Now I will show how the number of recruited candidates is calculated precisely with R. I use the manipulate package. Therefore, the code will only run in the RSudio IDE. The big advantage is that one can easily observe the influences of

1. the base rate of potentially suitable persons in the non-selected group of applicants as well as
2. the validity of the selection process (by moving the slider).

This little program is excellent for teaching.

The calculations are based on an article of Richard A. Mclellan in the journal “Personnel Decisions International” (1999): Theoretical Expectancies: Replacing Classic Utility Tables with Flexible, Accurate Computing Procedures.

And this is the result. Have fun trying.

F1 <- function(P) {
  SPLIT <- 0.42
  A0 <- 2.50662823884
  A1 <- -18.61500062529
  A2 <- 41.391199773534
  A3 <- -25.44106049637
  B1 <- -8.4735109309
  B2 <- 23.08336743743
  B3 <- -21.06224101826
  B4 <- 3.13082909833
  C0 <- -2.78718931138
  C1 <- -2.29796479134
  C2 <- 4.85014127135
  C3 <- 2.32121276858
  D1 <- 3.54388924762
  D2 <- 1.63706781897
  Q <- P - 0.5
  if (abs(Q) <= SPLIT) {
    R <- Q*Q
    PPN <- Q * (((A3 * R + A2) * R + A1) * R + A0) / ((((B4 * R + B3) * R + B2) * R + B1)*R +1.0)
    return(PPN)
  }
  R <- P
  if (Q > 0) {R =1.0-P}
  if (R <= 0) {
    print("You have entered a value that is not permitted. The result is false.")
    return(0)
  }
  R <- sqrt(-log(R))
  PPN <- (((C3 * R + C2) * R + C1) * R + C0) / ((D2 * R + D1) * R + 1.0)
  if (Q < 0) {PPN =-PPN}
  return(PPN)
}

F2 <- function(X) {
  P1A <- 242.667955230532
  P1B <- 21.97926616182942
  P1C <- 6.996383488661914
  P1D <- -3.5609843701815E-02
  Q1A <- 215.058875869861
  Q1B <- 91.1649054045149
  Q1C <- 15.0827976304078
  Q1D <- 1.0
  P2A <- 300.459261020162
  P2B <- 451.918953711873
  P2C <- 339.320816734344
  P2D <- 152.98928504694
  P2E <- 43.1622272220567
  P2F <- 7.21175825088309
  P2G <- .564195517478994
  P2H <- -1.36864857382717E-07
  Q2A <- 300.459260956983
  Q2B <- 790.950925327898
  Q2C <- 931.35409485061
  Q2D <- 638.980264465631
  Q2E <- 277.585444743988
  Q2F <- 77.0001529352295
  Q2G <- 12.7827273196294
  Q2H <- 1.0
  P3A <- -2.99610707703542E-03
  P3B <- -4.94730910623251E-02
  P3C <- -.226956593539687
  P3D <- -.278661308609648
  P3E <- -2.23192459734185E-02
  Q3A <- 1.06209230528468E-02
  Q3B <- .19130892610783
  Q3C <- 1.05167510706793
  Q3D <- 1.98733201817135
  Q3E <- 1.0
  SQRT2 <- 1.4142135623731
  SQRTPI <- 1.77245385090552

  Y <- X/SQRT2
  if (Y < 0) {
    Y <- -Y
    SN <- -1.0
  } else {
    SN <- 1.0
  }
  Y2 <- Y * Y
  if (Y < 0.46875) {
    R1 <- ((P1D * Y2 + P1C) * Y2 + P1B) * Y2 + P1A
    R2 <- ((Q1D * Y2 + Q1C) * Y2 + Q1B) * Y2 + Q1A
    ERFVAL <- Y * R1 / R2
    if (SN == 1) LOAREA <- 0.5 + 0.5 * ERFVAL
    else LOAREA <- 0.5 - 0.5 * ERFVAL
  } else {
    if (Y < 4.0) {
      R1 <- ((((((P2H * Y + P2G) * Y + P2F) * Y + P2E) * Y + P2D) * Y + P2C) * Y + P2B) * Y + P2A
      R2 <- ((((((Q2H * Y + Q2G) * Y + Q2F) * Y + Q2E) * Y + Q2D) * Y + Q2C) * Y + Q2B) * Y + Q2A
      ERFCVAL <- exp(-Y2) * R1 / R2
    } else {
      Z <- Y2 * Y2
      R1 <- (((P3E * Z + P3D) * Z + P3C) * Z + P3B) * Z + P3A
      R2 <- (((Q3E * Z + Q3D) * Z + Q3C) * Z + Q3B) * Z + Q3A
      ERFCVAL <- (exp(-Y2) / Y) * (1.0 / SQRTPI + R1 / (R2 * Y2))
    }
    if (SN == 1) LOAREA <- 1.0 - 0.5 * ERFCVAL
    else LOAREA <- 0.5 * ERFCVAL
  }
  UPAREA <- 1.0 - LOAREA
  return(UPAREA)
}

F3 <- function(H1, HK, R) {
  X <- c(0.04691008, 0.23076534, 0.5, 0.76923466, 0.95308992)
  W <- c(0.018854042, 0.038088059, 0.0452707394, 0.038088059, 0.018854042)
  H2 <- HK
  H12 <- (H1*H1 + H2*H2)/2.0
  BV <- 0
  if (abs(R) >= 0.7) {
    R2 <- 1.0-R*R
    R3 <- sqrt(R2)
    if (R < 0) H2 <- -H2
    H3 <- H1*H2
    H7 <- exp(-H3 / 2.0)
    if (R2 != 0) {
      H6 <- abs(H1 - H2)
      H5 <- H6 * H6 / 2.0
      H6 <- H6 / R3
      AA <- 0.5 - (H3 / 8.0)
      AB <- 3.0 - (2.0 * AA * H5)
      BV <- 0.13298076 * H6 * AB * F2(H6) - exp(-H5 / R2) * (AB + AA * R2) * 0.053051647
      for (i in 1:5) {
        R1 <- R3 * X[i]
        RR <- R1 * R1
        R2 <- sqrt( 1.0- RR)
        BV <- BV - W[i] * exp(-H5 / RR) * (exp(-H3 / (1.0 + R2)) / R2 / H7 - 1.0 - AA	* RR)
      }
    }
    if (R > 0 & H1 > H2) {
      BV <- BV * R3 * H7 + F2(H1)
      return(BV)
    }
    if (R > 0 & H1 <= H2) {
      BV <- BV * R3 * H7 + F2(H2)
      return(BV)
    }
    if (R < 0 & (F2(H1) - F2(H2)) < 0) {
      BV <- 0 - BV * R3 * H7
      return(BV)
    }
    if (R < 0 & (F2(H1) - F2(H2)) >= 0) {
      BV <- (F2(H1) - F2(H2)) - BV * R3 * H7
      return(BV)
    }
  }
  H3 <- H1 * H2
  for (i in 1:5)
  {
    R1 <- R * X[i]
    RR2 <- 1.0 - R1 * R1
    BV <- BV + W[i] * exp((R1 * H3 - H12) / RR2) / sqrt(RR2)
  }
  BV <- F2(H1) * F2(H2) + R * BV
  return(BV)
}

