Entscheidungsträgers nicht bestätigt werden. Das Entscheidungsproblem wird lediglich unzureichend durch die vorhandene Datenbasis repräsentiert und Data Mining kann zur Entscheidungsunterstützung nicht dienen. Liefert die Data Mining Analyse nun Ergebnisse, die den Defekt heilen und somit zur Entscheidungsunterstützung herangezogen werden können, so sind die rechtlichen Rahmenbedingungen vor dem Hintergrund der Verwendung der Ergebnisse zu beachten. Je nachdem, wie der entdeckte Zusammenhang verwendet werden soli, greifen auch hier wieder datenschutzrechtliche Restriktionen. Soli beispielsweise der ermittelte Zusammenhang zur Prognose der Eignung neuer Bewerber herangezogen werden, so handelt es sich urn ein personenbezogenes Datum, für das die in Kapitel 5.1.2.1 angefiihrten Bestimmungen des BDSG zu beachten sind. Darüber können auch die Bestimmungen des AGG zur Anwendung kommen, wenn der enn ittelte Zusammenhang das Alter bzw. das Geschlecht als Einflussfaktor für die Eignung beinhaltet und für die Personalauswahl herangezogen werden solI. Auch hier wird deutlich, dass eine Evaluation der Ergebnisse des Data Mining sowie die Verwendung der enn ittelten Zusammenhänge zur Entscheidungsunterstützung vor dem Hintergrund der spezifischen personalwirtschaftlichen Fragestellung sowie der jeweiligen personalwirtschaftlichen Ausgangssituation stattfinden müssen.

5.3. Beschreibung und Diskussion prototypischer Anwendungsszenarien

5.3.1.

Auswahl relevanter Anwendungsszenarien

Das Einsatzpotenzial von Data Mining im Personalmanagement wird nun anhand von prototypischen Anwendungsszenarien im Personalmanagement analysiert. Dies erlaubt die personalwirtschaftliche Diskussion der Anwendung von Data Mining zur Entscheidungsunterstützung und bildet, wie bereits erwähnt, die Synthese der Trias Data Mining, Personalmanagement und Entscheidungstheorie.

161

Die hier zu diskutierenden Anwendungsszenarien umfassen dabei datenintensive Standardentscheidungen sowie die Anwendung von Data Mining zur Kontrolle, da für diese Einsatzszenarien die grundsätzliche Eignung von Data Mining zur Entscheidungsunterstützung festgestellt wurde. Weiterhin sollen die Anwendungsszenarien die Bereiche Beschaffungs-, Entwicklungs-, Leistungs- und Vergütungsmanagement abdecken, um das Personalmanagement in umfassender Weise zu berücksichtigen. Hier wird zudem explizit auf zentrale Problemstellungen der einzelnen Anwendungsszenarien abgezielt. Daneben soli auch Data Mining respektive die vier Methodengruppen umfassend berücksichtigt werden, so dass die Anwendungsszenarien den Einsatz von Klassifikations-, Bewcrtungs-, Segmentierungs- und Assoziationsfindungsmethoden umfassen. Die Definition, Beschreibung und Diskussion prototypischer Anwendungsszenarien erlaubt eine umfassende und systematische Analyse des Einsatzpotenzials von Data Mining im Personalmanagement. Gemäf diesen Anforderungen werden folgende sechs Anwendungsszenarien beschrieben und analysiert (vgl. Abbildung 43).

Anwendungsszenario I: Personalstrukturmanagement Hierbei handelt es sich um die Anwendung von Segmentierungsmethoden in einer datenintensiven Entscheidungssituation zur Identifikation von Anregungsinformationen bez. der bestehenden Personalstruktur. Dieses Anwendungsszenario umfasst dabei Daten aus allen Bereichen des Personalmanagements. Ziel dieses Anwendungsszenarios ist die Überprüfung der aktuellen IstPersonalstruktur anhand verschiedener Dimensionen wie bspw. Alter, Betriebszugehörigkeit, Qualifikation, Verdienst etc. im Hinblick auf eine Soll-Personalstruktur. Da die zu ermittelnden Anregungsinformationen sich im Hinblick auf Entwicklungsprobleme ebenso wie im Hinblick auf Vergütungs- oder Beschaffungsprobleme manifestieren können, kann dieses Anwendungsszenario a priori nicht einem einzelnen Bereich des Personalmanagements zugeordnet werden, vielmehr stellt es ein übergreifendes Anwendungsszenario mit Einsatzpotenzial in allen vier Bereichen des Personalmanagements dar.

Anwendungsszenario 11: Fluktuationsanalyse Anwendungsszenario 11 beinhaltet die Anwendung von Klassifikationsmethoden zur Identifizierung von Anregungsinformationen in einer datenintensiven Entscheidungssituation, die auf die Ermittlung von Eintlussfaktoren auf die Abwanderung von Mitarbeitem abzielt. Als Datengrundlage werden bereichsübergreifende Daten des Personalmanagements verwendet. Auch hier können sich die zu identifizierenden Anregungsinformationen in unterschiedlichen Berei-

162

chen des Personalmanag ements manifestieren, so dass es sich hierbei analog zu Anwendung sszenario I auch urn ein bereich sübergreifende s Anwendun gsszenar io handelt.

Anwendungsszenario 111: Personalvorauswahl Bei Anwendun gsszenario lil handelt es sich mit der Vorauswahl von Bewerbem aus einer Vielzahl an Bewerbem urn eine datenintensive Standard entscheidung, welche insbesondere auf die Heilung des Zielsetzung sdefekt es ausgerichtet ist und damit zugleich die Heilung des Wirkungs- und Bewertungsdefekt es impliziert . Mit Klassifikations- und Bewertun gsmethoden soli die Vorauswahl geeigneter Bewerber unterstützt werden. Damit kann dieses Anwendungssze nario dem personal wirtschafil ichcn Bereich BeschafTungsmanagement zugerechnet werden.

Anwendungsszenario IV: Nachfolgeplanung Anwendun gsszenario IV beinhaltet die Anwendung von Segmentierungsmethoden zur Nachfolgeplanung und damit eine daten intensive Standardentsch eidung. Im Rahmen dieses Anwendungs szenarios sollen Stel1 enbesetzungsmöglich keiten auf Basis der Ähnlichkeit von Anforderun gs- und Fähigkeitsprofilen ermittelt werden . Damit handelt es sich urn ein abgrenzungsdefekte s Entscheidungsproblem , welches insbesondere dem Beschaffun gs- und Entwicklungsmanagement zugeordnet werden kann.

Anwendungsszenario V: Gestaitung von Karrieremodellen Anwendun gsszenario V umfasst die Gestaltung von Karrieremodel1en aus den Bewegun gsprofilen der Mitarbeiter. Es handelt sich hierbei urn eine datenintensive Entscheidungssituation in der aus den vorliegenden Bewegung sprofilen der Mitarbeiter Handlungs alternativen bez. der Karrierepfade abgeleitet werden sollen. Zum Einsatz komm en im Rahmen dieses Anwendungsszenarios Assoziationsfindun gsmethoden . Es handelt sich hierbei urn ein abgrenzungsdefektes Entscheidun gsproblem im Rahmen des Entwicklu ngsman gagement s.

Anwendungsszenario VI: Vergütungsgestaitung Dieses Anwendungsszenario zielt auf eine flexible, auf die Bedür fuisse des Mitarbeiters ausgerichtete Entgeltfestsetzung ab. Es sind aus einer Vielzahl an Entgeltkomponenten jene auszuwählen, die am besten zu dem Mitarbeiter passen. Die Anwendung von Klassifikationsmethoden sol1 dabei die datenintensive Standardentscheidung unterstützen . Damit handelt sich urn ein zielsetzungsdefekte s Entscheidungsproblem , welche s zudem die Heilung des Wirkungs- und Bewertungsdefektes impliziert und im Bereich des Vergütun gsman agements angesiedelt ist.

163

Wahmeh _ mu ngsdefe kl &"'\Chafrungsmanagement F.n t" ·ick lungsmanagement

Ahgre ozungs_ defe kl

Wifkung ... J cfekl

Bewenungs_ derekl

Zid,;cuungs_ defekt

Nachfolgepla_ nuoplAS lVI KalTiere_ mode lle/ AS V

Le istungsmanagement Ve.,-gülungsmanagement

I

Verg ütung'!,'<,.'Stahu og (AS VII

I

Abbildnng 43 PWlO!" pi,.; he An"cndnng,,,,enarie n

Mil den genenmen scchs Anwcndungsszcnaricn ist die Anwcr uhmg der vier Data Mining Methodengrup pen in den vcrschicdcncn Entschcid ungsproblcmtypcn tür alle Bcrcichc des

Personalmanagcmcnts erreicht (vgl. Ahbildung 43 j. Diesc sechs Anwcndungsszcnericn werden im Felgen den zunächst j cwcils anhand ihrcr Dimcnskmcn bcschricbcn. Darübcr hineus crfolgt eiuc pcrsonelwirtschafllichc Analyse des Anwcndungssveuarios. indcm das Anweudungs-

szcnaric in dcm jcwciligcn personalwinschaûlichcn Kontext vor dcm Hintergrund des LU erreichenden personnlwinschaûlichcn Erkenmniszicls und untcr Beac htung rechtlicher Rehrnenbedingungen kritisch dis kuticrt wird.

5.3.2.

Anwendangsszenario I: Personalstruknomanagement

5.3.2.1.

Heschreihueg des Anwendungsszcnarios

Abbildung 44 steur das Anwcmhm gsszcnario Pcrs onalstrukturmanagcmcnt anhend der Dimcn-

sionen Auwcnduugsbcrcich. Eutscheidungsproblcm. Data Mining Method engruppe. Darcnhasis und Erkenraniszicl im ÜtJertJlick dar. Das hier mil Pcrsonalstrukturr nenagemcnt bczcichnetc Anwcndungsszcnario "on Data Minin g

im Persenelmanagement crwcircn den bestehend en Ansatz ëcs Pc rsonalport folio s. De r Pe rsonalportfolio-Ansatz dient im Personalmenagement als Basis für Srrutegieformulicrungen"

'"

Vgl Occhster 20116.S 123r

'64

und umcrs tmzt d ie systematische Erfassu ng de r l'otc nziahrägcr. die Steuerung der Entwieklungsarbcitund die Siehe rung der Tra nsparenz hinsic htlich der Nach folgesituatinn'" .

Anwendungsszenario I: Pcrsonalstrukturmunagement Anwcndungsbereich

übergreifcnd

Eraschcidungsprohlcm

w ahrnchmungsdcfektcs Entschcidungsproblcm

Data Mining Methodengrup pe

Scg mcnticru ngsmcthodcn

Detcnbasls Erkenntniszic!

Mitarbcitcrstarumdatcn. Bcurtcilungsdatcn. Quali!ikat kmsdalen . Vcrgütungsdatcn etc.

Erstcllung cincs n-dimcnsionalcn Pcrson alport folios und dumir d ic ldcntifi kation vou Pcrsonalkatcgoricn zur Srratcgiecnrwicklung

Abbildllng 44 : An"coollnb",zc Mrio I: Pcr;o lllll, trub llm1l1llagcmc nl

De r Port fqlio-An sutz basicrt traditjoncllcr w eisc auf zwei Dimc nsioncn, nach derren das Per-

sonal katcgorisicrt wird . Je nach Gra d der Diffcrcnzicrung de r emzclm.."!l Dlmcnsionen werde n Port fölio s. hcstehcnd aus Vil"!". uc un odcr

mehr Kmcgoricn , gebildet."

Das bckanme

Personafport folio nach Odi um e"'" verwen del bcispicls weisc die beid en Dlme nsioncn 1'00elc;a{ und Leis/ul/g. die j ccvcils in nicdrig und hoc h umcrtcilr sind. Dami l lassen sich vier Personetkategoricn ahlcitcn : Deadwoo d (Pcrcnz ial nicdrig, Leistu ng nicdrig j. Problein Employees [Potcnxial hoeh. l.cistuug uicdrig j. Workh orscs (I'utenzi al nicd rig, l.cistung bocb) und Stars (Potcnxial hoch , l.cis tung !loch ). Aus den l'crsonalkarcgoricn lass en sich Pcrsonuls trategicn fü r die Morivarionsc rhöhung und Weitcrcmwicklung de r Mitarbcitcr ablcitcn.?" Die Anwendung ven Segmcnticrungsmethoden im Rahmc n des Personalstrukturmanuger ncnts ermöglich t nun die Ketcgori sierung der Mitarbcitcr nach n Dimcn sioncn . Denrit ver-spric ht dics es Sze nario die Möglichkcit. clnc Viclzahl an vc rfüg bercn Mitar bcitcrdatcn für d ie Bildung von Pcrsonal-

portfolies heranzu zich cn und bict er somir ein e umf asscndc Basis zur Snategicemwicklung. Ziel dicses Anwcndungsszcnarios ist es, die dcrzcitig e Pcrson alstruktu r in cÎner Form aufzubcreitcn. die es crlaubt. Pcrsonalsttatc gjcn ubzulcitcn. Deruit handelt cs sich urn CÎ n wahmchmu ngsdcfe ktes Emsc hciduugsprohlcm. wclchcs durch den Einsall ven Scgmentierungsmethodcn strukfuricrt und der Dele kl gchcilt werde n solt. Die Hcilung d.."S Wuhrnehmungsdcfcktc s mhhilfc vou Scgmcmicrungsmcrhodcn durch die Hildung von Pcrsonalkatcgoricn in Forrn ven Grup pen ermöglicht dar mdie A ufslcllllng von Personals rrategien als Handlu ngsalremmiv en.

..... ..., ..,., ...'

Vgl Vgl Vgl Vgl

Scholz 2000. s . 378 Occhslcr 2006, S. 123 Odiome I"!(.J. S 65tT Occhslcr 20116.S 124

165

Die zu analysierende Datenbasis enthält die Mitarbeiter als Objekte, die durch verschiedene Attribute beschrieben werden . D. h. entsprechend ist eine Datenb asis vorzubcreitcn, die die einem Mitarbeite r zuzu schreibenden Inform ationen als Attribute beinhaltet. Dies können Qualifikationsdat en, Vergütungsdaten, Beurteilung sdaten aber auch Stammdaten wie Alte r, Betriebszugehörigkeit, Geschl echt etc. sein (vgl. Abbildung 45).

Abbildung 45 : M ögliche Dimensionen des Personalstrukturmanagements

Auch hier stellt sich das im Peronalm anagement zentr ale Problem der Datenzu sammenfiihrung in tabellarischer Form .488 Je nach Fokus des zu ermittelnden Personalp ortfolios können zur Anwendung der Segme ntierungsmethoden spezi fische Attribute, die die Dimensionen der Personalstruktur darstellen, ausgewählt werden. lm Rahmen dieses Anwendungsszenarios soli ein die Personalfunkt ionen übergre ifende s n-dimensionales Portfolio erstellt werden, das entsprechend aus allen genannten Bereichen lnformationen integriert. Es können nun alle als Attribut e aufge ftihrten Daten der Mitarbeiter als Dimension in das Anwendungsszenario aufgenomm en werden . Damit ist grundsätzlich eine Vorstrukturierung der Dimensionen wie dies im traditionellen Personalportfolio-An satz der Fall ist, beisp ielsweise bei der Eintcilung der Leistung in niedrig und hoch bei Odiome , zunächst nicht notwend ig. Die Anz ahl an zu ermittelnden Person alkategori en kann in Abhängigkeit der angewendeten Einzelmethode vom Entscheidungsträger a priori vorgegeben werden oder aber die optimale Anzahl an Kategori en wird automatisch aus der Datenb asis heraus erm ittelt. Damit verspricht dieses Anwendungsszen ario eine methoden gestützte

Integration und Aggregation vielfälti ger Mitarbe iterdaten und

ermöglicht dam it die Darstellung der Person alstruktur in einem n-dimensionalen Personal-

488

Die Datenzusammenftihrung ist für alle Anwendungsszenarien von zentraler Bedeutung. Sie wird stellvertretend im Rahmen des Anwendungsszenarios V: Gestaltung von Karrieremodellen diskutiert.

166

portfolio. Werden Beurteilungsdaten ebe nso wie Qual ifik ationsdaten, Daten über das Alter sowie die Dauer der Betriebszugeh örigke it zur Erstellung des Personalp ortfolios heran gezogen, dann können auf die einzelnen ennittelten Person alkat egorien ausgerichtete Personalbedarfssowie Personalentwicklungsplanungen abgeleitet werden. 5.3.2 .2.

Person alwirtschaf tliche Analyse des Anwe ndungss ze na rios

Dieses Anwendungsszenario ist nun vor dem personalwirtschaftl ichen Hintergrund des Einsatzes eincs n-dim ension alen Personalportfolio s zur Strateg ieentw icklung sowie rechtlich en Aspekten kritisch zu betrachten . Obwohl das Anwendungsszenario grundsätzlich die Integration und Berücks ichtigung vielfältiger Infonn ationen erm öglicht, wirken eine hoh e A nzahl an verwendeten Attributen als Dimen sionen des Person alportfolios negativ auf die Bearbeitb arkeit durch den Entsche idungsträge r. Die so ennittelten Personalkategorien müssen zunächst durch den Entsche idungsträger beschrieben werd en, dam it inhaltlich passend e und zielgruppengerichtete Strategien entwiekelt werden können . Je mehr Attr ibute für die Bildun g der Person alkategorien herangezogen werden, umso mehr Aspekt e sind auch bei der Beschreibung der Personalkategorien zu berücksichtigen. Die Verwendung vieler Attribute kann dazu führen, dass der Wahm ehmungsdefekt nicht geheilt wird, sonde m weiterh in besteht und sich led iglich auf einer anderen Aggreg ationsstufe man ifestiert . Dam it besteht ein Trade-offzwischen der Aggregation von m öglichst vielen Infonnatione n und der Ziel gruppenspezifit ät der Strategieentwicklung: Je höher die Anzahl der verw end eten Attrib ute, desto genauer ka nn die inhaltliche und z ielgruppenspezifische Strateg ieentwicklung stattfinden. Gleichzeitig aber sinkt die Bearbeitbarkeit tür den Entscheidungsträger , so dass im Extremfall der Wahmehmungsdefekt nicht geheilt wird und dam it eine Entscheidungs unterstütz ung nicht vorliegt. Diese m Trade-off kann j edoch über die Anwendung der Segmentierungsmethode begegnet werden. Zun ächst kann der Entsche idungsträger bestimme n, wie viele und wel che Attr ibute er für die Bildung des Person alportfolios heranzieht. Darüber hinau s ist eine Gewichtung der Attribute m öglich, so dass der Entscheidungsträger die Bedeutung der Attribute für die j eweil ige Personalkategor ie selbst festlegen kann . Hier kann a priori keine Emp fehlung für eine bestimmt e Anzahl an Attributen gegeben werden, vielmehr liegt das Potenzial des Data Mining respektive der Segme ntierungsmethode n darin, dass verschiedene Varianten an n-dim ensionalen Personalportfolios erste llt und auf ihre Verwendung zur Strateg ieentwicklung hin eva luiert werden k önnen. Damit ennöglicht das Anwendungssze nario eine va riabie durch den Entscheidungsträger festlegbare Verwendung von Attributen zur Ident ifikation von Personalkategorien.

Für die Durch führun g des Anwendungssze narios ist die Verwendung von person enbezogenen Daten nicht notwend ig. Z ur Erstellung eines n-dim ensionalen Personalportfolios und somit der

167

Idemifikarion von Personalkatcgoricn zur Ableitu ng ven Pcrsonalsr rategicn iSI die Kermtnis der individuelle n Zugchiirigkcil c inzc lncr Mitarbcitcr zu den Pcrson ulkatc goricn nicht xiclführc nd.

Vielmehr bcstcht das Erkemunisintcrcs sc am Aulbau der gcsurmen Pcrsonalstrukiur, die sich auch uus anonymi sierten Dalen cnniucln lässt. Daruit kann diescs Anwendungsszcnario durehuus auc h uotcr Rückgriff au f unony misic rtc Datcn rcalisicrt werden. so dass in diescru Fall auch kcinc datcnschutzrcchtlichcn Restriktionen I U bcaclncn sind. Einc l.cgitimation der vcrwendun g von pcrsoncnhczo gcncn Deren kiinnlc sich für das Anwcn dungsszcn ano aus dcm Erleub-

nistutbestand gcm äB ~ 28 Ahs. I. Satz 1 Nr. I ergeben. Dies isl dann der Fall, wcnn die Dat a Mining Analyse im Rahmcn des Anwcndungsszcnados in unminclbcrcm Zusanuncnhang mil dcm Vcrt ragszwcck des Ar bcitsvertragcs stc ht und der Personalplan ung d ient. Von dicscrn Tal-

bestand ka nn im Rehmcn des Anwcndungsszc narios ausgegu ngcn werden. da das n-dimcnsionalc Personafportfolio d ie Pcrsonalbcdarfsplanung cbcnso umcrsr ëocn kann wie die Personetentwicklun gsplanung. Damit blcibt fcstz uhaltc n. dass die Anwe ndu ng von Data Mini ng respektivo der Sc gmcntic-

nmgsmcthodcn im Rahmcn de s Anwcndungsszcnados Pcrsonalstrukturmanagcmcnt durehans gecignct schcinr. Es kann cin c aggregierte Derstcllung der Pcrsonalsrrukurr unhand ausgcw ählter Dimen sionc n crstcllt werden. die dcm Entsc hcidungsträgcr ctncn Über hlick ubcr die Persenalstrukt ur gcbcn kann. Zu hcach tcn blcibt in dicscm Auw cnd ungs szcnurio insbesoudere der Tradc -of f zwischcn der Vcrwcndung müglichst "ieler Dimcnsioncn und der notwcndigcn Ziclgruppcnspcz ifltät zur Straleg iel.'11Iwieklullg.

11: f111f,;III(/fions(///(/~vse

5,3.3.

Anwendangsszenario

5.3.3.1.

Heschreibung de s Anwend ung sszenarios

Ein~'11 Übcrb liek ûbc r das Anwcndun gsszcna rio Flukruction sanal yc g ibt Abbildung -\6.

Anwcnduugsszcnario 11: Ffukrumionsnnalysc Anwc ndungsbcrcich

übcrgrcifcn d

Eutschci dungs problc m

wahrnchmungsdc fcktcs Entschcid ungs problcm

Dat a Min ing Method engrup pe

Klassiflkatkmsmcthodcn

Dalcnbasis

Mitarbcitcrstamrndatcn. Qualili kations dalen. Hcurtcilungsdatcn . v c rpüt ungsdatcn. Kündig ungsdat cn

Erkcnntniszicl

ldcntiflkatic n von die Abwa ndcru ng bcein flusse nde n Paktoren. ldcntifikation ahwandc rungsgcfährdctcr Mil-

artene r

16'

Unter der Fluktuation von Arbeitnehme m wird der Personalabgang ve rstanden, der nicht ausschlielslich auf organisationsinitiierten Gründen oder auf Gründen wie Renteneintritt oder Tod des Arbe itnehmers basiert .' " Damit umfasst die Fluktu ation jene Austritte, die seitens des Arbeitnehme rs initiiert werd en. Nebe n den Personalb estandsveränderung en führt sie zu graviere nden Kosten implikationen. Z um einen geht dem Unternehmen Human kap ital verloren, das sich durch Anwerbun g, Inform ation und Weiterbildun g manife stiert hal. Zum anderen erford ert der Ausgleich des Personal abgan gs durch Besch affun g und Weiterbildung neuer Mitarbe iter weitere lnvestitionen.? " Insbesond ere das Ausscheid en von Mitarbeitern mit entscheidenden Potenz ialen und Fähigkeiten für das Unternehmen führt zu für das Unternehme n kosten intensiven Rekrut ierungs- und Weiterbildungsmaênahme n. Vor diesem Hintergrund ist es für das Personalman agem ent wichtig, Faktoren, die zu einem freiwilli gen Ausscheiden der Mitarbeiter führen, zu kennen. Diese Faktoren können dann für die Entw icklung und Umsetzung von Bindun gsstrategien und -maBnahmen herangezogen werden." ! In diesem Kontext ist die Kenntn is der Einll ussfaktoren, die das Abw andc rungsve rhalten der Mitarbeitcr bedingen, von esse nzie lIer Bedeutung für das Personalmanagement. Sind diese Einflussfaktoren sowie die abwan derungsg efährdeten Mitarbeite r bekannt, so ist das Personalmanagement in der Lage, zielgeri chtet e Person albindu ngsmaênahmen abzu leiten und damit proakt iv ein Bindun gsmanag ement zu gestalten und umzusetzen. Mit dem Einsatz von Data Mining soli die Ermittlung von Informat ionen bcz. des Abwande rungsve rhaltens der Mitarbeiter unterstützt werden. Damit stellt das Anwendungssze nario Fluktuationsanalyse zu nächst ein wahmehmungsdefektes Entscheidungsproblem dar. Es sollen mithilfe von Data Mining folgende Anregungsinformationen ermitte lt werden: •

Identifikation der die Fluktu ation beeinflu ssenden Faktoren

•

Ident ifikation der abwanderungsgefährdeten Mitarbeiter.

