Fokus auf den relevanten Standort

Create Your Free Account

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Diese Übung ist Teil des Kurses

HR-Analytics: Mitarbeiterdaten in R erkunden

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

In diesem Kapitel erhältst du eine Einführung darin, wie Data Science im HR-Kontext eingesetzt wird. Anschließend tauchst du in eine Fallstudie ein, in der du Recruiting-Daten analysierst und visualisierst, um zu bestimmen, welche Quelle für neue Bewerbende letztlich die besten Neueinstellungen hervorbringt. Der Datensatz, den du in diesem und den anderen Kapiteln dieses Kurses verwendest, ist synthetisch, um die Privatsphäre tatsächlicher Mitarbeitender zu schützen.

Exercise 1: Willkommen im Kurs!Exercise 2: Anwendungsfälle von Human Resources (HR) Analytics Exercise 3: Rekrutierungsdaten ansehen Exercise 4: Recruiting und Qualität der Einstellungen Exercise 5: Gruppen in Daten erkennen Exercise 6: Verkaufszahlen nach Recruiting-Quelle Exercise 7: Fluktuationsraten nach Recruiting-Quelle Exercise 8: Rekrutierungsdaten visualisieren Exercise 9: Unterschiede in der Vertriebsleistung visualisieren Exercise 10: Unterschiede bei der Fluktuation visualisieren Exercise 11: Schlussfolgerungen ziehen

Gallup definiert engagierte Mitarbeitende als diejenigen, die in ihre Arbeit und ihren Arbeitsplatz eingebunden sind, dafür Begeisterung zeigen und sich dazu verpflichtet fühlen. Es gibt Uneinigkeit darüber, wie stark der Zusammenhang zwischen Mitarbeiterengagement und Geschäftsergebnissen ist; die Idee dahinter ist jedoch, dass stärker engagierte Mitarbeitende produktiver sind und länger im Unternehmen bleiben. In diesem Kapitel untersuchst du mögliche Gründe dafür, dass die Engagement-Werte einer Abteilung niedriger sind als die der übrigen.

Exercise 1: Mitarbeiterengagement analysieren Exercise 2: Import der Umfragedaten Exercise 3: Welche Abteilung hat das niedrigste Engagement?Exercise 4: Andere Faktoren nach Abteilung vergleichen Exercise 5: Visualisierung der Engagement-Daten Exercise 6: Mehrere Variablen gleichzeitig visualisieren Exercise 7: Mehrere Variablen gleichzeitig mit Facets visualisieren Exercise 8: Schlussfolgerungen aus Grafiken ziehen Exercise 9: Ist dieser Unterschied aussagekräftig?Exercise 10: Statistische Signifikanz – unengagierte Mitarbeitende Exercise 11: Statistische Signifikanz – Urlaubstage Exercise 12: Schlussfolgerungen aus den Tests ziehen

Wenn Arbeitgeber neue Mitarbeitende einstellen, müssen sie festlegen, wie diese bezahlt werden. Wenn sie dabei nicht sorgfältig vorgehen, kann es passieren, dass Neueinstellungen mit einem höheren Gehalt starten als die aktuell Beschäftigten in derselben Rolle – was zu Fluktuation und Unzufriedenheit führen kann. In diesem Kapitel prüfst du, ob Neueinstellungen tatsächlich mehr verdienen als aktuelle Mitarbeitende, und wie du deine ersten Beobachtungen gegenprüfen kannst.

Exercise 1: Neueinstellungen fair bezahlen Exercise 2: Gehaltsdaten importieren Exercise 3: Ist der Unterschied signifikant?Exercise 4: Verzerrung durch ausgelassene Variablen Exercise 5: Beispiele für Auslassungsverzerrung Exercise 6: Welche weiteren Unterschiede gibt es?Exercise 7: Wie sieht der Gehaltsunterschied jetzt aus?Exercise 8: Werden Stundenkräfte besser bezahlt?Exercise 9: Lineare Regression Exercise 10: Bezahlung neuer Mitarbeitender: eine einfache Regression Exercise 11: Bezahlung neuer Mitarbeitender: Joblevel berücksichtigen Exercise 12: Schlussfolgerungen aus den Tests ziehen

Leistungsmanagement hilft einer Organisation, nachzuvollziehen, welche Mitarbeitenden zusätzlichen Mehrwert liefern oder unterdurchschnittlich abschneiden – und sie entsprechend zu vergüten. Ob Leistung als Bewertung oder über einen Fragebogen erfasst wird, ob jährlich oder häufiger bewertet wird: Der Prozess ist in gewissem Maße subjektiv. Eine Organisation sollte überprüfen, dass Bewertungen sich an der tatsächlichen Leistung orientieren – und nicht an den Vorlieben einzelner Führungskräfte oder sogar an (bewussten oder unbewussten) Biases.

Exercise 1: HR-Daten zusammenführen Exercise 2: Die beiden Datensätze importieren Exercise 3: Leistungsdaten zusammenführen Exercise 4: Leistungsbewertungen und Fairness Exercise 5: Fokus auf Top-Performer Exercise 6: Verteilungen von Top-Performer:innen vergleichen Exercise 7: Prüfen auf ausgelassene Variablenverzerrung Exercise 8: Logistische Regression Exercise 9: Lineare und logistische Regression Exercise 10: Leistungsbewertungen: eine einfache logistische Regression Exercise 11: Leistungsbewertungen: Berücksichtigung von Jobleveln Exercise 12: Schlussfolgerungen und Empfehlungen

In vielen Branchen ist Arbeitssicherheit ein entscheidender Faktor. Ein sicherer Arbeitsplatz gibt Mitarbeitenden Vertrauen und senkt die Kosten für Arbeitsunfälle und rechtliche Risiken. In diesem Kapitel suchst du nach Erklärungen für einen Anstieg von Arbeitsunfällen.

Exercise 1: Mitarbeitersicherheit Exercise 2: Unfalldaten importieren und zusammenführen Exercise 3: Wo ist die Unfallquote am höchsten?Exercise 4: Wo ist die Unfallrate am stärksten gestiegen?Exercise 5: Fokus auf den relevanten Standort

Aktuelle Übung

Exercise 6: Fokus auf den Unfallort Exercise 7: Mehr Daten einbinden Exercise 8: Prüfen auf ausgelassene Variablen Exercise 9: Ist diese Veränderung auf den Problemstandort beschränkt?Exercise 10: Den Anstieg der Unfälle erklären Exercise 11: Mit Regression Veränderungstreiber identifizieren Exercise 12: Was kannst du daraus schließen?Exercise 13: Fazit