true_positives <- function(N, ToSelect,BaseRate, Validity) {round(F3(F1(1.0-ToSelect/N), F1(1.0-BaseRate), Validity)/(ToSelect/N)*ToSelect,1)}
false_positives <- function(N, ToSelect,BaseRate, Validity) {round(ToSelect-F3(F1(1.0-ToSelect/N), F1(1.0-BaseRate), Validity)/(ToSelect/N)*ToSelect,1)}
false_negatives <- function(N, ToSelect,BaseRate, Validity) {round(N*BaseRate - F3(F1(1.0-ToSelect/N), F1(1.0-BaseRate), Validity)/(ToSelect/N)*ToSelect,1)}
true_negatives <- function(N, ToSelect,BaseRate, Validity) {N - true_positives(N, ToSelect,BaseRate, Validity) - false_positives(N, ToSelect,BaseRate, Validity) - false_negatives(N, ToSelect,BaseRate, Validity)}

library(manipulate)

manipulate(
  barplot(
    matrix(c(true_positives(Applicants, StaffRequirement, BaseRate, Validity),
             false_positives(Applicants, StaffRequirement, BaseRate, Validity),
             true_negatives(Applicants, StaffRequirement, BaseRate, Validity),
             false_negatives(Applicants, StaffRequirement, BaseRate, Validity)),
             nrow = 2, ncol=2, byrow=FALSE,
           dimnames = list(c("rightly", "wrongly"), c("recruited", "rejected"))),
           legend.text=TRUE, main="Reflect your personnel selection!"),
  Applicants=slider(1,100, step=1, initial = 50),
  StaffRequirement=slider(1,100, step=1, initial = 10),
  BaseRate=slider(0,1, step=.01, initial = .25),
  Validity=slider(0,1, step=.01, initial = .37))

Nehmen wir folgendes an: Sie suchen für Ihr Team zehn neue Mitarbeiter und Sie erhalten 100 Bewerbungen. Sie können also auswählen. Ihre Auswahlquote liegt in diesem Beispiel bei 10% (also 10 von 100). Nehmen wir weiter an, dass ein Teil dieser 100 Kandidaten prinzipiell geeignet, der andere Teil mehr oder weniger ungeeignet ist. Den Anteil der geeigneten Bewerbern an deren Gesamtzahl nennen wir die Grundquote. Es ist natürlich wünschenswert, wenn sich in unserem Beispiel mindestens 10 geeignete Kandidaten unter den 100 Bewerbern befinden – sonst hätten Sie keine Chance, Ihren Bedarf zu decken. Lassen Sie uns eine Grundquote von 50% annehmen, also wäre jeder zweite Bewerber prinzipiell für den Job geeignet. Ihr Ziel ist natürlich, Fehleinstellungen zu vermeiden. Kein Problem, oder? Immerhin benötigen Sie nur 10 geeignete Mitarbeiter und haben potenziell 50 zur Verfügung.

Ganz so einfach wird es nicht, aber dazu später mehr. Beginnen wir zunächst mit einem einfachen Auswahlalgorithmus, der Zufallsauswahl. Sie schauen nicht auf Lebenslauf, nicht auf Zeugnisse, führen keine Interviews und machen auch sonst keine Einstellungstests. Zettel mit den Nummern von 1 bis 100 kommen in einen Eimer und dann wird gelost. Die Wahrscheinlichkeit, einen geeigneten Bewerber zu ziehen, liegt offensichtlich bei 50% – entspricht also der Grundquote. Stellen Sie auf diese Weise 10 Personen ein, sollten Sie also mit 5 zu Recht und 5 zu Unrecht ausgewählten neuen Mitarbeitern rechnen (vergl. Abbildung 1, linke Spalte). Aber Sie losen ja Ihre zukünftigen Mitarbeiter nicht aus, sondern setzen vermutlich bereits bestimmte Auswahlmethoden ein. Hierbei ist zu beachten, dass die Vorhersagekraft von verschiedenen eignungsdiagnostischen Verfahren sehr unterschiedlich ist. Manche sind kaum besser als eine zufällige Auswahl – das belegen viele Studien. Betrachten Sie also Ihre Auswahlmethoden immer kritisch und verkennen Sie nicht die Realität.

Abbildung 1: Beispielrechnung anhand der Tafeln von Taylor und Russell für die Annahme einer Grundquote von 50%, einer Selektionsquote von 10% und einer Validität der Auswahl von 0 (=Zufallsauswahl)

Schauen wir uns an, wie sich Ihre Personalauswahl verbessert, wenn Sie validere Auswahlmethoden einsetzen. Ich nehme folgendes an: In einem Szenario gehe ich von einem gängigen ‘gut’ geführten Einstellungsinterview aus. Im zweiten Szenario nehme ich an, dass dieses Interview weiter verbessert wurde. Ein multimodaler Interviewleitfaden auf Basis einer professionellen Anforderungsanalyse kommt hier zum Einsatz. Da es sich um ein Rechenbeispiel handelt, nehme ich jetzt die folgenden (nicht unrealistischen) Validitäten für beide Verfahren an.