Auf Basis dieser Anre gungsinformationen sollen im Nachgang Malmahmen zur Mitarbeiterbindung gestaltet wer den. Der Wahrnehmungsdefekt manife stiert sich in diesem Anwen dun gsszenar io hinsichtlich der Kontrollv ariablen Kündigung des Arbeitnehmers. Das bedeut et, dass mithilfe von Data Minin g die mit der Kündi gun g des Mitarbeiters zusammenhängenden Faktoren identifizie rt werden sollen. Die Anwendung von Klassifikationsmethod en ermöglicht nun mit der Deklaration des Kündigungsgrundes als Zielattribut die ldentifik ation des Zu sammenhangs

489 490

49!

Vgl. Scholz 2000, S. 704. Vgl. Strohmeier / Piazza 2008, S. 53, Scholz 2000, S. 704ff , Bierwirth / Nagengast 2005, O.V. 2006, S. öo oder Gagné 2006, S. 61. Aktuell wird unter dem Begriff Talent Relationship Management (TRM) neben der effektiven und effizienten Gewinnung und Entwicklung von Mitarbeitern insbesondere auch die Mitarbeiterbindung in den Fokus des Personalmanagemems gerückt. Vgl. z. B. Diederichsen 2008 , S.23ff

169

sowie der Einfluss faktoren. Wird ein den GütemaBen entsprechender Zusammenhang identi fiziert, so kann dieser auch zur Prognose der Abw anderungswahrscheinl ichkeit von Mitarbeitern, die (noch) nicht gekündigt haben, herangezogen werden . Verfügt das Attribut Künd igungsgrund beisp ielsweise übe r die Attributsausprägungen durch Arbeitnehmer initiien , durch Arbeitgeber initiiert und Renteneintritt, dann erfolgt mithilfe der Klassifikation smethod en die Ermittlung der Eintlu ssfaktoren auf eben diese Kündi gungsgründe. Dieser Zusamrnenhang, eingesetzt zur Prognose, ermög licht die Zuordnun g des Künd igungsgrunde s durch Arbeitnehm er initiiert zu einzelnen Mitarbeitern, wobei die Konfidenz dieser Zuordnung die Abwanderungswahrscheinlichke it ang ibt. Als Datenbas is sind damit historische Daten notwend ig, d. h. Daten von (ehemaligen) Mitarbeitem, die bereits gekünd igt haben. Da es sich bei diesem Anwendungsszenario urn ein übergreifendes Entsche idungsproblem handelt und sich potenz ielIe Eintluss faktoren auf die Kündigun g aus dem Bereich Entwicklungsmanagement ebenso ergeben können wie aus den Bereichen Leistun gsmanagement und Vergütun gsmanagement sowie aus mitarbeite rspez ifischen demografischen Daten wie beispielswei se Alter oder Familie nstand, sind in die Analyse Mitarbeiterstammdaten, Beurteilung sdaten, Qualifikationsdaten und Verg ütungsdaten zu integrieren. Weiterh in sind die Künd igungsdaten beispielsweise in Form des Attributes Kündigun gsgrund in die zu analysierende Datenba sis zu integrieren . Ziel dieses Anwendungssze narios ist die method engestützte autom atische Ermittlung von Eintlu ssfaktoren auf das Kündigungsverhalt en der Mitarbe iter sowie die Prognose der Abw anderungswahrsche inlichkeit einzelner Mitarbeite r. Damit verspricht dieses Anwendungsszenario die Berücksicht igung vielfältiger potenzielIer Einflussfaktoren auf die Kündigung se itens des Arbeitnehmers und liefert im Ergebnis eine Basis für die Entwicklung und Umsetz ung von Bindungsstrategien. Darüber hinaus erfolgt die ldentifik ation von abwanderungsgefäh rdeten Mitarbeitem und damit wird die Zielgruppe bestimmt, auf die Bindun gsmaên ahmen angewandt werden soliten. 5.3.3 .2.

Personal wirtschaftliche Analyse des Anwe ndungssze narios

Dieses Anwendungsszena rio ist nun vor dem personalwirtschaftl ichen Hintergrund der Abwanderungsanalyse sowie rechtlichen Aspekten kritisch zu diskut ieren. Grundsätzlich ermöglicht Data Min ing respektive die Anwendung von Klassifikationsmeth oden im Rahmen dieses Anwendun gsszen arios die Berücksichtigung vielfältiger Daten aus verschiedenen Personalbereichen im Hinblick auf das Abwanderungsve rhalten. A us methodi scher Sicht kommen hierzu Entsche idungsbaumverfahren ebe nso in Frage wie Neuronale Netze . Während Neuronale Netze potenziell beliebig komplexe funkt ionale Zusammenhänge zwischen den Eintlussfaktoren und der Kündi gung ermitteln können, liefem Entscheidun gsbaum verfahren als

170

Ergeb nis transpare nte Regeln. Inso fern können die Ergebnisse der Entsche idungsbaumve rfahren leichter interpretiert werden. Der Entscheidun gsträger kann entscheiden, we lche Eintlussfaktoren er als rele vant für die Entwicklung und Umsetzung von Bindun gsstrate gien erachtet und diese au fgrund der verständlich en Ergebnisau fbereitung der Entscheidungsbaumve rfà hren leichter auswählen. Liefe rn jedoch die Entsche idungsbaumverfahren keine valide n Ergebnisse, dann kann durchaus der Einsatz von Neu ronalen Netzen angeraten sein. Da diese in der Lage sind, beliebig komplexe funkti onale Zusammenhänge zu entdec ken, besteht das Potenzi al, dass Neuronale Netze in diesem Fan den noch Zusamme nhä nge entdecke n. Das Anw endun gsszenario ist jedoch kritisch vor dem Hintergrund des Personalfrei setzun gsprozesses zu betrachten. Werden die Gründe des A rbeitnehmers für seine Kündigung im Rahmen eines Abgangsi nte rviews differenziert erhobe n' " , so kö nnen diese Informationen zusätz lich in die Datenb asis integriert und bei der Data Minin g Analyse mitberück sichtigt werden. Hier ist jedoch grundsätzlich die Frage zu stene n, inwiefe rn von der Data Mining Analyse ein Mehrwert an Inform ation gegenü ber einer einfachen Analyse durch Abfr agen der im Rahmen der Abgangsinterviews erhobenen Informationen erw artet werden kann. Dieser Mehr wert ist im Hinblick auf das Erkenntnisziel, d. h. auf die Ident ifizierun g der Einflussfakto ren auf die Abwanderung und der abwa nder ungsgefährdeten Mitarbeiter, zu bewerten. So ist es durch aus denkb ar, dass über einfache Abfragen der Inform ationen aus dem Abgangsinterv iew das Erkermtnisziel bereit s erreicht wird. Ist dies nicht der Fan oder werden keine Abgangsinterview s

geführt, so bietet die A nwendung von Klassifikationsmethod en durchau s das Potenzial zu r Ident ifikation der gewünschten Inform ationen. Die Anwendung von Data Mining erlaubt die integrative Berück sichtigun g vielfältiger Daten über das Abgangsinterview hinaus. So ist beispielsweise denkbar, dass Klassifikationsmethoden Mitarbeite r eines bestimmten Alters, ein er bestimmten Quali fikation und einer bestimmt en Vergütung sgruppe als besond ers abwanderun gsgefährdet identifizieren . Damit bietet das Anwendungsszen ario das Potcnzi al, die im Personalman agement vorhandenen Daten im Hinblick au f die Abwande rung um fassend zu anaIysieren und das Inform ationspotenzial auszuschöp fen. Aus rechtlicher Sicht gestaltet sich die Identifi zie run g des Zusammenhangs mithilfe von Data Mining dann unproblem atisch, wenn es sich urn ano nym isierte Daten handelt. Aus datenschutzrechtl icher Sicht ist die Analyse anonymisie rter Daten zulässig und ein Mitbestimmun gsrecht des Betriebsrates besteht in diesem Fan nicht. Entsprechend sind die Daten der Mitarb eiter, die in der Vergangenheit gekündigt haben , zu anonymisieren. Zur ldentifikation des Zusammenhangs zwi schen den Einflussfaktoren und der Künd igun g ist der Personenbezug nicht notwend ig, so dass eine A nonym isierung diese Anwendung nicht beei nträchtigt. Bei der Zuord-

492

Vgl. Scholz 2000, S. 555.

171

nung der Abwanderungswahrscheinlichkeit zu den derzeitigen Mitarbeitern und damit der Prognose handelt es sich jedoch wiederum urn personenbezogene Daten, die unter den Geltungsbereich des BDSG fallen. Sollen personenbezogene Daten analysiert werden, könnte sich eine Legitimation für das Anwendungsszenario aus dem Erlaubnistatbestand gern äû § 28 Abs. I Satz I Nr. I BDSG ergeben. wenn der Einsatz von Data Mining in unmittelbarem Zusammenhang mit dem Vertragszweck steht und der Personalplanung dient. Im Rahmen der Fluktuationsanalyse werden Mitarbeiterdaten hinsichtlich der Abwanderungswahrscheinlichkeit analysiert. Entsprechend kann dieses Szenario eine Basis für die Personaldeckungsplanung oder Personalbedarfsplanung ebenso wie für die Personalentwicklungsplanung bilden. Ist dies der Fall kann, für das Anwendungsszenario von einem Erlaubnistatbestand gemäf § 28 Abs. I Nr. I BDSG ausgegangen werden. Sollen zudem leistungs- und verhaltensrelevante Daten analysiert werden, ist der Betriebsrat zur Mitbestimmung berechtigt. Damit bleibt festzuhalten, dass das Anwendungsszenario Fluktuationsanalyse durchaus sinnvoll und praktikabel scheint. Werden keine Abgangsinterviews getätigt und es liegen im Unternehmen die zuvor genarmten Daten vor, so ermöglicht die Anwendung von Data Mining die methodengestülzte automatisierte Identifizierung von Einflussfaktoren, die eine mitarbeiterseitige Kündigung bedingen. Konnte ein valider Zusammenhang identifiziert werden, so ermöglicht die Anwendung des entdeckten Zusammenhangs die Prognose der Abwanderungswahrscheinlichkeit einzelner Mitarbeiter und erlaubt mithin ein proaktives Bindungsmanagement. Auch für den Fall, dass Abgangsinterviews geführt werden, kann die Anwendung von Data Mining über die in den Interviews genarmten Informationen hinaus weitere Einflussfaktoren entdecken. 5.3.4.

Anwe ndu ngsszenario 111: Personalvorauswahl

5.3.4.1.

Beschreibung des Anwendungsszenarios

Dieses Anwendungsszenario zielt auf die Unterstützung der Personalvorauswahl mithilfe von Data Mining ab. Die das Anwendungsszenario beschreibenden Dimensionen sind in Abbildung 47 übersichtlich dargestellt. Aufgrund des Interneteinsatzes im Personalbeschaffungsprozess sehen sich Unternehmen häufig mit einer Vielzahl an Bewerbungen konfrontiert, deren Vorselektion manuell kaum mehr zu bewältigen ist. Ziel der Personalvorauswahl ist die möglichst aufwandsarme Vorselektion potenziell geeigneter Kandidaten. 493 Mit dem Einsatz von Data Mining in der Personalvorauswahl soli dieses Ziel durch ein automatisiertes Ranking der Bewerber hinsichtlich ihrer Eig-

49 3

Vgl. Scherm / SüB2003, S. 54.

172

nung erreic ht werde n. utcrzu iSI die Vcrwend ung eines Eignungskritcriurns crfordcrlich. we lchcs al aus pcrsonalwinschaûlichcr Sich t die Eignung widcrspicgelt und b} sich mitbilfe von

Data Minin g aus den Duren crmiucln 11Iss1. Aufgrund von Vcrgangcnhcitsdarcnsoli im Ruluncn des Anwendungsszenarios der Zusammcnhung zwischcn den Bcwcrbcrdnten und dL11I (noch fachlich fcstzulcgcndcn ] Eignungs kritcrium crmiuclr werde n. wele ne r es c rmöglicht. d ie Eignung t1lr ncuc Bcwcrbcr IU prognostizicrcn.

Anwcndungsszcnario 111: Pcrsonalvorauswahl Anwendungsbcrc ich

Hcschaffungsmana gcm ent

Emschcidungsprohlcm

ziclsctzungsdcfcktes Entscheidungsproblcm

Data Mining Meihedengruppe

Klussifikations methodcn. Bewertungsmethodcn

Bcwcrbcrsrammdarcn, Einsrcllungsdarcn, Bcurtcilungsda-

Dale nbasis

ten. Mitarbcite rstammd atcn. Qualjfl kations datc n

Ranking der Bewerbcr hinsichtlie h ihrcr Eigr umg

Erkcnnmisziel

Abbi ldlln g 47 : Anwcndllngs1Onal\"o ralls" ahl

Das Problein der Vorau swahl potenzicll gccignctcr Bewerbcr isl damit zunäc hst ein zielsctzungsdcfcktcs Emschcid ungsprob lcm. Die Hc wcrbcr stelle n dubc i die Handlungsaltcrnativcn A dar. d ie hinsichrlich ihrer Eignung bewertct werden sollen. Eignungskritc rium

a

",

...

...

"'"

".

Zu crmincln sind nun •

das Eignungsk riterêum fü r die Bcwcrbcr. des sen Ansprägu ngen

lIUS

emscheidungs-

theoretischer Perspektivo den Nutzwcrt n widc rspicgclt. •

d ie d ie Ausprägung des Eignungskritcri ums bccinflussendc n Pektere n und demit

•

d ie Z icltimklion [ .

dil: es crmöglichcn. d ie Bcwcrbcr in elnc Rcihcnfclgc

IU

bri ngcn u nd dicjcnigcn aufsuzcigcn ,

die potcnzicll gceignct s ind. Zunächst ist ein adäquates Eignungskmcnum

IU

bestimmen. wélc hcs in der Datenbasis

gespcic hert ist und dehcr nuf Frfahrungswcrtcn basic rt. llicr sind bcispiclswcisc trühcrc Vo r-

173

auswahl- oder Einstellungse ntscheidungen bzw. der Beru fserfolg ehe mals eingestellter Bewerber denkbar. Mith ilfe von Bewertungs- oder Klassifikationsmeth oden unter Dekla ration des Eignun gskriterium s als Zielattribut soli dann der Zusammenhang j, erm ittelt werden, der, angewendet auf neue Bewerb er, eine Prognos e der Eign ung ermögli cht und som it für das Ranking der Bewerber herangezogen werden kann . Die gen armten Eignungskrite rien werden kurz illustriert, urn in der ansc hliebenden Diskussion die unterschiedl ichen Auswirkun gen der Auswahl eines Eignun gskr iterium s auf das Einsatzp otenzi al von Data Min ing zu ilIustrieren.

Vorauswahl des Bewerber s: Basierend auf früheren Entsche idungen zur Vorauswahllassen sich m öglicherweise Rückschlüsse darüber ziehen. welche Kriterien die Vorauswahl beei nflussen und ein Z usammenha ng zwischen diesen Kriterien und der Vorau swahl entscheidung ermitteln. Die Ausprägungen des Eignungskriteriums Vo rauswahl bestehen in .j a" und " nein" und kö nnen prognostiziert für neu e Bewerber potenziell als Entscheidun gshilfe dienen .

Einstellung des Bewerbers' ": Hintergrund dieses Eignungskriteri ums ist, dass sich wom öglich aufgrund früherer Einstellun gsentscheidungen Rück schlüsse darauf ziehen lassen, ob ein aktueller Bewerber nun potenziell eingestellt oder nicht eingestellt werden soli. Dam it geiten diejenigen Bewerber als geeignet, denen au fgrund histor ischer Einstellungsentscheidungen die Attributsausprägung .cingcstcllr zugeordnet werden kann und vice versa. Absolvie ren der Probezeit: Stalt der Einstellung kann jedoch auch die erfolgrei che Absolvierung der Probezeit als Indikator für geeignete Bewerber geIten. Hintergrund sind auch hier frühe re Erfahrungen, es werden jedoch im Gegensatz zum Einstellun gskriterium auch jene Bewerber als ungeeignet einges tuft, die zwar eingestellt aber innerh alb der Probezeit entlasse n wurden .

Leistungsbeurteilung im Hinblick au f die Erftillung der stellenspezifis che n Anforderungen: Die Eignung eines Bewerbe rs zeigt sich letztendlich in seinem Berufserfolg als Mitarbeiter, welcher sich in der Leistungsbeurteilun g widerspiegelt. An dieser Stelle soli die prognostizierte Leistung eines Bewe rbers als Eignungskriterium herangezog en werden. Die hier aufgefü hrten Eignungskr iterien unterscheiden sich hinsichtlich der Skalierung und dam it der anwendbaren Methode ngruppe sowie des Bezugs (vgl. Abbildung 49). Diese Aufste llung enthält keine vollständige Auflistung an potenziellen Eignungskriterien, vielm ehr beinhaltet sie explizit Eignungskriterie n mit unter schiedl ichem Bezug und unterschiedl icher Skalierung, urn aufzuzeigen, dass zum einen unterschiedl iche Datenb asen zur Analyse verw endet werden müssen und zum anderen eine Variation in der Skalierung des Eignungskriteriums zu Implikationen hinsichtlich der zu verw endend en Method engruppe führt,

494

Vgl. Browne / Wamoc k / Boykin 2005.

174

Skahc rung

Bczug

Meibodengruppe

Vorausweh l

kalegorial

Bcwcrbcr

Klassifiketion

Eins tcllung

kalegorial

Hcwcrbcr I Miterbcitcr

Klasviflkation

Absolvicrcn de r Pro-

kalegorial

Miterbeitcr

Kla ssiflkation

metrisch odcr

Miterbcitcr

Bcwc rtung od cr

Eignungskeitcrium

bczcit l .eistungs bc urtcilung

katcgorial""

Klassifikarion

Abb,ldllng 49: Eigmulg,\;'rilerkn de s Anwe, ldllngSSl'Cllarios 111 : i' er<;<JIl.,l, 'ornus" ,ahl

Es han de lt s ich bei der dargestelhen Emschcidungssituaiou in Abhängigkcit der Skalicrung des gcwä hltcn Eig nungs kr iteeiums

UIlI

ein c minels Data Mining l

il

hcwältigcnd c Kktssifikations-

od cr R/?w/?"l/lIxsIII!fxahe. Handelt es sich urn cin kategor ial skatic nes Eigmm gskritcrium. so komm en grundsützlich Methoden zur Klassifikation in Pr age. wëhrend metrisch skalie rtc Eigmmgskritc ricn Meiheden I llr Bcwcnung crfordcrn.

Das Z iel der Anwcndung dicscr Methoden im Rehmcn der Pcrsunalvorauswehl ist die Ermitt-

lung cincs funk tienalen Zusa rr nncnhangs f aus historischcn Dalen. der den Zusammcnhung zwischcn den Bcwerberdetc n und dem au sgew êhlrcn Eignungskritc rium ubbildct. Kann cin so l-

chcr Zusemme nha ng e rmittclt we rden. crmöglicht dieset die Prognos e der Eign ung von ncucn Bever be rn. Die Bewcrbcr kunn en dunn übc r das prognosrizicne Eignun gskritcrium in eine Rei-

hcnfolgc gebracht \\ L'Tdcn.' ''' Diesom Auwcndungssvcua rio sind Hcwerbcrdatcn sowic in Abhängigkeit vom gewä hltc n Eig nungsktiterium Mitarbeitcrdatcn bz w. Einst etlungsd utcn odcr Bcurt cihmgsdatcn zugrundc IU legen. Die Miterbcitcr bz w. die Bcwcrbcr stellen dabci die IU analy sicrcndcn Ohj cktc dar. die d urch Auriburc aus dcm ltcwcrbc rstemm bzw. Mira rbcitcrstemm sowie

Uualiflk ationsduren.

Einstellun gsduten

und Beurteilungsdaten bcseh riehcn

werde n. Damit vcrs pricht dicscs Anw cnd un gsszcna rio cinc Vcrclnfach ung und Bcschlcunigung des Pcrsonalvoreuswahlprozcs scs. iudcru die prognostizicnc Eignung als Zusmzinfonnarion in das Entschcidungspr oblcm mil uu fgcnomrncn w erden kann .

... lk7uglieh der Leisll1nl:shellneih 'ng sind heide Skalierlln~,"n .,llemaliv denkbar ("g l. lIlT Opcralionahe II\Ulgsdefc\;,le'S ernrheilel,

175

5.3.4.2.

