Datengetriebenes HR: Wie aus Dateninseln Entscheidungen werden

Datengetriebenes HR: Daten, Information, Wissen, Weisheit

Fast jeder Vortrag nennt irgendwo eine Prozentzahl. Woher diese Zahl kommt und was in ihr steckt, fragt kaum jemand. Trendence plädiert dafür, Daten als Vermögensgegenstand zu behandeln und den Aufwand immer gegen den erwarteten Effekt abzuwägen. Dazu gehört auch, Mitarbeitende ohne Statistik-Vokabular von einem datengetriebenen Ansatz zu überzeugen.

Die Hauptbotschaft des Vortrags ist eine saubere Unterscheidung von vier Ebenen. Daten sind unorganisiert, etwa der Piep an der Supermarktkasse: roh und ohne Kontext. Informationen haben Kontext, sind bereinigt und lassen sich interpretieren. Wissen entsteht, wenn du Informationen verknüpfst. Weisheit blickt nach vorn und beantwortet die Frage, was du jetzt tust. Genau daran scheitern viele Dashboards und Präsentationen: Sie zeigen Informationen, sagen aber nicht, was daraus folgt.

Das Beispiel Recruiting: wie schwer ist eine Stelle zu besetzen?

Im Recruiting sieht die Pyramide so aus. Auf der Datenebene liegen Quellen wie das ATS, die Bundesagentur für Arbeit und öffentliche Stellenanzeigen. Bereinigt ergeben sie Informationen, zum Beispiel wie lange eine Besetzung im Mittel gedauert hat. Wissen entsteht, wenn du die interne Sicht mit dem Markt verknüpfst und daraus einen Index ableitest, wie schwer eine Besetzung war und warum. Weisheit wäre die Prognose, wie schwer es künftig wird, und welche Maßnahmen dann helfen.

Trendence hat genau so ein Produkt gebaut, allerdings nur mit Marktdaten, ohne ATS-Daten. Die Erfahrung daraus: Jede Ebene kostet Aufwand und Komplexität. Je höher du kommst, desto größer wird der menschliche Anteil.

Herkunft, Kennzahlen und Standards prüfen

Daten wirken oft vertrauenswürdig, weil sie gut aussehen und gut benannt sind. Am Beispiel der Web-Tracking-Plattform SimilarWeb zeigt der Vortrag, warum du verstehen musst, wie Zahlen entstehen. Neben der Herkunft zählen Verfügbarkeit, Qualität, rechtliche Fragen und Kosten.

Bei Informationen geht es um Metriken und Dimensionen. Metriken sind die Zahlen, und ihre Definition entscheidet über alles, was folgt. Wer aus Stellenanzeigen auf offene Stellen schließt, misst etwas anderes, als die Kennzahl verspricht. Dimensionen sind die beschreibenden Spalten wie Beruf, Region und Zeit. Sie werden oft nachlässig gepflegt. Standards wie die Klassifikation der Berufe machen Quellen erst verknüpfbar.

Dazu kommt die Granularität. Liegen Daten der Bundesagentur nur für IT-Berufe in Nordrhein-Westfalen vor, die Stellenanzeigen aber für Frontend-Developer in Düsseldorf, passt eine Relation daraus nicht. Prüf das, bevor du Daten kaufst oder aus dem BI-System ziehst.

Erst das Problem, dann das Dashboard

Vorhersagen entstehen aus Erfahrung, aus statistischen Modellen oder einem Mix. Entscheidend ist die Reflexion danach. Der Vortrag nutzt ein Unwetter als Beispiel: Kam der Sturm wirklich, und war die Absage der Veranstaltung nötig? Diese Feedbackschleife erzeugt neue Daten und zeigt, ob dir Daten, Informationen oder Wissen fehlen.

Weisheit steht oben, weil am Anfang die Frage steht, welches Problem du lösen willst. Oft wird ein Dashboard gebaut, ohne zu wissen wofür. Auch Trendence passiert das intern.

Beim Wert kehrt sich die Pyramide um. Weisheit ist am wertvollsten, weil gute Entscheidungen Umsatz steigern, Risiken senken und Prozesse verbessern. Reine Daten ohne Kontext haben im operativen Alltag kaum Wert, und ein Dashboard voller Informationen taugt oft nur für die Präsentation. Gleichzeitig steigen mit jeder Stufe Komplexität und Kosten.

Datengetriebenes HR mit KI: Kontext ist King

Braucht es diese Ordnung im Zeitalter von LLMs noch? Laut Trendence mehr denn je. Eine Excel-Tabelle mit kryptischen Spaltenüberschriften, die kein Mensch versteht, versteht auch kein Modell. LLMs helfen trotzdem stark: bei Recherche, Datenbereinigung, Mapping und Matching. Trendence parst damit Stellenanzeigen und zieht Beruf, Unternehmen und Ort heraus.

Achte auf Kosten und Datenschutz, gerade bei Modellen in den USA, und frag dich, ob du überhaupt ein LLM brauchst. Für Agents und Schnittstellen wie MCP gilt dasselbe: Erst müssen die Daten organisiert sein. Dein erster Schritt ist eine gemeinsame Sprache. Leg fest, über welche Metriken und Dimensionen ihr redet, und entscheide, was du selbst aufbaust und was du bei Datenpartnern einkaufst.