1. 'gut' geführtes Einstellungsinterview: r=.25
2. multimodales Interview mit vorheriger Anforderungs-Analyse: r=.50

Ich nutze das kibit-Tool, um herauszufinden, wie sich unter diesen beiden Voraussetzungen Ihre Trefferquote verbessern würde. Dazu stelle ich die veränderbaren Variablen auf der Website wie folgt ein:

Ich erhalte das in Abbildung 2 dargestellte Ergebnis und sehe, dass Sie voraussichtlich 3,3 Fehleinstellungen vornehmen werden. Also zwei Drittel der Bewerber haben Sie zu Recht ausgewählt und ein Drittel hätten Sie besser nicht eingestellt. Im besten Fall fällt Ihnen dieser Irrtum noch während der Probezeit auf.

Abbildung 2: Für das Szenario eines 'gut' geführten Einstellungsinterviews durch einen erfahrenen, aber nicht speziell ausgebildeten Vorgesetzten wird eine Validität von r=.25 angenommen. Die anderen Variablen bleiben unverändert.

Für das zweite Szenario, das multimodale Interview mit vorhergehender gründlicher Anforderungsanalyse, habe ich eine Validität von r=.50 angenommen (siehe oben). Um ein wirklich gutes Interview zu konzipieren, das diese hohe Vorhersagekraft erreicht, macht es Sinn, sich professionelle Unterstützung zu suchen, z.B. durch die Experten in der Personalabteilung oder einen externen Berater. Aber lohnen sich Aufwand und Kosten? Auf jeden Fall, denn Sie hätten nur noch mit 1,6 Fehleinstellungen zu rechnen. Die bessere Trefferquote wirkt sich als reale Kosteneinsparung aus. Sie selbst können vermutlich am besten für Ihren Bereich abschätzen, wie hoch die unmittelbaren und die mittelbaren Kosten von zu Unrecht ausgewählten Mitarbeitern sind.

Abbildung 3: Diese Abbildung zeigt den beachtlichen Mehrwert einer Verbesserung der Personalauswahlmethodik. Bei Durchführung eines multimodalen Interviews mit vorhergehender Anforderungsanalyse steigt die Validität des Interviews an (hier r=.50) und die Anzahl potenzieller Fehleinstellungen nimmt deutlich ab (hier 1,6 Personen)

Jede Führungskraft kann auf diese Weise einfach abschätzen, welcher potenzielle Schaden angerichtet wird, wenn die Auswahlmechanismen nicht die bestmöglichen sind. Zugleich zeigt das kibit-Tool, dass die Qualität der Personalauswahl nicht ausschließlich von der Güte der Methodik abhängt. Die Grundquote und die Auswahlquote sind zwei weitere Stellschrauben. Die Grundquote selbst ist keinesfalls eine unveränderliche Größe. Sie beeinflussen diese unter anderem durch ein gezieltes Personalmarketing, Employer Branding, die Art Ihrer Suche (z.B. Inhalt und Ort Ihrer Stellenausschreibung) und durch möglichst geeignete Methoden der Vorauswahl. Nehmen wir an, Sie können jeden Bewerber vorab einen Leistungstest ausfüllen oder einen Probetag absolvieren lassen und reduzieren auf diesem Wege die ursprünglich 100 Bewerber auf 70. Leider werden Sie nicht ausschließlich ungeeignete Kandidaten durch den Test ‘aussieben’. Vielleicht trifft es 10 Bewerber, die grundsätzlich geeignet gewesen wären (sogenannte False Negatives). Unter den noch verbleibenden 70 Bewerbern wären dann 40 geeignete Kandidaten. Die Grundquote würde aber dennoch von 50% auf 57,1% ansteigen (40/70*100), was einen positiven Effekt auf ihre Auswahl hätte. Probieren Sie aus, wie sich Änderungen der Validität, der Grund- und Auswahlquoten auf die Trefferquote auswirken und treffen Sie zukünftig fundiertere Entscheidungen, weil Sie wissen, an welchen Stellschrauben Sie drehen können.

Inga Mertin: Mindmapping ist eine Methode, mit der die Möglichkeit geschaffen wird, kreative Ideen in einfacher Form zu kanalisieren und zu bündeln. Ausgehend von einem zentralen Gedanken werden weitere Inhalte, Ideen und assoziierte Gedanken miteinander verknüpft und als verästelte Struktur grafisch dargestellt. Entwickelt wurde die Methode ab 1971 von Tony Buzan, im Rahmen seiner Arbeit an einem Buch zur Gedächtnisforschung. Ende der 90er Jahre brachte Buzan die erste Fassung von The MindMap Book heraus, in welchem die Methode erstmals ausführlich beschrieben wurde. Dieses Standardwerk erfreut sich – in immer wieder aktualisierter Auflage – nach wie vor großer Beliebtheit, die sich nicht zuletzt auch in hohen Verkaufszahlen niederschlägt.

Und diese Verkaufszahlen sind durchaus gerechtfertigt, denn Mindmapping stellt eine hervorragende Methode dar, um komplexe Themen in ihre einzelnen Facette aufzugliedern und für den Betrachter übersichtlich darzustellen. Die Grundüberlegung beim Mindmapping besteht darin, dass fast alle Denkprozesse nicht linear ablaufen, sondern vielmehr zahlreiche Windungen und Verästelungen durch das Bilden von Assoziationen beinhalten. Die Methode kann hierbei bei ganz unterschiedlichen Fragestellungen zum Einsatz kommen. Die Möglichkeiten in der Anwendung sind schier unendlich.

Ich nutze Mind-Maps im Coaching, zum Beispiel im Rahmen der Auftragsklärung und natürlich bei der Arbeit an konkreten inhaltlichen Themen. Denken wir beispielsweise an den Leiter eines Backoffices mit dem Wunsch nach struktureller Optimierung seines Bereiches. Eine Mind-Map kann zum Beipiel den IST-Zustand, also eine umfassende Darstellung aller Tätigkeiten, die in diesem Backoffice zu erledigen sind, abbilden. Aufbauend auf dieser Darstellung können Coach und Coachee alternative Strukturen erstellen und deren Konsequenzen besprechen. Das auf diese Weise visualisierte Ergebnis dient dem Coachee nicht selten für lange Zeit als Zielbild, hängt oft in dessen Büro und erinnert so regelmäßig daran, den erreichten Status Quo mit dem SOLL-Zustand (siehe Screenshot) abzugleichen.

Screenshot: Beispielhafte Illustration eines SOLL-Zustandes für die Tätigkeitsstruktur einer Backoffice-Abteilung. Die Abbildung zeigt Tony Buzans Software iMindMap MobileHD.