Personalwirtschaftliche Analyse des Anwendungsszenarios

Dieses Anwendungsszenario ist nun vor dem personalwirtschaftlichen Hintergrund der Durchführung der Personalvorauswahl sowie rechtlichen Aspekten kritisch zu analysieren. Zunächst ist zu unterscheiden, ob im Rahmen des aktuell praktizierten Personalauswahlprozesses organisatorisch vorgegebene Auswahlkriterien zwingend berücksichtigt werden müssen, Gestaltet sich die Entscheidungssituation derart, dass vorgegebene Auswahlkriterien, wie beispielsweise Berufserfahrung, Abschluss, Note etc. ggf mit verschiedenen Gewichtungen zur Vorauswahlentscheidung zwingend heranzuziehen sind, so führt die Anwendung von Data Mining zur Ennittlung eben genau jener Auswahlkriterien als Einflussfaktoren auf das Eignungskriterium. Werden jedoch andere Kriterien durch die Verwendung von Data Mining ermittelt, so kann dies unterschiedliche Ursachen haben und ist insbesondere durch die Wahl des Eignungskriteriums bedingt. Zum einen kann die Abweichung der mithilfe von Data Mining enn ittelten Auswahlkriterien von den Vorgaben darauf hindeuten, dass auch faktisch eine Abweichung von den vorgegebenen Kriterien stattgefunden und der Entscheidungsträger andere Kriterien zur Auswahl herangezogen hat. Dies ist dann der Fall, wenn das verwendete Eignungskriterium die Vorauswahl darstellt. Hier ist sichergestellt, dass den Data Mining Methoden die gleiche Datenbasis, nämlich Bewerberprofil und Anforderungsprofil, wie dem für die Vorauswahl zuständigen Entscheidungsträger zugänglich ist und entsprechend deutet eine Abweichung der Vorgabe von den mittels Data Mining enn ittelten Auswahlkriterien auf ein von den Vorgaben abweichendes Entscheidungsverhalten des Entscheidungsträgers. In diesem Fall führt die Anwendung von Data Mining zur Identifizierung von Anregungsinformationen, die auf ein anderes Problem hindeuten können und somit zur Heilung eines Wahmehmungsdefektes. Die Anwendung von Data Mining liefert damit keine Entscheidungsunterstützung im Sinne der I-leilung des Abgrenzungsdefektes, sondem sie ennittelt lnformationen, die auf das Bestehen eines anderen Problems hindeuten können und dienen der Entscheidungsunterstützung im Sinne der Heilung eines Wahrnehmungsdefektes. Anders verhält es sich jedoch, wenn bei Verwendung der übrigen Eignungskriterien Einstellung, Absolvieren der Probezeil und Leistungsbeurteilung Abweichungen zwischen den

mithilfe von Data Mining errnittelten Auswahlkriterien und den Vorgaben auftreten. Zunächst einmal ist aus datentechnischer Sicht das historische Bewerberprofil um das entsprechende Eignungskriterium zu ergänzen, da sich dies erst mil Beginn des Anstellungsverhältnisses ergibt. Hierbei wird vorausgesetzt, dass eine Verbindung der Mitarbeiterdaten mil den Bewerberdaten datentechnisch möglich ist, Ergeben sich nun Abweichungen zwischen den mithilfe von Data Mining enn ittelten Auswahlkriterien und den Vorgaben, so ist dies nicht auf ein von den Vorgaben abweichendes Entscheidungsverhalten der Entscheidungsträger zurückzuführen. Viel-

176

mehr deutet dies darauf hin, dass andere Kriterien für die Einstellungsentscheidung, das Absolvieren der Probezeit oder den Berufserfolg verantwortlich sind. Und dies ist aller Wahrscheinlichkeit nach auch faktisch der Fall. Nach der Vorauswahlentscheidung werden persönliche Gespräche oder Assessment Center zur Gewinnung weiterer Informationen über den Bewerber durchgeführt, die letztendlich zur Einstellungsentscheidung führen. Der neu gewonnene Mitarbeiter erhält Schulungen und wird in ein Team integriert, Aspekte, die sich wiederum auf das Überstehen der Probezeit und den Berufserfolg auswirken. Eben diese Informationen sind jedoch nicht in den Bewerberdaten enthalten. ihre Auswirkungen auf das Eignungskriterium überlagern jedoch die der Auswahlkriterien. Je nach Stärke des Übcrlagcrungscffektcs lassen sich dann auch keine Zusammenhänge im Hinblick auf die Eignungskriterien Einstellu ng, Absolvieren der Probezeit und Leistungsbeurteilung in den Bewerberdaten linden. Ist dies doch der Fall und es wurden Zusammenhänge in den Daten ermittelt, die von den Vorgaben abweichen oder es existieren keine Vorgaben, so ist dies im besten Fall auf Koinzidenzen mit den tatsächlichen Einflussfaktoren, nämlich den Informationen aus dem Assessment Center, dem Vorstellungsgespräch etc., zurückzuführen. Diese auf Koinzidenzen basierenden Zusammenhänge dürften dann jedoch eher für einen geringen Anteil der Bewerber geiten. Eine Erklärung liefert diese Art von Zusammenhängen jedoch nicht, weshalb auch das Heranziehen zur Prognose fraglich scheint. Darüber hinaus ergeben sich aus rechtlicher Sicht einige Einschränkungen. Die Durchfiihrung der Klassifikations- und Bewertungsaufgabe zur ldentifikation von Jz ist zunächst dann unproblematisch, wenn es sich urn anonymisierte Daten handelt. Entsprechend sind die Daten im Vorfeld zu anonymisieren. Bei der Prognose des Eignungskriteriums für neue Bewerber handelt es sich wiederum urn personenbezogene Daten, da das Eignungskriterium einzelnen Bewerbern zugeordnet wird. Entsprechend fallen die urn die prognostizierte Eignung des Bewerbers erweiterten Bewerberdaten unter den Geltungsbereich des BDSG. Die prognostizierte Eignung soli im Rahmen dieses Anwendungsszenarios die Vorauswahlentscheidung unterstützen. Hier ist insbesondere § 6a BDSG zu beachten, der zunächst die ausschliefJlich automatisierte Verwendung des Prognoseergebnisses zur Personalvorauswahl verbietet. Das Prognoseergebnis muss vom zuständigen Entscheidungsträger zur Kenntnis genommen, geprüft, bestätigt und letztendlich vor dem Bewerber verantwortet werden. Hier ist insbesondere darauf zu achten, dass als Auswahlkriterium kein Benachteiligungsmerkmal nach dem AGG durch die Anwendung von Data Mining ermittelt wurde. Damit müssen Data Mining Methoden zur Anwendung kommen, die eine Überprüfung der ermittelten Auswahlkriterien und des Zusammenhangs Jz zulassen. Dies spricht insbesondere gegen den Einsatz von Neuronalen Netzen und für den Einsatz von Entscheidungsbaumverfahren, da diese eine höhere Transparenz sicherstellen. Aber auch dann ist die automatisierte Verwendung des Prognoseer-

177

gebnisses zur Personalvorauswahl nicht ohne weiteres zulässig. Eine Prüfung muss dabei die Validität und Plausibilität der ermittelten Auswahlkriterien und der Zusammenhänge j, umfassen und steht damit vor den zuvor skizzierten Problemen. Eine vollautomatisierte Vorauswahl geeigneter Bewerber ist letztendlich aufgrund der notwendigen Maûnahmen zur Wahrung der berechtigten Interessen der Betroffenen nicht möglich. Hierzu müsste jedem nicht ausgewählten Bewerber die Möglichkeit eingeräumt werden, seinen Standpunkt geItend zu machen, der wiederum entsprechend vom Untemehmen geprüft werden muss. Dies ist jedoch aus Aufwandssicht nicht sinnvoll und steht im Widerspruch zum Ziel dieses Anwendungsszenarios, nämlich einer aufwandsarmen methodengestützten Personalvorauswahl. Zusammenfassend bleibt festzuhalten, dass sich Data Mining respektive die Klassifikationsmethoden als Kontrollinstrument zur Überprüfung der Einhaltung bereits bestehender Vorgaben nur bedingt eignen. Diese Einschränkung ist insbesondere auf wohl meist bestehende Regelwerke zur Steuerung des Personalauswahlprozesses zurückzuführen und erfordert entsprechend eine sorgfältige Analyse und lnterpretation der identifizierten Abweichungen vor dem Hintergrund des jeweiligen Personalauswahlprozesses. Klassifikations- und Bewertungsmethoden eignen sich insbesondere dann zur Unterstützung der Personalvorauswahl, wenn a priori keine Vorgaben über die Vorauswahl gegeben wurden und mittels Data Mining das Entscheidungsverhalten der Personalverantwortlichen als Experten zur Personalvorauswahl auch unter Antizipation der lrrtürner der Experten abgebildet werden solI. Der in diesem Fall ermittelte Zusammenhang fz reflektiert dann die Erfahrung anderer Entscheidungsträger und kann für weitere Entscheidungen herangezogen werden. Hierbei können die genarmt en Data Mining Methoden nützliche Hinweise auf relevante Auswahlkriterien geben, die zur Gestaltung des Vorauswahlprozesses herangezogen werden können. Darüber hinaus können mithilfe von Data Mining Einflüsse auf das Eignungskriterium antizipiert werden, die vom Entscheidungsträger als solche bis dato noch nicht erkannt wurden. Zur Verdeutlichung soli ein Vergleich der Vorauswahlentscheidung wie sie unter Anwendung von Data Mining ausfällt mit der Vorauswahlentscheidung wie sie ohne Anwendung von Data Mining getroffen wird herangezogen werden. Dieser Vergleich wird jeweils für die Verwendung der Vorauswahl als Eignungskriterium und der Leistung als Eignungskriterium durchgeführt und führt damit zu zwe i unlerschiedlichen Fällen. lm ersten Fall wird die Vorauswahl mit den Ausprägungen ,ja" und

" nein" als Eignungskriterium herangezogen, urn einen auf Basis der Erfahrungen des Entscheidungsträgers ermittelten Zusammenhangsfz zu ilIustrieren. Im zweiten Fall wird die Leistungsbeurteilung mit den Leistungskategorien "gut" und .schlechr ' beispielsweisc nach Ablauf des ersten Jahres als Eignungskriterium herangezogen, urn einen auf Basis von weiteren Einflussfaktoren generierten Zusammenhangfz im Vergleich zum Entscheidungsträger darzustellen.

178

lm Polgenden wird zunäc hst der f all diskuricrt. dass d ie v oranswah l als Eignungskritcrium he-

rangezogen wird. Abbildung 50 zeigl beispielhaf die Bcwcttung tier Bcwcr bcr hinsichtlich des

Eignungskritcriums Vorauswahl.

, HX""T - ' - --::::= - 71 Eignung

~

, ,,

,

, ,,

,,

""""""" o

,

Data Mining

Zufall

50 ·. PC17cnlil Abbildung 50: Lift·ClIa" PCl'S<.lIlalv(lraus\\ahlctl1scheid llllg t r en II

Es handelt sich hierbe i urn ein so genenmes l.iû -Chert, das die Konzcntration der F ignung in der zugrunde liegenden Durenbasis abhildct. Dies entspicht dernjen igcn Anteil der Bcwerber in der Datcubasis. die übcr die Auri butsaus prägung v orauswehl ,J a" vcrfü gcn. Auf der x-Achsc sind d ie Perzentilc der Dalenbasis sorticrt nach der Eignung und auf der y-Achsc der Antc il der gcc ignctcn Bcwcrbcr abgctra gcn. Es werden nun die vcrschicdcnc n Hcwcrtungcn der Eignu ng

hinsiclulich ihrcr Korrektheit miteinandcr vergti chen (vg l. Ahbildun g 50). Die ges trichclte Linie stcllt die Zufallsbewert ung dar. d. h. cin Hcwcrber kann entweder gccignct odcr nicht gecignct sein. Traditioncllcrw cisc werden nun die rnhhilfc ven Data ~linin g ermittcltcn Zusemmcuhängc dahingchcnd beurteik. urn wie viel hcsscr als der Zu fall s ic sind, Dicsc vorgchc nswcisc isr beispielswci se im Merketingbcreich. in dem hum Wissen Ilbcr den Ku nden vorlicgt. üblich und uuch ungcmcsscn. Der Zulàll kann j cdoch nicht als MaBstah tür d ie Entschcidungsuntcrstützung muhilfc von Data Minin g bei der Pcrsonalvorauswahl dienen . In diesem Fall iSIdie Heurteilung des Entschcidun gserägcrs der Vcrglcichsmaûstab. Der Entsche idungsträgcr bestinurn in dicscm

FaU. ob cin Bcwcrbcr gccignct isr odcr nicht. Die gcpunktctc U n ie srcllr die Hcwcrt ung der Bewerber hinsichrlich ihrcr Eignun g durch den Entschcid ungsträger dar. In dicscm Beispiel stufi der Entschcidungsträgcr 30% der Bcwcrbcr als gccignct ein . Dies wi rd in obigcm Liftchart in der Fonn abgctragcn. dass untcr Hcrücksichtigung der lnformation übcr die Eignung 30 % der Datcubaais {x-Achsc ] cntsprcchcnd 100 % der gccignctcn Hcwcrbcr enthalten. Damir wird

179

bcrcits deutlich . dass die Klassifikationsleisnmg des Data Mining umso bcsscr istje mchr sich die ldcntitikatio n der gccignetcn Bewcrber durch Dara Mining (grane U nie) der Hcwertun g des

Emschcidungsträgcrs annähcrt. Denmach isr es in dicscm Fall nicht mögfich. mil Dala Mining bossere Er uscheidungcn I U treffen als der Entscheidungsträgcr. Der Mchrwcn der Anwendung von Data Mining liegt hier insbesoudere darin. dass mil Anwcudung des ennilleltenf der Vor-

auswahlprozcss für künûigc Bcwcrbungcn mil cr hcblich geringerem Aufwand durchgcfhhrt werden ka nn. Yoraussctzuug isl netü rlich ein hinrcichcnd

gU lL'S

Mo de1l. Dann kann die pro-

gnostizicrtc Eignung als Zusatzinformation tllr den Prozcss der Pcrsonalvc rauswa hl hcrengczogen und die Bev er bungen binsiclulich ihrer prognosrixicncn Eig nung in ciuc Rcihcnfolgc gebrac ht werde n.

lm zweiten

IU

disk uticrcndcn Fall wird cln vom einzclncn Fnt schcidung strägcr unabhûng fgcs

Eignungskritcrium, die l.cistungsbcurtcilung, vcrwender. um auf die Eignung cincs ltcwcrbcrs IU

schlicêcn. Enrsprechcnd mussen Entschcidungsträgcr und Data M ining von den historischcn

Bcwc rbe r- und Bcurtcilu ngsdatcn uuf die prognostizicrte Lcistung schlicêcn. Ahb ildung 5 1

vcrdeurlic ht die Sinration. 100 %

T---,"----:::---"'''''' .... .. ... ... ...~

,

~,

,

Eignung

50 %

, ., , , ,

10 %

,

,

,,~~

~~

Beste Lösung

. / / / "" ", ,, , ,, ,,

Data Mming Eraschcidungsträgcr Zufall

,/~'

10 %

50%

Perzenlil

100 %

Abbildllng 5 1 Lift.(.1", n Perso nalmrallsn ahlenlscho:idunj!: (F aIl lI)

Die beste l.ösu ng ist durch das Eignungskrircrium vorgcgcbcn. d. h. in der ver fligharen Dalenbasi s lassen sich 30 % Bcwc rbcr crmittcln . die im Angcstclltcnvcrhältnis tlbcr c inc gutc Lcistung verûtgcn. Wühlt der Emscheidungsträge r nun crusprechcn d seiner Präfcrenzcn die gecignctc n Bcwer ber 'lus. so kann dicsc Wahl mil der beste n Lösung vergtichen werden. Scinc Wahl (gcpunktcrc Linie ) iSI UIllSO besset. je mehr sic sich der Ot.'SI<.'Tl Lösung annähcrt. Glcich cs gilt fltr d ie Anwendung von Duta Mining. Data Mining identiflzicrt d ie uus ächlich gceignercn

180

Hcwcrber. d. h. diejcnigcn mil einer gurcn Leistungsbcurteilung IIn1>O bcs scr, je mehr das Ergebnis der besten Lösung ähnelt (vgl. Abbild ung 51 ).

Deruit ist es in dicscm Fall dargcstcllt. durehans rnöglieh. dass die Data Mining gcstütztc ldcntifikation von gccignctcn Bcwcrbcm bcsscr als die des Emschcidungsträgcrs ausfällt und rechtfcrtigt somit die Prognose der Eignung ncucr Bcwcrbcr. II m dicsc in clnc Reihcn folgc

I U

brin-

gen.

5.3.5. 5.3.5.1.

Hcschrcibung des Anwcndungsszcnarios

Eiucn Übcrblick übcr das Anwcndungsszcnario Nachfolgcplanung gibl Abbildung 52. Auwcndungsszcnario IV: Nach folgcplanung Anwcndungsbe rcich

Entw ickluugsmanagcmcnt. Bcschatfun gsmanagcmcm

Eraschcidungsprohlc m

ahgrcnzungsdc fcktes Entschcidungsp mhlem

Data Mining Meihedengruppe

Segmcnticrungsrncthoden

Datcubasis

Mitarbcitcrdatcn. Stellendaten . Bcurtcilungsdatcn

Erkenntniszic]

ldcntifiketion ven potc nzicllc u Nachfolgcrn fllr verschicdcnc Stellen

Abb,ldllng 52: An" endlln"",,zCl lario IV: N,u:hfolgcplanung

lm Rahmcn der Nachfolgcpla nungwerden. ausgchcnd von mchn•eren vakanten Stellen. der odcr

die gecigncten Kandidaten als Nachfolger geplant. Basis hierbei sind die Anforderungsproûle. die sieh aus den vakante n Stellen ergeben sowlc die Fähigk cusprofil c der Mitcrbcitc r.r" Durch cincn Vcrgleich der Aufordcrungs- und Fähigkcitsprofilc sollen gccigncrc Nachfolgcr für cinc od cr mchrerc vakante Stellen enniuelr werden. Je ähnlicher sich A n for derungs- und Fähigkcirsprofil sind . umso gccignctcr ist der crusprcchcndc Mitarbcitcr als N achfclpcr für die vakentc SIcIIe. Die Nachfolgcplanungstclh eine zcntralc Aufgahc des Pcrsonalmanagcmcnrs dar.

lm Raluncn des Anwcndungsszcnarios sollen die vcrschicdcncn Möglichkcitcn zur Bcsctzung der vak anten Stellen mithilfc von Dala Mining ermittclt werden. Das Pmblern der Nach folgcplanung ist dabci zun ächst cin abgrc nzungs dcfcktcs Entscbcidu ngsproblcm. da die mögfic hcn

lla ndlungsuhcrneriven zur Stcllen besetzung noch zu crrnütc!n stud. Eine Handlungsahemative stcllt dabci cinc Mitarhciter-Stcllen-Komhinalion dar. fü r die das Anfordcrun gs- und Fëhigkcitspr ofllmöglich st ähnljch sind.

.... Vgl. Mclll ld 1<)<)7. S. 132[. Occll>
181

Die Anwendung von Segme ntierungsmethoden ennögli cht nun die Grupp ierung von Anforderungs- und Fähigkeitsprofilen hinsichtl ich ihrer Ähnlichke it. Somit stellen alle zwe ielementigen Kombinationen von Anforderungs- und Fähigkeit sprofilen innerhalb einer milh ilfe der Segmentierun gsmethod en identi fizierten Gruppe Handlungsah ern ativen dar. Diese Kombinationen geben dann an, für welch e Stelle welch er Mitarbeiter in Frage komm t. Werden beispielsweise durch die Anw endung von Segmentierungsme thoden u. a. die Gruppe I , mil Mitarbeit er I, Stelle A und Stelle B sowie die Gruppe 2 mil Mitarbeiter 2, Mit arbeiter 3 und Stelle C ermittelt, so stellt jede Mitarbeiter-St ellen-Kombination inne rhalb e iner Gruppe eine Handlun gsaltern ative dar. Für dieses Beispiel werden demn aeh folgende Handlun gsaltem ativen abgeleitet: al : (M itarbeiter I, Stelle A)

ai: (M itarbeiter I, Stelle B)

ac (Mitarb eiter 2, Stelle C) as: (Mitarb eiter 3, Stelle C) Die zu analysierende Datenbasis besteht entspreche nd aus den Mitarbeiterdaten, die das Fähigkeitsprofil

der Mitarbe iter umfassen, und

den Stellendaten mit

den entsprechenden

Anforderu ngsprofilen. Da für die Nac hfolgeplanung insbesonde re Mit arbeite r mit gutem Entwicklungspotenzial in Frage komm en, ist im Rahm en dieses Anwe ndungssze narios die Integration von Beu rteilungsdaten respektive der Potenzialeinschätzung der Mitarbeite r wü nsche nswert . Diese Infonnation kann im Vorfeld zur Anwendung der Segmentierungsmethoden verwendet werden , indem zunächst jene Mitarbeite r selektiert werden, die über eine adäquate Potenzialeinschätzung verfügen und sich som it für eine Entwicklung im Falie von Defiziten hinsichtlich der Erfüllung der Anfo rderungen empfehlen. Diese ausge wählten Mitarb eiter finden Eingang in die zu analysierende Datenb asis und ihre Fähigke itsprofile werden zusammen mit den Anforderungsprofilen analysie rt. Wie bereits im Kontext der Segmentierun gsmethod en erläutert, erfordert die A nwendung dieser Method engruppe das Vorliegen strukturgleicher Objekte. Das bedeutet, dass die Fähigkeitsprofile und Anforderungspro file durch die gleichen Attr ibute beschr ieben werden müssen. We iterhin sind die Daten in einer analysierbaren Datenb asis zusammenzuführen, Ziel dieses Anw endun gsszenar ios ist die meth oden gestützte Identifikation von potenziell en Nac hfolgem für verschiedene Stellen. Es handelt sich im Rahmen dieses Anwendungsszenarios urn ein datenint ensives abgrenzungsdefe ktes Entscheidungsproblem, in dem simultan eine Vielzahl von Mitarbeitern resp ektive Fähigkeits profilen in Kombination mit ve rschiedenen Stellen respektive Anforderun gsprofilen berück sichtigt werden können, Die An wendun g von Segmentierun gsmethoden erm öglicht dann die Identifikation von Gruppen mil ähnlichen Fähigkeit s-

182

und Anforderungsprofilen und liefert entsprechend die Grundlage für die Aufstellung der Handlungsalternativen. Damit verspricht dieses Anwendungsszenario eine rnethodengestützte Identifikation von Mitarbeitern für vakante Stellen irn Rahrnen der Nachfolgeplanung. Gleichwohl dieses Anwendungsszenario nicht vollständig automatisiert Mitarbeiter-StellenKombinationen identifiziert, sondem eine Nachbereitung der Data Mining Ergebnisse durch den Entscheidungsträger bei der Aufstellung der I-Iandlungsalternativen erfordert, enmöglicht dieses Anwendungsszenario die Reduktion der Komplexität der Aufgabe. Der Entscheidungsträger muss nun nicht je de in Frage kommende Mitarbeiter-Stellen-Kombination evaluieren, sondern es sind lediglich die Kombinationsrnöglichkeiten innerhalb einer Gruppe zu betrachten. 5.3.5.2.

Personalwirtschaftliche Analyse des Anwendungsszenarios

Dieses Anwendungsszenario ist nun vor dem personalwirtschafilichen Hintergrund der Nachfolgeplanung sowie rechtlichen Aspekten kritisch zu analysieren. Zunächst bleibt festzuhalten, dass im dargestellten Anwendungsszenario grundsätzlich die Anforderungsprofile Ausgangpunkt der Nachfolgeplanung sind, für welche die passenden (im Sinne von ähnlichen) Fähigkeitsprofile gesucht werden. Sollen darüber hinaus auch Präferenzen von Mitarbeitem berücksichtigt werden, so sind diese Informationen ebenfalls in das

Fähigkeits- und Anforderungsprofil aufzunehmen. Die Anwendung von Segmentierungsmethoden enmöglicht dann die Berücksichtigung von Präferenzen der Mitarbeiter bei der Nachfolgeplanung. Die Einplanung eines internen Mitarbeiters auf eine vakante Stelle hat stets eine neue Vakanz zur Folge, so dass ein so genarmter Dominoeffekt entsteht.?" Für jede frei werdende Stelle muss wiederum ein Nachfolger gesucht werden usw. Im Rahmen des hier vorgestellten Anwendungsszenarios kann dieser Dominoeffekt nicht berücksichtigt werden. Vielmehr erlaubt der Einsatz von Segrnentierungsmethoden einen ersten Überblick über mögliche Versetzungen, ohne dass in der Folge frei werdende Stellen ad hoc berücksichtigt werden können. Eine emeute Durchführung der Segmentierung für die nun frei werdenden Stellen kann zwar wiederum potenzielle Nachfolger identifizieren, jedoch müssen die sich aus dem Dominoeffekt ergebenden Versetzungsketten manuell nachvollzogen und in die Nachfolgeplanung integriert werden. Weiterhin kritisch zu überprü fen ist an dieser Stelle die Güte der mithilfe von Segmentierungsmethoden enmittelten Ergebnisse im Hinblick auf die personalwirtschaftliche Relevanz. Segrnentierungsrnethoden gruppieren Objekte in der Art, dass Objekte innerhalb einer Gruppe möglichst ähnlich zueinander und Objekte verschiedener Gruppen möglichst unähnlich zuei-

498

Vgl. Strohme ier 2008, S. 125.

183

nander sind. Im Rahmen des Anwendungssze narios sind nun drei Arten von Grupp en zu unterscheiden: •

Reine Stellengru ppen: Diese Gruppen umfassen ausschlie ûlich Anforderungsprofile .

•

Reine Mitarbeit ergruppen : Diese Gruppen umfassen ausschliel3lich Fähigkeitsprofile .

•

Gem ischte Grupp en: Diese Grupp en um fassen Anforderungsprofile und Fähigkeits profile.

Liefert die An wendun g von Segmentieru ngsmetho den reine Stellen oder reine Mitarbeite rgruppen als Ergebnis, so können bez. dieser Stellen respekt ive Mitarbeiter keine Handlungsalternativen für die Nachfolgeplanung ermittelt werden. Die Identifikation reiner Mitarb eitergrupp en ist aus personalwirtschaftlich er Perspektive nicht weiter problematisch, da sich i. Allg. nicht für jeden Mitarbe iter eine vakante Stelle anbietet. Die Mitarbe iter dieser Gruppen werden dann im Rahmen dieser Nachfolgeplanung nicht weite r berücksichtigt. Ande rs gestaltet sich j edoch die Entsche idun gssituation bei der Identifikation von reinen Stellengruppen. Dies bedeutet, dass für die vakant en Stellen in dieser Gruppe kein Nachfolge r ermittelt werden konn te und dam it die A nwe ndung von Seg mentierungsme thoden in diesem Fall den Abgrenzungsdefekt nicht heilen und keine Entsche idungsunterstützun g bieten konnte . Liefe rt die Anwendung der Segm entierungsmethod en jedoch ge mischte Grupp en, so kö nnen wie bereits erläutert Mitarbeit er-Stellen-Komb inationen als HandlungsaItemativen ermitteIt werden. Jed och sind auch in diesem Fall die erzieIten Ergebn isse kritisch zu betrachten. Die gemischten Gru ppen enthalten zwei verschi edene Arten von Objekt en, Fähigkeitsprofile und A nforderungsprofil e. So ist es durchaus denkbar, dass ein einzelnes Fähigkeitsprofil über mehr Ähnlichkeit zu einem Anforderungsprofil einer anderen Gruppe als zu jenen der gleichen Gruppe verfügt und somit die Anw endung von Segm entierungsmethoden zu einer suboptimalen Nachfolge planung führt. Abbildung 53 ve rde utlicht diese Situation. Die Anwe ndung von Segmentierungsmethoden hat in diesem Fall zur Identifikation von drei gemisc hten Gruppen geführt. Werden nun die Mitarbe iter- Stelle n-Kombinationen wie beschrieben geb ildet, so wird Mitarbeiter I als Nach folge r für die Stelle I geplant, da sich diese in derselben Grupp e befindet. Jedoch wäre Stelle 2 au fgrund der Ähnlichkei t des ProfiIs besser geeignet für Mitarbeiter I, so dass davon auszugehe n ist, dass das hier beschr iebene Anwe ndungssze nario zwar die Date nintensität des Entsche idungsprobl ems bearbeitbar macht , jedoch keine hinsichtl ich der Ähnlichkeit optimale Zuordnung von Mitarbe itern und Stellen liefert.

184

.-----,

Gru ppe 2

,

0"

° ° 0" "

0c:, , 0"" 0

Gruppe I

o

A~-' Gruppe 3

seue a

~ 6.

Mita rbeiler I

- 7 L -

Stelle l

x

durch ein fah igkeil~l'rotl1 a u~gewiese ner Milarheiler

duren ein Antordcrungsproûl bcschncbcnc Stelle

Abbild"ng S3: I'rgebnis des An\\Cl",,,"gsvclwios IV: Nachl"lg~p lanu"g

1111 Vergleieh jcdoch I U Profilvcrglcichsmcihodcn, die in der Regel cînen auf Ähulichkcir 00sierenden Eignungswert optimiercn.... ennöglieht der Scgrnentierungsansutz dann die Errninlung wcitcrcr Optionen für die Nachfolgcplanung und idcmifizicn so ncuc Handlungsaltcmativen. So ist cs in der Nuchfblgcpianung dureheus üblich. uruerschiedlich c Nachfolgcszcnericn zu cmwickclu.'?" so dnss das hier bcschrichcnc Anwcndungsszcnario porcnzicll Miterbcitcr Stellen-Kombinationen idcntifizicrt. die mil den dervelt uugewan decn Uptimierungsverfchren nicht ennittclt werden könuen . Die ähnlichkcitsbasicrtc Ve rgchcnswcisc der Scgmcnticrungsmethoden irn Rahmcn dicscs Auwcndungsszcnarios ist aus pcrsonalwinschaûlichcr Pers pektivo zudcrn durehaus adüquat. Es ist nun noch zu diskutleren. inwicfcm rechtliche Aspckte gegen das Anwcndungsszcnario Nachfolgcplenung. sprcchcn. lI insk htlieh der Analyse pcrsoncnbczcgcncr neren k önntc sich eine Leginmation aus dcm Erlaubuisterbcsrand gemäB § 2KAhs. I Satz I Nr. I BDS
185

die Identifikation des einzelnen Mitarbeiters als Nachfolger für eine bestimmte Stelle Ziel dieses Anwendungsszenarios ist, Damit stehen dem Anwendungsszenario Nachfolgeplanung keine grundsätzlichen rechtlichen Restriktionen entgegen. Zu einer ersten ldentifikation von Mitarbeitem als potenzielIe Nachfolger für vakante Stellen ermöglicht die Anwendung von Segmentierungsmethoden die gleichzeitige Berücksichtigung vielfältiger Anforderungs- und Fähigkeitsprofile und expliziert mögliche Mitarbeiter-Stellen-Kombinationen. Weiterhin erlaubt der Einsatz von Segmentierungsmethoden im Rahmen dieses Anwendungsszenarios die Ennittlung weiterer Optionen für die Nachfolgeplanung, die durch traditionelle optimierende Methoden wie etwa der Profilvergleichsmethode nicht identifiziert werden. Die Integration von Versetzungsketten über einen Data Mining Ansatz in die Nachfolgeplanung ist an dieser Stelle nicht möglich. Wie bereits erläutert, erfordert die Aufstellung der Handlungsaltemativen als MitarbeiterStellen-Kombinationen eine Nachbereitung der Data Mining Ergebnisse durch den Entscheidungsträger. Diese Aufgabe gestaltet sich in Abhängigkeit der Anzahl der ennittelten Gruppen und jeweils enthaltenen Objekte unterschiedlich aufwendig. Die Anwendung von Segmentierungsmethoden ennöglicht je doch die Ausweisung der Gruppenzugehörigkeit zu jedem Objekt als weiteres Attribut, so dass für jedes Anforderungs- und Fähigkeitsprofil eine Gruppenzugehörigkeit expliziert werden kann. Damit erfolgt die Ausweisung der Gruppen in transparenter und gut verständlicher Form für den Entscheidungsträger und die Erstellung von Mitarbeiter-Stellen-Kombinationen scheint aus dieser Perspektive gut möglich, gleichwohl a priori keine Aussage über den benötigten Aufwand getroffen werden kann. Darüber hinaus muss das Ergebnis der Segmentierung kritisch betrachtet werden. Zunächst ist zu überprüfen, ob reine Stellengruppen identifiziert wurden. Diese Stellen werden im Anwendungsszenario nicht berücksichtigt und müssen separat geplant werden. Bei der Aufstellung der Handlungsaltemativen aus gemischten Gruppen ist zu berücksichtigen, dass in der Regel optimale Kombinationen nicht gebilde! werden können. Gleichwohl bietet das Anwendungsszenario die Möglichkeit, die auf optimierenden Profilvergleichsmethoden basierende Nachfolgeplanung durch das hier beschriebene Anwendungsszenario zu ergänzen, urn bisher unberücksichtigte Mitarbeiter in die Nachfolgeplanung mit aufzunehmen.

186

5,3.6.

Anwendtmgsszenario I ': Ges /ai/uIIg von Knrrieremodelten

5.3.6 . 1.

Bcschrcibung des Anwendungsszenarios

Abbild ung 5-1- zcigt cincn Ûbcr hlic k über das Anwcndung sszcnario zur Gcstahung von

Kerr icrcmod cllcn . Anwcndungsszcnario V: Gcstahung ven Ker ricrcmod cllc n

Anwendungsbereich

Entwicklungsmanagem cnr

Eraschcidungsproblcm

ahgrcnzungsdcfcktcs Entschciduugsprohlcm

Data Min ing Methode ngru ppe

Asso ztetions flndungsmcthod cn

Detcobasis

Mitarbcitcrdatcn. Position s fblgcdatcn. Kursdurchführungs-

dalen. ljcuncilun gsdatcn ldcntifikation cruergenter Hcw cgungsprofilc als Gcsraltungsgrundlage für Karrierernodejle

Erkcrmtniszicl

Abb, Idllng 54: An""'1dllngsszenano V: Geslaltllng \'on Karncrerr<>dcllcn

(Irundsätzlich crustehcn Kanieren in cinern Umemehmc n durch das Zusanuncnspicl von individucllcn interes sen und den sich daraus ergebenden Vcrhaltcnswciscn der Miturbcitcr solde der untcrn clrmcrischen Gcgebcn hchc n.v ' Karricr cr nodcllc stelle n sich im Kern al, Folge von Stellen im Zeite blauf dar, die cin Mitarbcitcr in einc m Untcm chmcn durchla ufcn kann , urn clnc

bestimm tc Position z u crrcic hcn. Aufgrund von Motivations - und Anrcizwirkungcn "on cx plizit

scitcns des Uracme hmcns hc rausgestelltcn Karrieremögtichkcircn stcllt die Ucstaltung von

generellen Karricrcmodcllcu. die dann an individucllc Hcdûrfuisse augcpasst werden könncn. eine wichtige Aufguhe der Personalentwickluug dar. Dabei soltren auch hei der Erstcllung ven Kerr icrcmod cllen die Bcdûrfblssc der Miterbcitcr bcrücksichtigt WC rdl'11. Entsprccbcnd viel-

flittig sind die Ausgcstahungsmöglichkchcn von Knrricrcr uodcllcn , Mil der Dcfinition ven Karricrernodcllen liegt dumit

em

generalisierbarer Versetzungsmodus vor. der auch für die

Nachfolgc plan ung heren gezogen werden kann.~~ lndividuellc Bcwc gung sprofllc im Untc r-

nchmcu ndu ncn insbesondcrc vor dC1l1 Hintergrund der Divcrsiû zicr ung möglichcr Kerr iereu I.U. Truditioncllc Kerrieren. die eusschlicêlich ['us ilionslI'e ehscl als Bc fördcru ngen zu renghöhcrcn Positioncn bcinh altcn. werden zunchmcud vo n horizontalen Posirtonswechscln ahgelöst," Diese Hewegungsprofile könncn durch bewusstc Gestalnmgscntschei-

'In Hcdcutung

dungen entsichen und gcfördcn werden. bis sic sich

IU

cxplizitcn Karricrer nodcllcn mer u-

~" Vgl Bcrtr.:l 19'15, S. 1285. Jo:)

VI'Il-krthcl l &"<:kcr 2007, S. 372f.

"" Vgl Occh,lcr 2(ll16. S. 52ó. fk rthcl I B.:dcr 2(lll7. S. 372.

187

festieren.? " Ziel dieses Anwe ndungssze narios ist die Identifikation eme rge nter Bewegungsprofile der Mitarb eiter, die als Grundl age für die Gestaltung von Karrier emodellen herangezogen werden sollen. Damit müssen eine Vielzahl an Daten, die die Bewegun gsprofile innerh alb eines Unteme hmens beschreiben, in die Gestaltun gentscheidung mit aufge nomme n werden. Somit handelt es sich hierbei urn ein abgrenz ungsdefe ktes Entscheidungsproblem. da die in Frage kommenden Karrieremodelle als Handlun gsaltemativen zun ächst errnitt elt werden müssen, Wie bereits erwähnt stellen sich Karr ieremod elle im Kern als Folge von Positionen im Zei tablauf dar, welche die Bedürfu isse und Potenziale des Mitarbeite rs sowie die betrieblichen Gegebenheiten des Unternehmens antizipieren. Weit erhin können beispiel sweise auch Entwicklun gsmaBnahmen und Beurt eilungen in die Karri eremod elle integriert werden. Abbildung 55 zeigt ein abstrah iertes Beisp iel für ein Karr ieremod ell.

Abbildung 55: Karrieremode ll"

Das hier abgeb ildete Karrieremod ell zeig t zwei Wege auf, die ausgehend von Stelle I zur Erreichung der Stelle 4 m öglich sind. Erford erlich ist in diesem Fall die Teilnahm e an eine r bestimmten Entwicklu ngsmabnahme I, alternativ kann anschlieûend über die Stelle 3 und der sich arischl ief enden Beurtcilung I oder über die Stelle 2 und die Entw icklungsmaBnahme 2 Stelle 4 erreicht werden. Nebe n EntwicklungsmaBnahmen kö nnen auch Beurt eilungen in das Karrieremodell integr iert werden, die eine Evaluie rung des Mitarbeite rs fordern und entsprechend eine Eignungsprüfung des Mitarb eiters beinhalten. Zur Ermittlung der Bewegun gspro file werden Ass ozia tions findungsme thoden und im Speziellen die sequenzielle Assozi ationsanalyse angewendet. Diese ist in der Lage , häufig vorkomme nde sequenzielle Attribut skomb inationen und dam it Bewe gungsprofile in der Datenbasis zu errnittel n. Voraussetzun g ist, dass sich den Gütekr iterien entsprechende Sequenzen in den zu analysie renden Datcn befind en.

5(~ Vgl. Berthel / Becker 2007, S. 373 und Friedli 2006, S. 249. 505

Vgl. Strohmeier 2008, S. 124.

188

Als Datenbasis werden dem Anwendungsszenario Mitarbeiterdaten, Positionsfolg edaten, Kursdurchführun gsdaten und Beurteilun gsdaten zugrunde gelegt. Ziel der Durchfüh rung dieses Anwendun gsszenarios ist die Ennittlung von Bewegungsprofilen von Mitarbeitem in Unternehm en, die als Grundl age für die anzub ietenden Karrieremod elle verwendet werden sollen. Mithin muss die Datenb asis in der Fonn transfonniert werden, dass pro Mitarbeiter die im Karrieremodell zu berücksichtigenden Elemente wie Positionen , Kursteilnahmen und Beurteilungen mit den entsprechenden Zeitstempeln in Tabellenfonn vorliegen. Ursprünglich wurden Assoziationsfindungsmethoden zur Analyse des Einkaufsverhaltens von Kundcn entwickelt, urn festzustellen , welche Produkte in welcher zeitlichen Reihenfol ge gekauft wurden , damit entsprechende Marketingmaûnahmen abgeleitet werden konnten . Entsprechend stellen die Kauftrans aktionen der Kunden die Objekte dar, welche durch Kundenumm er und Transaktionszeitpunkt eindeutig defin iert sind und die gekauften Produkte als Attribute umfassen. In der Personalentwicklung stellt sich die Datensituation nun anders dar. So kann zwar davon ausgegangen werden, dass zu jedem M itarbeiter ze itbezogene Stellend aten. zeitbezogene Kursdaten etc. verfligbar sind. Diese sind jedoch nicht als Objekte durch Mitarbeiternummer und Zeitpunkt eindeuti g defin iert, sondem müssen aus den verfü gbaren Daten erst in eine solche Fonn gebracht werden . Die zur Analyse benöt igten Daten sind in der Regel in einer Vielzahl an unterschiedlichen Tabelle n gespeichert und müssen erst in einer analysierbaren Datenb asis zusammengeflihrt werden. Erst dann kann die sequcnzielle Assoziationsanalyse e ingesetz t werden, urn Bewegungsprofile als Grundlage der Karrieremodelle zu identifizieren . Weiterhin müssen die zu analysie renden Daten in kategoriaIer Fonn vorliegen, metrische Daten sind entsprechend zu transfonnieren. Wie bereit s in Kapitel 3.3.2.4 diskut iert, ist in diesem Anwendungsszena rio davon auszugehen, dass eine Nachbereiteung durch den Entscheidungsträger notwendig ist und Assoziationsfindungsmeth oden nicht automatisch Karrieremodelle liefem . Gleichwohl ist hier von einer Datenbasis auszug ehen, die ein Entscheidungsträger manuell nicht mehr überblick en kann, so dass Assoziationsfindungsmethoden durchau s ihren Beitrag zur Aggregation der Informat ionen leisten können.'?' Darüber hinaus kann dieses Anwendungsszen ario durch aus für verschiedene Mitarbeitergrupp en durchg eflihrt werden, urn beispielsweise zu erkennen, ob sich spez ielIe Entwick lungspfade für Frauen herausgebildet haben, die es zu berücksichtigen gilt."? Das hier vorgestellte Anwendungsszen ario verspricht damit eine Integration von individuellen Bewegungspromen in die Gestaltung sentscheidungen von Karrieremod ellen. Die Anwendung der sequen-

50G

507

Geht man beispielsweise von einem mittelständischem Unteme hmen mit 4000 Mitarbeitem aus, die durchschnittlich fünf Jahre im Unternehmen verbleiben und in dieser Zeil durchschnittlich zweimal die Position wechseln, an vier Kursen leilnehmen und viermal beurteilt werden, so sind damit schon 128.000 Obje kte zu analysieren. Vgl. Strohmeier / Piazza / Jakob 2006.

189

zielten Assoziariousunalysc ermöglicht die umfasscndc Bcrücksichrigung viclfältiger individucllcr Vcrhaltcnswciscn sowic untcrnchmcri schcr Ucgchcnhcitcn im Zcitableuf und stelh dicsc in transparenter Form als Rcgcln dern Entschcidungsträger zur Yertllgung. Dics cs Auwcudungsszenario is! nun vor dcm pcrsonalwirtschafllichcn Hintergrund der I'crsonulcntwicklung respektivo der Gcstaltung von Karricrcmodcllcn und rechttichen Aspc ktcn kritisch I U unely-

sieren. Exemplarisch und srcllvcnrctcnd fhr alle anderen Anwcndungsszcnaricn wird im Railmen des Anwendungssz cnarios l ur Gcstalnmg von KalTieR'II1IJdc1 k:n au f die Problcmutik der Detcnzusammcnführung in cincr fllr das Data Mining a nalysicrbarcn Datenbcsis cingcgangcn.

5.3.6.2.

Pcrsonalwirtschafllichc Analyse des Anwcndungsszcnarios

Ausga ngsbasis dics cs Anwcndung sszcuerios ist. dass his dato entweder keine oder abcr nicht

zwingend zu uhsolvicrendc Karr icremodcllc im Untcrnchmcn exisricrc n. Nur in dies en Palfen spiegcln sich individucllc v crhahcnswciscn auch in der Durenbasis wk-der und körmcn für die Gcstalrung von Kerricrcmodcllcn bcrücksichrigt werden. Geiten in Unrcmcbmcn Karricrcmodolle. die zwingend zu bcfolgcn sind, entstchcn uuch keine cmcrgcrncn Bewegungsprotile. die hei der Gcstaltungscntschcidun g vo n K arneremodellen zu bcrücksichtigcn w aren. Wie bcrcits crwülnn stclh die Anwcndung der scqucnziellen Assoziarionsanelysc bcsondcrc Anfordenmgen a n die Vorhercitungen der z u analy sicrcndcn Datcubasis . Es ist einc Datcubasis notwendig. die

I.U j cdcm Mitarbcitcr die Stellen-. die Entwicklungsmaênalunc- und die Bcurtcilungsdatcn im Zeitahlauf bcinhuhcr. Dabci ist nicht die Ker mtnis dL'S absolutcn Zcitpunkts relevant. sondcm te-

digfich die Kenmuis der zcirlichcn Reihcnfhlgc. Dies bedeuier in der Folge, dass l.eitJ"(l/ImheIOgene Dillen nuf eincn Zeitpunkt bezogen werden mU,SL'Jl. Für Stcllenbesetzungen beispielsweise bictct sich hier bei Jer Stanzcitpunkt un. wûhrend Entwic klungsma ênahmcn auf den Endveltpunkt bczogcn werden souten. Beurteilungen können dehingchcnd diffcrcnzicrt werden, ob es sich urn cine regelmäêige j ährliche Beurtcilung im Rahmen ven Muartcitcrgesprächen odcr ercignisspcziflschc Bcurtcilungcn bcispiclsw cisc im Rahmcn cincr Emwicklungsmaûnahmc handelt. In crsrcrcm Fall gestalte! sich der Hczug nuf einen Zcirpunkt schwicrig. da hierhei Ûbcrlappungen von anderen karricrcrnodcllrclcventcn Aspcktcn stattflndcn k önncn und einc einderuige zcitlichc Rcihcnfblgc der Ercignissc nicht rnehr idcntlflzicrber isl. Beispiek En Mitarbciter wechsch ir n Oktober die Stelle. im Januar I indct das jährl iehe Mitarbcitergcspräch sten. Je nach dcm , oh der Stellcnwcchscl direkt auch eine Anpassung der Ziele impliziert odcr nicht. bcxiclu sich die Heurtclhmg auf die Ziclcrrcichung hel. der Anfordenmgen der ~'TStL'Jl Stelle oder der zweÎlen SleiIe.

190

Ilicr wird deutlich. dass eiuc intime Kenmuis der Pro/ esse und lnhaltc dL'J' l'ersonalenrwicklung des jewciligc n lJnlemehmens unabdingber ist. urn eine valide und damit a naly sicrbarc Datcnbasis /u erstellen. GrondslUIHeh könncn hierbei zwei mög fichc AnL'Il der Datcnbasis zur Analyse mithilfe der sequenziellcn Assoziationsanalyse hcrangezogcn werden , lm ersten Fallum fasst die Datcubasis drci Anrib utc. die ldcntiflkationsnur nmcr (ID). den Zcitpunkt und das j cwciligc

karricrcmodcllrclcvamc Ereignis (vgl. Abbildung 56). ID

Zcitpunkt

Erciguis (Position f MaBnahmc I Bcurtcilung)

I

I

Stelle I

I

2

Enrwicklungsmabnahme I

I

3

Stelle 2

I

4

Entwicklungsmabnahmc 2

..

...

...

2

I

Stelle I

2

2

Stdle 5

...

...

Abb,ldung 56: Be"p,el I znr DalenbasISde, An""ndung,,,,e nano, V: (,e'lallllng von Karriererrodellen

lm zweiten Fall umfasst die Datcubasis fünf Attriburc. die ID. den Zcitpunkt und j cweils als scpuretos Attrihut das karricrcrnodcllrclcvamc Ercignis. d. h, die Positiou. die Erawicklungsmaênahmc und die Hcurtcilung.ë"

Zcitpunkt

Position

MaBnahme

Beurtcilung

I

I

Stelle 1

·

I

2

Stelle 1

Entwicklungsmabnehruc [

I

3

Stelle 2

·

· · ·

I

4

Stelle 2

...

· ...

Bcurtcilung I

...

2

I

Stelle 1

2

2

Stelle 5

· ·

..

...

...

...

· · ...

10

..

...

Abbildung 57: lkispicl ll zuTDalcnoo,i,de, Anwc r•.l"" j!:' ,,"c'llIrio, V: Gcslal1ul1j!: ven Karriercmodcllcn

"'" v gl, zur Vorbercilung de... Dalcuoosi, in dic hier I'erwell<1clc allribl,lil'e fom als Tabellc a"eh die Aus fi.lhrunb"'l' bei D/ croski 2005. S, 88 l ff

19 1

Der Einsatz der sequentiellen Assoziationsanalyse ist damit generelI nur rnöglich, sofem es gelingt, die relevanten personalwirtschaftlichen Daten in der dargestellten Form zur Verfügung zu stellen. Da operative Systeme in der Regel relationale Datenbanken verwenden, kann davon ausgegangen werden, dass die zu analysierenden Daten in unterschiedlichen Tabellen gespeichert sind und sich diese Zusammenflihrungsaufgabe daher grundsätzlich stellt. Gelingt die Erstellung einer den genarmt en Anforderungen entsprechenden Datenbasis, ermöglicht die Anwendung der sequenziellen Assoziationsanalyse die Ermittlung von häufigen Bewegungsprofilen in der Datenbasis. Diese werden in Form von Regeln präsentiert und zeigen keine altemativen Wege wie in Karrieremodellen üblich (vgl. Abbildung 55) auf. Aus diesem Grund müssen die ermittelten Regeln ex post zu Karrieremodellen aggregiert werden. Das in Abbildung 55 angeflihrte Karrieremodell würde sich in Form von Regeln wie folgt darstellen: Regel I: WENN Stelle I und danach Entwicklungsmaûnahme I und danach Stelle 2 und danach Entwicklungsmal3nahme 2 DANN folgt Stelle 4 Regel 2: WENN Stelle I und danach Entwicklungsmal3nahme I und danach Stelle 3 und danach Beurteilung I DANN folgt Stelle 4 Diese beiden Regeln müssen dann zu dem in Abbildung 55 dargestellten Karrieremodell zusammengefiihrt werden. Aufgrund der Transparenz der Regeldarstellung sind die Zusammenhänge für den Entscheidungsträger gut verständlich und die Aggregation scheint aus dieser Perspektive gut möglich, Der Umfang der an dieser Stelle zu leistenden Aggregationsaufgabe hängt dabei jedoch von der Anzahl der Rcgeln, die durch die sequenzielle Assoziationsanalyse ermittelt werden konnten, ab und stellt sich daher in unterschiedlichem Mal3e. Grundsätzlich aber ermöglicht die Anwendung der sequentiellen Assoziationsanalyse die automatisierte Identifikation von häufig vorkommenden Bewegungsprofilen und präsentiert diese in einer Form, die für den Entscheidungsträger gut verständlich ist und damit bei der Gestaltung der Karrieremodelle berücksichtigt werden kann. Es ist nun noch zu diskutieren, inwiefem rechtliche Aspekte gegen das Anwendungsszenario sprechen. Zunächst könnte sich eine Legitimation für die Analyse personenbezogener Daten aus dem Erlaubnistatbestand gemäl3 § 28 Abs. I Satz I Nr. I BDSG ergeben. Demnach sind Auswertungen der Personaldaten erlaubt, wenn diese in unmittelbarem Zusammenhang mit dem Vertragszweck stehen. Diesem Anwendungsszenario ist der Arbeitsvertrag zugrunde zu legen, 192

so das, sich dieser Fatbesta nd uus der Notwendigkeitz ur Personaîentwicklungsplauung crgibr. Unabhëngig von diescm Erleuhnis tetbes tand spiclt in dicscm Anwcndangsszenaric der Personenbe- ug des zu cmuücludcn llcwcgungsprofils kcinc Rulle. D. h. es bcstclulcdigfich das InICTL'S,e. häufige Bewegungsprofilc in der Datenbasis LU idcnriflzicrcn. Welcher spczifische Mitarbcitcr gcnau Ober dicscs Bcwcgungsprofll vcrfügt. is! nicht von Belang. Deruit kenn dicscs Awcndungsszcnario durehans auch urscr Rückgriff auf anonjmisicnc Deren rcalisicn werden. so dass in diesent Fellauc h kcinc detcnscbutzrccbtlic hcn Res triktionen 7 U bcachtcn sind. Zus urnmcnfasscnd läss t sich feststcllcn. dass rnithilfe de r scqucnz tcücn Assoziationsanalysc

crstmalig die mcthodcngcstütztc Enn inlung von Emwicklungspfadcn möglich ist. Übcr die lntcgration wcitcrer Deren " ie bcispielsweise Ausmusgründc, Incentives. Auslandsaufcmhahe L'S darübcr hinaus denkbar. weitere sunatvc Paktoren in die Analyse lU nucgri crc n, die durehans wenvolle lnformationcn für die Gestaltung der Karricremod clle beinhalten. Die llerausforderungen im Rehmcn diL'SCS

etc. und die Anwendung uuf vcrschicdcnc Mitarbcitcrgruppcn ist

Anwcndungsszcnaeios liegen insbes ond crc in de r Zusammcns tcllung der zu an alysicrcndcn

Daicnbasis S\1\\ ie der mauucü durchzuführcndcn Aggrcgatiousaufgahc, aus den idcruifizicrtcn Rcgeln Karricrcrnodclle abzuleitcn. 5.3.7.