In der klassischen Form wird das Mindmapping mit einem weißen, unlinierten Blatt Papier – am besten im Format A3 oder größer – im Querformat durchgeführt. Funktioniert nach wie vor gut – ein hohes Maß an Vertrautheit mit der Methode vorausgesetzt. Aber auch beim Mindmapping bietet der Einsatz technischer Hilfsmittel, wie ich selbst erleben durfte, viele Vorteile. Sei es das automatisierte Anordnen von Zweigen, die Möglichkeit, Fehler zu korrigieren oder das nachträgliche Sortieren von Ideen, um nur einige wenige zu nennen. Mittlerweile kann auf eine Vielzahl von Softwarelösungen zurückgegriffen werden.

Für das iPad existieren zahlreiche unterschiedliche Apps zur Erstellung von Mind-Maps. Sie unterscheiden sich sowohl hinsichtlich des Handlings, der grafischen Aufbereitung und nicht zuletzt auch der Möglichkeiten, die das Programm über das alleinige Erstellen von Mindmaps bietet. Namentlich sei hier zunächst iMindMap MobileHD genannt, das vom oben bereits genannten Begründer der Mindmapping-Technik, Tony Buzan, entwickelt wurde, der aus seiner Idee eine Firma und Marke gemacht hat. Der vergleichsweise etwas höhere Preis der Anwendung wird für Nutzer, die Wert auf die ansprechende Optik ihrer Mindmaps legen, schnell vergessen sein. Zudem überzeugt die gute Kompatibilität mit dem Beamer und das Feature, die Zweige und Äste von Mindmaps im Präsentationsmodus sukzessive einblenden zu können. Ein für das Coaching im Brainstormingprozess interessantes Feature ist der Speed-Mindmap-Mode, mit dem sehr schnell neue Schwester- oder Unterzweige erzeugt werden können, allerdings erfordert diese Funktion eine hohe Vertrautheit mit dem Handling des Programms, sodass man im Zweifelsfall als Coach selbst die Bedienung übernehmen sollte. Wünschenswert wären noch eine Undo-Funktion und die Kompatibilität zu anderen Mindmapping-Programmen.

Eine weitere, aus meiner Sicht interessante Lösung für das iPad ist die App iThoughtsHD (mindmapping). Etwas preisgünstiger als die Buzan-Software, liefert iThoughtsHD ebenfalls alle relevanten Features, die man im Coaching braucht. Der Präsentationsmodus ist nicht so ausgereift wie bei iMindMap, jedoch ist dieser im Coachingkontext in der Regel auch nicht notwendig. Hervorzuheben sind hingegen die einfach Bedienung sowie die gute Kompatibilität zu anderen Mindmapping-Anwendungen. Wem diese Auswahl nicht ausreicht, oder wer Mindmapping auf einem anderen Betriebssystem betreiben möchte wird sicher fündig. Einen guten Überblick bietet der Artikel Schöpferische Kraft – Mind-Mapping am Schreibtisch und unterwegs von André Kramer, erschienen in der Ausgabe 1/2012 der Computerzeitschrift c’t.

Beteiligen Sie sich bitte am Austausch über den Einsatz von Technologien in Coaching und Moderation! Hinterlassen Sie einen Kommentar und schildern Sie Ihr Vorgehen oder werden auch Sie Gastautor(in).

Ich arbeite seit vielen Jahren im Bereich der Eignungsdiagnostik, aber eine kompetent-seriöse Interpretation der Ergebnisse erlebe ich leider selten. Warum ist das so? Mangelnde Kompetenz der Testanwender? Ignoranz? Bequemlichkeit? Angst, widersprüchliche Aussagen treffen zu müssen? Ich weiss es nicht. Natürlich setzt die Testdurchführung und -auswertung Know-how voraus, welches i.d.R. im Rahmen eines Psychologiestudiums erworben wird. Zur Auffrischung würde ich jedem Interessierten Markus Bühners Buch, insbesondere Kapitel 2 zu den testtheoretischen Grundlagen ans Herz legen. Ergänzend bietet Christian Stein auf seiner Website das dazu passende “Programm zur psychometrischen Einzelfalldiagnostik” zu einem fairen Preis an. Ich möchte in diesem Beitrag exemplarisch zeigen, wie eine typische Fragestellung der Eignungsdiagnostik statistisch abgesichert werden kann: Ist Kandidat A oder Kandidat B besser geeignet?

Beispiel: Kandidat A hat im Intelligenztest einen Gesamtwert von 102 erreicht. Kandidat B war besser, sein Testwert liegt bei 112. Nehmen wir an, der eingesetzte Intelligenztest hat in der Normierungsgruppe einen Mittelwert von 100 und eine Standardabweichung von 10. Als Reliabilität nehmen wir r=.80 an, wobei wir für unser Beispiel ein Konsistenzmaß einer Retest-Reliabilität vorziehen würden. Wir finden diese (hoffentlich) im Testmanual angegeben. Weitere Daten benötigen wir nicht, um statistisch absichern zu können, ob Kandidat B tatsächlich intelligenter als Kandidat A ist.

Wir füllen die Eingabemasken wie folgt:

1. Screenshot 1: “Kritische Differenzen für den Unterschied zwischen zwei Testwerten zweier Personen im gleichen Test”
2. Screenshot 2: “Zweiseitige Testung” & Sicherheitswahrscheinlichkeit “80%”
3. Screenshot 3: “Standardwert (SW)”
4. Screenshot 4: beobachteter Wert 1 = 102; beobachteter Wert 2 = 112; Reliabilität = 0.80

Das Programm gibt anschließend folgendes Ergebnis aus:

• Kritische Differenz: 8,11
• beobachtete Differenz: 10,00

Wir können also mit 80%iger Sicherheit davon ausgehen, dass Kandidat B tatsächlich intelligenter ist, als Kandidat A und die in der Testung beobachtete Differenz von 10 (112-102) nicht ausschließlich auf Messungenauigkeiten zurück zu führen ist. Hätte Kandidat B “nur” einen Wert von 110 erreicht, würden wir unsere Aussage so nicht aufrecht erhalten können und akzeptieren, dass trotz unterschiedlicher Testergebnisse, wir nicht ausschließen können, dass beide Probanden den selben “wahren” Intelligenzwert aufweisen.