.tnwendnngsszenario I J: I·ergü/ungsgesw /llmg

5.3.7.1.

Bcschrcibung des Anwendungsszenarios

Eincn Übcrblick überdas Anwendungsszcnurio v crgütungsgcstaltung giht Abhildung 58. Anwcndungsszcnerio V I: v crgütu ngsgcstaltung Anwcndungsbercich

Vergütungsmanagcmcnt

Eraschcidungsproblcm

ziclsctzu ngsdcfc ktcs Entschcid ung sprohlem

Data Mining Meihedengruppe

Klassiflkationsmcthodcn

Datcubasis

Mitarbcitcrstamrudatcn. Vcrgütungsdaten

Erkcnntniszicl

ldcntifi ketion interessanter Entgcltk ruuponc ntcn für Mit-

arbeitcr Abbildllng SM: An" cndllngs>zc llano VL Vcrglitllligsgcsialtllng

Im Kontext des Vergütungsmanagemcnts nimmr die Entgcltfestsetzung einc groBc Rollc ein. Traditioncllcrwcis c bildot die Stcllc nbcschrcibung und da nrit cinc nuf die Anfordcrungcn bc-

zogene Arbcitsbcwcrtungdie Grundlage der anfordcrungsoricnticncn Emgchfindung, die in der

193

Regel urn eine leistungsorientierte Kompon ente ergänzt wird."" Das Anwendungssze nario Vergütungsgestaltung zielt dabei auf eine flexible , an den Bedürfnissen des Mitarbeiters ausgeriehtete Entgeltfestsetzun g ab, wie dies beispielsweise in Form eines Cafeteria-Systems der Fall ist. Im Rahmen der Vergütung in Form eines Cafeteria-Systems kann jeder Mitarbeiter zwisehen versehiedenen Entgeltkomponenten im Rahmen eines festgelegten Budgets entspreehend seiner Bedürfnisse wählen ." " Bei den Entgeltk omponenten kann insbesondere zwisehen materiellen Leistungen wie Versicherungen, Beteiligungen und Saehleistungen sowie Zeitleistungen, die beispielsweise f1exible Regelungen zur Urlaubsabgeltung oder Perioden- bzw. Lebensarbeitszeit beinhalten, untersehieden werden."! Darüber hinaus können aueh Leistungen angeboten werden, deren Kosten von den Mitarbeitem getragen werden, für die das Untemehmen jedoeh die Angebotsbescha ff ung und -organ isation übemimmt wie beispielsweise das Angebot von Kindergartenpl ätzen oder Firmenwohnun gen."? Bei einer Vielzahl an Wahlmögliehkeiten von Entgeltkomp onente n stellt sich im Rahmen von flexiblen EntgeItsystemen grundsätzlieh das Problem der Übersehaubarkeit und Verständlich keit.:" Es liegt dam it eine datenintensive Entseheidungssituation vor, die es im Rahmen dieses Anwe ndungssze narios mithil fe von Data Mining zu unterstützen gilt.

Für das Personalmanagement liegt die Verantwortung neben der Konzip ierung entspreehender Entgeltkomp onenten insbesondere in der Beratun g der Mitarbeite r bei der Auswahl und der Empfehlung von für den jeweiligen Mitarbe iter passende n Entgeltkomp onent en. Damit stellt sieh das Problem der Auswahl einer jeweils auf den Mitarb eiter abgestimmten Entgeltkomponente. Es handelt sieh damit urn eine datenintensiv e Standardentsch eidung, die die gleiehzeitige Berüeksichtigung von Mitarbeite rdaten und Entgeltkomp onent endaten erfordert, urn zu einer Empfehlung zu gclangen .:" Mit der Anwendung von Klassifikationsmeth oden soli im Rahmen dieses Anwendungssze narios der Zusammenhang zw isehen Mitarbeiterdaten und der Wahl einer Entgeltkomp onente ermittelt werden . Dieser Zusammenhang kann dabei dem Personalmanagement als Grundl age für die Empfehlung einer Entgeltkomp onente dienen. Darüber hinaus ist aueh die Realisierung eines Self-Service-Szenarios denkb ar, in dem der Mitarbeiter selbst sich eine passend e Entgeltkomponente Data Mining gestützt vorsehlagen lässt. Im Rahmen der Vergütun gsgestaltung ist eine Tra nspa renz und dam it Naehvollziehbarkeit der

Vgl. Oechsler 2006, S. 390 ( Vgl. Wagner 2004, Sp.632ff. , Scholz 2000, S. 753 oder Oechsler 2006, S. 445. 511 Vgl. Dycke / Schult e 1986, S. 580ff 512 Vgl. Oechsler 2006, S. 446. 513 Vgl. Dycke / Schulte 1986, S. 58 1. 514 Das gleiche Entscheidungsproblem stellt sich mithin für den Mitarbeiter selbst. Aus einer zur Auswahl stehenden Anzahl an Entgeltkomponenten muss er eine seinen Bedürfni ssen entsprechende Komponente ausw ählen. 509 510

194

automatisicrt crzcugrcn Empfehlung unebdingbar. SOJ,L'iS insbcsondcre Entscheidungsbaumvcrfahrcn zur Klassifikation gccignct schcinen .

Es liegt zunächst ein ziclsctzungsdcfcktcs Entschcidungspmblcm vor, in dcm die zur Auswahl die mögfichcn Handlung sahcmenvcn A darstellen (vgl.

stchcndcn Emgchkomponcmcn''

Abbildung 59). Rclcvanz

a

ja

...

...

""

nein

Abb, ldung 59: F.nt
Zn identifizicrcn ist nuu dL'T Zusammcuhang zwischcn Mitarbcitcr und Eragclrkomponcnrc, also letztlich cine Zicllimkliun[ . die es erlauht. Jen Mirarteucm cinc Entgehkomponente zuzuord-

ncn und damit die jcwcifigc Rclcvunzaufzuzcigcn. Die Anwcndung von Klassifikatiousmcthoden auf histonschcn Auswahlcntsch cid ungcn. d. h. von Entschcidungcn der Mitarbeircr fitr bcstinunrc Entgchkomponcntcn. crmöglicht nun die ldcntifiketion eines Zusamm cnhangs zwischcn den Mitarbcitcrdaten bzw. den Mitarbcitcrprofilcn und der Entschcidung für cinc Entgchkomponcntc. Diesom Anwcndungsszcnurio sind damil Mirarbcucrdatcu und Vergütungsdeten rcspckrive die lnforrnationen nbcr die gcwählten

Emgclrkomponcntcn zugmndc zu legen. Die Mitarbcitcr stellen dubci die

1lI

analysicrcndcn

Ubjekte dur. die durch Auribute au, dcm Mitarbencrstemm sowie der Informarion über die

gcwähltc Entgcltkomponcntc bcschricbcn werden. Auf Basis dicscr Dal en und mil der Dektaration der Entgchkoruponcntcals Ziclauribur en nög licht nun d ie Anwcnduug Wil Klassifikaüonsmethoden dlc Ermittlung eincs Zusarnmcnhangs zwischen Miturbcitcm und der Entschcid ung

filr cine Entgeltkomponcntc. wobci sownbl die Eln llussfàktorcn. die die Wahl eincr Entgclt-

komponcme hceinflusscn, explizicrt werden könncn als auch die Zuordnung von Mirarteirem und Entgcltk om pon ente . Kann ein solchcr Zusummenhen g crmittclt werden , ermöglicht dicscr die Prognose und damit die Empfchlnng ven Enrgekkompoucnrcn mr a ndere Mitarbciter. Nachfolgcnd isr cin denkbnrcs Ergebnis der Anwcndung von Enrschcidungsbaumvcrfahrcn als Klassifiketionsmcthodcn durgesteêlt.

m Es isl fur dicj;CS Annc ndun!,-,,,,,cnario u'lem:blich. ob en,... EilT~'<: llkompolle "'C ",ld mill1m cioc Huldlungsaltcmali\'caus CilK."T E i ,vdki,t un~ udcr.lus ciJler Komb'Mlionau I.ci sl un~'C n 1x-,;lchl

195

WENN Alter < 40 UND Geschl echt

=

männlich

UND Fam ilienstand

=

verhei ratet

UND Anzahl Kinder unter 6 Jahre > 0 DANN Entgeltk omp onente

=

(Kindergartenplatz, tlex ible Jahresarbeit szeit)

WENN Alter > 45 UND Fam ilienstand

=

verhei ratet

UND Dienstalter > 10 DANN Entgeltkomponente = Gcwinnb eteiligung

Kann ein den GütemaBen entsprechender Zusammenhang in den Daten ennittelt werden , so kann dieser für Mitarbe iter, die vor der Entscheidung für eine Entgeltkomp onente stehen, herangezogen werden. A uf Basis des enni ttelte n Zusammenhangs kann je ne Entgeltkomponente prognos tiziert werden, die für denjeweiligen Mitarbeiter in Frage kommt. Damit verspricht dieses Anwendungsszenario eine Unterstützung des Beratung sprozesses hinsichtlich der Verg ütungsg estaltun g und kann zum einen als Self-Service direkt den Mitarbeitem zugänglich gemacht werden oder aber der Personalverantwortliche kann auf den Data Mining gestützten Vorschlag im Rahmen seiner Beratun gstätigkeit zurückgreifen. Im Fall der Self-Service Realis ierung kann der Mitarbeiter au f die Erfahrungen seiner Kollegen zurückgreifen und erhält einen entsprcchenden Vorschlag für eine Entgeltkomponente. Als Entscheidungsunterstützung für den Personalverantwortlichen kann diese Empfehlung eine Vereinfachung bei der Vorbereitung eines Beratungsgespr ächs darstellen.

5.3.7.2.

Person alwirtschaf tlich e An alyse des Anwendungsszen ario s

Dieses Anwendungsszenario ist nun vor dem personalwirtsch afllichen Hintergrund der Vergütungsg estaltung sowie rechtlichen Aspekten kritisch zu analysieren. Gleichwohl dieses Anwendungsszen ario eine Unterstützung des Beratun gsproze sses des Personalverantwortlichen und Auswahlprozesses des Mitarbeiters verspricht, ist die Data Mining gestützte Empfehlung kritisch zu hinterfragcn. Es erfolgt eine Rcduzierung der Auswahlrn öglichkeitcn, indem mithil fc von Data Mining jene Entgeltk omp onente dem Mitarbeite r zugeordnet wird, die andere " ähnliche" Mitarbeite r in der Vergangenheit gewä hlt haben . Die implizite Annahme, dass für ähnliche Mitarb eiter auf gleiche Bedürfnisse hinsichtlich der Vergütun gsgestaltung geschloss en

196

werden kann, ist kritisch zu betrachten. Zudem ist die Ähnlichkei t auf die ver fügbaren Daten der Mitarbeiter in den Personalinfonnationssystemen restringiert, die in der Regel kein inhaltlich vollständiges Abb ild der Bedürfui sstruktur des Mitarbeite rs darstellen . Der Data Mining gestützte Vorschlag einer Entgeltkomponente kann daher keinen Automatismus zur Entgeltfestsetzung darstellen, vielmehr bietet er eine Möglichkeit, über die nachgedacht und diskutiert werden kann. Zum anderen dürften in den vergangenen Entscheidungen auch Fehlentscheidungen getroffen worden sein, die im Rahmen dieses Anwendungsszenarios jedoch zun ächst zur Ermittlung des ZusammenhangsJz herangezogen werden. Eine kritische Masse dieser Fehlentscheidungen kann dazu führen , dass eine Entgeltkomp onente vorgeschlagen wird, die primär auf Fehlentscheidungen beruht. Gleichwohl der ennittelte Zusammenhang dann fonnal d. h. den G ütema ûen entsprechend valide ist,

führt die Anwendung zur Prognose einer Entgeltkom-

ponente zu einem Ergebni s, das aus personalwirt schaftlicher Sicht nicht valide ist. Dieser Problematik kann jedoch entgegen gewirkt werden, indem beispielsweise die Datenba sis urn ein Zufriedenheitsattribut ergän zt wird. Dieses Zufriedenheitsattribut kann durch eine Befragung der Mitarbeiter zu ihrcr Zufriedenheit mit der Entscheidung für eine Entgeltkomponente ennittelt und für die Data Mining gestützte Empfehlung herangezogen werden . Wird das Anwendun gsszen ario als Beratungsunterstützun g des Personalverantwortl ichen realisiert, kann diese Problernatik zudem durch den Person alverantwortlichen ausgeglichen werden. Weitere Entgeltkomponenten können in den Beratungsprozess mit au fgenomm en und vom Personalverantwortlichen berücksichtigt werden . Wird dieses Anw endun gsszena rio als Self-Service realisiert, bleibt die angesproch ene Problematik bestehen. In diesem Fall ist der Mitarbeiter nicht in der Lage einzuschätzen, ob die vorgeschlagene Entgeltkomponente IUr ihn tatsächlich geeig net ist. Entsprechend muss dem Mitarbeiter klar kommuniziert werden, dass es sich lediglich urn einen Vorschlag hand elt über den mit dem Personalmanagement beraten werden muss. Aus rechtlicher Sicht betrachtet stellt sich die Anwendung von Klassifikationsmeth oden zur Ermittlung des Zusammenhangs Jz im Rahmen dieses Anwendun gsszen arios zun ächst dann unproblemat isch dar, wenn es sich urn anon ymisierte Daten handelt. Dementsprechend ist die Datenb asis zu anon ymisieren . Wird der enn ittelte Zusammenh ang Jz zur Zuordnun g einer Entgeltkomponente zu einzelnen Mitarbeitem verwendet und damit eine Prognose erstellt, handelt es sich wiederum unter personenbezogene Daten, die unter den Geltungsbereich des BDSG fallen . Wie in der Beschreibun g des Anwen dun gsszenarios dargestellt, ist in der prognostizierten Entgeltkomponente eine Empfehlung zu sehen, die der Entscheidungsträger beacht en kann oder auch nicht. Eine automatisiertc Entscheidung in dem Sinne, dass der Mitarbeiter die prognostizierte Entgeltkomp onente wählen rnuss, kann aus den zuvor diskut ierten personal wirtschaftlichen Gründen in diesem Anwendungsszen ario nicht verfolgt werden . Damit kommt auch § 6a BDSG zur automatisierten Einzelentsche idung nicht zur Geltung.

197

Damit bleibt festzuhalten, dass das Anwendungssze nario zur Vergütungsgestaltung durchaus sinnvoll und praktikabel scheint. Es kann jedoch nicht davon ausgegangen werden , dass die prognostizierte Entgeltkomp onente die optimale und damit auszuwählende Handlun gsaltemative darstellt. Dies liegt zum einen daran, dass die Bedür fnisse der Mitarbeiter in der Regel nicht vollständig in der analysierbaren Datenbasis vorhand en sind und damit ein inhaltlich valider Schluss von der Ähnlichkeit der Mitarbeiter auf die Wahl der Entgeltkomponente fraglich scheint. Gleichwohl ennöglicht die Anwendun g der Klassifikationsmethoden die Ennittlung eincs Zusammcnhangs, der eine erste Strukturi erung des Entscheidungsproblems erlaubt und somit zur Vereinfachung und Beschleuni gung des Beratung sprozesses verwendet werden kann .

198

6. Fazit Die vorliegende Arbeit zielt auf eine systematische und umfassende Analyse des Einsatzpotenzials von Data Mining im Personalmanagement ab. Zunächst wird auf Methodengruppenebene der Entscheidungsunterstützungsbeitrag je Methodengruppe und Entscheidungsproblem differenziert analysiert. Aufgrund der Leistungsmerkmale der Methodengruppen sowie ihrcr notwendigen Anwendungsvoraussetzungen in Verbindung mit den Merkmalen der Entscheidungsproblemtypen kann das jeweilige Einsatzpotenzial und darnit die Eignung zur Entscheidungsunterstützung untersucht und festgestellt werden. Die Diskussion des Einsatzpotenzials von Data Mining zur Entscheidungsunterstützung basiert dabei auf einer theoretisch fundierten Kategorisierung einzelner Entscheidungsprobleme in Entscheidungsproblemtypen und einer Kategorisierung von einzelncn Data Mining Methoden zu Data Mining Methodengruppen. So werden auf Basis der Entscheidungstheorie wahrnehmungs-, abgrenzungs-, wirkungs-, bewertungs- und zielsetzungsdefekte Entscheidungsprobleme abgeleitet, die das Fehlen spezifischer Informationen, die zur Vorbereitung der Enscheidung und zur Entscheidung selbst notwendig sind, indizieren. Aus den Aufgaben des Data Mining können mit Klassifikations-, Bewertungs-, Segmentierungs- und Assoziationsfindungsmethoden vier Methodengruppen abgeleitet werden, die die Analyse des Potenzials von Data Mining zur Ermittlung der fehlenden lnformationen in den entsprechenden Entscheidungsproblemtypen ermöglichen. Diese Vorgehensweise erlaubt darnit eine Abstraktion von konkreten einzelnen Entscheidungsproblemen und ermöglicht im Ergebnis die Ableitung von generalisierbaren Aussagen zum Einsatzpotenzial von Data Mining zur Entscheidungsunterstützung. Differenziert nach Methodengruppe und Entscheidungsproblemtyp kann dann angegeben werden, wie Data Mining zur Entscheidungsunterstützung beitragen kann und worin der Entscheidungsunterstützungsbeitrag liegt. Aus diesen Erkenntnissen abgeleitete Vorgehensmodelle unterstützen die Auswahl einer geeigneten Data Mining Methodengruppe bei Vorliegen eines bestimmten Entscheidungsproblemtyps. Eignen sich nun spezielIe Methodengruppen zur Entscheidungsunterstützung, so impliziert deren Anwendung konkrete Einsatzszenarien, die insbesondere auf die KontrolIe und Unterstützung datenintensiver Standardentscheidungen abzielen. Damit liefert die Analyse des Einsatzpotenzials von Data Mining zur Entscheidungsunterstützung einen theoretisch fundierten Rahmen, der eine Übertragung der Erkenntnisse auf den Anwendungsbercich Personalmanagement crlaubt. Im Personalmanagement respektive den vier Hauptbereichen Beschaffungs-, Entwicklungs-,

Leistungs- und Vergütungsmanagement ist eine Vielzahl an Entscheidungen zu treffen und es kann davon ausgegangen werden, dass wahrnehmungs-, abgrenzungs-, wirkungs-, bewertungsund zielsetzungsdefekte Entscheidungsprobleme auch im Personalmanagement zu lösen sind.

199

Das Vorl iegen einer inhaltlich und fonnal adäquaten Datenb asis stellt dabei eine grundlege nde Voraussetzung für die Anwendung von Data Mining im Personalman agement dar. Die weite Verbreitung vielfältiger Personalinfonnationssysteme sowie umfassende Standardisierungsbestrebung en von Datenfonn aten im Personalm anagement indizieren eine umfangreiche informatorische Datenbas is im Personalm anagemenl. Es kann davon ausgegangen werden, dass das Personalmanagement auf eine inhaltlich umfangreiche Datenb asis zurückgreifen kann, von der anzunehmen ist, dass sie eine Vielzahl personalwirtschaftliche r Entsche idungsprobleme zu repräsentieren vermag. Inhaltlich sche int dam it eine Datenba sis gegeben zu sein, die tür die Anwendun g von Data Mining geeignet ist. Diese Datenb asis ist jedoch fonnal zun ächst aufzubereiten, indem die in verschiedenen Systemen und Tabellen gespeicherten Daten für die Anwendung von Data Mining in einer Tabelle zusammengeführt werden müssen. Diese Zusammenführung gestaltet sich in Abh ängigkeit der vorlie genden Systemarc hitektur unterschiedlich aufwendig . Da jedoch die Anwendung von Data Mining erst dann sinnvoll ist, wenn es sich um datenintensive Entscheidungsprobleme hand elt und Dateninhalte zumindest aus verschiedenen Tabellen wenn nicht gar Systemen relevant we rden, ist anzun ehmen, dass die Zusammenführung der Daten in eine analysea däquate Datenb asis im Allgemeinen aufwendig ausfällt, Die Analyse rechtlicher Bestimmun gen zeigt, dass die Anwendung von Data Mining im Personalmanagement nicht grundsätzlich verboten ist. Vielmehr geben datenschutz rechtliche Bestimmungen den rechtlichen Rahmen zur Durchführung von Data Mining zur Entscheidungsunterstüzun g im Personalman agement vor. So stehen der Anwendung von Data Mining auf anonymisierten Daten zunächst ke ine datenschu tzrech lichen Restr iktionen entgege n. Im Rahmen der Data Mining Analyse personenb ezogener Daten sind mögliche Erlaubni statbestände zu prüfen. Sollen personenb ezogene Daten mit Leistun gs- und I oder Verhaltensbezug analysiert werden, so ist das Mitbestimmung srecht des Betriebs rates zu berücksichtigen. Auch die automatisierte Verwendung der Data Minin g Ergebnisse zur Entscheidun gsunterstützung ist zu

überprüfen. So ergeben sich insbesondere aus datenschutzrechtlich en Bestimmun gen, i. e. § 6a BDSG, aber auch aus Bestimmungen des AGG Restriktionen hinsichtlich der automatisierten Anwendung von Data Minin g Ergebn issen zur Entscheidungsunterstützun g. Ein dezidi ert auf den Anwen dungskontext Personalmanagement ausgerichtetes Vorgehen smodell integriert die Erkenntn isse aus der entsche idungstheoretischen Analyse des Einsatzpotenzials von Data Min ing mit den inhaltlichen und rechtlich en Anforderungen, die sich aus dem Personalman agement ergeben und unterstützt den Einsatz von Data Mining im Personalman agement. Anhand dieses Vorgehensmodells können prototypische Anwendungsszenarien abgeleitet und sowohl konzeptionell als auch empirisch analysiert werden. Die in dieser Arbeit diskutierten Anwendungssze narien decken dabei umfassend zentrale Entscheidungsprobleme des Beschaffun gs-, Entw icklun gs-, Leistungs- und Vergütun gsmanagement s sowie den Einsatz

200

von Klassifik ations-, Bewertun gs-, Segm entierungs- und Assoz iationsfindungsmethoden ab. Diese Anal yse zeigt deutl ich die Möglichkeiten des Einsatzes von Data Minin g im Personalmanagement zur Enscheidungsunterstützung auf. Für das jeweilige personalwirtschaftliche Entscheidungsproblem werden geeignete Data Mining Methodengruppen ausge wählt und ihr Einsatz zur Heilung des Defektes eva luiert. Die Analyse gibt dabei einen umfàss enden Überbliek über den Beitrag zur Entscheidungsunterst ützung, den die verschiedenen Methoden gruppen in den jeweiligen person alwirt schaftl ichen Entsche idungsproble men leisten können, Es zeigt sich, dass Data Mining über das Potenzial ve rfügt, wah rnehmungs-, abgrenzungs- , wirkungs-, bew ertun gs- und ziel setzun gsdefekte Entscheidungsprobleme im Personalmanagement zu heilen und damit einen Beitrag zur Entscheidungsunterstützun g im Personalmanagement zu leisten. Gleichwohl werden auch die Grenzen des Einsatzes von Data Mining im Personalmanagement deutlich. Das Einsatzpotenzial von Data Mining im Personalmanagement ergibt sich imm er in Bezug zum untemehmensindividuellen personalwirt schaftlichen Hintergrund sowie der spezifischen informator ischen

Basis des

Untem ehmens. Gleichwo hl aus entsche idungstheoretischer

Perspektive sowie einem grund sätzlich hohen Daten volum en im Personalmanagem ent die Voraussetz ungen zum Einsatz von Data Mining gegeben sind und dam it aueh die grund sätzlich e Frage nach dem Einsatzpotenzial von Data Mining im Personalmanagement zun ächst zu bejahen ist, kann dieses Einsatzpotenzi al aufgrund untemehmensindividueller Gegebenheiten nicht immer in vollem Malle ausgeschöpft werd en. Dies hat zur Folge, dass nicht generelI die Anwe ndung von Data Mining im Personalm anagem ent emp fohlen werden kann. Die Analyse der prototypischen Anwendungsszen arien hat gezeigt, dass ein Ergebn is der Data Minin g Analyse je nach Organisation und Abl auf der person alwirtsch aftlichen Funkti onen im einz elnen Unternehmen untersch iedlich zu bewerten ist. Werd en, wie beisp ielsweise im Rahmen der Anwendungsszen arien zur Personalvorauswahl diskut iert, Einflu ssfaktoren auf die Einstellung des Bewerbers ermittelt, so sind diese Ein fluss faktoren im Hinblick auf Vorgaben zur Person alvorauswahl seitens des Unternehme ns zu evaluieren. Existieren Vorgab en zur A uswahlentscheidung, so können die Ergebni sse der Data Minin g Anal yse zur KontroIIe der Einhaltung der Vorgaben herangezogen werden. Bestehen keine Vorgaben zur Personalvorauswahl und es wird auf die Erfahrung der Person alverantw ortlichen vert raut , so können mithilfe von Data Mining entdeckte Zusammenhänge zur Einstellung von Bewerbern durchaus dem Verständn is eines erfolgreichen Personalauswahlpro zesses und damit als Lern- und Gestaltungsgrundl age für das Personalmanagement dienen. Abbildung 60 fasst die Verknüpfun g zwischen der Datenb asis, den Proze ssen im Personalm anagement, den Data Min ing Analysen sowie den erw artb aren Ergebnissen zusammen.

20\

wahrnehmungsdefektes EP

wahrnehm ungsdefektes EP abgr enzungsde fektes EP wirkungsdefektes EP bewertun gsdefektes EP zielsetzung sdefektes EP

Abbildung 60: Erwartbare Ergebnisse des Data Mining im Personalmanagement

Der Ablauf von personalwirtschafilichen Prozessen ist i. Allg. durch organisatorische Regelungen vordefiniert und deren Abbildung wird entsprechend in den verwendeten Personalinformationssystemen vorgenommen . So ist beispielswe ise festgelegt, auf welcher Basis das Gehalt berechnet und wie es ausgezahlt wird. Die Durchfiihrun g personalwirt schaftlicher Prozesse unter Verwendung verschieden ster Personalinformationssysteme fiihrt damit zur Speicherung der relevanten Daten in der Datenbasis. Diese nach organ isatorisch en Regelungen ablautenden

fo rma/en Prozesse sind demnach Hauptlieferanten der Daten, die zur Data Mining Analyse zur Verfiigung stehen. Neben diesen formalen Prozessen ergeben sich mitunter auch emergente Prozesse. Fehlen Regelungen zur Durchfiihrun g spezifischer Prozesse, so bilden sich neue Prozesse unter Verwendung der Personalinformationssysteme heraus. Ein Beispiel hierzu stellt ein Personalvorauswahlpro zess dar, der keine zwingenden Kriterien vorgibt, nach denen Bewerber

202

auszuwählen sind. Dies führt nicht etwa dazu, dass die Personal vorau swahl nicht mehr durchgeführt wird, vielmehr entstehen unterschiedliche Varianten des Prozesses Personalvorauswahl im Verantwortun gsbereich des jeweiligen Personalverantwortlichen. Auch diese Prozesse werden au f Basis der Personal informationssysteme durchgeführt und die entsprechenden Daten werden in der Datenbas is gespeichert. Schlieêlich linden auch Ereignisse im I'ersonalm anagement start, die nicht auf personalwirtschaftl iche Prozesse zurückzuführen sind. Diese können als Phänomene bezeichn et werden . Hierunte r fällt beispielsweise die mitarb eiterseitige Kündigung, die als solch e in dem Personalinformationssystem erfasst wird und damit in der Datenbasis dokumentiert ist, die jedoch zun ächst nicht in Zusammenhang mit einem personalwirtschaftlichen Prozess steht. Sie stellt sich dem Entscheidungsträger zunächst als Phänomen dar, welches es zu evaluieren gilt. Die Anwendung von Data Mining im Personalmanagement erfolgt nun aufausgewäh lten Daten der Datenba sis und damit au f Daten aus farmal en Prozessen, emergenten I'rozessen und Phänomene n. Wie die Diskussion der Anwendungsszenarien gezeigt hat, ist es für die Evaluation der Ergebni sse wicht ig zu wissen, ob das Anwendungsszenario in Bezug auf formale Prozcsse, emergente I'rozesse oder Phänom ene zu evaluieren und interpretieren ist. Im Kontext von formalen Prozessen ermöglicht die Data Mining Analyse die KontrolIe dieser Prozessc. Werden beispielsweise für bestimmte Stellenprofile ausschlielslich Bewerber vorausgew ählt, die über ein Universitätsstudium mit Prädikatsexamen verfü gen, so sollte Data Mining, vorausgesetzt dass die entsprechenden Daten in der Datenb asis gespeichert sind, auch genau diesen Zusammenh ang ermitteln. Wird dieser Zusammenhang lediglich in schwacher Ausprägung oder werden sogar andere Zusammenh änge idcntifiziert , so indiziert diese KontrolIe eine Abweichung des tatsächlichen Prozesses von dem vorg egebenen Prozess. Die Anwendung von Data Mining ermöglicht vor dem Hintergrund larm aler I'rozesse damit die ldent ifik ation von Anregungsinformationen, d. h. im Kontext formaler Prozesse ermöglicht Data Mining die Heilun g des Wahm ehmungsdefektes und kann aufdiese We ise zur Entscheidungsunterstützung dienen. Bei emergenten I'rozessen und Phänom enen hingcgen ermöglicht die Data Mining Analyse das

Verständnis des Ablaufs emergenter Prozesse sowie das Zustandekommen von Phänomenen. In diesem Kontext ermittelte Zusamm enhän ge können dem Entscheidun gsträger Einblick und damit Tra nsparenz bieten, die wiederum ein proak tives und gestaltendes I'ersonalmanagement unterstützen. Wie die Diskussion des Einsatzpotenzials von Data Mining gezeigt hat, können diese mithilfe von Data Minin g ermittelten Zusammenhänge im Kontext von eme rgenten Prozessen und Phänomenen je nach vorliegendem Entscheidungsproblem in unterschiedlicher Art und Weise der Entscheidungsunterstützung dienen. So ist die Heilung des Wahm ehmun gsdefektes ebenso möglich wie die Heilung des Abgrenzungs-, Wirkungs- , Bewertungs- oder Zielsetzun gsdefektes.

203

Ein generelles Einsatzpotenzial von Data Mining zur Entscheidungsunterstützung im Personalmanagement scheint damit zu bestehe n, wenngleich sich im Kontext von eme rgenten Prozessen und Phänomenen ein grö ûeres Einsatzpotenzial zu ergeben scheint als im Kontext von fonnalen Prozessen. Die Erwartungen, die an den Einsatz von Data Mining geknüpft wer den können, sind damit im Hinblick auf die dargestellten Möglichkeiten der Verwendung der Ergebnisse zu restringiere n. In diesem Zusamme nhang ist auch der wese ntliche Unterschied des Anwendungsbereichs Personalma nagement zu anderen bereit s üblichen Anwendungsbereichen des Data Min ing wie Customer Relationship Management, Kreditscoring, Medizin etc . zu finden . So ist das Personalmanag ement durch den Arbeitsvertrag sowie organisator ische Regelung en weitestgehend strukturiert. Die Leistung des Arbeitgebers und des Arbeitnehm ers sind definiert und die Leistungserbringung im Untem ehmen organisiert. Die infonn atorisehe Datenb asis des Personalman agem ents bildet diese Regelungen ab und entspreche nd stehen diese Daten der Anwendung von Data Mining zur Verftigun g. Damit gestaltet sich das Person almanagement als Anwendungsbere ich des Data Minin g grundsätzlich anders als Anwendungsbereiche wie beispielsweise das Custome r Relationship Manageme nt, in denen Data Mining bereits zum Standardin strum entarium der Datenanalyse gehört. Hier werden im Unteme hme n die Kundenkontakte und Kauftransaktionen in der Datenb asis erfass t, um auf Basis dieser unvollständi gen Inform ationen das Verhalten des Kunden zu beeinflussen. In diesem Fall ist das Auft reten von Zusamme nhängen in der Datenb asis dem Verh alten des Kund en ges chuldet' " und exp liziert sich dem Unte rnehme n als Phänornen oder eme rgenter Prozess. Die Identi fikation dieser Z usammenh änge mithilfe von Data Mining kann dann gestaltend in das Kundenbeziehungsmanagement eingeb racht werden. Im Rahmen des Personalm anagements wir d ein Grol3teil des Verh altens über den Arbeitsvertrag und die organ isator ischen Regelungen beeinflusst, so dass das Einsatzpotenzial von Data Mining in diesen Fällcn , wie bereits umfassend dargestellt, insbesondere in der KontrolIe bestehender Prozesse zu finden ist. Bei der Anwendun g von Data Mining zur KontrolI e stellt sich jedoch prinzipiell die Frage, ob der Aufwand zu r Durchführung der Data Minin g Analyse insbeso ndere im Rahmen der Vorbe reitung der Daten gegenüber einfacherc n und au fwand särmeren Analyse methode n beispielsweise in Form eines bestehenden Berichtskataloges gerechtfertigt ist." ? Diese Abw ägun g von Aufwand und potenziellem Nutzen ist im Einzelfall zu klären. Die im Rahmen diese r Arbe it entw iekelt en Vorgehensmodelle unterstütze n den Entscheidungsträger bei der Identifikat ion des Einsatzpotenzials von Data Mining

516

517

Das Verhalten der Kunden manifestiert sich dann beim Untemehmen als emergenter Prozess respektive als Phänornen, Vgl. zu dieser Argumentation Klösgen / Zytkow 2002, S. 4.

204

im Personalmanagement zur Entscheidungsunte rstützung und bieten damit die M öglichkeit, den potenziellen Nutzen des Einsatzes von Data Mining zu identifi zieren . Als kritisch er Faktor hinsichtl ich des Einsatzpotenzials von Data Mining zur Entscheidungsunterstützun g ist insbesondere die informatorische Datenb asis des Personalmanagements zu sehen. Je umfa ssender sich das personalwirtsch aftliche Entscheidungsproblem in der Datenb asis widerspiegelt, umso gr öûer ist das Einsatzpotenzial von Data Mining . Damit kann die Schlus sfolgerung gezogen werden, dass nicht die Gr öûe des Datenbestand s im Sinn e der verfligbaren Anzahl an Objekten und Attr ibuten ausschl aggebend für das Einsatzpotenzial von Data Minin g im Personalm anagement ist, sondem vielmehr die VolIständigke it der das person alwirtschaftliche Entscheidungsproblem repr äsent ierenden Dateninhalt e und die sich daraus ergebende Gr öûe des Datenb estand es. Darüber hinaus bleibt festzuhalten, dass Data Min ing zwar explorativ auf person alwirtsch aftlichen Daten anzuwenden ist, diese Daten aber zuvo r inhaltlich ausgewählt und lorm al aufbereitet werden müs sen. Der naiven Vorstellung, dass Data Minin g autom atisch aus einem gro ûen personalwirtschaftlichen Datenbestand interessante Must er ident ifizieren und somit wertvolle Inform ationen für das Personalmanagem ent liefern, muss daher sowohl inhaltlich als auch formal widersproch en werden . Es muss zum indest eine Vermutung über die zu erm itteltenden Zusammenhänge ex istieren, urn entsprechend die relevanten Daten inhalte zu identifi zieren und in einer analysierbaren Datenbas is zusammenz uflihren. Ist dies der Fall, ergeben sich sowohl im Beschaffungsals auch im Entwicklungs-, Leistungs- und Vergütungsmanagement Einsatzpotenziale für Data Mining zur Entsche idungsunte rstützung. Die vorlie gende Arbe it stellt mit den entwiekelten Vorgehen smodell en und protot ypischen Anwendungsszen arien ein theoret isch fundiertes Rahmenwerk zum Einsatz von Data Mining im Personalm anagement zur Verfligung. Die konzeptionell diskutierten protot yp ischen Anwen dung sszenarien lassen die Sch lussfolg erung zu, das s sich im Personalmanagem ent vielfältige Potenz iale zum Einsatz von Data Mining im Personalman agement ergeben. Sie stellen einen ersten Schritt dar, Data Mining für das Person alm anagement nutzbar zu ma chen . Gleichwohl sind im Hinblick au f die Etablierung von generellen Standardanwendungsszenar ien im Person almanagem ent weitere insbesondere empirische Forsehungen zu tätigen. Zuk ünftige Forsehun gen können unter R ückgriff auf das in dieser Arbe it entwickelte theoreti sch fundierte Rahmenwerk zum Einsatzp otenzial von Data Min ing zur Entsche idungsunt erstützun g im Personalman agem ent die hier konzept ionell analysierten Anwendungssze narie n sowie auch weitere Anwendungsszenarien empirisch anal ysieren . Auf Basis des Aktionsforschun gsansatzes, der die proaktive Erforschun g innovativer Fragestellungen, wie sie auch mit der Unters uchung des

205

Einsatzpotenzials von Data Mining gegeben ist, errnöglicht.:" können einzelne Anwendungsszenarien in meh reren unterschiedl ichen Untemehmen untersucht werden. Die iterative empirische Analyse erm öglicht die Validierun g der Erkenntnisse in verschiedenen organ isatorischen Gegebenheiten und unterstützt so die Identifikation von Standardanwendungsszenarien im Person alman agement. Kann das Einsatzpotenzial von Data Mining in verschiedenen Unternehmen und Anwendungsszenarien bestätigt werden, so können diese als generelle Standardanwendun gen von Data Mining zur Entscheidungsunte rstützu ng im Personalmanagement empfohlen werden. Weiterhin könncn bas ierend auf diesen Erkenntnisse n Data Mining Applikationen in Personal inform ationssysteme integriert werden . Als integraIer Bestandte il von Personalinformationssystemen können Data Mining Meth oden dann automatisiert für spezifische personalwirtscha ftliche Entscheidungsprobleme angewendet werden. Die vorliegende Arbeit hat gezeigt, dass sich vielfältige Einsatzpotenzi ale des Data Minin g zur Entscheidungsunterstützung im Personalm anagement ergeben. Mit der Diskussion konzept ioneller prototypischer Anwendungsszen arien von Data Mining im Personalm anagement können Einsatzpotenz iale im Beschaffun gs-, Entw icklun gs-, Leistungs- und Vergütun gsmanagement zur Entscheidungsunterstützung positiv eval uiert werden. Zukünftige Forsehungen können dazu beitragen. die Erkenntnisse um fassend empirisch zu evaluieren und damit theoretisch fundiertc und emp irisch validierte Standardanwendungss zenarien des Data Mining zur Entscheidungsunterstützun g im Personalmanagement abzuleiten und nutzb ar zu machen .

518

Während traditionelle Forsc hungsmet hoden vor allem in ihrer Ausgesta ltung als groûzahlige empirische Analysen darauf abzielen, die Anwendung von in der Praxis bereits umfassend angewendeten Systemen zu erforschen, erlaubt der Aktionsforschungsa nsatz die Erforschung innovativer Systemanwendungen wie dies auch mit dem Einsatz von Data Mining im Personalmanagement der Fall ist. Zur Anwe ndung des Aktionsforsc hungsansatzes zur Erforschung des Einsatzes von Informationstechnologie in Organisationen vgl. Baskerville I Myers 2004, Braa I Mo nteiro I Sahay 2004, Lindgren I Henfridsson I Schultze 2004, Street I Meister 2004, Baskerv ille 1999, Baskerv ille I Pries-Heje 1999, Baskerv ille I Wood-Harper 1996, Koek, I McQueen I Scott 1997.

206

Literaturverzeichnis Abel, R. B. (2006). Rechtsfrag en von Scoring und Rating. In: Rech t der Datenv erarb eitung , 22,3, S. 108-115 . Adam, D. (1980). Z ur Probl em atik der Planung in schl echt strukturierten Entsche idungssituationen. In: Jacob , H. (Hr sg.) Ne ue Asp ekt e der betrieb lichen Planung. Gabl er, Wiesbaden, S. 45 -75. Adam, D. (1996). Planung und Entschei dung. Gabl er, Wiesbad en . Adam, D. / Witte, T. (1979). Merkmal e der Planung in gut- und schlechtstrukturierten Planungssituation en . In: Das Wirtschaftsstudiurn, 8, S. 128-134. Adriaans, P. / Za ntinge, D. (1996). Data Min ing. Addison-Wesley, Harlow u. a. Agrawal, R. / lmiel insk i, T. / Swami, A. (1993). Min ing associations between sets of item s in massiv e databases . In: Buneman, P. / Jajodia, S. (Hrsg.) Proceedings of the 1993 ACM -SIGMOD International Conference on Managem ent of Data . ACM Press, New Vork , S. 207 -216 . Agrawal, R. / Srik ant, R. (1994). Fast algorithms for minin g assoc iation rule s. In: Bocc a, J. B. / Jarke , M. / Zaniolo , C. (Hr sg.) Proceedings of the 20 th International Conference on Very Large Datab ases, Septemb er 12- 15, 1994, Santiago de Chil e, Chi le. Morgan Kaufm ann, San Francisco, S. 487 -499 . Agrawal, R. / Srikant , R. (1995). Min ing seque ntial pattern s. In: Vu, P. S. / Che n, A. S. P. (Hr sg.) Proceedings of the 11 th International Conference on Data Engeneering. IEEE Computer Society Press, Taipe i, S. 3-14 . Agrawal, R. / Srikant, R. (2000). Priv acy-Pr eserving Data Mining . In: Weidong . C. / Naughton , J. F. / Bern stein , P. A. (Hr sg.) Proceedings of the ACM SIGMOD Conference on Management of Data. A CM Press, New Vork, S. 439-450. Agrawal, R. / Manni la, H. / Srikant, R. / Toivonen, H. / Verkamo, A. I. ( 1996). Fast disco very of association rules. In: Fayyad, U. / Piatet sky -Shapiro, G. / Smyth, P. / Uthurusamy, R. (Hr sg.) Adv ance s in knowledge discovery and dat a mining . AAAI Press, Menlo Park , S. 307-328. Alex , B. (1998). Kün stliche Neuronale Net ze in Man agement-Infonnation ssystemen. Dissertation . Gabler, Wiesbaden.

207

Alpar, P. / Niedereichhol z, J. (2000) . Einführung zu Data Min ing. In: Alpar, P. / Niedereichholz, J. (Hrsg.) Data Mining im prakti schen Einsatz. Vieweg, Braunschwe ig / Wiesbaden, S. 1-28. American Heur istics Corporation (2009) . AI-lC Profiler'9. Online: http ://www.heuristics.com /Products/Profiler/index.htm [Stand : 16.02.09]. Augsteijn , M. / Folkert , B. (2002) . Neural netwo rk classificat ion and novelt y detect ion. In: International Journal of Remote Sensing, 23,14, S. 289 1-2902 . Austin Logistics (2009) . Credit where credit is due. Onlin e: http ://www.aust inlogistics. com/indu stry/cred itcard .php [Stand: 16.02.09]. Backhaus, K. / Erichson, B. / Plinke, W, / Weiber, R. (2003) . Multivari ate Analyse-method en. Springer, Berlin u. a. Baetge, J. / Uthoff, C. ( 1998). Entwicklung eines Bonitätsindexes auf der Basis von Wirtschaftsauskünften der Vere ine Creditreform mit KünstIichen Neuron alen Netzen . In: Nakh aeizadeh , G. (I-lrsg.) Data Mining - Theoretische Aspekte und Anwendungen. Physica, Heidelberg, S. 289-308. Bali, K. S. (200 1). The use of Human Resource Infonn ation Systems : A survey. In: Personnel Review, 30, 6, S. 677-693 . Bamberg, G. / Coenenberg, A. G. (2004) . Betriebswirt schaftliche Entsche idungsleh re. Vahlen, Münch en. Baskerville, R. (1999) . Investigating infonnation systems with action research. In: Communications ofthe Associations for Infonn ation Systems, 2, Art ikel 19. Baskerville, R. / Myers, M. D. (2004) . Spec ial issue on action research in infonnation systems: making IS research relevant to practice. In: MIS Quarterly, 28, 3, S. 329-335 . Baskerville, R. / Pries-Heje , J. ( 1999). Grounded action research : a method for under standing IT in practice. In: Accounting, Management and Infonnation Technology, 9, S. 1-23.

Baskervill e, R. / Wood-Harp er, T. (1996) . A critic al persp ective on action research as a method for information systems research. In: Journalof Information Technology, 11, S.235-246 . Becker, F. G. (1998) . Grundlagen betrieblicher Leistungsbeurteilungen. Sch äffer-Po esche l, Stuttgart.