Tatsächlich ist die in meinem Beispiel mit 80% gewählte Sicherheitswahrscheinlichkeit sogar noch diskussionswürdig. Wenn wir wirklich sicherer sein wollten, würden wir diese vielleicht sogar auf 95% festsetzen, was die kritische Differenz auf 12,40 erhöhen würde. Also würde für Kandidat B erst ein Wert von über 114,4 die Aussage zulassen, dass dieser tatsächlich “intelligenter” sei.

Die Software kann übrigens auch bei anderen Fragestellungen helfen. Zum Beispiel bei der Frage, ob die mathematischen Fähigkeiten tatsächlich besser sind als die sprachlichen oder ob sich eine bestimmte Fähigkeit (zum Beispiel nach einem Training) tatsächlich verbessert hat. Ein Highlight der Software ist die Hilfe-Funktion, in der viel Hintergrundwissen vermittelt wird.

Ich schaue mir Dragon Dictation (kostenlos, für iPhone & iPad) sowie Siri (kostenlos, nur für iPhone 4S) genauer an. Um die Ergebnisse miteinander vergleichen zu können, spreche ich den folgenden fingierten Text möglichst natürlich ins Mikrofon.

Coaching von Herrn Forsch, Termin 3, Donnerstag 26.01.2012
[NEUER ABSATZ]

Heute haben wir über Herrn Forschs Auftreten gegenüber seiner
Kollegin, Frau Zweifel gesprochen. Herr Forsch berichtet eine
Auseinandersetzung der letzten Woche, die im Streit endete.
Seitdem herrsche 'Funkstille'. Derlei Konflikte mit Frau
Zweifel habe es schon häufiger gegeben, sie werden ihm zudem
von seinem Vorgesetzten in Personalgesprächen regelmäßig
vorgehalten. Herr Forsch formuliert folgende Ziele:
[NEUER ABSATZ]

1. seinen Beitrag am 'destruktiven Gesprächsmuster'
   mit 'dieser Frau' besser verstehen [NEUE ZEILE]
2. Strategien für den zukünftigen Kontakt entwickeln [NEUE ZEILE]
3. diese im Rahmen eines Rollenspiels ausprobieren [NEUE ZEILE]

eingesetzte Methode: 2 Rollenspiele mit anschl. Reflexion
[NEUER ABSATZ]

Zentrale Erkenntnisse: [NEUER ABSATZ]

- nicht mit der Tür ins Haus fallen [NEUE ZEILE]
- mit positivem Gefühl starten, lächeln, Eisbrecher etc. [NEUE ZEILE]
- ihre Zweifel anhören und ernst nehmen [NEUE ZEILE]
- Kompromissbereitschaft signalisieren [NEUER ABSATZ]

Folgetermin am 29.02.2012 um 14 Uhr in Köln

Experiment 1: Dragon Dictation
Insgesamt ist der Text (siehe Abbildung 1) aus meiner Sicht ausreichend verständlich, wenngleich insgesamt einige gröbere Fehler den Nutzen der Spracherkennung einschränken. Ich persönlich finde im erkannten Text 9 Stellen, deren Übersetzung mir nicht ausreicht. Dragon Dictation scheint (zumindest in meinem Fall) Probleme mit dem Eigennamen (Herr Forsch) zu haben, was ich nachvollziehen kann. Ärgerlicher sind mehrere Stellen, bei denen ganze Wörter ‘verschluckt’ werden, was der Verständlichkeit nicht gerade zuträglich ist.

Abbildung 1: Dragon Dictation 'verschluckt' für meinen Geschmack zu viele Wörter.

Experiment 2: Siri
Macht Apple es besser? Ich denke schon. Siri leistet sich etwas weniger Schnitzer. Hier ist die Erkennungsleistung für mich fast schon zufriedenstellend. Weil ich das Diktat nur dann verwenden möchte, wenn händische Korrekturen nicht mehr notwendig sind ist Siri in meinem kleinen Test die Siegerin. Abgesehen vom Eigennamen finde ich nur einen gröberen Erkennungsfehler (siehe Abbildung 2).

Abbildung 2: Siri ist die Gewinnerin meines kleinen Experiments.

Ob die Erkennensleistung für den produktiven Einsatz ausreicht, muss natürlich jeder für sich selbst beantworten. Mit Sicherheit variieren die Ergebnisse von Sprecher zu Sprecher und mit unterschiedlichen Umgebungsgeräuschen. Für meine Versuche hatte ich einen ruhigen Raum, den ich aufgrund der Vertraulichkeit der Gespräche sowieso nutze. Evtl. wäre ein Diktat während der Autofahrt noch nützlich. Für mich kommt das aber nicht in Frage. Während ich persönlich mit dem Ergebnis zu leben bereit wäre, vermisse ich am stärksten die Grundfunktionalität eines richtigen Diktiergerätes, denn ich benötige definitiv mehrere Anläufe, um meine Gedanken in Worte zu fassen.

Ich habe daher die App Dictamus getestet, die insgesamt viel Applaus erhält. Um es kurz zu machen: Eine richtig gute Software mit allem was man zum Diktieren benötigt und mit beeindruckender Sprachqualität. Leider existiert bislang keine Schnittstelle, um die finalen Audioaufnahmen (.wav) an Dragon Dictation oder Siri zu übergeben. Was bleibt, ist ein Import in die PC/Mac-Version von Dragon Dictation, wie er z.B. von Ernie Svenson beschrieben wird. An dieser Stelle steige ich jedoch aus diesem Experiment aus, denn damit wird mir persönlich der Aufwand zu groß.

Fazit: Mein Selbstversuch zeigt mir das Potenzial von Spracherkennung für unseren Berufsstand. Wenn man einschlägigen Forenbeiträgen glauben darf, sind Ärzte und Juristen auf diesem Gebiet sogar schon deutlich weiter. Für eine komplett mobile Lösung wäre ich gerne bereit zu zahlen. Noch zu klären bleibt für mich allerdings, wie mit der Frage des Datenschutzes umzugehen ist, denn die Texte werden nicht lokal, sondern auf den (amerikanischen) Servern der Hersteller verarbeitet. Zu dieser Frage ist ein juristisch geprägter Gastbeitrag in Planung. Besuchen Sie dieses Blog also bald wieder, abonnieren Sie den RSS-Feed und hinterlassen Sie einen Kommentar mit Ihrer Meinung oder Erfahrung!

Abbildung: Beim IQ-Wert nimmt man an, dass der Durchschnitt der Bevölkerung bei 100 liegt. Die Standardabweichung ist 15. Anhand der abgebildeten Glockenkurve kann man leicht erkennen, dass z.B. 68% der Bevölkerung demnach einen IQ-Wert zwischen 85 und 115 haben.

Ein Meilenstein der wissenschaftlichen Debatte stellt sicherlich das 1994 erschienen Buch “The Bell Curve” dar. Unter anderem zeigen die Autoren Charles Murray und Richard Herrnstein in ihrem Werk auf, dass Intelligenz zum einen durch IQ-Tests akkurat erfasst werden kann und zum anderen der beste Prädiktor für schulischen wie auch beruflichen Erfolg ist. Nicht alle dort getroffenen Aussagen blieben unwidersprochen. Die Publikation animierte Ulric Neisser sowie 10 weitere Wissenschaftler zum Schreiben eines gemeinsamen Papers, das noch heute eine herausragende Zusammenfassung dessen ist, was eine große Mehrheit einschlägiger Wissenschaftler als Tatsachen der Intelligenzforschung nennen würden. Jetzt, 16 Jahre später im Januar 2012, ist ein Update dieses Papers von Richard E. Nisbett und Kollegen erschienen. Es trägt den Titel “Intelligence: New Findings and Theoretical Developments”. Beide Artikel gemeinsam bringen jeden Interessierten in kürzester Zeit auf den Status Quo der Intelligenzforschung und sind als PDF verfügbar:

1. 1996: Intelligence: Knowns and Unknowns
2. 2012: Intelligence: New Findings and Theoretical Developments

Viel Spaß beim Lesen!

We weigh our dog regularly on our Withings WiFi Body Scale. The data is here:

mydog <- read.csv("http://holtmeier.de/public/maya.csv")
mydog$DATE <- as.Date(mydog$DATE, "%Y/%m/%d")
mydog$AGE <- as.numeric(mydog$DATE - as.Date("2011-05-04"))

In line 3, I calculate the days since birth, because my approach does not work with dates. At least I do not know how. Basically, I know little to nothing about growth models of dogs. Therefore, I approach the question quite naive. I make two assumptions:

1. The growth is non-linear. It is negative exponential, as it is in this example.
2. The weight asymptotically approaches a genetically predetermined maximum value.

I have found the function SSasymp in “stats” package. The description says: “This self start model Evaluate the asymptotic regression function and its gradient It has an initial attribute that will evaluate initial estimates of the parameters Asym, R0, and lrc for a given set of data..” This is what I was looking for.

require(stats)
fm <- nls(WEIGHT ~ SSasymp(AGE, Asym, R0, lrc), data = mydog)
summary(fm)

The code results in the following output:

Formula: WEIGHT ~ SSasymp(AGE, Asym, R0, lrc)

Parameters:
     Estimate Std. Error t value Pr(>|t|)
Asym 22.92878    0.74010  30.981  < 2e-16 ***
R0   -2.59439    0.52484  -4.943 8.71e-06 ***
lrc  -5.07800    0.07263 -69.912  < 2e-16 ***

22.92878 is the numeric parameter representing the horizontal asymptote on the right side (very large values of input). So this is the estimate of the target weight for our dog (line 6, green line). Finally, I would like to visualize my data, including the regression curve. I use ggplot2 - as usual. In addition to model-based curve (line 5, red curve), I draw the model-free spline fit (line 4, blue curve). A spline fit per se does not assume a functional relationship between time and growth data (Kahm, M. et al. al., 2010).

require(ggplot2)
ggplot(data=mydog, aes(x=AGE, y=WEIGHT)) +
  geom_point() +
  geom_smooth(color="Blue", se=F) +
  geom_smooth(method="nls", formula=y~SSasymp(x, Asym, R0, lrc), color="red", se=F, fullrange=T) +
  geom_hline(color="green", yintercept=22.92878) +
  scale_x_continuous(limits=c(50,400)) +
  xlab("Alter (in Tagen)") + ylab("Gewicht (in kg)")

As I said, I am still learning. Are there better ways to estimate the weight of my dog? Other models (eg the Gompertz growth function)? I am looking forward to improving information!

Stellen Sie sich die folgende Situation vor: Sie sind mit Ihrem (oder: Ihr Klient ist mit seinem) aktuellen Job unzufrieden. Es gibt für ihn unterschiedlichste Alternativen:

1. den Arbeitgeber wechseln (wir nehmen an, ein konkretes Angebot liegt vor)
2. sich selbständig machen
3. ein Sabbatjahr einschieben
4. nochmal etwas anderes studieren
5. sich auf eine andere Position beim aktuellen Arbeitgeber bewerben
6. einen Sonnenschirmverleih auf Sylt eröffnen
7. und schließlich: ”nichts ändern” und im aktuellen Job weiterarbeiten

Wie gehen Sie vor wenn Sie andere dabei unterstützen, die richtigen Entscheidungen zu treffen? Vielleicht werden Sie zunächst ergründen, welche Bedürfnisse mit einem Jobwechsel befriedigt werden sollen. Möglicherweise sind es die folgenden:

• herausfordernde Tätigkeit
• geringe Distanz zum Wohnort
• gute Work-Life-Balance
• hohes Grundgehalt
• hohe Arbeitsplatzsicherheit
• wenig Reisetätigkeit
• Gelegenheit, viel Neues zu lernen
• viel Flexibilität haben

Können Sie sich in mein Beispiel hineindenken? Es liegt auf der Hand, dass mache dieser Bedürfnisse wichtiger sind als andere. Die Alternative mit der besten Bedürfniserfüllung sollte logischerweise gewählt werden. Das menschliche Gehirn ist allerdings nicht besonders gut darin, so viele Variablen auf einmal zu berücksichtigen. Am Ende treffen wir oft eine Bauchentscheidung beziehungsweise verlassen und auf unsere ungenauen und fehleranfälligen Urteilsheuristiken.