208

Beekm ann, F. / Cha moni, P. (2006). Verfahr en des Data Min ing. In: Chamoni, P. / Glukowsk i, P. (Hr sg.) Analytische Information ssysteme. Springer, Berlin / Heidelberg, S 263-282. Berens, W. / Delfm ann , W. / Schmitting, W. (2004). Quantitative Planun g. Schäffer-Poes chel, Stuttga rt. Bergmeie r, E. / Hoppe, A. (2006). Personalinform ation ssysteme - Betrieb s- und Dienstve reinb arun gen . Bund- Verlag, Frankfurt. Berr y, M. J. A. / Linoff, G. S. (2004). Data Minin g Te chniques. Wile y, lnd ianapolis, Indi ana. Berthel , J. (1995). Karriere und Karr ieremuster vo n Führun gskräften. In: Kieser, A. / Reber, G. / Wund erer, R. (Hr sg.) Handw örterbuch der Führung. Sch äffer-Poesch el, Stuttgart, Sp. 1285-1296. Berth el, J. / Becke r, F. G. (200 7). Person al-M an agem ent. Grundzüge fü r Konzeption en betriebl iche r Person alarbe it. Schäffer-Poeschel .Stuttgart. Bezdek, J. C. (1981). Pattern recogn ition with fuzzy obj ective function algorithms. Plenum Press, New York. Bierwirth, D. / Nage ngas t, B. (2005). Der falsche Mann wird teuer. Onlin e: hUp://ww w.faz. net/s/Rub EC IACF E IEE274C8 1BCD3621 EF555C 83C/ Doc-E E84 1 125274A 040BOA 44D COE7860D9333-ATpl-Ecomm on- Sconten t.html, [Stand : 16.02 . 09]. Bissant z & Company GmbH (2009). Softwa re-Suite für Planun g, Analyse und Repo rting. Online : http ://www.bissantz .de/produkte/ [Stand 16.02 .09]. Bitz, M ichael (19 77). Die Strukturierung ökonom ischer Entschc idungsmode lle. Gabl er, Wiesbaden. Bizer, J. (Bea rb.) (2006). § 6a BDSG . In: Simi tis, S. (Hrsg.) Nomos-Komme nta r zum Bundesdaten schutzgesetz . Nomos , Baden-B aden . Bollin ger , T. (1996). Assoziation sregeln - An alyse eines Data Min ing Ver fahrens. In: lnformatik Spektrum, 19,5, S. 25 7-261. Bonne, T. / Arm inger , G. (2001). Diskriminanz an alyse. In: Hippner, H. / K üster s, U. / Me yer, M. / Wild e, K. (Hr sg.) Handbuch Data Minin g im Mark etin g. View eg, Braun schw eig / Wiesbaden, S. 193-240. Borgelt , C. / Kruse, R. (1998). Attributsa uswahlmaûe für die Indukt ion von Entscheidungsbäum en: Ein Überblick . In: Nakhaeizadeh, G. (Hr sg.) Data Mining - Theoretische Aspekte und Anw end ungen . Physica, Heidel berg, S. 77-98.

209

Braa, J. / Monteiro, E. / Sahay, S. (2004). Networks of action: sustainable health information systems across developing countries. In: MIS Quarterl y, 28, 3, S. 337-362.

Breirnan, L. / Friedman, J. H. / Olshen, R. A. / Stone, C. J. (1984). Classification and regression trees. Wadsworth, Belmont. Bretzke, W.-R. (1980). Der Problembezug von Entscheidungsmodellen. Mohr, Tübingen. Breunig, M. / Kriegel, H.-P. / Ng, R. T. / Sander, J . (2000) . LOF: identifying density-based local outliers. In: ACM SIGMOD Records, 29, 2, S. 93-104. Brin, S. / Motwani, R. / Ullmann, J. D. / Tsur, S. (1997). Dynamic itemset counting and implication rules for market basket data. In: SIGMOD Record, 26, 2, S. 255-264 . Browne , J. H. / Warnock, S. H. / Boykin. N. J. (2005). Predicting success of police officer applicants using weighted application blanks. In: The Journal of American Academy of Business, 6, I, S. 26-31.

Büllesbach, A. (2000) . Datenschutz bei Data Warehouses und Data Mining. In: Computer und Recht, I, S. 11 -17. Bundesagentur für Arbeit (2008) . Die HR-BA-XML-Schnitt stelle der Bundesagentur für Arbeit. Onl ine: http ://www.arbeitsagentur.de/zentraler-Content/A04-Vermittlung/AO 45 -Dritte/Publikation/Whit e-paper.pdf [Stand: 16.02.09]. Burgard, M. / Piazza, F. (2008) . Data warehou se and business intelligence syste ms. In: Torres-Corona, T. / Aria-Oliva, M. (Hrsg.) Encyclopedia Human Resources Information Systems: Challenges in e-I-IRM. IGI Global, Hershey, S. 223-229 . Cabena, P. / Hadjinian, P. / Stadler, R. / Verhees, J. / Zanasi, A. (1998) . Discove ring Data Mining - From Concept to Implement ation. Prentice Hall PTR, New Jersey. Calderon, T. G. / Cheh, J. J. / Kim, I.-W. (2003). How large corpor ations use data mining to create value. In: Management Accounting Quarterl y, 4, 2, S. 1-1 1. Capelli, P. (200 I). Making the most of onlin e-Recruiting. In: Harvard Business Review, 79, 3, S. 139-146. CedarCrestone (2006) . The CedarCrestone 2006 HCM survey. Workforce technologies and service delivery appro aches. 9. Ausgabe. CedarCrestone (2007). CedarCrestone 2007-2008 HR systems survey : HR technologies, service delivery approaches, and key metrics. 10. Ausgabe. CedarCrestone (2008a). The value of HR technologies: metrics and stories. A white paper from CedarCrestone research and analytics.

210

CedarCreston e (2008b). CedarCr estone metrics & analytics. 2008 HR systems mid-year survey update . White Paper. Chandola, V. 1 Banarjee, S. 1 Kumar, V. (2007) . Outlier detection - A survey. Technical Report, TR 07-017. University of Minnesota, Minneapolis. Online : www.cs.umn.edu/ techJ eports_upload/tr2007 107-0 17.pdf [Stand: 16.02.09]. Chapman, P. et al. (2000) . CRISP-DM \.0 Step-by step data mining guide. Online: www . crisp-dm.org/CRISPWP-0800.pdf [Stand: 16.02.09]. Chien, V. 1 Chen, L. F. (2008) . Data Mining to improve personnel selection and enhance human capital: A case study in high-techn ology industry. In: Expert Systems with Applications, 34, I, S. 280-290 . Cho, V. 1 Ngai, E. W. T. (2003) . Data mining for selection of insurance agents. In: Expert Systems, 20, 3, S. 123-132. Chye, K. H. 1 Chin, T. W. 1 Peng, G. C. (2004) . Credit scoring using data mining techn iques, Singapore Management Review, 26, 2, S. 25-4 7. Clifton, C. 1 Kantarcioglu , M. 1 Vaidya, J. (2002) . Defining privacy for data mining. In: Kargupta, H. 1 Joshi, A. 1 Sivakumar, K. (Hrsg.) Proceedin gs of the National Science Foundation Workshop on Next Generation Data Mining. Baltimore, S. 126-133. Conradi, W. (1983) . Personalentw icklun g. Enke, Stuttgart. Crone, S. F. 1 Lessma nn, S. 1 Stahlbock, R. (2006). The impact of preprocessing on data mining : an evaluation of c1 assifier sensitivity in direct marketing. In: European Joum al of Operat ion Research, 173, S. 78 1-800. Cyert, R. M. 1 March, J. G. (1963) . A behavioral theory of the firm. Prentice Hall, Englewood Cliffs. Däubler , W. 1 Klebe, T. 1 Wedde, P. (Hrsg.). (2007). Bundesdatenschutz gesetz . Basiskommenta r zum BDSG. Bund-Ve rlag, Frankfurt . Dammann, U. (Bearb.) (2006) . § 3, RdNr. 1-211,223-249 BDSG. In: Simitis, S. (Hrsg.) Nomos-Komm enta r zum Bundesdatenschutzgese tz. Nomos, Baden- Baden. Data Mining International, Inc. (2009) . Product & Servic es. Online: http ://www.datamining international.com/ProductServices.htm [Stand: 16.02.09]. Devanna, M. A. 1 Fombrun, C. J. 1 Tichy, N. M. (1984). A framework for strategie Human Resourc e Management. In: Fombrun, C. J. 1 Tichy, N. M. 1 Devanna, M. A. (Hrsg.) Strategie Human Resource Management. Wiley, New Vork, S. 33-51 .

211

Diederichsen, A. (2008). Talent Relationship Managment. Neue Dimensionen im HR durch CRM-Analogien? In: I-IRPerfonnance, 3, S. 23-27. Di Meglio, E. / Grassia, M. G. / Misuraca, M. (2006) . The ideal candidate. Analysis of professional competen ces throu gh text mining of j ob offers. In: Fabbris, L. (Hrsg.) Effectiveness ofUnivers ity Education in Italy. Physica, Heidelberg, S. 261-275. Dinkelbach, W. (1982). Entscheidun gsmodelle. de Gruyter, Berlin / New York. Domsch, M. / Gerpott, T. J. (1992): Personalwese n(s), Organ isation des. In: Frese, E. (Hrsg.) Handwörterbu ch der Organisa tion, Schäffer-Poeschel, Stuttgart. Sp. 1934-1949 . Domschke, W. / Scholl, A. (2005) . Grundlagen der Betriebswirtschaftslehre - Eine Einführung aus entscheidungsorientierter Sicht. Springer, Berlin

U.

a.

Düsing, R. (2006) . Knowled ge Discovery in Data Bases - Begriff Forschungsgebiet, Prozess und System. In: Chamoni, P. / Gluchowski, P. (Hrsg.) Analytische Informat ionssysteme. Springer, Berlin / Heidelberg, S. 241-262 . Dulebohn, J. H. / Marler, J. H. (2005) . E-compensation: the potential to transform practice? In: Gueutal, H. G. / Stone, D. L. (Hrsg.) Brave new world of e-HR. Human resource management in the digital age. Jossey Bass, San Francisco, S. 166-189. Dycke, A. / Schulte, C. (1986) . Ca feteria-Syste me. In: Die Betriebswirtschaft, 46, 5, S. 577589. Dzeroski, S. (2005) . Relational Data Mining. In: Maimo n, O. / Rokach, L. (Hrsg.). Data Mining and Knowledge Discovery Handbook. Springer, New Vork, S. 869-898. Dzeroski, S. / Lavrac, N.(Hrsg.). (2001). Relational Data Mining. Springe r, Berlin U. a. Elovici, Y. / Braha, D. (2003). A decision-theoretic approach to data mining. In: IEEE Transactions on Systerns, Man, and Cybernetics - Part A: Systems and Humans, 33, I, S. 42-5 I. Elswick, 1. (2002). The XML Factor. Extensible Markup Language promises improved technology transfer of employee data. In: Employee Benefit News, 16, 14, S. 23-24. Engels, G. / Schmidt, I. / Trebinger, Y. / Linsenmaier, W. (2008). BetriebsverfassungsgesetzHandkomm entar. Vahlen, München. Ernst, A. T. / Jiang, H. / Krishnamoorthy, M. / Sier, D. (2004) . Staffscheduling and rostering: a review of applications, method s and modeIs. In: European Joumal of Operat ional Research, 153, S. 3-27.

212

Ester, M. / Sand er, J. (2000) . Knowl edge Discov ery in Datab ases. Springer, Berlin / HeideIberg. Fayyad, U. M. / Piatetsky-Shap iro. G. / Smyth, P. (1996a) . Frorn data mining to knowl edge discover y: an overview. In: Fayyad, U. / Piatetsky-Shapiro, G. / Smyth, P. / Uthurusamy, R. (I-Irsg.) Advance s in knowled ge discovery and data mining. AAAI Press, Menlo Park, S. 1-34. Fayyad, U. / Piatetsky-Shapiro, G. / Smyth, P. (1996b). From data mining to knowledge discovery. In: A I magazine, 17, 3, S. 36-53. Fayyad, U. / Piatetsky-Shapiro, G. / Smyth, P. / Uthurusamy, R. (Hrsg.). (1996) . Adv ance s in knowledge discovery and data mining. AAA I Press, Menlo Park. Frawley, W. J. / Piatetsky-Shapiro, G. / Matheu s, C. J. (1991) . Knowledge discovery in databases: an overview. In: Piatetsky-Shapiro, G. / Frawley, W. J. (Hrsg.) Knowledge discovery in data bases. AAA I Press, Menlo Park, S. 1-27. Friedli, V. (2006) . Betriebliche Karriereplanung. In: Thom, N. / Zaugg, RJ . (Hrsg.) Moderne Personalentwicklun g. Gabler, Wiesbaden, S. 245-26 1. Fitting, K. [Begr.], Engels, G. / Schmidt, I. / Trebin ger, Y. / Linsenm aier, W. (2008). Betriebsverfassungsgese tz - Handkomm entar. Vahlen, München. Fulcram (2009) . Analytics. Online: http ://wv..W.fulcrum anal yticS.com/soluti ons/analyticS. html [Stand: 16.02.09]. Gagn é, E. (2006) . The unfair advantage : the right talent fit - the most sign ificant business challenge over the next 20 years. In: Business Credit, 108, 10, S.6 1. Gaudioso , E. / Talavera , L. (2006) . Data Mining to support tutorin g in virtual learning communities : experience s and challenges. In: Rornero, C. / Ventura, S. (Hrsg.) Data Mining in e-Lea rning. WitPress, Southamp ton, S. 207-226. Gaugler, E. / Oechsler, W .A. / Webe r, W. (2004) . Personalwesen . In: Gaugler, E. / Oechsler, W.A. / Weber , W. (Hrsg.) Handw örte rbuch des Personalwe sens. Schäffer-Poesc hel, Stuttgart, Sp. 1653-1663 . Gaul, W. / Säuberlich, F. (199 8). Classification and positionin g of data mining tools. In: Gaul, W. / Locarek-Jun ge, I-I. (Hrsg.) Classificatio n in the informati on age. Springer, Berlin / Heidelberg, S. 145-154 . Gebhardt, F. (1994) . Interessantheit als Kriterium für die Bewertung von Ergebnissen . In: Informatik. Forschung und Entwicklung, 9, I, S. 9-21 .

213

Gir aud-Carrier, C. / Povel, O. (2003). Characterising data mining so ftwa re. In: Intellig ent Data Anal ysis, 7, S. 181-192 . Gol a, P. / Schomerus, R. (Hrsg.) (200 7). Bund esdatenschutzgesetz. Komm entar zum BDSG . Beek , München. Gola, P. / Wronka, G. (2008). Handbuch zu m A rbeit nehmerdate nschutz. Datakon text, Frechen. Grabmeier, J. (2001). Segm ent ierend e und c1usterbild end e Methoden. In: Hippner, H. / K üsters, U. / Meyer, M. / Wilde, K. (Hrsg.) Handbuch Data Min ing im Market ing. Vieweg, Braun schweig / Wie sbaden , S. 299-362. Gr ieger, J. / Bart ölke, K. (1992). Beurteilun gen als Syste mbest andte il wi rtschaftlicher Organisationen. In: Selbac h, R. / Pull ig, K.-I-I. (I-Irsg.) Handbuch Mitarbe iterbeurteilun g. Gabl er, Wiesbad en, S. 67-105.

Grimmer, U. / Mucha, I-I.-J . (1998). Datensegme nt ierun g mittels Clusteranalyse . In: Nakhaeizadeh , G. (I-Irsg.) Data Minin g - The oretische Aspekte und Anwendungen. Physica, Heidelb erg, S. 109-141 . Gueuta l, H. G. / Stone , D. L. (Hrsg.). (2005). Brave new world of e-HR. I-Iuman resour ce managem ent in the dig ital age. Jo ssey Bass, San Francisco. Hagedorn , J. / Bissantz , N. / Mert ens, P. (199 7). Data Min ing (Datenmustererkennun g) : Stand der Forschung und Entwicklung. In: Wirtschaftsinformatik, 39, 6, S. 601-612. Hand , D. (1998). Data mining: statis tics and mor e. In: The American Statisticia n, 52, 2, S. 112-118 . Hand , D. / Mann ila, H. / Srnyth, P. (2001). Principles of Data Min ing. MIT Press, Cam bridge, MA . Hann e, T. (1999). Intell igente Strategie n zur (M eta-)Ent sche idun gsunterstützung bei mehrfacher Ziel setzung. Dissert ation. Kluwer, Boston u. a.

Hauschildt, J. (19 77). Entschei dungsziele: Ziel bi ldung in innova tive n Entsche idungsprozes se n, theor eti sche Ansätze und empir ische Prüfung . Mohr, Tüb inge n. Heinen, E. (1969). Z um Wissenschaftsprogramm der entschei dungsorientierten Betriebswirtscha fts lehre. In: Zeitschrift für Betriebswirtschaft, 39, 4, S. 207-220 . Heinen, E. (19 76) . Zur Probl emb ezog enh eit von Entscheidungsmodellen. In: Hein en, E. (Hr sg.) Grundfragen der entschei dungsorientierten Betri ebsw irtschaftslehr e. Goldmann , München, S. 230-244.

214

Heinen, E. (1985) . Einführung in die Betr iebswirtschaftslehre. Gabler, Wiesbaden. Hettich, S. / Hippner, H. (2001) . Assozia tionsanalyse . In: Hippner, H. / Küsters, U. / Meye r, M. / Wilde, K. (Hrsg.) Handbuch Data Mining im Marketin g. Vieweg, Braunschweig / Wiesbade n, S. 427-458 . Heymann, H.-H. / Müller, K. G. (1982). Betriebliche Personalentwicklung. In: WiST, 4, S. 15 1- 156. Hippner, H. / Küsters, U. / Meyer, M. / Wilde, K. (Hrsg.) (2001) . Handbuch Data Mining im Marketing . View eg, Braun schweig / Wiesbaden . Hipp ner, H. / Rupp , A. (200 I) . Kreditw ürdigkeitsprüfung im Versandh andeI. In: Hippner, H. / Küsters, U. / Meyer, M. / Wilde, K. (Hrsg.) Handbu ch Data Mining im Marketing. Viewe g, Braunschweig / Wiesbaden, S. 685- 706. Hippner, H. / Wilde, K. (2001). Der I'rozess des Data Mining im Marketing. In: Hippner, H. / Küsters, U. / Meyer, M. / Wilde , K. (Hrsg.) Handbuch Data Mining im Market ing. Viewe g, Braunschweig / Wiesbaden, S. 22-94 . Hodge, V. J. / Austin, J. (2004). A sur vey of outli er detection methodologies. In: Artificial Intelligence Review, 22, 2, S. 85-12 6. Holsheimer, M., Siebes, A. P. J. M. (1994). Data Mining: the search lor knowl edge in databases. Report CS-R9406, Centrum voor Wiskunde en Informatica, Amsterd am. Hornik, K. (1991). Approximation capabilities ofmuhilayer feedforward network s. In: Neural Nctworks, 4, 2, S. 251-25 7. Hornik, K. / Stinchcombe, M. / White, H. (1989). Mult ilayer feed forward networks are universa l approximators. In: Neural Networks, 2, 5, S. 359-368 . Hou, X.-D. / Dong, Y.-F. / Liu, H.-I' . / Gu, J.-H. (200 7). Application of fuzzy data mining in staff perform ance assessment. In: Proceedings on Machine Learnin g and Cybernetics, 2, IEEE, Piscatawa y, S. 835-838 . HR-XM L Co nsortium (2009). Completed spec ifications. Onlin e: http://www .hr-xmI.o rg/ hrxml/w ms/hr -xml- I-org/i ndex .php?id= {13859 74ED5904 A438616 FF7BDB 3F74391140 12 } [Stand : 16.02.09]. Huang, L.-C. / Huang, K.-S. / Huang, H.-P. / Jaw , B.-S. (2004) . Applying fuzzy neural network in human reso urce selection systern, in: SCOlt, D. (I-Irsg.) NAFIPS 2004 : 2004 annual meeting of the North American Fuzz y Infonnation Processing Society. IEEE Operations Center, Piscatawa y NJ, I, S. 169-174.

215

Huang, M.-J. 1 Tsou, Y.-L. 1 Lee, S.-C (2006). Integrating fuzzy data minin g and fuzzy neural networks for discovering implicit knowledge. In: Knowledge-B ased Systems , 19, 6, S. 396-403. Huang, L.-C. 1 Wu , P. 1 Kuo, R. J. 1 Huan g, H.C. (2001). A neural network modell ing on human reso urce talent selection. In: Intern ation al Journ al of I-Iuman Resources Devel opment and Manage me nt, I, 2/3/4, S. 206-219. lhaka , R. 1 Gentleman, R. (1996). R: a language for data analysis and graphics . In: Journal of Computation al and Graphical Statistics, 5, 3, S. 299-314. Ittner, A. 1 Sieber, I-I. 1 Tr autz sch , S. (200 I). Nichtlinear e Entscheidungsbäume zur Optimierung von Directm ailingaktionen mittels Data M ining. In: Hippner, H. 1 Küsters, U. 1 Meyer, M. 1 Wild e, K. (Hr sg.) Handbuch Data Mining im Marketing. Vieweg, Braunschweig 1 Wie sbaden, S. 707-724.

Jain, A. K. 1 Murty, M. N. 1 Flynn, P. J. (1999). Data clusterin g: a review . In: AC M Computer Surveys , 31, 3, S. 264-323 . Japko wicz, N. 1 Steph en, S. (2002). The c1ass imbal ance probl em : a sys tematic study. In: Intell igent Data An alysis, 6, 2002 , S.429-449.

Jing, L. 1 Ng, M. K. 1 Zhex ue Huang, J. (200 7). A n entropy weight ing k-m eans algo rithm for subspa ce clustering of high-d imen sion al spa rse data . In: IEEE Transaction s on Knowledge and Data Enginee ring, 19, 8, S. 1026-104 I.

Kamlah, W. (2004). Sco ring-V er fahren - Stat istik und Datenschutzrech t. In: Ze itschr ift für Verbr aucherinsolvenzrecht, I, S. 9-13 . Kamp, M. 1 We ichert, T. (2006). Scoringsystem e zur Beurteilung der Kredit würdig keit Chancen und Risiken für Verbrau cher. Studie im Auft rag des Bunde sminister ium s für Verbraucherschut z, Ernä hrung und Landw irtschaft. Onlin e: http://www.bmelv.dc/ c1n_

045/nn_ 7605 30/Sha redDocs/dow nloa ds/02-Verbrauch erschutz/Markt/scoring,template Id=raw, property=pub licati onFil e.pdf/scoring.pdf [Stand : 16.02 .09]. Kanning, U. P. 1 He lling, H. (2004). Potenzialbeurteilung. In: Ga ugler, E. 1 Oech sler , W. A. 1 Weber, W. (Hrsg.) Hand wörterbuch des Personal wesens. Sch äffer-Poesch el, Stuttgart, Sp.1685-1692. Kantard zic, M. (200 3). Data Mining - Conc epts, Mod els, Methods, and Aigorithms. IEEE Press, Piscat away, NJ. Kass, G. V. (1980). An exploratory techn ique for investigating large quantities of categorical dat a. In: Applied Stat istics, 29, S. 119-127.

216

KDNuggets (2009a). C RM (Cus tom er Relationship Manage me nt) solutions. Online: http: // www .kdnuggets.com/solut ion s/crm.html[Stand: 16.02 .09]. KD Nuggets (2009b). Fraud detect ion solutions. Onlin e: http://www.kdnu ggetS.com/solutions /fra ud-detection.htm l [Stand : 16.02 .09]. KieBwetter, M. / Vahlkamp , D. (200 7). Data Mining in SA P Net Weaver ® BI. Gal ileo Press, Bonn . Kim, Y. / Sohn S. Y. (200 7). Te chnology scoring mod el con sidering rej ected applicants and effect of rejec t infe rence. In: Joumal of the Operational Research Soci ety, 58, 10, S. 134 1-1347 . Kinni e, N. J. / Arthurs, A. J. (1996). Personnel spe cialists ' ad vaneed use o f inform ation technology. In: Personnel Review, 25, 3, S. 3-19 . Kle in, R. / Scholl, A. (2004). Planung und Entschei dung. Vahl en, Münch en. Kl ösgen , W. / Zytkow , J. M. (2002). Knowledge discover y in datab ases: the purp ose, necessity, and ch al1eng es. In: Kl ösgen, W. / Zytkow, J. M. (Hr sg.) Handbook o f data mining and knowl edge discovery. Oxford University Press, Ox ford u. a., S. 1-9. Kl ösgen, W. / Zy tkow , J. M. (Hr sg.). (2002). Handbook o f data mining and kno wledg e discovery . Oxford Unive rsity Press, Oxford u. a. Knobloch, B. (2000). Der Data-Mining-Ansatz zur A nalyse bctr iebswirtschaftlicher Daten . Bamb erger Beiträge zur Wirtschaftsinformatik, Nr. 58, Bamb erg. Knowled geB ase Marketing (2009). Impac t" Database Mar keting Syste m Components. Online: http://w ww2.kbml.com/serviccS . aspx? pg lD= 892 [Stand : 16.02 .09]. Koek , N. F. / McQueen, R. J. / Scott, J. L. (199 7). Can action research be mad e mor e rigo rous in a posit ivist sense? The cont ribution o f an iterati ve approach. In: Journ alo f Sys te ms and Inform ation Techn ology, I, I, S. 1-24 Kohonen , T. (199 7). Self-organizi ng maps. Spr inge r, Berlin. Kov ács, L. / Liz ák, M. / Kolcz a, G. (2004). Selec tion with the help of data mining. In: Producti on Systems and Inform ation Engi neering, 2, S. 91-105 . Kroll , K. M . (2001). Data-M inin g techn ology let s retaiIers ident ify which jo b candidates are likel y to rema in on the j ob . In: Stores, 83, 7, S. 62-64 . Küppers, B. (1999). Data Mining in der Praxis. Dissertation . Peter Lang, Fra nkfurt.

217

Küsters, U. (2001). Data Mining Methoden: Einordnung und Übe rblick. In: Hippn er, H. / K üsters, U. / Meyer, M. / Wilde, K. (Hrsg.) Handbuch Data Min ing im Market ing. Vieweg, Braun sch wei g / Wie sbaden, S. 95-130.

Lackes, R. / Mack, D. (199 8). Innovativ es Person almanagement? Möglichkeiten und Grenzen des Ein satze s Neuro naler Netze als Instrument zur Eignun gsbeurteilung. In: Ze itschrift für Personal forschung, 4, S. 424-451.

Laux, H. (2005). Entscheidungstheorie. Spr inger, Berlin u. a. Lazare vic, A. / Ertoz, L. / Kum ar, V. / Ozgur , A. / Srivastava, J. (2003). A comp arat ive study of anomaly detection sche mes in netwo rk intrusion detecti on. In: Barbar á, D. / Kamath, C. (Hr sg.) Proceed ing s of the 3' d SIAM Internation al Conference on Data M ining. S IAM. Lee, H. T. / Che n, S. H., Lin, J. M. (2006). K-means method for rough classific ation o f R&D employees ' performanc e ev aluation. In: International Transa ctions in Oper ational Researc h, 13, 4, S. 365-377. Lee, I. (2007). An arch itecture of a next-gen erat ion holistic e-rccruiting sys tem. Communication s of the ACM , 50 , 7, S. 81-85 . Lee, W. C. / Drasgow, F. (2001). Pred icting employee retent ion : an exa mi nation o f a retent ion likelih ood scale . Univ ersi ty of Illinois Center for I-Iuman Resour ce Man agement, Workin g Paper Nr. 45. Onl ine : www.uic.edu/classes/idsc/ids-l'Zz/ CHRMw p45.doc [Stand 7. 11.06] Li, Z. / Roesler , D. / Me szlery, K. (2004). Discovering development of perso nnel qualification requ irem ents by web mining: a case study . International Journal Intern et and Enterprise Man agem ent, 2, 2, S. 191-205. Lindgren, R. / Hcnfridsson , O. / Schul tze, U, (2004). Design principlcs for competenc e man age me nt syste ms : a synthesi s o f an action resea rch study. In: MIS Quarterl y, 28, 3, S. 435-472. Lon g, L. K. / Troutt , M. D. (2003). Data Minin g for I-Iuman Resource Informati on Systems. In: Wan g, J. (Hrsg.) Data Mining: Opportun ities and Challe nges . Idea Group, Hershey , S. 366- 381. MacQu een, J. (196 7). Som e method s for classification and anal ysis o f muiti va riate obs crvation s. In: Le Cam, L. M. / Neyman, J. (Hr sg.) Proc eedin gs o fth e 5 th Berkeley Symposium on Math ematical Statis tics and Prob ability, Univers ity of California Press, Berk ele y, I, S. 281-297.

218

Malinowski, J. (2006) . Decision support for team staffing. Dissertation. ibidem, Stuttgart. Malinowski, J. / Keim, T. (2006). Building HR decis ion support: insights from empirical research. In: Khosrow-Pour, M. (Hrsg.) Emerging trends and challenges in inform ation technology management, Idea Group Publishing, I-Iershey u. a., S. 651-653 . Meints, M. / Möller, J. (2007). Privacy Preserving Data Mining: A process centric view frorn a european perspect ive. Online : httpt//j ournal.fidis.net/fileadmin/j ournal/ issues/ I2007/Privacy] reserving_ Data_Mining.pdf [Stand: 03.01.08]. Mentzcl , W. (1997). Unternehmenssic herung durch Personalentwicklung. Haufe, Freibur g i. Br.

Mertens, P. / Bodendor f, F. / König, W. / Picot, A. / Hess, T. (2004) . Grundzüge der Wirtschaftsinformatik. Springer, Berlin u. a. Miller, J. (2003). High tech and high performanc e: managing appraisal in the information age. In: Journal of Labour Research, 24, 3, S. 409-424 . Min, H. / Emam, A. (2003) . Develop ing the profiles of truck drivers for their successful retention. In: Internat ional Joumal of Physical Distribution & Logistics Manag ement, 33, 2, S. 149- 162. Mingers. J. (1989). An empirical comparison of selection measures for decision tree induction. In: Machine Learnin g, 3, 4, S. 319-342 . Morrison, R. F. / Hoek, R. R. (1986). Career build ing: learn ing frorn cumulat ive work experience. In: Hall, D. T. (Hrsg.) Career development in organizations. Jossey-Bass, San Francisco, S. 236-2 73.

Mülder, W. (1993). Arbeitszeitmanagement systeme urn Arbeit szeit zu tlexibilisieren. In: Personalwirtschaft, 3, S. 25-26 . Mülder, W. (2003) . Einsatz von Worktl ow-M angement- System en bei der Personalrekrutierung. In: Konradt, U. / Sarges, W. (Hrsg.) E-Recru itment und E-Assesment. Hogrefe, Göttingen u. a., S. 83- 103. Mülder, W. / St örmer, W. (2002). Arbe itszeitmanage mcnt und Zutrittskontrolle mil System. Luchterhand, Neuwied / Kriftel.

Müller, M. / Hausdorf, C. / Schneeberger, J. (1998). Zur Interessanth eit bei der Entdeckung von Wissen in Datenbanken. In: Nakhae izadeh, G. (Hrsg.) Data Mining - Theoretische Aspekte und Anwendungen. Physica, Heidelberg, S. 248-264 .

219

Mumford, M. D. (2000). Patterris of leader character istics: implications for perform ance and development. In: Leader sh ip Quarte rly, 11 , I, S. 115-133 . Nakhae izadeh, G. / Reinartz, T. / Wirth , R. (1998). Wis sens entdeckung in Datenbanken und Data Minin g: Ein Über blick. In: Nakhaeizadeh, G. (Hrsg.) Data Mining - Th eoreti sche Aspekte und An wendungen . Physica, Heidelberg, S. 1-33. Od iorne , G. S. (19 84) . Strategi e Man ageme nt of Hum an Resources. A Portfoli o Approach . Jossey-B ass, San Franci sco, CA. Oech sler , W. A. (2006). Person al und Arbe it. Oldenbourg, Mün chen. Oech sler , W. A. / Schönfeld, T. (1986). Computergestützte Person alinformation ssysteme. Rechtli che Probl em e in der betrieblichen Praxis. Die Betr iebswirtsch aft, 6, S. 720- 735. Otte , R. / Otte , V. / Kaiser, V. (2004). Data Mining für die ind ustrielIe Praxis. Hanser, München / Wien . o.V. (2006). Hiring the wrong pe rso n costs you three time s their annual salary . In: Business Cre dit, 108, 8, S. 60-61. Patch a, A. / Park , J.-M . (200 7). An overview of ano maly detection techniques: exi sting solutions and latest technological trends. In: Co mputer Networks, 51, 12, S. 3448-3470. Patterson , B. / Lind sey, S. (2003). Minin g the go ld. In: HRM agaz ine, 48, 9, S. 131-136 . Pemrn araju , S. (200 7). Converting HR data to business intelligence. In: Employme nt Relation s Tod ay, 34 , 3, S. 13-16 . Pctri, T. B. (2003). Sind Scorewe rte rec htswi drig ? In: Daten schutz und Daten sicherheit , 27, 10, S. 631-636. Pietsch , T. / Memmler, T. (2003). Balanced Score car d erstellen. Kennzahlenermittlun g mit Data Min ing. Erich Schmidt Verl ag, Berlin.

Pfohl, H.-C. (19 77). Probl emori ent ierte Ents cheid ungsfi ndung in Organisationen. de Gruyte r, Berlin / New Vork. Pfohl , H.-C. / Stö lzle, W. (199 7). Planun g und KontrolIe. Konzeption , Gestaltung, Implementierung. Vahlen, M ünch en . Poddi g, T. / Sidorov itch, I. (2001). Kün stl iche Neuronale Netze: Überblick, Ein satzm öglichkeite n und Anwe ndungsprobleme . In: Hippn er, H. / K üsters, U. / Meyer, M. / Wild e, K. (Hr sg.) Handbuch Data Mining im Mark eting. Vieweg, Braun schweig / Wiesb aden, S. 363-402.

220

Poggio , T. / Giros i, F. (1989). A theory ofnetworks for approx imation and learning. A. I. Memo No . 1140, MIT . Pratt, J. W. / Raiffa, H. / Schlaifer, R. (1996) . Introduetion to Statistical Decision Theory. MIT Press, Cambridge, MA . Quinlan, J. R. (1979). Discovering rules by induction from large collections of example. In: Mitchie, D. (Hrsg .) Expert systems in the micro electronic age . Edinburgh University Press, Edinburgh. Quinlan, J. R. (1986) . Induction of deci sion trees . In: Machine Learning, I, S. 81-106 . Quinlan, J. R. (1993) . C4.5 programs for machine learning. Morgan Kaufm ann , San Francisco . Quinlan , J. R. (2009) . Data minin g tool s See5 and C5.0 Online: http .Z'www.rulequest.com

/seeó-info.html [Stand : 16.02.2009]. Rame sh, B. / Bui, T. (200 1). GPR : A data mining tooI using genetic prog ramming. In: Com munic ations of AIS, 5, Artiel e 6. Ranjan , J. / Goyal, D. P. / Ahson, S. I. (2007). Data mining techniques for better deci sions in human resource management systems. In: International Journalof Business Informations Systerns, 3, 5, S. 464 -48 1. Rautenstrauch, C. / Schul ze, T. (2003) . Informatik für Wirtschafiswissenschaftler und Wirt schaflsinformatiker. Springer, Berlin u. a. Rehkug ler, H. / Kerling, M. (1995) . Einsatz NeuronaIer Netze für Ana lyse - und Prognosezweckc. In: Betriebswirtschaftliche Forschung und Praxis, 47, 3, S. 306-324. Rehkugler, H. / Schindel, Y. (1990) . Entscheidungstheorie. Erklärung und Gestaltung betrieblicher Entsche idungen. YY F, Münch en . Reichmann, L. (2002). Entgeltflexibilisierung: betri ebsw irtschafiliche und rechtliche M öglichkeiten an Beispielen der IT-Branche. JosefEul, Lohmar / Köln, Remer , A. ( 1978) . Personalmanagement: Mitarbeiterorient ierte Org anisation und Führung von Unternehmungen. de Gruyte r, Berlin / New Vork . Riepe r, B. (1992) . Betriebswirtschaftliche Entscheidun gsmodelle. Neue Wirtschaftsbriefe , Herne / Berlin . RKW (Rat ionalisierungs-Kuratorium der Deut schen Wirt schaft) (1996) . RKW I-1andbuch der Person alplanung. Luchterhand, Neuwied u. a. Romero, C. / Ventura, S. (Hrsg .). (2006). Data Mining in e-Learning. Witl'ress, Southampton. 221

Rom ero , C. / Ventura, S. / Garcia, E. (2008). Data min ing in cour se manag em ent systems : Moodle case study and tut orial. In: Co mputers & Educ ation , 51 , I, S. 368-384. Romm elfanger, H. J. / Eickemeier, S. H. (2002). Entschei dungstheorie - Klass isch e Konzepte und Fuzz y-Erweiterun gen . Springer, Berlin u. a. Roth , B. (199 7). Lösungsverfahren für mehrk riteri elle Entschei dungsprobleme . Lang, Frankfurt u. a. SAS Institu te GmbH (2009). A nalytics . Onlin e: http: //ww w.sas.com /offices/europe/g erm any

/solurions/ayJuml [Stand: 16.02 .09]. Säuberlich, F. (1999). KDD und Data Min ing als Hilfsmittel zur Ent scheidungsunterstützung. Dissert ation , Peter Lang, Frankfurt u. a. Sche rf, B. (2005). Ein Vorgehen smodell zur Person aleinsatzpl anun g. In: Frank , M. / Scher f, B. (Hr sg.) Handbuch Person aleinsatzplanung. Datakontext, Köln , S. 15-53 . Scherm, E. / SüB, S. (2003). Person alm anagement. Vahlen , München. Schinzer, H. / Bange, C. / Mertens, H. (1999). Data Warehou se und Data Mining. Franz Vahlen, München. Schleusener , A. (Be arb .) (200 7). §8, AGG. In: Schleusene r, A. / Sucko w, J. / Voigt, B. (Hrsg.). AGG. Kommentar zum AlIgemeinen Gleic hbehandlungsgesetz. Luchterhand , Neuwicd. Schleusene r, A. / Sucko w, J. / Voigt, B. (Hrsg.). (200 7). AGG. Kommentar zum AlIgem einen Gle ichbeh andlungsgesetz. Luchterha nd, Ne uwied. Schneeweiû, H. (1966). Das Grundmodell der Ent scheidungsthe orie . In: Statistische Hefte , 7,

S. 125-13 7. Scho lz, C. (1981). Bildschirmorient ierte Person alpl anun g mit SIM IPOC . In: OR Spektrum, 3, 3, S. 161-174. Schol z, C. (2000). Personalmanag em en t. Vahlen, Münch en. Scho lz, C. (2003). Datenaustausch in webbasierte r Person alarbeit über XM L. In: Scholz, C. / Gutm ann, J. (Hr sg.) Webbasierte Person alwert sch öpfun g. Theorie - Konzeption Prax is. Gabler, Wiesbaden , S. 207-222 . Schreyögg, G. (198 7). Ver schlüsselte Botsch aften - Neue Perspektiven einer strategis chen Person alführung . In: Z fD - Zei tschrift Füh rung + Organ isat ion, 56, 3, S. 151-158 . Schulmeister , R. (2003). Lernpl attformen für das virt uelle Lem en . Evaluation und Didakt ik. Oldenbourg, München / Wien . 222

Sex ton, R. / McM urtrey, S. / M ichalopoulos, J. O. / Sm ith, A. M. (2005). Employee tumover: a neural network so lution. In: Co mputers & Ope ration s Research 32, 10, S. 26352651. Sieben, D. / Schildbac h, T . (1994). Betriebswirtsch aftl iche Ent scheidungstheori e. Werner, Düsseld orf. Simitis, S. (Bearb .) (2006). §3, RdNr. 250-265, §4a-4c, §28 BDSG. In: Simitis, S. (I-Irsg.) No mos -Kommen tar zum Bundesdaten schutzgesetz . Nomos , Baden-Baden . Simitis, S. (Hrsg.). (2006). Nomos -Komme nta r zum Bunde sdatenschutzgesetz . Nomos , Baden-B aden. Simon, H. A. (1955). A beha vioral mod el of rational cho ice. In: Quarterl y Journalo f Economi cs,69, I, S. 99-11 8. Simon, H. A. (1960). The new scie nce o f man agem ent dec ision . Harp er and Broth ers, New Vork . Som ers, M. J. (1999). Application o ftwo neural network parad igms to the study o f volun tary employee turnover . In: Joumal of Applie d Psych olog y, 84, 2, S. 177-185. Specht, D. F. (1991). A gen eral regression neu ral network. In: IEEE T ransa ctions on Neural Networks, 2, 6, S. 568-5 76. SPSS GmbH (2008). Clcme ntine® 12.0 - Benutzerhandbuch. Dokume ntation von Cle me ntine . Srikant, R. / Ag rawal, R. (1995). Mining generali zed asso ciation rules. In: Dayal, U. / Gray, P. M. D. / Nishio, S. (Hr sg.) Proceed ings o f the 21 st Interna tional Confe rence on Ver y Larg e Data Bases (VLDB'95). Morgan Kaufmann Publi shers, San Francisco, CA, S. 407-4 19. Srikant, R. / Agrawal, R. (1996). Minin g quantitative asso ciation rule s in large relational Tables. In: Wid om , J. (I-lrsg.) Proccedings of the ACM SIGMO D Internation al Co nference on Mana gement of Data (SIGMOD ' 96). A CM Press, New Vork , S. 1-12. Staehl e, W.I-l. (1999). Managem en t. Vahl en, M ünch en . Street, C. T. / Meister, D. B. (2004). Small business growth and intem al transparenc y: the role of inform ation syste ms. In: MI S Qu arterly, 28, 3, S. 473-506. Strohrneier, S. (200 7) . Research in e-I-l RM: review and impli cations. In: I-luman Resource Managem ent Review , 17, I, S. 19-37.

223

Strohme ier, S. (2008). Inform ation ssystem e im Personalmanagem ent. Ar chitektur, Funktionalität und Anwendung. Vieweg + Tcubncr, Wie sbaden . Strohrn eier, S. / Kab st, R. (200 7). Do curr ent HRIS meet the requ irem ents o f HRM ? An empirical ev alu ation using logistic regression and neural network analysis . In: Bond arouk, T. / Ru ël, H. (Hr sg.) Proceedings of the )'1 International Work shop on Hum an Resource Inform ation Systcm s - HRIS 200 7, INSTI NCC , Funchal, S. 3 1-44. Strohmeier, S. / Piazz a, F. (2005). Modell gestützte Personalentsch eidungen mit Data Min ing? Eine explorative A nalyse am Beispiel der Regelinduktion. In: Kos sbiel, H. / Spen gler, T. (Hr sg.) Modellges tützte Personal entsch eidungen 9. Hampp, München / Mer ing, S. 117- 140. Strohme ier, S. / Piazza, F. (2008). Informating HRM throu gh data mining? A conc eptual evaluati on. In: Ru ël, H. / Magalh äes, R. (Hrsg.) I-Iuman Resource Informati on Systems . Proceedings of the 2nd Internation al Work shop on Hum an Resource Inform ation Systems - HIUS 2008. INSTICC Press, Barcelona, S. 51-62. Strohmeier, S. / Piazz a, F. / Jak ob , M. (2006). Potenziale des Data Minin g im Person alm anagem en t. In: Personalführung, 4, S. 56-62 . Tai, W.-S. / Hsu, C.-C. (2006). A realistic person nel selection tooi based on fuzz y data mining method . In: Che ng, H. D. / Che n, S. D. / Lin, E. Y. (Hr sg.) Proceed ings o f the 9 th Joint Con ferenc e on Informat ion Scicnc es. Atlantis Prcss, A msterdam, Paris. Tichy, N. M. / Fornbr un, C. J. / Devann a, M. A. (1982). Strategie hum an resourc e man age me nt. In: Slo an Man agem ent Review, 23, 2, S. 47-61. Tillmanns, C. (200 3). Data Minin g zur Unterstützung betr ieb lich er Entscheidungsprozesse. Dissertation.

Dortmund. Onlin e: http ://d epo sit.d-nb .de/cgi-bi n/dokserv?idn =96932

445 6&d ok_var=d l&dok_ext=pdf& fiIenam e= 969324456.pdf [Stand : 16.02 .09]. Ti nnefe ld, M.-T. / Ehmann, E. / Gerling, R.W. (2005). Einfü hrung in das Datenschutzrech t. Oldenbourg, München / Wien . Tun g, K.-Y . / Huan g,

I.-c. / Chen, S.-L. /

Shih, C.-T. (2005). Min ing the Generation Xers'

j ob attit udes by arti ficial neural network and deci sion tree - empiri cal evi dence in Tai wan . In: Expert Systems with Applications, 29, 4, S. 783-794. Va idya, J. / Cli fton, C. W. / Zhu, Y. M. (2006). Privacy Preserving Data Min ing. In: Adva nces in informa tion security, 19, Springe r, London.

224

Veryk ios, V. S. / Bertino, E. / Fovino, I. N. / Provenza, L. P. / Saygin, Y. / Theo doridis, Y. (2004) . State-of-the-art in privac y preserv ing data mining, In: SIGMOD Record , 33, I, S. 50-57. Wagner , D. (2004) . Cafeteria-Systeme . In: Gaug ler, E. / Oechsler, W. A. / Weber , W. (Hrsg.). Handwörterbuch des Personalwesens. Schäffer- Poesc hel, Stuttgar t, Sp. 632-639. Webb , G. I. (2003) . Association rules. In: Ye, N. (I-1rsg.) The Handbook of Data Mining. Lawren ce Erlbaum , Mahwah, New Jersey, S. 25-39 . Wedde , P. (Bearb.) (200 7). §§ 27,28 BDSG. In: Däubler , W. / Klebe, T. / Wedde , P. (I-1rsg.) Bundesdatenschutz gesetz . Basiskomm entar zum BDSG. Bund-Verlag, Frankfu rt. Weichert, T. (2006). Vcrb rauch er-Scoring meets Datenschutz. In: Datens chutz und Datensicherheit, 30, 7, S. 399-404. Weichert, T. (Bearb.) (200 7). §§ 1-4, 6a BDSG. In: Däubler, W. / Klebe, T. / Wedde, P. (Hrsg.) Bunde sdaten schutz gesetz . Basiskommentar zum BDSG. Bund-V erlag, Frankfurt. Weiss, S. M. / Zhang, T. (2003) . Performance Analysis and Evaluation. In: Ye, N. (Hrsg.) The Handbook of Data Mining. Lawrence Erlbaum , Mahwah , New Jersey, S. 425-440. Welsh, E. T. / Wanberg, C. R. / Brown, K. G. / Simmering, M. J. (2003). E-leam ing: emerging uses, empirical resu lts and future directi ons. In: International Journal of Training & Development, 7, 4, S. 245-259.

Wilke, M. (2002) . Data-Min ing - eine neue Dimen sion der Verarbeitu ng von Arbeit-nehmerdaten, absolute und kont inuierliche Analyse von person enbezog enen Daten im Handel. In: Recht der Datenvera rbeitung, 18, 5, S. 225-230. Wilke, M. (2006) . Data Mining - Rasterfahndun g im Betrieb . In: Arbeit srecht im Betrieb, 3, S.155-162. Witte , T. (19 79). I-Ieuristisches Planen - Vorgehen sweise zur Strukturierung betrieblicher Planungsprobleme. Habilitation. Gabler, Wiesbaden. Witten, I. H. / Frank, E. (2000) . Data Mining . Mor gan Kaufm ann, San Francisco u. a. Ye, N. (Hrsg.) (2003) . The Handboo k of Data Mining. Lawrence Erlba um, Mahwah , New Jersey. Zeil, A. (2000). Simul ation Neuronaler Netze. Oldenbou rg, München / Wien. Zuboff, S. (1985) . Autom ate/lnformate: The two face s of intell igent technology. In: Organ izational Dynamics, 14,2, S. 5-18.

225

Gesetzestexte Allgcmeines Gle ichbehandlungsgesetz (AGG) idF vom 14.08.2006 (BGBI 1 2006, 1897) zuletzt geändert durch das Gesetz zur Neuregelung des Rechtsberatungsrecht s (RBerNG) (BGBI 1 2007, 2840) . Betricbsver fassung sgesetz (BetrVG) idF vom 25.09.2001 (BGBI12001, 2518). Bürgerli ches Gesetzbuch (BGB) idF vom 02.01.2002 (BGBI 12002, 42, 2909 ; 2003, 738). Bundesdatenschutz gesetz (BD SG) idF vom 14.01.2003 (BGBI 1 2003 , 66) zuletzt geändert durch das Gesetz zur Regelung des Zugangs zu Inform ationen des Bundes - Informationsfreiheitsgesetz vom 05.09.2005 (BGBll 2005, 2722) . Gesetz zum Schutz pcrsoncnbezogener Daten (Landcsdatenschu tzgesetz - LDSG) idf vom 18.09.2000 (GBI. 2000, 649) . Telemediengesetz (TMG) idF vom 26.02.200 7 (BGBI 1200 7, 179). Telek ommu nikationsgesetz (TK G) idF vom 22.06.2004 (BGBI 1 2004, 1190) zuletzt geändert durch das Gesetz zur Neuregelung der Teleko mmunikationsüberwachung und anderer verdeckt er Ermittlungsmaûnahmen sowie zur Umsetzung der Richtl inie 2006124!EG (TK ÜNRe gIG) (BGBI 1200 7, 3198) .

227