Die AHP-Methode von Saaty systematisiert diesen Prozess. Das Vorgehen basiert auf Paarvergleichen und einer “Priese” Matrizenrechnung und wird an dieser Stelle nicht im Detail beschrieben. Als reiner Softwareanwender reicht es aus, die oben beschriebenen Bedürfnisse und (Job-)Alternativen in iDecide+ einzutragen. Das Vorgehen und die Möglichkeiten der Konfiguration (speziell die Skalenauswahl) werden sehr anschaulich in Form von 7 Screencasts auf der Seite des Herstellers fastworks erklärt. Es bedarf zwar einer kurzen Einarbeitung, aber die lohnt.

Screenshot 1: Im ersten Schritt muss sich der Klient entscheiden, was ihm wichtiger ist.

Nach abgeschlossener Konfiguration führt uns iDecide+ durch insgesamt 28 Paarvergleiche (=vollständiger Paarvergleich) nach folgendem Prinzip: Was ist mir wichtiger? Eine “herausfordernde Tätigkeit” oder “eine geringe Distanz zum Wohnort”? Der Nutzer kann beide Alternativen als gleich wichtig (“Equal”) bewerten, oder er schiebt den Regler auf die eine oder andere Seite, bis hin zur maximalen Skalenausprägung (“Extreme”). Der folgende Screenshot rechts zeigt exemplarisch die Bedürfnislage eines meiner Klienten. Hier wird auch schon ein großer Vorteil dieses Vorgehens deutlich: Die Reduktion auf zwei miteinander zu vergleichende Kriterien reduziert die Komplexität der Entscheidungsaufgabe enorm und macht sie für uns Normalsterbliche handhabbar.

Screenshot 2: In einem zweiten Schritt kann bei Bedarf die Stimmigkeit der eigenen Vergleichsurteile gezielt verbessert werden.

28 Paarvergleiche später, ist er sich nicht mehr sicher, ob er sich nicht irgendwo widersprochen hat. Denn, wenn A wichtiger B und B wichtiger C, dann muss theoretisch auch A wichtiger C sein. Die Software unterstützt mich und ihn aber auch hier und berechnet einen Konsistenzindex (0 – 100%) auf Basis seiner Paarvergleiche. In meinem Beispiel liegt dieser bei 53% (poor = dürftig). Er ist also nicht besonders gut in der Lage, eine in sich stimmige Priorisierung zu erstellen. Ein kleiner grüner Pfeil zeigt uns glücklicherweise an, wie sein Urteil hätte ausfallen müssen, um den Konsistenzindex maximal positiv zu beeinflussen (vergl. Screenshot 2). In einem zweiten Schritt können wir also jeden seiner Paarvergleiche nochmals hinterfragen und evtl. korrigieren. Ist ihm vielleicht tatsächlich eine “geringe Distanz zum Wohnort” wichtiger als eine “herausfordernde Tätigkeit”? Wenn ich den Schieberegler auf die Position des grünen Pfeils versetze, steigt der Konsistenzindex immerhin auf 62%. Nach Abschluss aller Korrekturen erreichten wir übrigens eine gute Konsistenz von 90%.

Screenshot 3: So könnte die Wichtigkeit der Bedürfnisse in eine Rangreihe gebracht werden.

Aus diesen Daten errechnet uns iDecide+ das in Screenshot 3 dargestellte Ranking. Meinem Klienten ist also Flexibilität am wichtigsten. Im dritten Schritt muss er jetzt nur noch für jede seiner Job-Alternativen (siehe oben) die Fakten eintragen und manchmal schätzen. Wieviel Flexibilität bietet ihm ein neuer Job (Skala: 0-10)? Wieviel Reisetätigkeit bringt dieser mit sich (Skala: viel/mittel/wenig)? Wie groß ist die Entfernung zum Wohnort (Skala: Angabe in km)? Hat er alle Einträge ausgefüllt, erhalten wir im Ergebnis eine Rangreihe seiner Job-Alternativen. In der Regel ist es die Alternative mit der besten Passung, für die er sich entscheiden sollte. In meinem Praxisbeispiel liegen zwei Alternativen gleich auf (vergl. Screenshot 4): Entweder er ändert nichts (76,5%) oder er wagt den Schritt in die Selbständigkeit (75,9%). Auf jeden Fall berichtet er das Gefühl seine Entscheidung auf Basis eines fundierten analytischen Vorgehens getroffen zu haben, so dass er in seinem Entscheidungsprozess ein gutes Stück weiter gekommen ist.

Screenshot 4: So sieht das Endergebnis aus. Die Job-Alternative mit der besten Passung wird ganz oben, die mit der geringsten ganz unten angezeigt.

Fazit: Mein abschließendes Urteil zu iDecide+ fällt sehr positiv aus. Die App bedient sich nach einer ersten Eingewöhnungsphase sehr intuitiv und komfortabel. Der Menüpunkt Explore erlaubt sogar die Betrachtung bestimmter Was-Wäre-Wenn-Szenarien. Zum Beispiel kann mein Klient ausprobieren, welche Alternative er präferieren sollte, wenn er weniger Wert auf Flexibilität legen würde. Ich habe die Erfahrung gemacht, dass eine doppelstündige Sitzung für den gesamten AHP-Prozess meist zu kurz ist. Besser eignen sich drei oder sogar vier Stunden. Im Prinzip sind es nur zwei Punkte, die ich zu kritisieren habe. Zum einen ist die App limitiert auf 10 Kriterien (in meinem Beispiel: Bedürfnisse). Das reicht zwar in den meisten Fällen aus, aber eben nicht in allen. Mein zweiter Kritikpunkt hängt damit indirekt zusammen. Es liegt in der Natur der Methodik des Paarvergleichs, dass die Anzahl notwendiger Paarvergleiche mit der Anzahl zu bewertender Kriterien exponentiell steigt. Bei meinen 8 Kriterien waren 28 Paarvergleiche [ Formel: (n * (n-1)) / 2 ] nötig. Bei 15 Kriterien wären es schon 105 Paarvergleiche. Hoher Zeitbedarf und aufkeimende Frustration sind die Folge. Es gibt auch Softwarelösungen, die mit unvollständigen Paarvergleichen arbeiten und deswegen auch für eine größere Anzahl von Kriterien geeignet sind. Die Methodik wird u.a. von Staufenbiel und Kleinmann beschrieben.

Losgelöst vom oben geschilderten Beispiel gibt es natürlich eine Vielzahl weiterer Anwendungsmöglichkeiten der AHP-Methodik, auch außerhalb des Coachingbereichs. In meinem Job als HR-Berater verwende ich das Vorgehen häufig bei der Erarbeitung von Kompetenzmodellen für die Personalauswahl und Personalentwicklung. Doch auch dazu vielleicht an anderer Stelle mehr…

Es muss ja nicht immer ein professioneller Coach sein. Für das eine oder andere Anliegen eignet sich vielleicht auch das Selbst-Coaching. Ich bin neugierig, wie der Haufe-Verlag das Thema auf dem (noch relativ neuen) iPad umgesetzt hat. Ich investiere also die € 2.99,- (Preisaktion nur noch bis heute Nacht) und lade mir den Compact Coach auf mein Tablet. Es gibt auch eine Version für das iPhone. Androiden und andere gehen leer aus.

Was mich erwartet ist eine dreiteilige Struktur (Selbsttest (“Parcours”) -> Wissenserwerb -> Lerntest). Die App wirkt auf mich gut strukturiert und übersichtlich. Nach Auffassung der Autoren sind es fünf Verhaltensfacetten, die bei der Stärkung der eigenen Durchsetzungsfähigkeit eine wichtige Rolle spielen:
a) Stärken zeigen
b) Klar kommunizieren
c) Überzeugen
d) Kämpfen
e) Andere für sich gewinnen

Im Prinzip ist der Ansatz der Autoren nicht verkehrt. Sie hinterfragen beim Nutzer/Coachee dessen fundamentale Glaubenssätze, machen auf Signale der eigene Körpersprache aufmerksam und geben konkrete Tipps. Mir gefällt auch, die Würze, die in der Kürze steckt, denn ich glaube mehr Umfang will kaum ein Nutzer. In Einzelfällen würde ich den Autoren zwar durchaus widersprechen wollen, doch zur Auseinandersetzung mit der eigenen Durchsetzungsfähigkeit bewerte ich die Software aus inhaltlichen Überlegungen als durchaus gelungen.

Screenshot der iPad-App "Sich durchsetzen" aus der Reihe "Kompakt Coach" vom Haufe-Verlag in Kooperation mit der Süddeutschen Zeitung

Die Umsetzung enttäuscht mich leider. Eine Mischung aus eBook und multiple Choice-Test kann mich nicht vom Hocker reißen. Ich verstehe zum Beispiel nicht, warum im Abschnitt “Körpersprache” nur Fotos und keine Videos verwendet werden. Oder anderes Beispiel: Die Ergebnisse eines Selbsttestes sind weder grafisch hübsch aufbereitet noch druck- oder exportierbar. So ist es eher unwahrscheinlich, dass der Coachee mit diesen Ergebnissen “weiterarbeiten” wird. Wir sehen hier eine Umsetzung eines Buches auf dem iPad, ohne dessen Möglichkeiten auch nur annähernd zu nutzen. Um nur ein paar Ideen zu nennen, die mir spontan einfallen:

a) Adaptives Verhalten der Software: Warum analysiert die Software nicht die Ergebnisse des anfänglichen Selbsttestes und gibt dem Nutzer spezifischere Hinweise, Herausforderungen oder Aufgaben, die besser zu ihm passen? Ich finde, gerade diese Dynamik macht den Unterschied zwischen Buch und App aus.

b) Videoanalyse (Selbst- und Fremdbild): Warum gibt es nicht die Möglichkeit ein Video von sich selbst aufzunehmen und sich anschließend hinsichtlich bestimmter Kriterien selbst zu bewerten. Das Video könnte auch von anderen Personen bewertet werden, so dass ein Vergleich von Selbst- und Fremdbild möglich würde.

Bleibt abschließend die zentrale Frage, ob die App ihren Zweck erfüllt und nützlich ist. Für Menschen, die lieber ihren Tablet PC oder ihr Smartphone zum Lesen verwenden und ein bischen Interaktivität mögen, ist Haufes Compact Coach “Sich durchsetzen” sicher ein Tipp. Den Preis finde ich sehr fair – hier gibt es nichts zu meckern. Dem Käufer muss jedoch klar sein, dass die App ausschließlich die Wissensebene anspricht. Selbst wenn Erkenntnis der erste Schritt zur Veränderung ist, bedeutet dies noch lange nicht sich auch ändern zu können. Unsere Persönlichkeit, unsere Verhaltensgewohnheiten und unser Umfeld machen uns bekanntlich gar zu oft einen Strich durch die Rechnung. Nur wäre es auch nicht fair, von einer Software zu verlangen, was ein ausgebildeter Coach zu leisten im Stande ist. Dieser wird natürlich viel individueller auf seinen Coachee eingehen. Trotzdem denke ich, dass die Grenzen “digitalen Coachings” noch lange nicht erreicht sind. Für mich ist beides kein entweder oder sondern ein sowohl als auch.

Guten Start ins neue Jahr – Bleiben Sie gesund!

In my role as managing director of kibit GmbH, I have placed the focus of the company on ”R” (instead of SPSS). We use R e.g. for the evaluation of employee surveys and 360 degree feedback. In particular, the possibilities of automation, the outstanding graphical capabilities and the reproducibility of our work have been decisive. Meanwhile, we have changed to RStudio as a graphical development environment (GUI).

Here in my blog I will publish in the future at irregular intervals interesting code examples (with links to HR). Perhaps some readers feel encouraged to give R a try. Well, if so, what should they do?

1. install the required software (R & RStudio)
2. try the code on the bottom of this page

R is available for Mac, Windows and Linux. Installation is not complicated. When you first launch RStudio, you will be greeted by an interface that looks similar to this:

Screenshot: RStudio

R is a programming language. As with other languages, also applies here: practice makes perfect. I personally think the website Quick-R, and this manual are good points to start.

Now we open a new window (File -> New -> R script) and copy the following code into it. Then we select everything and press the run button.

assessors <- c(8, 10, 8, 5, 4, 7, 10, 6)
names(assessors) <- c("Fischer", "Miller", "Mayer", "Master", "Hunter", "Smith", "Kim", "Baker")
barplot(sort(assessors, decreasing = TRUE), main = "assessment center per year", col = hcl(h = seq(0, 240, by = 30)), horiz = TRUE, las=1)

In line 1 we define eight values, which we assign certain people in line 2. The third line generates the graph. If all goes well, we get the following result:
There is even an easier way to try out my little example. Insert the code on http://cloudst.at. It’s magic!